夜雨聆风最近有两件事，我觉得放在一起看特别有意思。
第一件，Anthropic，就是做Claude的那家公司，宣布联手黑石和高盛，成立了一个专门做企业AI服务的新公司，目标是把Claude嵌入企业的核心运营。
第二件，OpenAI成立了一个叫DeploymentCompany的新部门，还专门收购了一家叫Tomoro的公司，引入了150多个「前线驻扎工程师」，专门负责帮企业把AI落地。
你有没有觉得有点奇怪？
这两家公司，是全球AI能力最强的两家。按理说，他们应该继续搞模型，继续卷参数，继续发布GPT-7、Claude 4，在技术上碾压对手。
结果他们在干嘛？
在派工程师去企业驻场。
这件事，我觉得值得好好聊聊。
先说说为什么会发生这个转变。
这两年，大模型的技术能力确实突飞猛进，但有一件事越来越明显，就是通用模型做得再强，一旦进了企业的具体业务场景，就容易「失灵」。
滴普科技的CEO赵杰辉有句话我觉得说得很准，他说企业级AI落地的核心障碍，是通用模型缺乏「业务语义层Plan能力」，简单来说，它看不懂你企业里那些专属的业务对象，分不清你的数据结构，更没法在多个约束条件下做优先级判断。
你让它写代码，它很牛。你让它帮你处理一个制造业的排产计划，或者分析一笔复杂的供应链订单，它就开始一本正经地胡说八道了。
这不是模型不够聪明，是它真的不懂你的行业。
所以现在发生的事情，其实是一次很深刻的行业共识，通用大模型军备竞赛的上半场基本打完了，下半场的主战场，是企业落地。
那这个「企业落地」，到底难在哪？
36kr引用了一组数据，我看了有点惊讶。29%的财富500强企业，已经成为领先AI初创公司的付费活跃客户，这个渗透率在三年内达到，确实挺快的。
但另一个数据，麦肯锡的调研显示，90%的企业至少有一个部门在用AI，但只有不到三分之一实现了规模化部署。
两组数据放在一起，你会发现一个很有意思的现象，大家都在用，但大多数人用的是「尝鲜」级别，真正把AI嵌进核心业务流程的，还是少数。
为什么会这样？
我跟一些企业的朋友聊过，大概有几个原因。
第一个，是技术和业务之间的鸿沟，技术团队觉得这个模型能力已经很强了，业务团队说我不知道怎么用，两边鸡同鸭讲，项目就这么卡住了。
第二个，是数据问题。企业的数据分散在各个系统里，格式不统一，质量参差不齐，你想用AI做分析，结果发现连「喂」给它的数据都是乱的。
第三个，也是我觉得最被忽视的，是组织变革的阻力。员工会担心，这东西是不是要取代我？推广AI工具的人，有时候比推广的阻力还大。
说到这，我想聊一个行业里正在发生的模式变化，叫FDE，Forward Deployed Engineers，前线驻扎工程师。
这个概念最早是Palantir搞出来的，不只卖软件，而是派人进到客户现场，帮他们把AI工作流真正跑起来。
现在，Anthropic和OpenAI都在往这个方向走。国内也有一些公司在做类似的事，比如滴普科技，他们的FastAGI业务收入2025年同比暴增了181.5%，从项目制转向了Token消耗和AI员工订阅制。
这个模式的本质是什么？
是把「卖工具」变成「卖结果」。
你不是来买一个大模型API的，你是来买一个能帮你把工单处理周期从28天缩到2天的解决方案的，你是来买一个能让你的客服智能解决率从60%提到95%的系统的。
我觉得这个转变挺关键的，因为它改变了AI公司和企业之间的关系，从「你来买，买了自己用」变成了「我们一起把这件事做成」。
制造业这块，最近动静也挺大。
工信部等八个部门今年年初联合印发了「人工智能+制造」专项行动，提出到2027年推动3到5个通用大模型在制造业深度应用，推广500个典型应用场景。
青岛刚刚在5月发布了2026到2028年的行动方案，提出要打造50个高水平工业智能体，建设全国「人工智能+制造」示范应用高地。
IDC的数据更直接，中国工业企业应用大模型的比例，从2024年的9.6%跃升到了2025年的47.5%。
快不快？快。
但这里有个很现实的问题，制造业的场景特别碎，不同产线、不同工序、不同工厂，需求差异大到你很难用一套方案复制。
目前落地最成熟的，是AI视觉质检，把原来的人工抽检变成AI全检，漏检率从5%降到0.1%以下，检测速度快10倍。一个汽车零部件企业80万投入，10到12个月回本，这个ROI说实话还挺清晰的。
还有预测性维护，在设备故障前发现异常，减少停机时间，这个场景的逻辑也很直接，就是「让设备会说话」。
零售这边，AI的渗透其实更早，只是大家感知没那么强。
你在淘宝、京东看到的商品推荐，背后跑的就是AI，个性化推荐算法已经很成熟了。智能客服也一样，很多平台的AI客服解决率已经到了很高的水平，人工客服的工作量大幅下降。
但这些都算是「老AI」了，现在更有意思的方向，是智能供应链。
某零售企业用AI做销售预测，准确率从75%提到了92%，库存成本降了22%。这个数字背后是什么，是少压了大量货，减少了积压和浪费，这对零售企业来说是真金白银。
好，说了这么多现象，我想给到一些更具体的建议，特别是给那些正在考虑「我们公司要不要上AI」的管理者。
第一，别追大模型，追场景。
现在大模型的能力，大部分企业场景已经够用了，真正的差距不在模型，在你有没有找到那个适合AI做的场景。最好的场景，是那些「重复、结构化、有明确验收标准」的任务，比如合同审查、客服回复、质量检测、报表生成。
第二，先小后大，先跑通再推广。
不要一开始就想着全公司铺开，先找一个部门，一个具体场景，把它跑通，拿到数据，再往外扩。麦肯锡建议的标准是，试点场景效率提升要达到30%以上，用户满意度85%以上，才算真正跑通了。
第三，CIO要管住AI，不能放任各部门各自为战。
这是我觉得很多公司现在正在踩的坑，市场部用了一套AI工具，销售部用了另一套，IT部不知道数据去了哪，合规审计的时候一条完整记录都拿不出来。
Gartner已经把2026年定义为「Agentic AI」规模化落地的关键年份，CIO们现在最应该做的，是建立一套统一的AI管控平台，而不是等各部门乱成一锅粥之后再来收拾。
最后说一句我自己的判断。
上半场的故事，是「谁的模型最强」，这场比赛基本打完了，头部几家的能力差距已经不到1%。
下半场的故事，是「谁能真正帮企业把AI用起来」，这场比赛，刚刚开始。
对于企业管理者来说，这其实是个好消息，因为你不需要等待更强的模型，你需要的，是找到那个真正懂你业务的合作伙伴，然后从一个场景开始，认认真真地把它做成。
AI不会替代你，但会用AI的人，会。
这话老生常谈了，但2026年，我觉得它比任何时候都更真实。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章，我们，下次再见。
/ 作者：AItoB之道
/ 投稿或爆料，请联系邮箱：feng927.xu@gmail.com[1]
引用链接
[1] feng927.xu@gmail.com: mailto:feng927.xu@gmail.com
