每經(jīng)記者｜可楊    每經(jīng)編輯｜楊軍    

過去一年，大模型行業(yè)的敘事正在發(fā)生變化。從“能力展示”走向“場景落地”，企業(yè)客戶的關(guān)注點不再停留在模型參數(shù)或通用能力，而是轉(zhuǎn)向具體業(yè)務環(huán)節(jié)中的可用性與可控性。

2026中關(guān)村論壇年會期間，滴普科技創(chuàng)始人、董事會主席、執(zhí)行董事兼首席執(zhí)行官趙杰輝在接受《每日經(jīng)濟新聞》記者的采訪時多次提到一個詞——“AI員工”。在他看來，企業(yè)大模型真正進入產(chǎn)業(yè)的標志，不是模型更強，而是AI（人工智能）是否能夠成為崗位的一部分。

關(guān)于行業(yè)掀起的龍蝦熱，趙杰輝表示，龍蝦的能力來源于互聯(lián)網(wǎng)數(shù)據(jù)，其邏輯體系與企業(yè)內(nèi)部知識體系存在天然差異，“它用互聯(lián)網(wǎng)上的知識去干活，邏輯和企業(yè)的知識背景邏輯不一樣，這中間是可能沖突的?！?/p>

（趙杰輝在演講。公司供圖）

模型能力從通用能力走向崗位嵌入

“去年大家看機會，今年大家看場景，這是一個很明顯的變化?！痹诓稍L中，趙杰輝這樣描述過去一年行業(yè)態(tài)度的轉(zhuǎn)變。

在他看來，大模型在產(chǎn)業(yè)中的最終形態(tài)，可以被簡化為一句話：“在產(chǎn)業(yè)里面工作的AI員工?！边@類AI員工并非簡單的工具或助手，而是能夠嵌入具體崗位、參與實際工作的執(zhí)行主體。“一個資深的人帶著十幾個甚至20個AI員工，去完成更復雜的事情”，成為他對未來組織形態(tài)的一個直觀描述。

這一判斷的背后，是他對當前行業(yè)“養(yǎng)龍蝦”現(xiàn)象的反思。在趙杰輝看來，“龍蝦”的能力來源于互聯(lián)網(wǎng)數(shù)據(jù)，其邏輯體系與企業(yè)內(nèi)部知識體系存在天然差異，“它用互聯(lián)網(wǎng)上的知識去干活，邏輯和企業(yè)的知識背景邏輯不一樣，這中間是可能沖突的?！?/p>

趙杰輝認為，這種沖突在具體業(yè)務中會放大為風險。例如，在郵件處理、電商操作等場景中，如果AI基于通用判斷做出決策，可能偏離企業(yè)真實需求。因此，企業(yè)客戶的核心訴求并非更聰明的AI，而是可控且符合企業(yè)業(yè)務邏輯執(zhí)行的AI。

圍繞這一目標，趙杰輝提出企業(yè)大模型落地的關(guān)鍵路徑，是以企業(yè)知識為基礎，構(gòu)建本體模型，并在此之上生成技能（skill），再將技能組合為不同崗位的AI員工。

這一思路也意味著，AI的落地不再依賴單一場景突破，而是具備跨崗位擴展能力?！澳憬o它什么數(shù)據(jù)權(quán)限、什么知識，它就能定義成什么崗位?！壁w杰輝表示。

從實踐來看，這一模式已經(jīng)在部分行業(yè)展開。不過，趙杰輝也明確指出，這種落地并非簡單部署模型，而是一個持續(xù)運營過程。“AI員工需要不斷被創(chuàng)造、被更新，這本身就需要一個系統(tǒng)。”

企業(yè)大模型的真正壁壘：數(shù)據(jù)與本體建模

如果說AI員工是目標形態(tài)，那么實現(xiàn)這一形態(tài)的核心門檻，則落在數(shù)據(jù)與建模能力上。

在采訪中，趙杰輝反復強調(diào)，本體建模與數(shù)據(jù)治理，是企業(yè)大模型區(qū)別于通用模型的關(guān)鍵。這其中最大的難點不是模型本身，而是怎么把企業(yè)里的文檔、圖紙、數(shù)據(jù)，變成有邏輯關(guān)系的知識體系并與業(yè)務語義有效關(guān)聯(lián)。

他將這一過程拆解為兩個核心步驟：一是將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為模型可理解的Token；二是建立這些數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系。

“很多企業(yè)的數(shù)據(jù)不是文本，而是工程圖紙、工藝文件、復雜表格，這些東西怎么變成語料，這是第一個難點?！彼f。

在此基礎上，還需要進一步完成本體建模，即將不同數(shù)據(jù)之間的邏輯關(guān)系進行抽象和連接。例如，在制造或維修場景中，不同數(shù)據(jù)需要被歸入故障域、客戶域等知識體系中，形成可調(diào)用的結(jié)構(gòu)?！耙郧斑@些工作是靠數(shù)據(jù)治理工程師完成的，現(xiàn)在要用模型來做，但模型本身沒有這些經(jīng)驗。”趙杰輝表示。

也正因如此，趙杰輝認為，大模型廠商之間的差異，并不完全體現(xiàn)在算法或參數(shù)規(guī)模上，而更多取決于過往項目積累。這些“苦活累活”本身就形成了高質(zhì)量語料，在此基礎上，通過數(shù)據(jù)合成與生成，再反過來訓練模型能力，“互聯(lián)網(wǎng)數(shù)據(jù)里沒有這些東西，要做就必須自己積累?！?/p>

這一邏輯也解釋了為何部分通用模型在ToB場景中面臨落地難題。在趙杰輝看來，缺乏企業(yè)級數(shù)據(jù)的深度沉淀與本體建模經(jīng)驗，是其中的重要原因。

此外，數(shù)據(jù)來源本身也構(gòu)成另一重門檻。他指出，單一企業(yè)的數(shù)據(jù)往往不足以支撐模型訓練，關(guān)鍵在于是否擁有足夠多的頭部客戶。同時，這背后也不僅僅是數(shù)據(jù)量的問題，也是數(shù)據(jù)視角的問題，不同企業(yè)的工程師思路不一樣，這些差異才有價值。

在這一過程中，數(shù)據(jù)合成成為必要環(huán)節(jié)。通過對多家企業(yè)數(shù)據(jù)進行抽象與泛化，形成可用于訓練的語料體系，從而提升模型的泛化能力。

在安全性層面，趙杰輝表示，目前企業(yè)并非擔心AI本身，而是擔心不可控風險?！皼]有任何人擔心，要說擔心的就是直接接一個“龍蝦”進來給我干活?！?/p>

從行業(yè)視角來看，這一邏輯也影響著企業(yè)大模型與通用大模型的競爭關(guān)系。趙杰輝并未將其簡單歸結(jié)為技術(shù)優(yōu)劣，而是路徑差異?！按髲S如果要做，也要經(jīng)歷同樣的數(shù)據(jù)積累過程。”

 （每經(jīng)記者李少婷對本文亦有貢獻）