傲慢与偏见

A |           　　记者今日了解到，国务院食安办发布各地强化食品安全全链条监管第二批创新案例。

B | 　　案例一：海南省构建食品生产行政审批与监管衔接联动机制      　　针对食品生产领域审管分离带来的职责不清、衔接不畅问题，海南省市场监管局联合省营商环境建设厅深化食品生产行政审批与监管衔接联动工作机制，提升行政审批和监管全流程衔接联动运行质效。     　　优化职责衔接机制。    过去一段时间，绝大部分AI应用创业者最焦虑的问题就是：大模型会不会把应用全吃了？                    今年以来，OpenAI、Anthropic 持续推出法律、设计、办公全套垂直套件，微软依托 Office 生态捆绑 Copilot，不断向企业渗透。                   越来越多人开始相信，只要底层模型持续进化，今天所有AI应用，不过都是等待被官方“内置”的功能。                   但就在不久前，曾打造上市安全巨头Rubrik、如今执掌70亿美金企业AI独角兽Glean的创始人Arvind Jain，做客全球头部创投播客《20VC》，给出了一个犀利的判断：                    OpenAI和Anthropic赢不了真正的应用层企业。

C | 原因很简单，通用模型能解决“标准化生产”，却永远无法替代应用公司对垂直业务的深度理解。                   更重要的是，前沿闭源大模型的本身也在失去吸引力。建立工作会商、信息推送、联络对接、业务协同、人员管理等六项制度;厘清职责边界，明确审批部门对审批结果负责，监管部门提供业务支持;统一规范现场核查由审批部门组织、监管部门派观察员参与，改变了以往现场核查不规范的状况。目前90%以上企业场景，开源模型已经能完全承接需求。     　　强化许可协同管理。                   以下是专访的内容：                              / 01 /          企业开始“不信任”前沿模型了                    Palantir CEO Alex Karp7月初在CNBC抛出一个判断：大型企业对前沿模型厂商的不信任度达到了前所未有的程度。聚焦许可延续、退出程序、审查方案三大环节强化协同，确定信息推送时限和内容，建立联席会议和专项会商制度，对无审查细则品种，由两部门联合制定方案。                   之所以出现这种情况，是因为实验室里的“能力”与企业里的“价值”，中间隔着一条很长的链条。

D |                    当前不少企业部署AI的方式非常直接：购买模型服务，再通过MCP等方式把它接入内部的文档、邮件、CRM、工单、代码库和各种业务系统。管理者的想象是，只要模型能看到足够多的数据，它就会自动理解公司，并开始创造价值。

E |      　　加强人员分类管理。将许可人员分为许可工作人员、现场核查人员、观察员、专业技术人员四类，要求每年至少开展1次业务培训，并将审管工作纳入食品安全评议考核。

F |                    现实并非如此。                   一家大型企业内部可能有数百甚至上千套系统，同一个客户在销售部门叫“账户”，在财务部门叫“主体”，到了交付部门又可能对应若干项目。                   权限、版本、业务口径和隐性规则层层叠加。模型虽然能读取这些信息，却并不知道哪一条对当前任务最重要，也不知道公司过去究竟是如何完成类似工作的。该机制填补了全省审管分离衔接制度体系的空白，推动了事前审批和事中事后监管一体贯通。　　案例二：重庆市构建餐厨废油全链条数字化智能监管模式      　　针对“老油”回流餐桌、餐厨废弃物污染环境等问题，重庆市市场监管局依托“餐饮安全在线”应用，开发废油“产—运—处—销”全链条数字化功能。     　　餐厨废油处置全环节监测。

G |                    于是，它只能用一种近似“暴力搜索”的方式拼装上下文：先检索大量材料，再尝试判断彼此关系，最后生成一个看上去像答案的答案。建立覆盖24万家餐饮单位的主体数据库，99%以上合法收运处置单位已入驻，实现餐饮单位在线呼叫、收运单位智能接单;安装智能油水分离器、物联油桶等设备，实时监测收运车辆，每日优化收运线路1300余条，打通处置单位地磅数据，实现多维度校核，联动销售数据验证，有效避免废油重回餐桌。     　　构建异常监测模型。                   这会产生两个直接后果：一是慢，大量时间耗在寻找原材料上；二是贵，大量Token消耗在无效检索和上下文拼接上。对油量异常、超时超范围收运等实施预警，准确率达92.3%，高风险事件24小时处置率达100%;建立反餐饮浪费算法，日均餐厨垃圾产量同比下降18%，废油资源化利用率从86%提升至95%。     　　跨部门协同治理。企业买到了一个聪明的大脑，却没有给它配备记忆、地图和工作手册。

