对话科杰科技副总裁金叶：AI下半场，主动权将更多回到企业和组织手中

模型能力快速迭代之后，企业使用AI的难点正在发生变化。

在今年的世界人工智能大会上，智能体“Hi! WAIC”被嵌入大会官方App。参会者可以直接询问展商、论坛、展品等信息，也可以让它根据个人需求规划参展动线。

科杰科技副总裁、华东区域负责人金叶告诉财闻，这款应用背后的语料和数据由科杰科技提供。

与前端可见的智能问答相比，更复杂的工作发生在后台。大会各种的数据，需要经过采集、清洗、标注和处理，才能被Agent调用。

金叶同时担任世界人工智能大会的产业对接专家，并长期参与头部企业客户的AI转型项目。在他看来，过去一段时间，市场关注的重点主要集中在模型和算力，但随着模型能力不断提升，企业能否整理、理解和使用自己的私域数据，正在成为AI落地的新门槛。

“上半场的主动权在模型厂商手里，下半场的主动权更多在企业和组织自己手上。”金叶说。

一、AI下半场为什么开始拼数据

财闻：C端用户和媒体更熟悉大模型，但对AI Infra仍比较陌生。AI基础设施目前到底在做什么，行业发展到了什么阶段？

金叶：大的逻辑可以概括为“数、算、模”，也就是数据、算力和模型。

大家最先感知到的是大模型。模型之外还需要算力，国内也在逐步发展自己的GPU。这些是过去一段时间市场高度关注的部分。我们把这一阶段称为AI上半场，大家主要做模型、堆算力，模型的参数越来越多，能力也迭代得很快。

但大家现在逐渐认识到，训练和使用模型都需要数据。市面上能够找到、能够使用的公开数据，已经基本被使用。下一步会进入企业私域数据的领域。

问题是，企业的私域数据怎样才能变成AI应用的底层原料？可以打一个比方，过去使用的是原油，现在需要把它加工成精品油。数据要经过采集、清洗、标注和测评，才能服务Agent、RAG以及模型调优。

这方面还存在很大的空白。企业并不是没有数据，而是不知道如何更好地清洗、加工和利用这些数据。以前的数据可能主要给人看，做成报表或者管理驾驶舱；未来越来越多的数据是给AI使用的。AI要能够理解这些数据、调用这些数据，并基于数据完成具体任务。

所以，AI基础设施不只是算力和模型，也包括数据怎样被采集、存储、管理、加工和使用。随着模型能力继续提升，数据的重要性会越来越突出。所以我们讲，AI下半场拼的是数据。

财闻：市场上从事数据工作的企业多吗？哪些行业目前走得比较靠前？

金叶：入局企业较多，真正能把内部数据转化为优质数据集、为大模型与 AI 应用供给核心数据燃料的玩家十分稀缺。

数据工作很难脱离具体行业。你必须结合行业特点，也要结合企业自己手上数据的特点，去做采集、清洗、标注和测评。所谓高质量数据集，很难有一个适用于所有行业的通用定义，因为它一定要和行业、企业以及具体场景结合。

即使在同一家企业里，不同用途的数据要求也不一样。用于模型后训练的数据、用于Agent的数据、用于知识库的数据，类型和标准可能都会有差异。所以大家都知道高质量数据很重要，但真正落地时，不能简单照搬统一标准。

哪些行业走得比较快，要看行业对AI的理解程度、技术导入程度和人才聚集程度。从目前的情况看，金融和制造业相对走得比较深入。

金融本身就是一个高度依赖科技能力的行业。金融科技拼的是技术能力，也拼人才密度。一些头部金融机构有能力，也有财力做比较深入的研究。

制造业则主要集中在头部企业。头部制造企业对数据的应用相对深入，因为它们已经逐步找到怎样把数据与行业能力结合起来，并形成实际价值的路径。

从大面上看，目前AI在企业里的主要价值还是降本增效。至于AI能不能直接创造一种全新的生产力，我觉得目前还没有大范围看到。很多业务问题人自己都没有完全琢磨清楚，不能简单认为AI一上来就能把这些问题全部想清楚。

