垂直行业 AI 的护城河，不在模型参数里

本文目录

最近一年，垂直行业 AI 的讨论明显热闹起来。厂商发布行业智能体，企业申报智能工厂、申请模型券，各地也在征集标杆场景。但真正坐到选型桌前的企业，很快会碰上一个更实际的问题：同一个通用模型底座，不同供应商做出来的行业方案，报价和效果可以差很远。有人卖演示，有人卖系统，有人卖一条能进生产的流程。

模型明明差不多，差距到底差在哪里？

先放下一个流行答案：行业大模型

一说垂直行业 AI，很多人的第一反应是建设“行业大模型”。这个说法在 2023、2024 年最热：2023 年，国内参数 10 亿以上的大模型数量破百，达到 116 个，其中金融行业大模型就有 18 个（新华网 2024 年 12 月报道）。融资、申报、演示都需要一个响亮的名词，行业大模型恰好都满足。

几年过去，这个答案越来越难成立。原因不在技术热情，而在三件具体的事。

第一，行业数据没有想象中多。行业知识散落在政策文件、图纸、工单、聊天记录和老师傅的经验里，总量有限、格式混乱、权限分散。拿这点材料去训练或微调一个模型，成本往往抵不上收益，更不用说和用互联网级语料训出来的通用模型比广度。

第二，通用模型已经覆盖了大部分行业通识。产品知识、行业术语、常见流程，模型大多知道。真正缺的往往不是“知道”，而是“按企业自己的版本执行”。企业本月更新的价格表、上个月新出的补贴政策、这版图纸才有的变更，模型不可能提前知道。把知识放进参数，更新一次的成本远高于放进知识库。

第三，行业知识变化快。政策、价格、工艺、促销规则都在变。参数是静态的，知识库是可替换的。把容易变的东西固化进参数，等于给系统装上一颗难以更换的心脏。

一个来自制造业的案例把这件事说得很清楚。江汽集团尊界超级工厂过去有 150 多个分散的质检小模型，一个场景一个模型，新车型上线要重新训练调试数月。引入华为盘古 CV 大模型后，这些碎片化的小模型被整合成统一的视觉能力，单工位用 50 到 100 张样本图片就能完成适配，整车缺陷拦截率达到 99.99%，覆盖 1500 多项检测场景（《证券日报》报道）。

这个案例值得琢磨：连质检这种最“垂直”的场景，方向也不是堆更多行业小模型。碎片化小模型的做法本身成了问题，通用模型加少量适配正在取代它。

不是说行业永远不需要专用模型。金融高频交易、医疗影像这类数据密集、合规要求极高的场景，专用模型仍有位置。但那是少数头部机构的事。对绝大多数企业，先想清楚模型外面的事，比争论该不该训一个行业大模型实际得多。

差距的第一层：场景定义

同样的底座模型，不同供应商的差距从第一轮对话就开始了。

A 供应商拿出一份功能清单：智能问答、文档总结、数据分析、自动写报告。B 供应商问的是：第一个项目做哪条流程？什么事件触发？系统读哪些数据？哪一步必须由人确认？用什么业务结果验收？

行业 know-how 的差别，不在背得出多少术语，而在能不能说出业务链上的真实切口。做过物业的人知道报修闭环的关键在关单前的证据核对；做过建筑的人知道变更签证要把图纸、合同和现场记录连成证据链；做过制造的人知道质量异常处理的瓶颈是证据分散，不是分析能力。

能说出这种切口，才谈得上懂行业。说不出的，卖的还是模型外壳。

差距的第二层：数据与证据链

行业知识真正值钱的地方，不在“知道”，而在“按版本、按权限、可追溯地知道”。

同一份政策，旧版和新版同时存在，系统要返回当前生效的那一份；同一个客户，销售能看的价格和财务能看的不一样；一个结论引用了哪份材料、哪个版本、什么时间，都要能定位回去。这些要求模型一个都做不到，要靠数据组织来解决。

RAG 解决的是“回答时检索资料”，不是“资料本身可不可信”。文档没有负责人、没有生效时间、权限混乱，检索速度再快，也只是更快地找到错的东西。站内讲 RAG 的文章，第一步永远是定义任务和数据治理，而不是选向量库。

这一层最难补，也最容易被低估。它没有演示效果，却是系统能不能进生产的真正分水岭。

差距的第三层：工作流与责任设计

模型层收敛之后，竞争重心移到工作流：AI 负责读、找、比对和起草，规则系统负责确定性的计算和权限，业务人员保留判断和决定权，每类动作按后果设置人工确认点，上线后用业务结果而不是调用量验收。

这不是某一家公司的偏好。2026 年 5 月，网信办发布《智能体规范应用与创新发展实施意见》，要求厘清决策权限、保障用户知情权和最终决策权；6 月，中国信通院发布《企业级智能体技术与应用研究报告（2026 年）》，把“纵深垂直化”列为智能体产业的特征。监管和市场都在强调垂直化，只是垂直化的重心放在哪里，我的判断是会从模型参数转到业务流程。

把站内九个行业的落地文章放在一起看，用的是同一套方法：先选一条高频、可衡量、出错能拦截的流程；AI 做证据准备；人保留决定权；用业务结果验收。行业差异真实存在——工厂缺的是可对齐的现场数据，医疗要守住适用边界，金融要保留决策依据，客服要跟上知识变化——但差异落在数据形态和责任边界上，没有推翻方法框架。

原因也简单：行业不同，企业组织工作的方式相似。无论是工厂的质检报告、物业的报修单还是餐饮的巡检表，工作都沿着“事件发生、材料汇集、判断、动作、记录、复盘”展开。AI 能插进去的位置，以及必须由人守住的位置，因此高度相似。

给买家的四问

判断一个供应商是模型搬运工还是行业落地者，问四个问题就够了。

第一，第一个项目做哪条流程？能说清触发条件、输入材料、输出对象和边界，而不是罗列功能，说明想过业务。

第二，知识从哪来？谁维护、谁审核、权限怎么控制、旧版本怎么处理。说不清这些，演示再好看也是空中楼阁。

第三，出错谁负责？人工在哪里接管、系统失败怎么回退、责任落在哪个人。没有答案的项目，上线只是把风险后移。

第四，用什么验收？业务结果是什么、基线数据有没有、多久看一次。按调用量验收的项目，多半还在演示阶段。

模型会趋同，工作流不会。垂直行业 AI 的终局，不是谁拥有最好的模型，而是谁能把行业知识变成可运行、可验证、可改进的系统。企业为 AI 付的钱，买的不该是参数，而是这层把模型接进业务的组织能力。

参考资料

• 金融大模型应用需量力而行 — 新华网
• AI 打造“尊界超级工厂” — 证券日报（百家号转载）
• 中国信通院人工智能所联合发布《企业级智能体技术与应用研究报告（2026年）》
• 智能体规范应用与创新发展实施意见 — 中国网信网