当模型能力逐渐成为一种基础供给，真正稀缺的将是企业对行业知识的提取能力、对具体场景的理解能力，以及在不同市场中重新完成本地化交付的能力。

文｜朱耘

ID | BMR2004

ChatGPT出现之后，国内外掀起了“百模大战”，模型早已不缺，但是企业实现AI落地，深圳九鑫软件有限公司执行董事黄念念认为，关键一环在于“如何把散落在行业专家头脑中的经验，转化为AI能够理解、执行和复用的知识。只有完成这一转化，AI才能从一次性交付的项目，变成可以持续生长的生产力”。

2026中国国际大数据产业博览会（以下简称“数博会”）举办期间，黄念念在接受《商学院》记者采访时表示，模型能力的进步速度，已经超过不少企业定义问题、寻找应用场景和设计解决路径的速度。

数据是AI产业的基础，但在黄念念看来，问题不在于数据的多少，而在于这些数据能不能被AI读懂——过去这些数据都是由人来理解的，现在真正的困难在于怎样让AI理解这些数据，再把这种理解应用到人们想解决的问题中。

01

AI不缺数据，缺的是行业知识的“翻译”

在工业生产中，一名老师傅可能仅凭机器发出的一点异常声音，就能判断故障可能发生在哪里。对于人而言，这一判断可能在瞬间完成；但对AI而言，需要经过一系列步骤：识别声音来自什么设备，判断设备处于什么环境和工况，分析异常特征，再将这些信息与可能的故障原因建立联系。

这意味着，企业要交给AI的不能只有结果，还需要把行业专家“为什么这样判断”“下一步如何处理”“处理到什么程度算合格”等过程描述清楚。

“行业专家的一些方法和实践，原来都在大脑里。想用数据把它描述出来，本身就是一个难点，描述以后，还要让通用大模型或者专业模型能够读懂，才能调动模型的能力去解决实际问题。”黄念念说。

因此，AI落地并不是简单地把企业数据库接入大模型，而是需要完成一条更长的转化链条：先把人的经验表达出来，再将经验组织成数据和知识，最后让AI能够据此判断并采取行动。

过去，企业建设知识图谱，主要是为了方便人查询和使用；在AI时代，知识图谱还要服务于机器理解，并支撑人与AI共同决策，这要求企业将原本分散、模糊甚至依靠“感觉”的经验，进一步拆解成业务对象、关系、规则和评价标准。

黄念念认为，这是企业AI应用中最难复制的一部分。模型能力可以采购，算力可以租用，但行业专家经过多年实践形成的判断体系，很难直接从外部获得。企业真正具有差异化价值的数据，也往往不是数量庞大的通用数据，而是这些带有业务语境、判断逻辑和实践结果的数据。

为了提取行业知识，越来越多AI团队开始采用FDE（Forward Deployed Engineer），即前线部署工程师的工作模式。与传统的软件交付不同，FDE需要深入客户的业务现场，理解企业真正要解决的问题，再将模型、数据和现有工作流程组合成可以运行的系统。

黄念念将这一过程形容为AI工程师先向行业专家“学习”。“算法专家或者AI交付专家要先进入生产领域，弄清楚业务专家实际是怎么开展工作的。他们首先是学习，然后才是重构——把老师傅的方法重构成AI可以执行的过程。”

这不仅考验技术能力，也考验工程师理解业务和提出问题的能力。行业专家是否愿意分享经验，固然重要，但AI团队能否问出好问题、快速消化答案，并与专家继续深入交流，同样决定着合作能否推进。

黄念念把两者比作人的两条腿：一条腿是行业专业知识，另一条腿是AI和数据技术。只有两条腿交替向前，才能真正进入业务深处。如果还没有理解行业知识，就急于用技术进行各种尝试，双方很难形成有效协作。

然而，工业场景千差万别，石油开采现场和汽车生产线就有很大的不同，甚至同为汽车生产线，新能源车与燃油车的生产现场，也有很大不同，FDE一个场景一个场景地部署，工作量显然多到不现实。如果AI应用始终依赖大量人员驻场、反复开发，企业仍然难以摆脱传统软件项目周期长、成本高、难复制的问题。

在黄念念看来，AI应用能否规模化，关键在于区分哪些能力可以复用，哪些部分必须根据具体场景调整。她举例说，不同行业的企业都需要寻找市场、评估销售线索、开展产品调研和用户研究。这些工作的底层逻辑具有共性，可以被抽取为相对标准化的AI能力。但一家化妆品企业与一家工业制造企业对于“高质量客户”“有效线索”和“合格产品”的定义并不相同，评价标准仍需要在具体业务中确定。

因此，标准化并不是取消定制，而是把可复用的部分抽取出来，将必须定制的部分留在场景中。前者决定AI应用能否降低边际成本，后者决定AI能否真正产生业务价值。

虚拟调研就是较容易被抽取和复用的场景之一。传统市场调研通常需要招募样本、设计问卷、组织访谈，再对结果进行分析，项目周期往往以月计算。通过AI构建虚拟用户、进行多轮测试，企业可以在较短时间内验证产品设计、市场定位和营销方案。

在高质量的小样本数据充足、产品已经具有相对成熟的市场演进路径时，虚拟调研还可能减少真人调研中的部分噪声。例如，真人接受过一次调查后，再次回答类似问题时，可能受到已有信息的影响；虚拟测试则可以控制变量，在相对理想的环境中反复进行A/B测试。

但黄念念也提醒，虚拟调研并非在所有场景下都适用——如果企业缺乏可参考的历史样本、需要从零构建判断标准，她仍然建议先做人工调研，或者采用虚实结合的方式，把两者的权重设置在一个合理的边界内。

02

在海外，让数字能力重新生长

黄念念认为，“可复用与需定制”的关系，在企业出海过程中表现得更加明显。东盟并不是一个高度同质化的单一市场。不同国家在语言、文化、消费习惯、渠道结构和商业规则等方面存在差异。中国企业即使已经在国内形成成熟的数字化体系，也很难把原有方案直接复制到当地。

因此，模型能力会越来越具有全球共享的特征。任何国家在基础模型上的突破，都可能推动整个行业能力提升。真正决定企业差异的，是模型之后的行业积累：企业是否能够把实践经验、业务方法和数据组织成自己的数字化知识体系。

黄念念认为，对于出海企业来说，需要复制的不是某一套已经定型的系统，而是构建系统的方法。企业要把在中国市场积累的实践经验和数据交给AI，让AI理解其中的业务逻辑，进入新的市场后，再结合当地数据、文化和场景重新组织这些能力。

“我们不是简单地把中国或者美国的方案照搬到一个市场，而是要有能力让它在当地重新生产、重新生长。在A市场能够生长一遍，到B市场也能够再生长一遍。”黄念念说。

比如AI可以帮助企业快速处理不同国家的数据，但只有理解当地商业语境，才能将数据转化为有效判断。因此，中国AI企业未来的出海竞争，可能并不只取决于谁拥有更大的模型、更多的参数，而取决于谁能更快理解当地行业，谁能把中国市场积累的方法拆解、重构，并与当地数据重新结合。

黄念念认为，当模型能力逐渐成为一种基础供给，真正稀缺的将是企业对行业知识的提取能力、对具体场景的理解能力，以及在不同市场中重新完成本地化交付的能力。只有企业自己具备了这样的能力，AI才不再只是企业展示技术能力的工具，而会真正成为生产力。