【亿邦原创】2026年初，美国一家名为Prime Intellect的AI初创公司发布了INTELLECT-3模型，引起了不小的震动。这家公司做的不是又一个惊艳的通用大模型，而是一套让任何人都可以用分布式算力训练自已专属AI的平台。其创始人Vincent Weisser在接受采访时提出了一个引人深思的观点：“未来每家公司都应该有自己的AI研发部”。为什么呢？“只调用API的企业系统无法获得复利，”Weisser说，“就像在人才选择中，你愿意用最聪明的人，还是为公司工作30年的老员工？现实往往是后者，因为他拥有公司的深层机构知识（Deep Institutional Knowledge）。”
这段话揭示了AI应用从“工具采购”到“能力内化”的根本差别。当企业的AI能力仅仅停留在调用chatGPT或其他某个通用AI的API时，它获得的只是通用智能——能回答问题、能写文案、能生成代码，但永远无法理解这家公司特有的决策逻辑、业务直觉和沉淀了几十年的经验与智慧。只有掌握AI最核心的权重，通过微调和预训练将企业的隐性知识直接融入模型的神经网络，这样的系统才能像那位30年的老员工一样，产生真正的复利效应。
这个观点，与我们一直倡导的企业数据要素竞争力模型高度契合。我们认为，一个企业如果不能将其持续形成的数据资产进行有效管理，进而与企业AI深度融合，就不能形成强大的“企业AI盘活力”。那么问题来了：每家公司真的都要有自己的AI研发部吗？这对于绝大多数不具备AI自研能力的企业意味着什么？
01 API调用的陷阱：当“拿来主义”遭遇“积累天花板”
事实上，就在2025年，某产业互联网平台面临一个棘手的难题。作为大型的工业品交易平台，该平台每天需要处理数万条卖家提交的商品信息，从中提取尽可能齐全的结构化属性（尺寸、材质、兼容性、技术参数）并生成优化的产品标题（尽可能吸引人又尽可以不重复）。
如果单纯用人工，成本高不算，时间还是个问题，而单纯调用通用模型，其处理质量又让人无法忍受。更关键的问题是：无论调用哪个模型，都无法持续学习该平台特有的产品知识——哪些属性对特定品类的买家最重要？哪些描述方式转化率更高？不同品类的技术参数如何交叉验证？
这暴露了纯API调用模式的根本局限：它是一个单向的能力消费过程，无法形成独有的知识和能力的累积。你今天调用API处理了一百万件商品，明天处理下一批商品时，模型的表现不会因为昨天的处理而有任何进步。它不认识你的商品，不懂你的规则，记不住你昨天刚发现的那些容易出错的复杂情况。这，就是Weisser所说的“无法获得复利”。
在该案例中，团队最终放弃了“选择某个模型”的思路，转而构建了一套复杂的自有学习系统。虽然目前还在攻坚之中，但这个架构的核心价值却让管理者无法拒绝：每一次分歧都是学习机会，每一次学习都让系统变得更聪明。随着时间的推移，分歧率持续下降，监督者调用次数减少，准确率上升，成本下降——真正的复利效应产生了。
02 隐性知识：那个30年老员工无可替代的原因
为什么30年的老员工比刚毕业的“最聪明的人”更珍贵？Weisser的答案指向“深层机构知识”（deep institutional knowledge），也就是通常所说的“隐性知识”。
在制造车间里，最值钱的往往不是最先进的设备，而是老师傅们脑子里那些“一看、一听、一摸”就知道问题在哪的经验。订单急的时候，哪个工序可以插单？供应商突然断供，哪家备用渠道能最快补上？设备发出某种异响，是正常磨损还是即将故障？这些决策依赖的不是教科书上的知识，而是生产经理、计划员、采购员多年积累的“直觉”。
这种隐性知识的困境在于：老师傅退休了怎么办？业务骨干被挖走了怎么办？企业扩张，新工厂如何快速复制这套“手感”？过去，这些经验写在笔记本里、存在个别人脑子里，是企业的“暗知识”，无法规模复用。
这正是我们所关心的核心命题。企业如何形成自己的AI盘活力的问题。从目前来看，通过微调和预训练，将这种隐性知识直接融入模型的神经网络，无疑是困难而又有价值的一个选择。
2026年初，某AI公司推出了基于PLM（个人语言模型）技术的“隐性知识”封装方案。与主流的LLM（大语言模型）路线不同，PLM的核心是“一人一模型”——将特定专家的核心能力、思维模式、决策逻辑进行深度拆解与训练，打造专注于特定商业问题的AI智能体。这种智能体并非简单的问答工具，而是能够完整模仿专家解决问题的思路与步骤。这与前述的产业互联网平台两条路径殊途同归：将组织内部特有的隐性知识，转化为AI系统的可计算资产。
03 产品-模型优化闭环：数据要素飞轮的商业价值
在我们提出的企业数据要素竞争力模型中，数据要素与AI是一对相辅相成的伙伴。企业数据要素竞争力就是基于这二者相结合的而形成的核心竞争力。对于制造企业来说，数据要素竞争力就是产品与模型的优化闭环。其中，数据是燃料，AI是引擎。单纯的拥有数据不产生价值，还得将运营数据持续回馈给模型进行训练，才能形成能力增强的闭环。那么，由此也可以推论，谁能更快地将真实世界的变化转化为模型能力的提升，谁就能在竞争中建立持续扩大的优势。
