过去一年，我反复被问到一个问题：大模型公司的通用 Agent 越来越强，越来越能"吃场景"，中小创业者还有没有机会？
我的回答是：有。但不是在你想的地方。
先看清一个残酷的现实
2026 年一季度，全球 AI 融资 2420 亿美元。65% 流向四家头部巨头。剩下 35% 里，一线 VC 已经不再看"无算力、无独特数据"的通用小模型项目——头部免费开放 API，中小团队没有定价权。
这不是趋势预测，这是已经发生的事。Manus 被 Meta 收购，CloudBot 创始人加入 OpenAI。通用型 Agent 的终局很清楚：要么被平台级巨头收编，要么成为巨头的功能模块。想做一个"什么都能干的智能助手"，然后靠用户量跟巨头掰手腕——这条路在 2024 年还有理论上的可能性，2026 年已经彻底关闭了。
那么机会在哪？在巨头"看得见但够不着"的地方。
六条逻辑：为什么我选择做企业级 AI 操作系统
我花了很多时间思考这件事，最终形成了六条判断。每一条都来自对真实问题的观察，不是推演。
第一，工具型 AI 的效果取决于使用者，而大多数人用不好
这不是一个"用户教育"的问题，是一个结构性问题。Gartner 的数据：80% 的企业应用已经嵌入了 AI Agent，但只有 31% 在生产环境真正运行。88% 的 Agent 试点项目没能走到 production。失败原因排第一位的是数据碎片化——AI 能访问到的数据散落在 CRM、ERP、各种数据库和 Excel 表里，质量参差不齐，时效性不可控。
这个数字说明的不是"AI 能力不够"，而是"工具再强，也无法凭空解决组织级的数据混乱和流程割裂"。把一个强大的 Agent 交给一个还没理清自己业务数据的团队，就像给一个不会做饭的人一套专业厨具——厨具越高级，做出的菜越可能翻车。
所以问题的根源不在工具，在使用者的组织环境。而大多数企业，恰恰不具备这个环境。
第二，企业需要的是解决问题，不是买一堆工具
36氪调研了近百位 CEO 和 CTO，排名第一的痛点是"效果不及预期，准确率和稳定性不足"，占 52.38%。排第二的是"内部推行阻力，员工担心被替代"，40.48%。排第三的是"与现有 IT 系统对接复杂"，33.33%。
这三个数字指向同一个症结：企业买回去的是工具，不是能力。工具需要场景适配，需要组织协同，需要数据基础——这些都没有。采购决策变成了"买最火的那个"，部署之后发现每个工具只解决一个环节的问题，流程断点依然存在，不同厂商的工具之间互不相通，采购成本和整合成本叠加，最终效果不及预期的三分之一。
企业真正需要的是有人帮它把 AI 能力嵌入业务流程，形成闭环，解决问题——而不是在钉钉里加一个聊天机器人，在飞书里装一个文档助手，在 CRM 上挂一个推荐引擎，然后指望员工自己把这些拼起来。
第三，通用 AI 在企业环境里只能做到及格，定制 AI 能做到上线即用
IDC 白皮书的数据：国内 68% 的中小企业 AI 项目在部署后 6 到 12 个月陷入停滞，43% 直接终止。平均半年烧掉 189 万。
RAND Corporation 对 2400 个企业 AI 项目的元分析更狠：80.3% 未能交付预期业务价值，平均成本 420 万美元，价值归零。按 Gartner 预测的 2026 年全球 AI 总支出 47 万亿美元换算，80% 失败率意味着 5470 亿美元没有产生任何可衡量的业务结果。
为什么通用 AI 在企业里做不到 90 分？因为企业环境不是标准化场景。每个企业的业务逻辑不同，术语体系不同，审批链路不同，合规要求不同。通用 Agent 的"通用"恰恰意味着它对任何一个具体环境都是"半懂不懂"——能回答常见问题，但碰到业务边界情况就犯错，而且错误类型不可预期。这种不可预期的错误在生产环境里是不可接受的。
