企业AI的护城河：大模型拿不到的三样东西
当行业在热议通用人工智能的迭代速度时，企业AI赛道的资深从业者给出了一个清醒的判断：我们感受到的不是AI太强大，而是它在企业场景里还远未成熟。作为港股“企业决策AI智能体第一股”的创始人，她用十八年的ToB服务经验拆解了企业AI落地的核心逻辑——真正的护城河，从来不是通用大模型的通用能力，而是三类大模型天生无法触及的企业专属资产。
企业AI的青涩本质
如果给通用人工智能打满分100分，划分标准非常清晰：日常生活与学习场景中，AI已经能拿到90分甚至更高；但在企业级场景里，今天的AI更像刚毕业的博士生，看似无所不知、逻辑清晰，却缺乏真实业务的历练，做任何事都差点意思。
这个比喻贯穿了整场交流：企业AI落地的所有难题，本质都源于这份“涉世未深”。硅谷近期争论的AI发展速度、递归自我改进等话题，在企业服务视角里，远不如“如何让AI适配真实业务场景”来得迫切。
FDE：不是驻场定制，而是把问题转化为产品
FDE（前线部署工程师）的概念由Palantir带火，最初的核心是将技术人员前置到客户现场，解决高安全要求下的数据不能外流的问题。但很多国内企业把FDE误解为“驻场定制开发”，明确纠正了这个误区：FDE的核心价值是把客户的业务问题转化为可复用的标准化产品。
要做到这一点，需要在“抽象通用问题”和“解决客户具体需求”之间找到平衡，这绝非只会写代码就能完成。海外成熟的FDE可能一人包揽全部工作，但在国内的复杂业务场景下，实践是拆分两个角色：AI产品经理与AI工程师搭档配合。
背后的核心原因是AI时代的客户需求变了：过去客户能清晰说出“我需要一个CRM系统，包含XX功能”，现在客户只能描述“我有XX业务痛点”。从识别真实痛点、判断可产品化的方向，到最终落地产品设计，这条链路需要深度的业务理解能力。
直言，当前企业服务中，懂业务的人才比纯技术人才更关键：“我们今天的最大输入不再是技术，业务理解占60%到70%的权重，AI认知仅占30%左右。”对于市面上流行的“一人公司”式OPC模式，认为在复杂ToB场景中难以长期成立，真正有战斗力的是懂业务、有产品意识、兼具AI认知的复合型团队，而非单打独斗的技术从业者。
十八年ToB老兵的创业建议：新人尽量避开ToB赛道
当被问及对当前创业者的建议时，这位把企业服务做到上市的创始人给出了反常识的答案：如果现在重新创业，会建议尽量避开ToB赛道。
判断基于ToB服务的高门槛：服务中大型客户需要具备数据合规能力、专业团队和有影响力的产品，且大客户采购多通过招标，伴随激烈的价格竞争，本质是“老兵的游戏”，需要多年积累的客户资源与行业信用作为基础。
对于初创团队来说，更适合选择离钱更近的方向，比如短剧赛道，或是用AI打造面向消费者、能快速实现付费的产品。ToB的行业红利属于有积累的老兵，新人的机会在更轻量化、能快速验证商业模式的领域。
被AI重写的软件形态
近两年SaaS行业普遍焦虑“AI是否会吃掉软件”，没有随波逐流，而是先解构了传统软件的核心功能：一是固化最佳实践流程，比如SAP、ERP、OA等系统；二是实现数据可视化，比如各类BI工具与Dashboard。认为过去99%的软件都能归入这两类，而这两类都将被AI重构。
提出的新方向是智能体软件（Agentic Software）：这类软件不再只是固化人的经验流程，而是能自主形成业务打法、吸收业务数据、根据反馈动态调整策略。传统Dashboard只是让管理者“看”数据，而智能体软件能直接输出业务洞察、指导行动，甚至直接操作系统完成动作。
但也强调，软件的底层形态不会消失：连接企业数据、打通系统流程、管理数据权限与用户体系的核心底座依然存在，比如CRM中记录会员与交易的System of Record。变化的只是上层的决策逻辑：过去靠人工配置的规则，比如“何时给会员发什么优惠券”，未来将由系统自主决策并持续优化。因此“AI吃掉软件”的说法只对了一半，被淘汰的只是仅具备固化流程与数据看板功能的传统软件。
大模型天生拿不到的三样核心资产
随着大模型能力持续升级，很多人担心企业服务商的工作会被大模型直接替代，的答案是否定的：有三类资产是大模型永远无法天然获取的，分别是企业自有专属数据、企业内部沉淀的知识，以及企业真实的业务工作方式与流程。
缺乏这三类资产的AI，就像那个涉世未深的博士生，很容易出现“一本正经胡说八道”的幻觉问题。举例说明：团队的用户反馈分析产品DeepVOC，需要给海量用户评论打标签，部分客户单日数据量超百万条，仅保证标签准确就需要多模型、多智能体配合，这个基础环节的质量直接决定上层业务决策的有效性。
在数据使用上，明确反对直接把原始数据透传给大模型，而是提供元数据、数据结构与加工后的上下文，既最大化利用大模型的能力，又保护企业的核心数据安全。也不建议为了私有化部署专门搭建能力更弱的小模型，这会直接削弱整套AI应用的上限。
