风险提示:理性看待区块链,提高风险意识!
USDT USDT $1.00 0.01%
XRP XRP $1.43310000 0.19%
BNB BNB $637.54000000 0.02%
USDC USDC $0.99963000 0.01%
SOL SOL $86.49000000 0.99%
TRX TRX $0.32360000 1.25%
BTC BTC $67,234.00 2.34%
ETH ETH $3,456.00 1.23%
CoinMeta Skill
限时免费体验

让 AI 更快获取有效、准确、可行动的币圈全景信息

大模型吃不掉应用层:企业AI的真正护城河在哪里?

摘要

焦虑的源头,不是模型太强,而是理解太浅 过去几个月,不少AI应用创业者夜不能寐:OpenAI推法律套件、Anthropic上线设计助手、微软把Copilot深度嵌入Office——仿佛所有垂直场景都在被巨头收编。人们开始相信,只要基...

大模型吃不掉应用层:企业AI的真正护城河在哪里?
焦虑的源头,不是模型太强,而是理解太浅 过去几个月,不少AI应用创业者夜不能寐:OpenAI推法律套件、Anthropic上线设计助手、微软把Copilot深度嵌入Office——仿佛所有垂直场景都在被巨头收编。人们开始相信,只要基础模型持续进化,今天的AI应用,终将沦为大厂产品里的一个开关。 但Glean创始人Arvind Jain给出了一针清醒剂:通用大模型赢不了真正的应用层公司。不是因为它不够聪明,而是它根本不懂你的业务。 企业要的不是‘最强大脑’,而是‘懂行的同事’ 实验室里的SOTA(State-of-the-Art)能力,不等于会议室里的可交付价值。一家大型企业内部可能有上千套系统,同一客户在销售系统叫‘账户’,在财务系统叫‘主体’,在交付系统又拆成多个项目编号。权限规则、数据口径、历史决策逻辑、甚至老员工心照不宣的‘捷径’,都从未写进文档,却真实决定着效率上限。 通用模型能读取这些数据,但无法判断哪条信息对当前任务最关键;它能拼出一段看似合理的回复,却不知道这个回复是否符合公司三年前某次复盘会定下的例外处理原则。结果就是:响应慢、Token贵、答案飘——企业买了个大脑,却没配记忆、地图和工作手册。 这才是落地瓶颈:不是模型能力不足,而是上下文工程缺失。而‘上下文’,远不止是把几份PDF塞进prompt。它是知识结构、权限边界、术语映射、流程依赖,更是那些藏在老师傅脑子里、只在茶水间口耳相传的隐性经验。 90%的场景,根本不需要最强模型 Arvind Jain指出:当下90%以上的企业AI需求,已无需调用闭源旗舰模型。一份会议纪要、一封客户跟进邮件、一次内部知识检索——质量达标即可,成本可控才是关键。 这标志着大模型正快速走过‘稀缺技术’阶段,进入‘标准基础设施’周期。就像云计算刚兴起时,企业不会为每台虚拟机单独招标CPU厂商;今天,应用公司也不必押注单一模型。Glean的做法很务实:简单任务用轻量开源模型,复杂推理才调度闭源大模型。模型越开源、越便宜,应用公司的选型自由度就越高,价值重心自然向‘如何用好’迁移。 真正危险的,不是模型升级太快,而是应用公司除了API调用,再无其他不可替代能力。 捆绑失效了,入口不再等于控制权 微软的Copilot曾是典型入口壁垒:企业已付费购买Office,顺手启用AI功能,比采购独立工具省去安全审查、法务流程与培训成本。但AI的按量计费模式正在瓦解这一逻辑。 传统SaaS按席位收费,企业倾向‘用足配额’;AI按任务消耗算力,员工自然会选择‘完成效果最好’的那个工具——无论它是否预装。采购名单上的供应商,不等于实际执行任务的代理。未来的竞争,早已从‘谁进了合同’转向‘谁拿到了指令’。 降本是伪命题,增效才是真考题 客服场景的ROI一目了然:AI让单人日均处理工单从10张升至12张。但在研发、管理、知识工作中,AI提升的往往是链条中最短的一环。Glean内部100%初始代码由AI生成,但交付节奏并未爆发式增长——因为瓶颈立刻转移到代码审查、架构协同与跨团队对齐。 AI从不消除瓶颈,它只是把瓶颈推到下一环。短期看,纯粹降本难见成效;长期看,只有两条路走得通:一是等推理成本降到今天的十分之一,让智能体真正具备经济可行性;二是用AI放大人均产出——不是用5个人干8个人的活,而是用10个人做出30个人的业务规模与产品深度。 企业竞争力从来不只是成本,更是产能与质量的复合函数。 进入核心工作流,才是唯一护城河 Claude推出设计辅助功能,并未动摇Figma的地位。它真正改变的,是让产品经理、市场人员也能生成简易素材——扩大了工具使用人群,而非取代专业工作流。深度任务仍留在Figma里,因为那里沉淀着图层规范、组件库权限、设计系统版本演进、以及设计师之间心领神会的协作语义。 Glean花了数年时间,打通Salesforce、ServiceNow、Slack、Notion等上百个数据源,构建基于权限的企业级知识图谱。员工搜索‘上季度华东区最大订单’,返回的不是一堆原始记录,而是他权限内最相关、最结构化、带上下文标注的结果。这种壁垒,靠的是对业务的长期浸润,不是模型参数量堆出来的。 所以,应用公司的生死线只有一个:是否已嵌入客户的真实决策链与执行链。如果产品只是加了一层聊天界面,模型升级确实可能一夜抹平;如果它已掌握权限体系、流程逻辑与组织记忆,那每一次模型进步,反而会放大它的不可替代性。 窗口期正在关闭,但纪律不能放弃 Arvind Jain坦言,他过去信奉极致资本效率,如今却开始担忧:过度克制,可能错过企业AI需求被全面唤醒的关键圈地期。今天不进入客户的核心工作流,未来再切入的成本可能高出十倍。 但‘加速’不等于失焦。产品仍须收费,价值必须可衡量,营销投入依然要换回真实回报。资本可以买来时间,却无法掩盖价值空心化的本质。 这一代AI创业者的终极考题,从来不是‘能不能做出来’,而是‘如何在窗口期与商业纪律之间,走出一条可持续的深水航道’。

评论 (5)

登录 后即可发表评论
UncleZhou
UncleZhou 1周前

大模型代替不了应用层,企业要的是懂业务的,应用公司得嵌入核心工作流,不然迟早完蛋

0 回复
霖Leo
霖Leo 1周前

应用公司生死线是嵌入核心工作流,不能只加聊天界面,得掌握业务关键东西

0 回复
目标1
目标1 1周前

AI增效不只是降本,得放大人均产出,应用公司得抓住窗口期进核心工作流

0 回复
风格
风格 1周前

现在AI按任务计费,入口优势没了,应用公司得有点真本事,不能只靠API调用

0 回复
东山再起(交流上岸)

通用模型不懂企业业务,上下文工程很重要,应用公司得有自己的护城河

0 回复
更多