反过来，根据企业实际业务和组织流程定制的 AI，上线第一天就理解这个企业的术语、规则、数据结构和决策链路。不是从 60 分慢慢调教到 90 分，而是从 90 分开始运行。
第四，能力应该长在组织上，不是长在员工身上
这一点我看得越来越重。通用 AI 产品是为个人服务的——帮助某个员工写邮件、做分析、查资料。能力沉淀在这个人的使用习惯和 prompt 技巧里。这个人离职了，这些能力就跟着走了。
而企业级 AI 是为组织服务的。AI 理解企业的业务流程，掌握企业的知识体系，执行企业的审批规则。这些能力嵌入流程，不依附于任何个人。员工可以换，流程不会断。每一次业务运行，都在给组织的 AI 系统喂养新的数据和经验——知识资产持续积累，能力壁垒持续加厚。
这个差异不是功能层面的，是范式层面的。工具型 AI 让员工变强，流程型 AI 让组织变强。前者是人走能力走，后者是人走能力留。
第五，苦活累活是护城河
垂直 AI 工具随着大模型迭代变强，迟早会被通用 Agent 吃掉——这是确定性很高的判断。因为垂直工具的本质是"在大模型能力不足时，用行业数据和专业 prompt 补短板"。当大模型自身能力覆盖了这个领域，补丁就没有存在价值了。
但企业内定制 AI 解决方案不是这样。它需要深入企业的业务流程做诊断，需要打通十几个异构系统做数据整合，需要理解行业监管规则做合规设计，需要跟不同部门反复对齐做流程适配——这些全是苦活累活脏活。大厂的产品逻辑是标准化→规模化，这种逻辑下做定制化服务，每个项目的边际成本都很高，规模化很难实现，定价权被客户的定制需求稀释。大厂不是"看不上"，是"做不了"——它们的组织机制和商业模式天然不适合这种活。
所以这不是一个"大厂懒得做所以留给创业者"的缝隙，而是一个"大厂的结构性缺陷导致它确实做不好"的壁垒。这种壁垒比技术壁垒更持久。
第六，项目沉淀→通用产品，是一条可行的路径
有人会质疑：你做定制化服务，怎么规模化？我的回答是：不是直接规模化，而是通过项目不断沉淀能力，逐步发展成通用产品。
历史上这条路径有过成功案例。Palantir 从政府定制项目起步，每个项目往 Foundry 平台上沉淀模块，最终从一个做项目的小公司变成一个有产品的上市公司。Salesforce 早期也是做定制 CRM 实施，在实施过程中提炼出可配置的标准产品。
但这条路的纪律很严格：必须从第一天就开始做产品架构，而不是事后提炼。每个项目交付时，要审视有多少工作量是在产品平台上完成的，多少是项目特有的。如果前者占比持续低于 60%，这条路就走不通——你沉淀出来的是一堆项目代码，不是一个产品。
我的判断是：从服务到产品这条路，走得慢但走得稳。先在具体行业里做深做透，把行业 Know-how 和业务规则沉淀成平台能力，然后在相邻行业做适配扩展——这是一种"农村包围城市"的打法，看似保守，但每一步踩的地面都是实的。
三个我不得不正视的风险
做判断不能只看支撑面，也得直面挑战面。上面六条逻辑里，有三条我一直在反复质疑自己。
风险一：赛道正在变得拥挤。2026 年上半年，企业级 AI 操作系统已经密集发布：金蝶的"灵基"、北电数智的"星火·AI 云 2.0"、酷开的 AIOS、钉钉的 Agent OS、用友 BIP 的 AI 叠加层。海外也在快速涌入：Eragon 拿了 1200 万美元种子轮做 Prompt 驱动的企业 AI OS，Airrived 从隐身状态出来拿了 610 万美元，Dust 拿了 4000 万美元 B 轮（Sequoia 领投）做企业多人协作 AI OS，前 Palantir 团队做的 Conduct 拿了 5100 万欧元帮助企业系统 AI-ready。