事实上，这套逻辑并不仅限于产业互联网平台的能力提升，任何拥有持续业务数据流、且决策质量直接影响竞争力的企业，都可以构建自己的“产品-模型优化闭环”——企业数据要素AI盘活力。
对于电商企业来讲，用户的点击、购买、退换货行为，可以持续优化推荐模型和定价策略。因此，不管是运营店铺还是自营店铺，关键是获得持续的运营数据。而对于制造企业来讲，除了产品的销售数据外，生产制造过程的优化同样重要，设备传感器的实时数据、质检结果、维修记录，可以持续优化预测性维护模型和生产排程。而对于平台和金融机构而言，交易记录、风控事件、客户反馈，可以持续优化平台的交易成功率和信用评估体系。
这里的关键，不在于“你拥有没有AI”，而在于“你的AI是否在持续变聪明”。调用API获得的是一台相对企业运行处于静止态的机器，而自研AI才能获得一台会随着企业运营深化而进化的专用引擎。
04 从数据资产到组织智能：隐性知识固化的基本方法
当我们谈论“每家公司都要有AI研发部”时，最常遇到的质疑是：绝大多数企业根本不具备AI自研能力，怎么办？
这个质疑基于一个误解——AI研发部不等于大模型训练集群。对于绝大多数企业而言，真正的AI研发部不是从零训练基础模型，而是围绕自身业务数据，构建持续学习、持续优化的AI应用系统——能够“盘活”企业数据资源的AI应用系统。
对于这样的一套系统，将企业数据盘活的过程可以分三个步骤加以实现，即：
第一步，经验进行数据化、显性化与结构化。譬如，生产计划人员的排产经验，可以分解为“订单优先级规则”“设备效能评估规则”“物料齐套校验规则”等一系列判断逻辑的数据集合。通过智能生产调度系统，将这些规则进行初步梳理和固化，同时允许计划员在系统推荐方案上进行干预和调整。
第二步，让新智能系统在关键业务场景中实时协同运行。以订单变更为例，销售只需在系统中发起变更评估，系统会基于实时数据自动模拟变更后的影响，并给出承诺交期的建议。这个建议背后，融入了历史处理类似变更时各环节的集体经验。
第三步，数据的模型化与自动化。将“老师傅”通过声音、外观预判设备故障的直觉，转化为可量化的“预测性维护规则”——模型化。当新设备上线时，这套基于数据模型的经验就能快速迁移应用。
这不是一个完全严格的递进过程，而是一个嵌套式的迭代过程。它的关键不是构建一个新的产品，而是可以通过“场景切入-经验固化-模型迭代”逐步构建新的能力体系。它不需要几百数千张昂贵的GPU卡，也不需要几十个算法博士，需要的是对自身业务经验的深刻理解，以及将这些经验系统化、算法化的组织能力。
05 不是“要不要”AI研发部，而是“怎么建”AI盘活力
企业数据要素竞争力的提出，超越了单纯的数据管理与AI部门，将企业的宝贵资源投入，落实到企业核心能力的打造上来。当企业面对着“要不要建AI研发部”时之类的问题时，我们可以换一个角度来看，那就是企业数据要素竞争力的构建，就成为了“如何构建”企业的AI盘活力了。
当然，数据要素竞争力的构建需要“跨过门槛”。在门槛之前，投入的产出效益不明显，容易让人动摇；但一旦跨过，数据资产将产生持续的复利效应。这恰恰就是“AI研发部”的意义——它帮助企业从“随机调用AI”走向“系统积累AI能力”，从而跨过那个临界点。
回到标题的问题，“每家公司都要有AI研发部吗？”从Prime Intellect创始人的观点到某产业互联网平台的工程实践，从数据要素的AI盘活力到产品-模型飞轮的实践，答案正在变得清晰：
不是每家公司都需要从零训练基础模型，但每家公司都需要拥有持续优化自身AI的能力——构建企业自身的AI盘活力。
这种能力的核心，不是算力规模，不是算法先进性，而是将自身业务数据、专家经验、运营反馈持续转化为模型智能的组织机制，是“产品-模型优化闭环”。用我们的话说，就是“企业数据要素竞争力”。
在这个过程中，企业面临的不是“自研还是采购”的二选一，而是如何在采购的基础上，逐步构建属于自己的能力闭环。调用API是起点，不是终点；应用AI是开始，不是结束。真正持久的竞争力，不来自你用了多强大的模型，而来自你的AI系统能否像那个工作30年的老员工一样，一天比一天更懂你的业务。
未来的企业竞争，将越来越表现为“数据飞轮”转速的竞争。那些能够快速将业务数据转化为模型能力、将个人经验固化为组织智能的企业，将在每一个决策环节获得持续累积的优势。而那些满足于“调用一下API就好”的企业，就像那个只愿意雇佣“最聪明的人”却不给他时间熟悉业务的管理者——起点或许不低，但永远无法获得复利。
这，就是企业AI研发部存在的真正价值。亿邦智库将持续关注企业数据要素竞争力的发展，报道平台数智化与数据要素流通利用服务的创新案例，以及相关产业链发展的新成果。
联系邮箱为：huangbin@ebrun.com