H | 联合税务、城管部门推行“数字管理—数智支付”模式，打通业务、劳务、资金流，开具全国首张餐厨废油发票;联合城管、公安等部门推行数字化管理，收运响应时间从平均48小时缩短至4小时，电子收运联单使用率达100%，替代纸质单据68万份/年。　　案例三：江西省鹰潭市创新农批市场联动监管机制，推动食用农产品“全链条、多维度”共治      　　针对食用农产品批发市场问题发现效率低、处置偏弱、主体责任落实难等问题，鹰潭市市场监管局立足全市唯一的农批市场，自2025年2月起在全省率先开展监管联动试点。                   所以，企业AI落地的真正瓶颈，往往不是模型能力，而是上下文工程。

I |      　　实施夜间精准监管。                   这里的“上下文”也不仅是把几份文档塞进提示词。它包括企业的知识体系、数据权限、术语关系、业务流程，以及那些从未写进制度、却存在于员工经验中的隐性知识。

J | 根据市场凌晨交易活跃的特点，每周至少3次从当晚11时至次日凌晨3时开展快速检测、监督抽样、溯源查流向等工作，截至2026年6月，已开展夜间联动监管136次。     　　创新“211”快速检测工作法。

K |                    比如，一项工作第一次被执行时，企业或许会留下十个标准步骤。但此后几年里，员工会不断调整顺序、绕开例外、总结捷径。大量真正决定效率的经验并没有被记录，只存在于人的判断里。根据市场监管总局“7条鱼”“2棵菜”要求和江西省抽检数据确定14个重点品种，实现“2小时完成快速检测、1小时完成快检复测和监督抽样、1个工作日出具监督抽检结果”，抽检由法定20个工作日缩短为1个工作日，共开展快速检测1615批次，问题发现率达6.63%。     　　实施问题前处置模式。对快检阳性且超过限值的立即暂停销售，已暂停销售问题产品10余批次、1000余公斤，查扣不合格产品1583.5公斤，确保问题产品不流出市场;构建跨部门跨区域协同网络，与农业农村部门信息互通、联合执法，向上下游发送协查函10份。

L |      　　严格市场准入。全面贯彻市场监管总局令第81号，入场经营户统一实行“四亮”，市场开办方24小时入市查验，做到“三个不得”;引入“信用+数智”技术，建立分级数据库，开展星级诚信经营户评选。未来，当智能代理开始承担工作时，这些经验会逐渐沉淀到代理之中。　　案例四：安徽省马鞍山市打造“码上共治”校园餐饮服务意见受理处置新模式      　　针对校园食品安全负面舆情易发多发问题，马鞍山市市场监管局建立“有意见‘码’上提”平台，将问题解决在一线，切断舆情演变路径。

M |                    这也带来一个比“数据归谁”更深的问题：由AI在长期工作中积累的组织经验，究竟属于企业，还是属于提供智能代理的厂商？                    企业担心的已经不只是技术依赖，而是运营依赖。如果核心工作由外部代理执行，代理又掌握了不断复利的组织经验，那么更换供应商就不再是换一个软件，而近似于更换一套公司的“外置大脑”。                   所以，企业真正需要控制的，不只是模型和数据，还包括AI在工作中形成的经验。                   / 02 /          90%的企业AI场景，不需要最强模型                    如果说上下文决定AI能不能用，那么成本决定AI能不能大规模使用。     　　构建三级联动体系。联动监管部门、学校、食堂，打造“扫码投诉—智能分派—快速处置—整改反馈—满意度评价”闭环，要求24小时内办结，超时自动升级督办。                   Arvind Jain的访谈中最值得关注的一个判断是：如今90%甚至更多的企业应用场景，已经不需要用最强的模型。

N |                    这个数字背后的含义是，企业只会为“足够好且成本可控的结果”买单。                   无论是一份内部会议纪要，还是一封销售跟进邮件，都不需要调用世界上最强的模型。只要质量达到业务要求，更便宜的模型就会自然胜出。     　　搭建预警模型。                   这意味着，大模型正在经历软件行业非常熟悉的一幕：稀缺能力变成标准供给，技术优势变成可替换的商品。将DeepSeek等大模型接入平台，设计6个一级和24个二级分类标签体系，智能归类准确率达97%，对可能引发舆情的投诉10分钟内自动预警推送;构建“时效—质量—满意度”三维评价体系，每月自动生成排名并通报教育部门，形成“通报—整改—复核”监督闭环。                   Glean的做法很有代表性。     　　完善制度机制。它并不要求客户押注某一个模型，而是根据任务自动选择合适的模型：简单任务交给成本更低的开源模型，复杂任务再调用更强的闭源模型。                   在这种架构里，应用公司与模型公司的关系也发生了变化。模型厂商越卷、开源社区进步越快，应用公司的原材料就越便宜、越丰富。真正危险的不是模型继续升级，而是应用公司除了调用模型之外，没有形成其他价值。                   这也是为什么“套壳”是个容易被滥用的词。                   调用同一个模型，不等于提供同一种产品。

