过去一年，大模型行业的叙事正在发生变化。从“能力展示”走向“场景落地”，企业客户的关注点不再停留在模型参数或通用能力，而是转向具体业务环节中的可用性与可控性。

2026中关村论坛年会期间，滴普科技创始人、董事会主席、执行董事兼首席执行官赵杰辉在接受《每日经济新闻》记者的采访时多次提到一个词——“AI员工”。在他看来，企业大模型真正进入产业的标志，不是模型更强，而是AI（人工智能）是否能够成为岗位的一部分。

关于行业掀起的龙虾热，赵杰辉表示，龙虾的能力来源于互联网数据，其逻辑体系与企业内部知识体系存在天然差异，“它用互联网上的知识去干活，逻辑和企业的知识背景逻辑不一样，这中间是可能冲突的。”

模型能力从通用能力走向岗位嵌入

“去年大家看机会，今年大家看场景，这是一个很明显的变化。”在采访中，赵杰辉这样描述过去一年行业态度的转变。

在他看来，大模型在产业中的最终形态，可以被简化为一句话：“在产业里面工作的AI员工。”这类AI员工并非简单的工具或助手，而是能够嵌入具体岗位、参与实际工作的执行主体。“一个资深的人带着十几个甚至20个AI员工，去完成更复杂的事情”，成为他对未来组织形态的一个直观描述。

这一判断的背后，是他对当前行业“养龙虾”现象的反思。在赵杰辉看来，“龙虾”的能力来源于互联网数据，其逻辑体系与企业内部知识体系存在天然差异，“它用互联网上的知识去干活，逻辑和企业的知识背景逻辑不一样，这中间是可能冲突的。”

赵杰辉认为，这种冲突在具体业务中会放大为风险。例如，在邮件处理、电商操作等场景中，如果AI基于通用判断做出决策，可能偏离企业真实需求。因此，企业客户的核心诉求并非更聪明的AI，而是可控且符合企业业务逻辑执行的AI。

围绕这一目标，赵杰辉提出企业大模型落地的关键路径，是以企业知识为基础，构建本体模型，并在此之上生成技能（skill），再将技能组合为不同岗位的AI员工。

这一思路也意味着，AI的落地不再依赖单一场景突破，而是具备跨岗位扩展能力。“你给它什么数据权限、什么知识，它就能定义成什么岗位。”赵杰辉表示。

从实践来看，这一模式已经在部分行业展开。不过，赵杰辉也明确指出，这种落地并非简单部署模型，而是一个持续运营过程。“AI员工需要不断被创造、被更新，这本身就需要一个系统。”

企业大模型的真正壁垒：数据与本体建模

如果说AI员工是目标形态，那么实现这一形态的核心门槛，则落在数据与建模能力上。

在采访中，赵杰辉反复强调，本体建模与数据治理，是企业大模型区别于通用模型的关键。这其中最大的难点不是模型本身，而是怎么把企业里的文档、图纸、数据，变成有逻辑关系的知识体系并与业务语义有效关联。

他将这一过程拆解为两个核心步骤：一是将非结构化数据转化为模型可理解的Token；二是建立这些数据之间的关联关系。

“很多企业的数据不是文本，而是工程图纸、工艺文件、复杂表格，这些东西怎么变成语料，这是第一个难点。”他说。

在此基础上，还需要进一步完成本体建模，即将不同数据之间的逻辑关系进行抽象和连接。例如，在制造或维修场景中，不同数据需要被归入故障域、客户域等知识体系中，形成可调用的结构。“以前这些工作是靠数据治理工程师完成的，现在要用模型来做，但模型本身没有这些经验。”赵杰辉表示。

也正因如此，赵杰辉认为，大模型厂商之间的差异，并不完全体现在算法或参数规模上，而更多取决于过往项目积累。这些“苦活累活”本身就形成了高质量语料，在此基础上，通过数据合成与生成，再反过来训练模型能力，“互联网数据里没有这些东西，要做就必须自己积累。”

这一逻辑也解释了为何部分通用模型在ToB场景中面临落地难题。在赵杰辉看来，缺乏企业级数据的深度沉淀与本体建模经验，是其中的重要原因。

此外，数据来源本身也构成另一重门槛。他指出，单一企业的数据往往不足以支撑模型训练，关键在于是否拥有足够多的头部客户。同时，这背后也不仅仅是数据量的问题，也是数据视角的问题，不同企业的工程师思路不一样，这些差异才有价值。

在这一过程中，数据合成成为必要环节。通过对多家企业数据进行抽象与泛化，形成可用于训练的语料体系，从而提升模型的泛化能力。

在安全性层面，赵杰辉表示，目前企业并非担心AI本身，而是担心不可控风险。“没有任何人担心，要说担心的就是直接接一个“龙虾”进来给我干活。”

从行业视角来看，这一逻辑也影响着企业大模型与通用大模型的竞争关系。赵杰辉并未将其简单归结为技术优劣，而是路径差异。“大厂如果要做，也要经历同样的数据积累过程。”

（每经记者李少婷对本文亦有贡献）

每日经济新闻