企业做 AI，为什么总是忍不住自己造轮子？

企业开始做 AI 以后，很容易出现一个奇怪的现象。

先是觉得模型重要，于是想自己部署模型。

后来发现企业数据也重要，于是开始做知识库、RAG。

Agent 火了以后，又觉得 Agent 不能受制于人，要做自己的 Agent 平台。

再往后，模型越来越多，权限、日志、评测、成本都要统一，于是 AI Gateway、AI 中台也慢慢出现了。

每一步单独看，都有理由。

但全部连在一起，我反而觉得有点不对劲。

照这个逻辑下去，一家公司最后几乎什么都要自己做。

为什么？

后来我意识到，可能是因为我们经常默认了一件事：

一个东西越重要，就越应该掌握在自己手里。

但“重要”和“应该自研”，其实是两个完全不同的问题。

电当然重要，但你不会因此去建发电厂

一家公司几乎离不开电。

服务器要电，办公室要电，工厂也要电。

停电几个小时，很多业务可能直接停摆。

如果只讨论重要程度，电当然是核心基础设施。

但一家普通企业不会因为电很重要，就得出：

电力关系公司命脉，所以我们必须自己发电。

因为大家很自然地知道，电虽然重要，却已经是一种非常成熟的能力。

企业真正关心的是价格、稳定性、SLA，以及出了问题有没有备用方案。

至于电到底是怎么发出来的，并不是大多数公司的竞争优势。

最近我在看 Wardley Map，中文一般叫“沃德利地图”，才发现它刚好帮我把这件事想清楚了一点。

沃德利地图真正有意思的，不是那张地图

沃德利地图是 Simon Wardley 提出的一套战略分析方法。

它会把一项业务依赖的能力放在两个维度里看

纵向看：

这个能力离用户有多近？它支撑了什么价值？

横向看：

这个能力发展到什么程度了？

横轴通常分成四个阶段：

创生（Genesis） → 定制（Custom Built） → 产品化（Product） → 商品化 / 公用能力（Commodity / Utility）

简单一点理解：

阶段中文理解企业应该关心什么Genesis创生 / 探索还没人知道答案，重点是学习Custom Built定制知道有价值，但高度依赖自己的场景Product产品化市场已有成熟供应商，重点变成选型和集成Commodity / Utility商品化 / 公用能力高度标准，重点是价格、稳定性和规模