o | 建立培训考核制度和知识库系统，制定应急处理预案并定期演练。就像所有电商网站都运行在类似的云计算基础设施上，真正决定体验的仍是供应链、履约、推荐、客服和组织效率。企业AI的差异同样来自权限体系、上下文质量、工作流编排、结果评估和交付能力。平台已覆盖48个食堂，服务8.15万人，受理有效投诉3908件，平均处理时间0.5个工作日，处置完成率100%，运行至今未发生舆情外溢。                   当然，开源替代也并非毫无阻力。　　案例五：长三角地区协同落实食品安全从业禁止规定      　　针对违法主体跨区域“换马甲”经营、禁业人员隐蔽从业等问题，沪苏浙皖三省一市市场监管部门联合印发《关于落实食品行业从业禁止规定的通知》，建立跨区域协同机制。     　　制度共建。要求严格执行《中华人民共和国食品安全法》第一百三十五条，建立从业禁止人员名单库和市场准入拦截机制;数据互联，将行政处罚和司法判决信息归集入库，搭建从业禁止数据交互平台，统一数据归集范围、字段和接口规范，实现名单库实时共享互认。     　　禁业联防。                   Arvind Jain提到，一些企业对中国开源模型仍有心理和合规顾虑，即使模型可以本地部署、数据不会传回模型提供方，决策者依然会担心潜在的安全风险与舆论风险。将数据嵌入许可备案系统，自动触发从业资格校验，在许可申请、延续变更环节实施“关口前查”，对小微主体开展“触发式核验”，通过自动预警、人工复核、行政指导多措并举。                   但这更像新技术扩散中的“第一批采用者”问题。一旦头部企业开始使用并形成示范，顾虑就会逐渐从“能不能用”转向“怎样用得更安全”。

p |                    长期看，企业模型市场很可能不是一家通吃，而是多模型共存。模型层的利润会被竞争持续压缩，价值则不断向负责选择、连接和管理模型的应用层迁移。     　　违法同处。                   / 03 /          微软的入口优势没了                    模型商品化还会冲击企业软件过去最有效的一种竞争武器：捆绑销售。建立存量问题分类处置机制，对非主观故意聘用禁业人员的主体实行“告知—整改—复查”闭环管理，对小微主体实行柔性监管。名单库已归集终身禁业13746人、五年禁业258人，累计校验309.8万次，精准拦截违规操作15809次。

q |                    微软的优势从来不只是产品，而是它可以把新功能装进企业已经购买的套件里。对一家大型企业来说，免费获得一个“七十分”的Copilot，通常比重新采购一个“九十分”的独立产品更省事。后者不仅要多付一笔钱，还要经过安全审查、法务审批、供应商管理和员工培训。                   Arvind Jain坦言，微软是比前沿模型厂商更现实的竞争者。许多客户拒绝Glean的理由是，“我们已经购买了微软”。                   不过，AI的按量付费模式正在给捆绑逻辑制造一道裂缝。                   传统SaaS按席位收费，企业一旦购买套件，就会倾向于让员工尽量使用其中的产品；AI更接近按任务量付费，无论工具是否捆绑，实际执行一次任务都要消耗算力。企业完全可以同时开放多个工具，让员工选择最适合的一个，再为真实用量买单。                   这意味着，捆绑依然拥有采购和分发优势，却未必还能锁定最终使用。未来的竞争不只是“谁进入了供应商名单”，还包括“员工真正把任务交给了谁”。                   这是一个细微但重要的变化：软件时代的入口优势，正在被AI时代的任务完成质量重新定价。                   / 04 /          AI降本是个伪命题                    谈到企业AI，另一个经常被混淆的问题是投资回报。                   在客服场景中，回报很好计算：一个客服过去每天处理10张工单，使用AI后处理12张，效率提升一目了然。但在研发、管理和知识工作中，计算就复杂得多。                   就拿Glean来说，目前公司内部接近100%的初始代码由AI生成，没人手动写第一版代码，但产品交付速度并没有爆炸式增长。                   为什么？因为写代码只是整个链条中最短的一环。代码量上去了，但代码审查、架构设计、跨团队协调、测试、部署，这些环节还是原来的速度。                   当AI把写代码变得极快，瓶颈就会迁移到代码审核。

