每經記者｜可楊    每經編輯｜楊軍    

過去一年，大模型行業的敘事正在發生變化。從“能力展示”走向“場景落地”，企業客戶的關注點不再停留在模型參數或通用能力，而是轉向具體業務環節中的可用性與可控性。

2026中關村論壇年會期間，滴普科技創始人、董事會主席、執行董事兼首席執行官趙杰輝在接受《每日經濟新聞》記者的采訪時多次提到一個詞——“AI員工”。在他看來，企業大模型真正進入產業的標志，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。

關于行業掀起的龍蝦熱，趙杰輝表示，龍蝦的能力來源于互聯網數據，其邏輯體系與企業內部知識體系存在天然差異，“它用互聯網上的知識去干活，邏輯和企業的知識背景邏輯不一樣，這中間是可能沖突的。”

（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。”在采訪中，趙杰輝這樣描述過去一年行業態度的轉變。

在他看來，大模型在產業中的最終形態，可以被簡化為一句話：“在產業里面工作的AI員工。”這類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的一個直觀描述。

這一判斷的背后，是他對當前行業“養龍蝦”現象的反思。在趙杰輝看來，“龍蝦”的能力來源于互聯網數據，其邏輯體系與企業內部知識體系存在天然差異，“它用互聯網上的知識去干活，邏輯和企業的知識背景邏輯不一樣，這中間是可能沖突的。”

趙杰輝認為，這種沖突在具體業務中會放大為風險。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，可能偏離企業真實需求。因此，企業客戶的核心訴求并非更聰明的AI，而是可控且符合企業業務邏輯執行的AI。

圍繞這一目標，趙杰輝提出企業大模型落地的關鍵路徑，是以企業知識為基礎，構建本體模型，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。“你給它什么數據權限、什么知識，它就能定義成什么崗位。”趙杰輝表示。

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

企業大模型的真正壁壘：數據與本體建模

如果說AI員工是目標形態，那么實現這一形態的核心門檻，則落在數據與建模能力上。

在采訪中，趙杰輝反復強調，本體建模與數據治理，是企業大模型區別于通用模型的關鍵。這其中最大的難點不是模型本身，而是怎么把企業里的文檔、圖紙、數據，變成有邏輯關系的知識體系并與業務語義有效關聯。

他將這一過程拆解為兩個核心步驟：一是將非結構化數據轉化為模型可理解的Token；二是建立這些數據之間的關聯關系。

“很多企業的數據不是文本，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。”他說。

在此基礎上，還需要進一步完成本體建模，即將不同數據之間的邏輯關系進行抽象和連接。例如，在制造或維修場景中，不同數據需要被歸入故障域、客戶域等知識體系中，形成可調用的結構。“以前這些工作是靠數據治理工程師完成的，現在要用模型來做，但模型本身沒有這些經驗。”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，并不完全體現在算法或參數規模上，而更多取決于過往項目積累。這些“苦活累活”本身就形成了高質量語料，在此基礎上，通過數據合成與生成，再反過來訓練模型能力，“互聯網數據里沒有這些東西，要做就必須自己積累。”

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，缺乏企業級數據的深度沉淀與本體建模經驗，是其中的重要原因。

此外，數據來源本身也構成另一重門檻。他指出，單一企業的數據往往不足以支撐模型訓練，關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據量的問題，也是數據視角的問題，不同企業的工程師思路不一樣，這些差異才有價值。

在這一過程中，數據合成成為必要環節。通過對多家企業數據進行抽象與泛化，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，目前企業并非擔心AI本身，而是擔心不可控風險。“沒有任何人擔心，要說擔心的就是直接接一個“龍蝦”進來給我干活。”

從行業視角來看，這一邏輯也影響著企業大模型與通用大模型的競爭關系。趙杰輝并未將其簡單歸結為技術優劣，而是路徑差異。“大廠如果要做，也要經歷同樣的數據積累過程。”

 （每經記者李少婷對本文亦有貢獻）