AI企业端应用现状：百无一用穷翰林，草台班子数据库

当下的大模型，像极了一名饱读诗书、满腹经纶的新科状元。它最适合干的活儿，是翰林院修撰/修编。它是帝国的"首席笔杆子"--笔墨精妙写得了诰命，满腹经纶修得了国史，口阔悬河讲得了经筵，刚直不阿当得了考官。

它干的这些活儿有两个特点：一是数据是现成的，材料都在那儿，考的是学养、笔力、分寸；二是容错率高，结果不严重，翰林离权力核心很近，但离实权很远，也担不了什么责任。

这像不像当下的Vibe Coding？

开发者口吐莲花，模型唰唰唰写出几百行代码、搭出一个能跑的原型、润色一份漂亮的技术方案。

这不就是现代版的"赛博修史"吗？

模型在海量语料里浸淫出来的"学养"，配上强化学习调出来的"笔力"，干起这种有明确范式、有清晰上下文、容错率较高的文书活儿，确实挥洒自如。这也是为什么过去一年多，编程辅助、文档生成、知识问答这类"翰林式场景"率先被AI攻陷，它们本质上就是制诰文章的赛博朋克版。

但是，你真把这新科状元放到知县位置，让他去催征钱粮、躬亲听讼、厉行保甲，它立刻抓瞎。

知县要做事，得先做人。需要搞清楚县丞是不是朝中重臣的门生故旧？主簿是不是连着本县的乡绅名流？需要考虑怎么笼络人心管好三班六房？怎么养活师爷账房这套私人班子？

知县的核心职责就四项：钱谷、刑名、教化、治安。听起来简单，做起来全是硬骨头。知县的每一个决策都连着具体的钱、具体的命、具体的收成、具体的灾民。错了要担责，漏了要降级，出了人命要革职。这是"亲民官"的活儿：权责一体，闭环落地。

千行百业的真实岗位，恰恰就是这样一个个"县"：银行的信贷审批员，要在反欺诈、合规、客户体验之间走钢丝；工厂的产线主管，要盯紧良率、工时、库存、安全；医院的接诊医师，要对边际模糊的症状下判断、扛责任；零售的店长，要管人、管货、管钱、管街坊邻里关系。

这些岗位的共性是：context 重、约束多、后果实。每一个动作背后，是一整套行业法规、组织流程、历史数据、人际关系、追责机制。

大模型"能修书，难治县"不是赛博联想，是有数据验证的：2026 年的企业 AI 落地数据普及率接近 100%，但规模化生产部署不足 5%。多数企业的 AI 应用仍停留在通用问答层面。这就像翰林编修被派去当知县，每天在县衙里写漂亮的判牍、拟优雅的告示，但钱粮催不上来、积案越堆越高、保甲形同虚设。

对此，深信服基于大量客户实践，总结出当下企业 AI 进入生产环节的五大困境：

1. 建不动：个人提效没转化为组织提效。

2. 用不好：数据分散、解析检索偏差。

3. 用不起：调用规模和复杂度失控。

4. 看不清：算力消耗和责任主体缺少度量。

5. 不敢用：传统威胁与智能体新风险叠加。

网易智企在 WAIC 上把这概括为"三层鸿沟"：知识鸿沟（不懂企业专属术语）、行动鸿沟（无法打通既有系统）、组织鸿沟（个人经验无法沉淀为组织能力）。

放到我们的语境中就是：翰林老爷的笔墨再漂亮，他不懂本县的黄册鱼鳞、不认得乡绅里甲、不熟悉保甲规约、更扛不起"欠三分革职，欠五分杀头"的KPI考成。

翰林的价值，从来不是去当知县，而是以翰林的学养，去做知县的幕僚、师爷、文案——在明确的约束下起草判牍，在丰富的 context 中拟就告示，在知县的主持下参与修志。

具体落到企业里，就是三件事：

第一，把模型放在"翰林岗位"上，而不是硬塞进"知县岗位"。编码辅助、文档生成、方案起草、知识检索，这些"制诰文章"类的活儿，模型可以独当一面。李白天马行空、才华横溢、诗传千古，但你真敢给他一县一郡让他治理？