我觉得它最有价值的地方，不是教人怎么画图。

而是逼着你多问一句：

这个能力现在到底还有多少“需要自己学”的部分？

如果行业里谁都不知道怎么做，自己做是在买学习速度。

但如果市场已经有大量成熟产品，继续自研，就需要重新证明它的必要性。

昨天还是一个需要自己研究的问题，今天可能已经变成了一个可以买到的产品。

这也是为什么“重要”本身，并不能决定一个东西应该放在哪一边。

数据库很重要。

云计算很重要。

电力更重要。

但重要，并不意味着一定值得自己生产。

把这个问题放到 AI 上，就很有意思

比如基础模型。

模型当然重要。

没有模型，今天绝大多数生成式 AI 应用都不存在。

但对一家保险公司、一家制造企业、一家零售公司来说，模型重要，是不是就意味着模型应该成为自己的核心资产？

我现在越来越怀疑这件事。

模型本身变化太快了。

今天领先的模型，半年以后可能已经不是最好的选择。

如果一家企业最主要的 AI 能力是：

我们掌握了某一个模型。

那这个能力其实很容易随着模型迭代一起贬值。

但另外一些东西不太一样。

比如一家保险公司知道，什么情况可以自动核保，什么情况一定要人工介入。

哪些错误只是普通错误，哪些错误一次都不能发生。

过去三千个真实案件里，资深核保员到底是怎么判断的。

一个结果做到什么程度，才可以真正进入生产流程。

这些判断不会因为明天又出来一个更强的模型，就突然失效。

相反，模型越容易替换，企业越需要自己知道：

什么叫好。

我以前其实低估了“评价”这件事

大家谈企业 AI 资产时，很容易想到模型、GPU、知识库、Prompt、Agent。

但现在我越来越觉得，还有一种资产很容易被忽略：

企业知道什么叫正确。

还是以保险为例。

假设一家保险公司有三千个真实核保案例。

每个案例都有资深人员的判断。

企业知道：

哪些答案属于正确；

哪些情况必须升级人工；

哪些错误可以容忍；

哪些错误绝不能出现；

什么情况下宁可不给答案；

一个错误最终会带来多大的业务损失。

这其实已经不只是一份测试数据。

它是在把一家企业多年积累下来的专业判断，变成一种可以被验证的东西。

模型 A 来了，可以测。

模型 B 来了，也可以测。

以后换成完全不同的 Agent 架构，还是可以测。

模型可以换，供应商可以换，技术路线也可以换。

但企业自己必须掌握：

我们认为什么叫做对了。

我现在甚至觉得，这可能比拥有某一个模型，更像真正的 AI 资产。

“什么叫正确”，其实来自企业对自己的理解

评价也不是凭空来的。

你之所以知道什么叫正确，是因为你知道自己的业务规则、知识边界和真实工作流。

哪份制度现在还有效。

谁可以看到什么数据。

两份规则冲突时以谁为准。

合同审核到哪一步必须交给法务。

理赔什么情况可以自动流转。

这些事情看起来不像“AI 技术”。

但它们最后共同决定了一件事：

这家公司到底认为什么是一个合格的结果。

所以企业 AI 真正难外包的，可能不是某一个技术组件。

而是：

企业对自己业务的理解。

这也是我现在看企业 AI 时，越来越在意的一件事。

模型可以买。

基础设施可以买。

成熟的平台也可以买。

但“公司究竟怎么做事”，很难直接从外面买回来。

一个东西当年值得自研，不代表今天还值得

沃德利地图里还有一个我很喜欢的概念，叫惯性。

一个能力当年值得自己做，不代表今天仍然值得。

但自研系统一旦成功，就会慢慢长出团队、预算、维护人员和既有关系。

几年以后，即使市场已经成熟了，组织还是很容易把：

“我们一直在做”

理解成：

“这是我们的核心能力。”

可这两件事也不是一回事。

比如两三年前，为了让员工安全使用大模型，企业自己做一套内部 AI 聊天工具，可能完全合理。

因为当时市场上还没有那么多成熟选择。

但如果今天通用企业 AI 产品已经比较成熟，继续投入大量人力维护聊天界面、会话系统、文件上传、模型切换，还值不值得？

这时候最值得问的可能不是：

我们已经投入了多少？

而是：

如果今天从零开始，我们还会决定自己做吗？

如果答案已经变了，战略也应该跟着变。

AI 越成熟，“值得自己做”的东西越靠近业务

模型、算力、向量数据库这些基础能力已经明显在产品化。

Agent Runtime、评测工具、模型网关，也已经出现越来越多产品化选择。

如果用沃德利地图去看，大概会看到这样一种移动：

算力 → 商品化模型访问 → 产品化，部分能力继续向右移动向量检索 / 通用 RAG 工具 → 产品化Agent 基础框架 → 正在产品化业务工作流 → 仍然大量停留在定制领域评价体系 → 高度定制企业责任边界 → 高度定制

也就是说，真正值得企业自己花力气的地方，正在越来越靠近业务。

以前大家竞争的是谁能把模型跑起来。

以后更重要的可能是：

谁更理解自己的客户。

谁知道 AI 应该进入哪个流程。

谁有真正可信的业务知识。

谁定义得出什么叫正确。

谁知道哪些事情可以交给机器。

也知道哪些地方必须停下来交给人。

所以现在如果让我重新看一家企业的 AI 战略，我可能不会先问：

你们用了什么模型？

也不会先问：

你们有没有自己的 AI 中台？

我反而更想问两个问题。

你们有哪些东西，市场已经可以买到，却还在重复自己做？

以及：

有哪些问题，除了你们自己，没有人能替你们想明白？