财闻：从客户角度看，什么样的数据才是可训练、可复用、可运营的高质量数据？应当用什么标准检查？

金叶：这个问题因行业而异，没有一个标准答案。

首先，企业可以把市面上能够找到的标准纳入进来，包括行业标准、国家标准和国际标准。但标准只是一个基础，在这个基础上，还要结合企业自己的理解。

我觉得数据可以分成两块。一块是通识，也就是通用知识，包括公开标准和大模型可以找到的知识；另一块是专识，也就是专业领域知识。企业怎样理解自己的行业，怎样定义自己的业务对象，对数据有哪些特殊要求，这些内容是通用模型不知道的。

头部企业往往会对行业数据形成一些特别的理解和要求，而这些内容未必能够由通用知识覆盖。

数据标准还取决于应用场景。数据究竟是给Agent使用、给RAG知识库使用，还是给模型微调使用，不同用途需要的数据并不一样。模型处于不同阶段，对数据的要求也可能不同。

所以，高质量数据不能脱离业务谈，也不能脱离场景谈。最终还是要根据具体场景和业务需求反推，以终为始。

二、AI进入企业后，究竟改变什么

财闻：如果不用“湖仓一体”等技术术语，科杰究竟替企业完成了什么？一家企业购买相关产品和服务后，哪些人、哪些工作会发生变化？

金叶：比较通俗的讲，就是在AI时代把数据变成AI基础设施的燃料，对数据进行采集、清洗、标注和模型训练，最终让这些数据能够服务AI。

以前的数据更多是给人使用。企业建设大数据平台后，会在前端开发BI报表、管理驾驶舱或者Dashboard。人通过手机和电脑查看数据，了解生产经营情况，再根据这些数据进行判断和决策。

新的变化是，数据不再只是直接给人看，而是越来越多地提供给AI对象使用。因为数据量越来越大，结构也越来越复杂，不可能全部依靠人逐条查看。企业要让Agent去读取数据、分析数据，再把结果提供给人。

“智能问数”是目前比较容易被企业接受的场景。

过去，老板想了解企业经营情况，可能要由财务部门或者不同业务部门的人去收集数据。大家把数据拿回来，用Excel整理，再合成一张表。老板看完之后还会继续问，比如库存为什么出现问题，问题出在哪里，应该怎样解决。下面的人需要重新拆解问题，再回到各个部门补充数据。

这个过程需要很多人，也存在大量重复劳动。有些企业领导一个月看一次数据，为了准备，相关人员可能要提前忙一个星期。

如果企业已经把数据对齐，打通了数据链路，就可以直接用自然语言与Agent对话。比如老板问：“上个月的经营数据情况怎么样？”Agent可以生成一张比较复杂的分析表，从不同角度和维度进行分析，也可以把可能存在的问题高亮显示出来。

过去需要很多人花一周时间完成的工作，在条件具备的情况下，可能很快就能生成。这里的价值不只是提高制表速度，也包括分析得更细。假如企业的数据清洗得比较好，业务逻辑也已经打通，Agent还可能根据发现的问题，提出一些可能的解决思路，把老板没有想到的角度呈现出来。

世界人工智能大会的“AI搭子”也是一个例子。大会本身是传统的展会业务，但它拥有大量展商、论坛、展品和参会信息。把这些数据清洗和处理后，前端的Agent就可以根据参会者的需求查询信息，甚至设计参观动线。

原来参会者要自己在微信公众号、场馆地图和论坛日程中寻找信息。现在可以直接提出问题，让Agent完成初步的信息匹配。这说明传统业务把数据处理好以后，也可以用AI形成一种新的服务方式。

但Agent更多是辅助和连接。尤其在企业业务中，最终交易仍然基于人与人完成。AI可以帮助人更快找到信息、连接资源和形成初步判断，但人的作用仍然很重要。

财闻：为什么企业做AI不能先建设一个大而全的平台，而要从具体场景倒推？

金叶：AI落地最重要的是先想清楚场景。第一层是企业肯定要使用AI，第二层是怎么使用，具体在哪些地方体现成效。

我们和客户沟通时，往往需要先做一些轻咨询。因为最终要回答的是业务问题，也就是AI怎样帮助这家企业的业务。只有对企业业务有一定了解，才能把问题聚焦到几个具体场景。

数据太多了。如果一开始没有想清楚场景，就铺开一个很大的摊子，很可能会变成企业的负担。大家都觉得数据和AI有用，但做了很长时间没有看到效果，管理者很快就会失去耐心。