第二，把模型嵌入"知县的业务流"中，而不是让它替代知县。信贷审批的最终签字、产线参数的最终调整、诊断方案的最终确认，必须由负责任的业务岗位拍板。AI 可以做前置的信息梳理、方案生成、风险预警，但只要这个世界还是围绕碳基生物运转，Human in loop就必不可少。

第三，补齐"从翰林到知县"的中间层。也就是数据工程、流程编排、权限审计、成本核算、责任追溯。这一层不做实，再大的模型也只能停在"Vibe"阶段。

接下来，企业 AI 竞争的真正分水岭，不在于谁的模型参数更大，而在于谁能把翰林安置好、把知县赋能好、把中间的幕僚机制建起来。

那些还在指望一个大模型解决所有业务问题的企业，就像指望一个状元编修到任三月就能把积压十年的刑名钱谷理清。不是编修不行，是用错了人。

那些培养翰林的大模型公司，也充分意识到这一点了。不然OA两家也不会去招FDE，A家也不会和Salesforce合作。在未来的演进过程中，大模型占据应用入口层，SaaS作为执行层和数据层；大模型负责负责天马行空的泛化推理，SaaS负责提供私有数据和结果约束；大模型是创意总监，SaaS是风控总监。

SaaS终于找到了AI时代属于自己的生态位。但这仅限于有私有数据、有行业know-how、懂业务流程的企业级“做得很重”的SaaS，而不是像Adobe、美图这类工具类SaaS。

但这并不代表所有企业级SaaS软件都有美好的未来，也并不代表未来会是一帆风顺的。原因有二：中国企业的付费能力和意愿太差，数据化底座太差。

中国只有极少数大型企业完成了数字化建设，绝大多数中小微企业别说大型ERP和数据库了，60%甚至还是在用Excel+微信管理日常业务。以下是中国中小微企业的数字化/SaaS化现状：

中小企业也不是"只有 Excel"——它们有一套由 Excel + 微信 + 轻量 SaaS + 行业专用软件 + 低代码平台拼成的"碎屏系统"。这套系统丑、乱、数据不通，但便宜、够用、易上手。

真正的 ERP/CRM 等SaaS软件要替代的不是 Excel，而是这套碎屏系统里"数据不通、容易出错、无法扩展"的痛点。但前提是价格要低到让老板觉得"比招一个人便宜"，否则招人永远是默认选项。

中小企业也不是没有系统，而是用一套"土法炼钢"的组合拳，把 ERP 和 CRM 的核心功能拆碎了、用更便宜的工具拼出来了。这套"土法炼钢"非常实用，充分体现了中国人民的智慧，但的天花板也很明显：50–100 人是个分水岭。到了这个规模，Excel 开始频繁出错（库存对不上、账款混乱）；5–8 个单点工具之间的数据开始"打架"（CRM 说客户已成交，进销存说没发货）；老板发现"管不过来了"，开始认真考虑上正经系统。

但到了这一步，很多企业的选择不是 SAP/金蝶/用友，而是升级某个单点工具。比如把管家婆换成金蝶精斗云，把 Excel 客户表换成销帮帮 CRM。依然是渐进式、单点突破。

这些企业要想AI转型，先得SaaS化，完成数据治理、数据底座的搭建。这是一个缓慢的过程，也是巨大的机会。

我过去这么多年的职业生涯，有过大型国企、外企和小型私企，也经历过行业的兴衰起落。大致有个模糊的感觉：在一个快速成长的行业，看到的全是问题；只有在没什么变化的地方，才能看到清晰的流程和制度。

我隐约觉得中国的SaaS软件+AI应用行业，就属于前者。当下正是建立认知框架，捕捉潜在可能机会的大好时机。

PS：To B的行业学习研究起来实在是太枯燥，所以可能会用一些赛博联想的春秋笔法，即时记录下自己的所思所想。多年以后回过头来看，很可能都是错的。

“以前的自己好蠢啊！”这对我来说，是莫大的褒奖。

雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>