对于沉淀在企业内部的知识，比如金牌销售的话术、资深员工的业务经验，多数企业尚未完成系统化整理。的团队会在FDE团队前搭配业务顾问，专门负责从散落于PPT、视频、Excel中的零散知识中提取、关联，形成可被AI使用的结构化知识体系，这项工作本身就是庞大的工程。
提醒行业：企业AI落地绝非“手搓”一下或是调用大模型就能解决，必须敬畏业务场景的复杂性，真正挖掘企业的专属价值。
落地的最大卡点，其实在甲方自身
聊完乙方的服务难点，认为当前企业AI落地的最大卡点来自甲方客户本身。
第一个卡点是客户能否清晰描述自身痛点，并明确痛点解决后的业务价值。很多客户能说出痛点，却无法量化解决痛点能带来的具体变化。常对甲方说：“你不需要很懂AI，但必须足够懂自己的生意”，并会追问：把业务切成100份，你能否准确找出其中最重要的5份？也就是那些一旦优化，就能带动整体业务质变的核心环节。这类沟通需要和企业的C-level负责人、能掌控全局的决策者进行。
举例说明：一家快速扩张的零售企业，店员效率已经达到较高水平，他们真正的需求是让HR与财务部门更快响应内部员工的咨询，因为公司正在大量招人；而一家车企的核心需求则是提升卖车效率，不同企业的AI发力点完全不同。
还有一类企业更难推进AI落地：内部团队主要负责管理代理商，自身不直接参与业务作业，很难准确判断AI的应用场景。提出“谁作业，谁发言”的原则，长期外包业务的企业，需要在策略层面重建自身用AI做决策的能力。
AI时代，企业员工需要保留三个核心能力：一是判断能力，能分辨AI输出内容的优劣；二是审美与标准能力，能明确告诉AI什么是高质量的结果；三是承担风险的能力，AI只能提供选项，最终的决策与后果仍需人来承担。这三类能力本质都是决策能力，不会被AI替代。
还指出，AI落地本质是“一号位工程”：普通员工更关心AI对自身工作的影响，只有企业创始人或一把手亲自推动，才能化解内部抵触、协调资源，真正让AI落地见效。
商业模式：100人的活，10个人加一套AI软件
聊到商业模式时，分享非常务实：企业付费的核心分为两类，产品与服务，AI企业的机会在于同时覆盖这两类，也就是智能体软件（Agentic Software）与智能体服务（Agentic Service）。
客户可以选择购买软件自主使用，也可以选择委托服务商用软件交付最终业务结果。AI让这种模式变得更高效：过去交付搜索营销服务可能需要200人团队，现在用串联的智能体软件，只需十分之一的人力就能完成，且最终的考核KPI可能比过去100人的团队表现更好。
软件的收费模式分为License授权与训练实施费，且训练实施费通常占比更高。因为标准产品最多只能达到70分，落地到每个客户时，还需要针对其专属数据、标签体系、对接系统进行30%的定制化调整，这部分必须在客户现场完成。FDE团队的工作也是双向的：既把标准产品落地到客户场景，也从客户反馈中提炼新的需求，反哺产品迭代。
判断一款智能体软件是否值得做的标准有两个：要么把原本60分的业务做到100分，要么完成原本从0到1无法实现的业务场景。同时强调，企业AI的核心定位应该是“AI for Growth”：如果只是用AI节省人力，价值会很快触达天花板；而帮助企业实现业务增长，价值则没有上限。还补充，提效要兼顾普通员工与核心骨干，既要让60分的员工提升到80分，也要让100分的核心员工做到120分，这样才能获得全团队的认可。
创业避坑：和大模型站在垂直方向上
对于没有客户资源与组织积累的创业者，给出的核心建议是：不要做容易被大模型直接覆盖的业务。
过去几年很多初创公司靠短期风口融资，但如果业务完全依赖大模型的通用能力，很容易被大模型的迭代直接替代。判断的核心是找到和大模型的垂直关系而非平行关系：大模型能力越强，这类业务的价值越高，而非被大模型直接覆盖。
认为，企业AI落地的核心价值最终会落在三个方面：懂业务的复合型团队、系统化沉淀的企业数据与知识、愿意提供真实场景与反馈的客户，而通用大模型的能力反而排在后面。把这种心态称为“AI是一种信仰”：2024年公司决定All in AI智能体时，相关技术尚未普及，落地过程中会不断遇到幻觉、能力不均衡等问题，很多企业试错一次就放弃，但大模型的能力一直在迭代，上周还无法实现的场景，下周可能就变得可行，坚持长期视角非常重要。
但信仰不能脱离商业本质，只有结合清晰的商业逻辑，才能真正落地见效。
最后，也提到了行业生态的方向：国内ToB的AI赛道绝非一家公司就能覆盖，需要构建繁荣的合作生态，让不同类型的团队各司其职，共同把企业AI落地做深。对于创业者来说，最珍贵的资源是愿意提供数据、场景与反馈的客户，这也是很多初创团队难以获取的核心资产。