所以，所有AI项目都应该从场景倒推。比如企业想做智能问数，就从管理者想看的数据反推，把前面的数据链路梳理出来，完成数据治理和数据清洗。

项目团队需要带着业务视角，很快找到那个“线头”。一旦有一两个场景跑通，企业就能看到正反馈。管理层看到效果后，才愿意投入更多资源和预算继续做。

企业管理者真正关心的问题通常没有那么多。可能是现金流、生意经营情况以及少数几个重要的管理问题。如果这些核心问题可以直接通过AI询问，管理者会觉得这个场景有价值。

它和过去的驾驶舱有相似之处，但逻辑发生了变化。过去是人进入系统看数据，现在是人提出问题，让AI理解和处理数据。但无论采用什么形式，都必须从场景出发。

财闻：为什么说AI落地是一把手工程？企业投入资金后，项目没有真正进入生产环节，通常会停滞在哪一步？

金叶：我认为，AI现在更应该被视为一把手工程。

如果推动项目的人没有企业的核心决策权，后面会遇到一系列困难，包括立项难、获得资金支持难、落地也难。其他人可能也知道这件事很重要，但只要不是一把手真正重视，它就可能被排在其他任务之后，最后很难推动。

我们接触的一家商贸企业，就是总裁亲自出来推动智能问数。这个项目的主要使用者是董事长和总裁，一旦明确这一点，下面的人自然会重视。

AI落地的核心问题，实际上是企业怎样转型。AI是一种工具和辅助手段，更重要的是企业能否抓住新的发展机会。如果一把手愿意投入精力，企业会逐渐形成一种新的文化。但如果没有好的流程，也没有人的思维和工作方式配合，再好的工具也很难真正使用起来。

项目最后没有按照设想落地，也不一定只是技术原因。人是动态变化的，即使项目设计得很好，最终落地结果也可能与最初设想存在很大差异。

以前在外企时，我们会讲“PPT”。第一个P是People，也就是人；第二个P是Process，也就是流程；最后一个T才是Technology，也就是技术。重要性也可以按照这个顺序理解。

如果人的意识没有跟上，准备度不够，也没有相应流程支撑，再好的技术都很难落地。

企业的一些关键知识还存在于员工脑中，这会让问题变得更复杂。我以前参与过一个零售企业的销量预测项目。当时还没有大模型，主要使用算法。项目效果一度不错，但企业里原来负责销量预测的总监反而会抵触。

过去，他们依靠自己的经验，每周完成一次销量预测和报表。算法出现后，他们会担心自己被取代，因此在项目推进中并不配合。当然，当时算法本身也不够成熟，但这件事说明，项目里最复杂的仍然是人。

人有时是项目的促进因素，有时也会成为阻碍因素。AI落地不只是技术问题，也要处理人的认知、工作流程以及员工对岗位变化的担忧。

三、模型能力逐渐拉平后，企业的壁垒在哪里

财闻：未来大模型公司是否只会剩下少数几家？现在仍有很多企业在做大模型和AGI，您怎么看？

金叶：我把它理解成一个“爬山”的游戏。

一个新的山头刚出现时，可能有10家、20家甚至100家公司一起爬。等这个山头逐渐形成，最后留下的头部玩家可能不会超过5家，也就是3到5家。它们已经爬得很高，并构筑了自己的壁垒，下面的小玩家再继续投入，很可能已经玩不起了。

以前，一个产业山头在国内可能需要5到10年才能逐渐形成。现在这个过程明显加快，可能一两年，山头就基本长成了。

对创业者而言，识别趋势是非常重要的能力。看到一个山头已经长成，就不要继续投入大量资源与趋势对抗，而应该寻找下一个山头。人再有能力，也很难和时代趋势对着干。更合理的选择是识别趋势，在趋势的加持下做事。

