“买得来大模型，买不来知识家底。

2026年9月的外滩大会上，IDC发布的一份研究给出了一个耐人寻味的判断。IDC中国企业软件市场研究经理王楠表示，当前绝大多数企业业务场景下，大模型本身的能力已经基本够用，阻碍AI产生业务价值的核心因素，正在变成企业自身的数据能力。

这句话基本概括了2025年以来企业AI应用的主要矛盾。模型能力在快速迭代，调用价格一路下探，企业的采购热情也持续高涨，但从试点走向规模化落地的转化率始终不理想。模型不再是瓶颈，那问题出在哪。

答案是，多数企业把AI当成一个聪明的“大脑”买回来，却没有给它接上记忆。这个记忆，就是沉淀在企业制度、流程、合同和工艺标准里的知识。

带着这个问题，数据猿与达观数据创始人兼董事长陈运文聊了聊。这家2015年成立的公司在知识工程这条路上走了十年，它的判断和实践，恰好为“模型之后看什么”提供了一个具体的样本。

企业AI的应用落地，卡在“知识断层”

企业数字化搞了二十多年，一个反直觉的事实是，找信息这件事几乎没有得到改善。IDC早年的一项经典研究测算，知识工作者每天约有2.5小时耗在搜索和整理信息上，差不多占掉三分之一的工作日。二十多年过去，办公系统换了一茬又一茬，这个数字几乎没有变化。

原因不难理解。ERP、OA、CRM、网盘、邮件，企业每上一个新系统，数据就多一处存身之所。多数企业完成了“数据堆积”，却没有完成“知识萃取”。信息以原始形态躺在各个系统里，员工要用的时候，只能在十几个界面之间来回切换，靠人肉把散落的信息拼起来。

于是出现一个悖论，系统越建越多，效率越提越低。数字化工具本来是给人提效的，最后反而成了新的负担。

三个难题，找不到、问不准、用不上

把企业在知识上的麻烦拆开看，是三层递进的困境。

第一层是找不到。知识分散在OA、ERP、邮件、网盘和各类业务系统里，员工明知信息存在，就是不知道它在哪份文档、哪个系统的哪个角落。

第二层是问不准。通用搜索只做关键词匹配，读不懂业务语义，也不理解岗位权限。财务想问“这笔款能不能付”，搜索引擎给出一堆含着这个字的文档，唯独给不出判断。

第三层是用不上。即便找到了，拿到的也常常是碎片化的文本。审批、写作、研判、复盘这些具体动作，需要的是组织过的知识，而不是一篇篇原始文档。

三层困境环环相扣，指向同一个本质。企业不缺数据，缺的是让静态数据变成可调用能力的机制。

接一个大模型，为什么解不了问题？

大模型火了之后，一种流行的判断是，接一个通用大模型，这些问题就都解决了。实际跑下来，多数企业发现并非如此。

通用模型的第一个短板，是知识边界。它读过互联网，但没读过这家公司的制度、合同和历史项目。企业里真正值钱的私有知识，恰恰是互联网上没有的部分。

第二个短板是精度。金融条款、工艺标准、合规规则这类内容，差一个字意思就变了，大模型的幻觉在这种场景里不可接受。

第三个短板是安全。合同、客户数据、经营数据交由外部模型处理，权限怎么管、记录怎么留、出了问题怎么溯源，都是绕不开的合规要求。

陈运文对这组问题的概括是，通用大模型是“通识大脑”，企业知识平台是“产业心智”，没有垂直知识底座的AI应用只是空中楼阁。

目前，行业内逐渐分出了两条路线。一条是通用模型加提示工程，轻量灵活，试错成本低，但天花板明显。另一条是先建数据与知识底座，再在底座上长出行业应用，前期投入重，但每一步积累都留在企业自己手里。

Anthropic做过一次对照实验：同一个Claude模型，裸跑企业数据分析任务，准确率只有21%。接入完整的数据工程体系后，准确率飙升至95%以上。这个数据的差异，很能说明问题。

