ARTICLE · 1165902
细数通用AI进入企业软件领域面临的四大壁垒
细数通用AI进入企业软件领域面临的四大壁垒
上一篇我们讲了《为什么聪明的通用AI还难以进入金融核心业务流程？》。通用AI虽然聪明，但同时具有临时性和自主性、黑箱、结果不稳定三方面弊端——它怎么用全凭临时提示词和规则，没有一套固定、可审计的工程化流程；它为什么这么判、依据是哪条，说不清也查不到；模型版本一换，输出口径可能就跟着变。而金融偏偏要求可追责、可审计、可监管。所以在金融机构里，必须先把通用AI治理好、管住，才能放心让它嵌入核心业务；我们给出的建议是合规前置、大小模型分层内化分工协同、建立分布式智能治理架构，让AI在规则、边界、责任范围内高效工作。
今天把为什么难再往深挖一层：这些弊端和治理要求，归根到底来自四道壁垒——垂直领域、工程责任、数据安全、业务场景。通用AI不是不聪明，而是进企业软件的门，就得先闯过这四道关。
这也是行业应用软件（金融是其中典型）区别于通用AI的天然护城河。
（一）垂直领域壁垒
行业应用软件的核心价值，是熟悉垂直业务；领域知识，是软件商最核心、最不可复制的底层能力。通用AI恰恰相反，它什么都懂一点，可一到具体行业就露怯。金融有自己的一整套术语、数据字典、业务规范和监管口径，比如“合格投资者”“穿透式监管”“资本充足率”，这些词背后是行业标准化的规矩，通用模型没受过系统训练，常常答得似是而非，甚至一本正经地讲错。用不好，就是外行指导内行。
因此，我们靠的不是更聪明的模型，而是把机构自己的行业知识固化下来：先把数据字典、业务规则、监管口径这些行业知识整理成机器可用的资产，建起领域知识库、行业本体，再让AI基于它回答、干活。AI能写会算，但行业知识和标准答案，得机构自己给。
（二）工程责任壁垒
行业核心软件有一个共性：容错概率极低、容错空间极小。它服务的是企业经营、金融交易、监管执法，一旦出错，就是业务停滞、经济损失、合规风险。而AI虽然能在极短时间内批量生成代码，但在审核校验、逻辑纠错、合规审查、安全排查、责任界定这些环节，没法靠AI快速完成。通用AI的性子是灵活随性：为什么这么判、依据是哪条，说不清也查不到，出了问题很难追责，这跟金融要求的可追责、可审计、可监管天然冲突。
为此，行业已经有专家提出了驾驭工程，即把AI装进工程化的框里：即采用驾驭工程，包括规则前置、关键节点留痕、责任到人，设置清晰的人工审核、校验、追责机制。AI负责快速产出，人负责把关签字，守住进入生产的质量关、安全关、责任关。
（三）数据安全壁垒
企业和金融机构都非常看重自己的数据，哪怕再高级的部门也有很大的数据责任，要严格避免数据泄露。国际上的Sovereign AI（主权AI）理念，就是让企业完整掌控数据、业务规则、模型基座、审计链路，不把内部机密业务数据外传。通用AI要干活，就得喂数据；可金融数据偏偏涉敏、涉密，最怕出域。
为确保数据安全，前文《金融机构用AI，如何确保信息安全？》已经论述，可以采用分类施策、分级处理的方式：外部公开数据，不存在泄密问题，放心用；机构内部数据，尽量本地化处理、不出域，能本地部署小模型的就本地部署；实在要出域，先经合规同意和评审，用脱敏后的方案再走。既用上AI的效率，又不把客户和机构的家底交出去。
（四）业务场景壁垒
企业端的应用模式，正在从聊天式的文案互动，向工作式的应用软件方向侧重。通用大模型是通识学霸，它灵活、泛化、响应快，但随机性强、容易即兴发挥、结果不可复现；它适合日常问答、通识咨询这类低风险场景。可金融业务不是简单的问答，是要嵌入到业务流程中稳定地干活：嵌进流程、卡着时间、对着KPI和合规要求，每天稳定输出，不能今天一个口径、明天一个样子。
那怎么办？把AI装进具体的业务场景里，让它在框里跑：把业务规则、流程节点、KPI、合规要求前置写进场景，让AI按固定口径稳定输出——该走的流程一步不少，该留的记录一条不缺，该守的规矩一毫不差。
（五）总结
所以，通用AI进企业软件，必须闯过四道关：垂直领域，要看懂行业；工程责任，要扛得住追责；数据安全，要守得住底线；业务场景，要执行得了业务。这四道关不是拦路的墙，是通用AI应用必须迈过去的门槛。只有闯过去了，AI才能真正从玩具变成生产力。
左春. 从FDE的知识体系看ISV的发展演化和巨大潜力（来自品鉴春华秋实微信公众号）