财闻：随着模型能力继续发展，企业会不会逐渐不再需要“中介”或者“卖铲子”的数据基础设施公司？科杰的核心价值在哪里？

金叶：虽然大家都叫AI基础设施、数据基础设施或者数智底座，但这个产业会有很多不同的细分。

大模型公司有自己的生态，也需要大量数据。在一些很细分的领域，会有企业专门把行业材料加工成适合模型使用的数据。比如一个问答模型要回答得准确，就需要比较准确的问答语料。如果数据里有大量没有价值的内容，对模型来说反而可能形成污染。

所以，数据不只是数量问题，还要针对模型目标进行加工。有人直接提供数据结果，也有人提供处理数据的工具。我们把自己称为“卖铲子”的公司，核心是提供AI数据底座平台。

科杰的核心产品 KeenData Lakehouse 依托于 AI-in−Lakehouse智能原生架构，打通数据工程、模型训推、Agent 工厂全链路，与国产GPU、大模型构成算力、算法到数据基础设施的人工智能产业闭环。

在政府和公共数据领域，需要有人完成数据的梳理、清洗和数据底座建设。在企业侧，不同客户的发展程度也不一样。头部企业可能已经有比较好的数据治理能力，但还有很多企业虽然意识到了数据的重要性，行动仍然相对滞后。

模型厂商不可能完成所有行业、所有企业的数据采集、治理和业务梳理。尤其是企业自己的私域数据、业务流程和判断规则，需要企业或者与企业关系更紧密的服务方共同完成。

但这也对数据基础设施公司提出了更高要求。不能只是卖一个通用产品，而要理解客户的业务，把产品长成客户需要的样子。AI没有统一的落地答案，很多项目需要和头部客户一起共创，再把形成的经验逐步复制到行业中的其他企业。

企业最终还要判断，什么项目有助于产品迭代，什么项目有助于营收，项目的投入产出是否合理。服务商也要不断选择和匹配。项目机会很多，但不是所有项目都适合做。这个过程仍然需要人，也需要对客户和行业的理解。

财闻：您提到AI上半场主要竞争模型和算力。AI下半场的竞争会发生哪些变化？

金叶：上半场的主动权主要在模型厂商手里，下半场的主动权会更多回到企业和组织自己手中。

随着模型不断向前发展，大家对不同模型的期待会逐渐拉平。现在很多模型已经具备企业需要的一些基本能力。模型从0到1时，差异非常明显；进入从1到10、从10到100的阶段后，企业对模型能够稳定完成什么任务，会形成相对确定的理解。

模型现在已经很强，也在不断寻找场景。只要企业提供场景，模型可以通过算法快速枚举，从很多角度寻找解决方案。一些过去人认为很难解决的问题，模型也可能提供新的思路。

但模型拿不到企业的私域数据，也拿不到企业内部的流程、业务逻辑和规则。这些东西是企业自己的护城河，模型厂商很难直接获得。

这也是企业在下半场最大的壁垒和机会。

企业需要建立自己的语义和业务逻辑。比如一家制造企业，BOM在这家企业里怎么定义，供应链包含哪些对象，上下游关系是什么，这些属于企业自己的语义层。在语义层之上，还有业务逻辑和判断层。

当企业把这些内容建立起来，形成自己的知识体系或者“本体”，它可能成为下一阶段最重要的竞争力。外部通用能力可以交给模型，但企业自己的数据、流程、语义和业务判断必须沉淀下来。

这也是为什么一些专业的垂直应用公司和SaaS公司未来可能面临压力。它们过去提供的部分能力，大模型可能比较容易完成。基模厂商推出一个新的能力或者Skill，就可能覆盖一些原来由小型应用公司提供的功能。

如果不是基础模型厂商，创业公司就应该更加靠近用户。只有与用户站得更近，深入企业的私域数据、流程和业务判断逻辑，才可能形成自己的生存空间。

可以把它理解成企业建立一个私域数据库或者知识库。这个知识库不只是存放资料，还包含企业的判断和行业认知，能够帮助企业快速作出决定。在外部再连接一个模型，就可能形成下一代竞争力。

大模型已经能够协助编程，业务人员也可以通过自然语言构建一些应用。代码本身的门槛正在下降。真正值钱的，仍然是对业务的认知、对行业发展趋势的认知，以及把这种认知变成产品的能力。

所以，AI落地的最后一公里，不只是把模型接进企业，而是帮助企业把模型能力与自身数据、流程、规则和认知结合起来，形成独特的竞争优势。