把知识当主业的公司，做对了什么？

多数AI公司的选择是追着模型能力跑，参数、跑分、通用能力，达观选了一条更重也更慢的路。2015年成立时做智能文本处理，解决机器“读得懂”中文文档的问题。之后依次做了知识图谱、推荐算法，再到技术融合的“搜问推一体化”智能体应用。十年下来主线只有一条，让企业的知识能被读懂、能流动、能干活。

这条路，在行业里属于少数派。做知识工程见效慢，前期是脏活累活，要一个行业一个行业地啃文档格式、业务规则和合规要求。但它的好处同样明显，做出来的东西长在企业身上，难以被整体替换。

“中国版Glean”，只对了一半？

如果要在国际市场，给达观数据找一个参照物，那Glean是一个不错的选择Glean是美国企业级AI搜索的代表公司，其年化收入从2025年初的约1亿美元增至2026年5月的约3亿美元，15个月增至原来的三倍。2025年6月，Glean完成1.5亿美元F轮融资，估值达到72亿美元。资本市场用真金白银确认了一件事，企业知识的统一入口是一个成立的赛道。

不过，这个标签也掩盖了两个事实。其一，海外产品解决的是标准办公场景下的“找信息”，中国企业面对的是另一套难度，上百页的公文、嵌套表格、印章证照、非标单据，外加私有化部署和信创合规的硬要求，这些题目并不在Glean的产品设计里。其二，竞争格局完全不同。微软、谷歌们把类似能力捆绑进企业已有的席位，是悬在Glean头上的变量，而在中国市场，格局远未固化。

达观给出的方案，是“搜问推一体”。精准检索、深度认知、价值落地三层递进，在中文文档解析和权限管控这两个海外方案存在短板的环节上，把功课做在了前面。

金融和产业的审核场景，价值大但难度高

在达观今年的布局里，智能审核平台是主推方向之一，且明确聚焦金融和产业。这个选择背后，是行业门槛的客观分布。

金融的审核难点，在合规体系庞杂、条款动态更新、风险零容错。产业的难点在工艺标准繁杂、单据格式非标、术语专业度高。这两类场景里，一个错误的判断对应的是真金白银的损失，通用AI的“大概率正确”在这里没有商业价值。

达观的方案是垂直大模型加多智能体协作，再挂上行业知识库。审核不再是规则引擎的线性比对，而是把一份文档拆解成任务，交给不同的“专家”分别核验，再结合知识库交叉验证，输出结论、原因和依据。

效果如何呢？可以看一组数字。据达观披露，其在某制造业央企部署的智能审核平台，6台AI智能体为集团50多位审批人员承担了近80%的工作量。某央企供应商入库资质审核项目，卡证字段识别准确率达到99.99%，日均处理2.2万个解析任务，效率提升10倍。这些数字的含金量不在绝对值，而在于它们都发生在审核这种“错不得”的场景里。

把知识当主业的公司，做对了什么？

最底层是数据模块与达观自研技术模块，两者共同构筑企业知识大脑底座，把散落各处的知识统一汇聚起来，变成可管理、可调用的资产。中间层沉淀出搜索、问答、推荐三大能力，负责全局知识的精准召回、深层意图的识别，以及场景化的知识推荐，让知识主动找到需要它的人。最上层是封装落地的AI应用层，企业AI助手、数字员工、智能审核、知识运营等业务场景都从这里生长出来。前文提到的搜问推一体、智能审核平台、数字员工DG Claw，对应的正是这一层的具体形态。

这套体系真正特别的地方，在于一条回流通道。员工使用中产生的问答、交互与场景反馈数据，会重新流回企业知识大脑，系统借此识别知识缺口、勘误并补充业务经验，自动优化知识关联与模型能力。知识在使用中回流，大脑在回流中进化，形成越用越准的正循环。

这个设计指向一个行业共识，企业AI不能是单点工具的堆叠。断成几截的AI系统，省下来的人力很快会被系统之间的缝隙吃回去。

壁垒不在算法，在时间与场景

知识工程的门槛，在哪里？陈运文的判断是，不在算法。他的说法是，新公司单纯复刻技术框架仅需数月，但沉淀同等量级、可商用、高精准的行业知识资产与落地经验，至少需要五到八年。

这个判断的另一面，是达观过去十年攒下的家底。数千家金融、制造、政企客户项目打磨出的非标文档处理经验，加上一条“项目落地、知识萃取、模型优化、场景复用”的正循环。算法会被追平，模型会过时，场景积累不会。