这意味着"企业级 AI 操作系统"已经不是一个无人注意的蓝海了。我的差异化不能停留在"做什么"层面，必须落实到"怎么做"和"为谁做"——特别是，我跟金蝶/用友/钉钉这些有存量客户、存量数据、存量流程的巨头到底差异在哪？
这个问题我目前给出的答案是：巨头的 AI OS 是"在自家生态里做编排"，而我做的是"跨生态的编排层"。企业用的不是一套系统，是 ERP+OA+CRM+MES+各种行业软件的组合，这些系统来自不同厂商，数据格式不统一，接口不互通。巨头的 AI OS 天然倾向在自己的围墙内运行，而企业的真实需求恰恰是在围墙之间搭桥。定位不是"替代"，是"编排"。
但这个答案还需要在实践中验证。
风险二：定制化服务的规模不经济。定制化意味着每个项目都需要大量咨询和实施人力，项目间复用率低，边际成本居高不下。交付周期长，现金流压力大。严重依赖关键人才——懂行业又懂 AI 的人极度稀缺。
更危险的是"服务→产品"的转化陷阱：服务阶段赚的是人力差价，产品阶段赚的是边际成本递减。中间的过渡期，两者都不赚。服务收入在萎缩（因为团队精力转向产品开发），产品收入还没起来（因为产品还不够成熟）。大量走这条路的公司死在了这个过渡期。
应对这个风险，我给自己设了一条硬纪律：不做"纯定制开发"。每个项目必须以产品平台为基础做配置和扩展，项目特有的工作量占比控制在 40% 以内。这既是为了保证复用率，也是为了倒逼产品能力成长——如果平台不够强以至于每次项目都需要大量特有开发，说明平台本身就有问题。
风险三：大厂正在学习做"轻定制"。Microsoft Copilot Studio 已经在做低代码 Agent 定制。Salesforce Agentforce 正在从 CRM 走向"Agentic Enterprise"。ServiceNow 的 AI Control Tower 专注治理和编排。这些大厂正在用平台能力降低定制化的边际成本——学习曲线虽然陡，但它们有资源、有客户、有数据。
"大厂做不好定制化"不是一个永久不变的命题。它更像一个时间窗口：在这个窗口里，大厂还没学会做轻定制，而我已经在具体行业里积累了足够的深度。窗口的长短取决于大厂的学习速度，也取决于我的产品化速度。我必须比大厂更快地从项目中提炼出可复用的产品模块——这不是一个可以慢慢来的事情。
最后一个思考：最小产品单元是什么？
"企业级 AI 操作系统"是一个大概念。但大概念不能直接交付给客户，客户买单的是能解决具体问题的具体能力。
所以我在问自己：这个系统的内核——那个可以标准化交付、同时在客户环境中能深度适配的模块——到底是什么？
目前我的思考方向是：跨系统数据编排引擎 + 行业知识资产管理器 + Agent 治理控制台。三者合一，构成一个最小但完整的内核。数据编排解决"AI 触达不到数据"的根本问题，知识资产解决"能力长在组织上"的核心诉求，治理控制台解决"AI 行为可审计可追溯"的刚需。
这个内核不需要替代企业现有系统，而是架在它们之上，把散落的数据和流程编织成 AI 可以理解和执行的统一语义层。然后在此基础上，AI 能力才能真正嵌入业务、长在组织、持续沉淀。
这不是一个已经验证的产品形态，这是我正在验证的假设。但我相信方向是对的——因为在 88% 的失败率和 5% 的数据达标率背后，核心瓶颈不是 AI 不够聪明，而是 AI 在企业环境里"看不清、够不着、管不住"。解决这三个问题，才是企业真正需要的"AI 操作系统"。
失败率
数据真正达标
创业这件事，最难的不是判断方向，而是在方向上找到具体的着力点。我选择的方向是"企业级 AI 操作系统"，着力点是"跨系统编排层"。方向对不对，需要时间验证；着力点行不行，需要实践验证。
但至少有一点我确信：在 AI 吞噬场景的时代，真正的机会不在"做一个更强的工具"，而在"帮企业把工具变成能力"。工具可以被替代，能力不会。