为了说明这个问题，一个头部券商的案例值得展开分析。这家客户系统繁杂、合规要求严苛、文档版式复杂，岗位权限切分得极细。通用AI产品反复试过，始终落不了地，检索不准、合规漏判、权限混乱几个问题叠在一起。

针对这些问题，达观对其的改造分两步走。先通过搜问推一体打通其全域业务、办公、合规数据，建起专属的券商知识大脑，让制度、案例、流程、行情资讯可以被智能检索和问答，并按岗位主动推送。再上智能审核平台，对合同、公告、业务单据做全流程的合规校验。

改造后的变化，人工审核压力大幅下降，业务和办公数据的获取效率明显提升。

这个案例的启示在于，知识工程不是买一套系统，而是一场把企业知识重新治理一遍的工程。投入不轻，但一旦建成，替代它的成本更高。

企业AI的下一程，赛点在哪里？

从行业面看，企业智能体正在从早期尝鲜进入早期主流。金融、高端制造、大型政企走得最快，这类行业标准化程度高、合规要求严、人力成本高，AI的投入产出比容易算清。中小微商贸、轻服务类行业仍在观望，业务体系零散、标准化不足，暂时不具备规模化落地的条件。

政策在给这个进程加杠杆。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，提出到2027年，新一代智能终端、智能体等应用普及率超 70%，到2030年超90%。智能体从技术词汇变成政策目标，落地的确定性被大幅抬高。

一个规律也随之清晰，数字化基础决定落地的下限，业务标准化决定规模化的上限，降本增效的刚需程度决定速度。

为什么审核会成为智能体落地的第一站，因为它同时具备高重复、高耗时、高风险、高标准化四个特征，是企业里最显性的低效点，效果也最容易量化。

但审核之外，更大的增量藏在“隐形场景”里。制度迭代时的智能梳理，业务经验的自动萃取，岗位知识的精准推送，行业政策的实时研判，供应链风险的动态预警。这些场景不直接产出业务结果，却持续影响企业的效率、风控和决策质量。

陈运文的判断是，显性审核解决的是人力减负，隐形知识运营解决的是企业提质，后者才是未来产业价值的核心增量。

智能体普及必然带来同一个问题，人怎么办。达观在交付中的观察是，市场几乎没有出现大规模减员，客户普遍调整的是团队结构。低重复执行类岗位小幅缩编，员工转去做策略制定、结果复核、业务优化这些更高价值的工作。

这个观察与世界经济论坛的预测吻合。《2025年未来就业报告》预计，到2030年，人类独立完成的任务占比将从47%降至33%，人机协作完成的任占比升至33%。工作没有被机器拿走，而是被重新分配了。

往后看三到五年，这个赛道的竞争要素排序会越来越清楚。技术是基础，知识是核心，落地是关键，生态是壁垒。通用算法会持续同质化，真正难以复制的，是深耕行业沉淀出的专属知识库、场景适配能力和合规落地经验。

与此同时，市场空间也在同步打开。中商产业研究院预计，中国产业级AI智能体市场规模将从2024年的约31亿元增长至2029年的458亿元，年复合增长率71.3%。高速增长的市场里，能接住知识的玩家，才有资格谈终局。

结语

把时间轴拉长，企业信息化的每一次跃迁，都伴随着“工具”向“结果”的转移。信息化阶段，企业买的是把纸面数据搬进系统的能力。数据化阶段，企业买的是从数据里看出经营洞察的能力，买单权开始向业务部门倾斜。到了智能化阶段，企业要买的是让知识直接变成生产力的能力，这次连“用”和“建”的边界都在模糊。

每一轮变革，最终胜出的都不是当时最热闹的玩家，而是把当期最稀缺的资源变成可复用资产的人。信息化时代是数据，数据化时代是洞察，智能化时代，最稀缺的资源正在变成企业自己的知识。

模型可以租，算力可以买，唯有知识长在企业自己身上。这条路上，达观已经走了十年。但接下来将带来的改变，才刚刚开始。

文：月满西楼 / 数据猿

责编：凝视深空 / 数据猿