r | 若为了追求速度取消人工审核，企业又可能在几年后面对难以维护、无人真正理解的代码库。

s | 因此，Glean依然保留严格的人类审核，以短期效率换取长期可维护性。                   这揭示了一个朴素的规律：AI不会自动消除流程瓶颈，它只会把瓶颈推向下一个环节。                   所以，很多AI应用当下的经济账并不好看，短期内也很难实现纯粹降本。长期来看，AI降本只存在两种出路：                    第一条路，等着成本降下来。                   历史规律如此，科技只会越来越便宜。

t | 开源模型已经把推理价格打到闭源的十分之一了，OpenAI被迫降价只是时间问题。等Token价格降到今天的十分之一甚至更低，那个100万美金的Agent就会变成一笔极其划算的买卖。                   第二条路，用AI放大人均产能，而非单纯裁员。

u |                    假设两家同赛道企业，拥有同样先进的AI工具。A公司决定缩编团队，用更少人做同样的事；B公司维持团队规模，用AI拓展十倍业务量、打造更好产品。

v |                    长期来看，B公司会彻底碾压A公司。                   因为企业的终极竞争力不只有成本，还有产出。企业老板对AI能力的理解分为两种：“一个人能干更多事”的能力和“一件事可以让更少人干”的能力。如果你选了后者，你的竞争对手选了前者，你会被迅速甩开。

w |                    AI不会消灭岗位，但会消灭"只做单一执行工作"的岗位。                   未来的岗位会全面复合化，一个懂技术的产品经理可以直接用AI生成原型；销售可以同时兼顾方案演示和商务谈判，不再需要解决方案工程师跟在后面。                   基础数据分析师、招聘寻访员、报表制作这类纯执行角色会逐步消失，但跨职能的复合型人才会成为刚需。                   / 05 /          进入核心工作流，才是AI应用的关键                    最后回到创业者最初的焦虑：模型公司亲自下场，应用公司该怎么办？                    OpenAI在推垂直套件，Anthropic也在做行业方案，从设计到法律到金融，看起来就是要一个个吃掉应用层公司的饭碗。                   Arvind Jain给出的判断是不必恐慌，二者根本不在同一竞争维度。                   以设计行业为例，Claude出了设计辅助功能，听起来像是要抢Figma的生意。但实际上，设计师们的主力工具依然是Figma。Claude只是让那些"本来就不是设计师"的人，比如产品经理、市场销售，能自己做一些简单的素材生成。                   也就是说，Claude做的更像是市场扩展，让本来不用工具的人开始用工具了，但深度工作仍然留在了Figma里。

x |                    更深层的问题是，模型厂商不理解企业内部的真实运作。                   通用模型对接企业系统，目前靠的是MCP这类标准化协议。简单粗暴地连进去，暴力检索所有数据，然后试图完成任务。但这种模式有两个致命问题：                    一是效率极低。大量Token都消耗在"找东西"上，AI要先搞清楚这个业务需要哪些信息、信息在哪、怎么拼起来，还没开始干活，钱已经烧掉了一大半。                   二是完全不懂上下文。企业内部的权限体系、历史决策逻辑、专有术语、隐性规则，通用模型一概不知。

y | 你让一个外部模型去理解"为什么这个供应商去年被标记为高风险"，它连从哪里开始查都不知道。                   Glean自己的定位就是一个对照。他们花了好几年打通企业内部成百上千套系统——Salesforce、ServiceNow、Google Drive、Slack、Notion，几十个甚至上百个不同的数据源，建立了一套基于权限的组织知识图谱。

z |                    员工搜索任何信息，返回的结果都是他权限范围内最相关的那一条。这套壁垒就是靠时间和深度嵌入堆出来的。                   所以，真正值得应用公司担心的，是自己的产品是否足够深入到核心流程。                   如果价值只是一层聊天界面，模型升级确实可能一夜之间将其抹平，如果产品掌握了企业上下文、权限、流程和长期学习，模型升级反而会放大它的价值。                   这也是Glean创始人经营思路发生变化的原因。他过去强调克制、资本效率和每一笔投入的回报，但现在也开始担心，过度保守会错过一轮难得的市场圈地期。                   在他看来，企业对AI的需求已经被唤醒，今天不进入客户的核心工作流，未来再进入的成本可能高出十倍。

|                    不过，“加速”不等于放弃商业纪律。

| 产品仍然要收费，仍然要给客户创造可衡量的价值，营销投入仍然要形成回报。

| 资本可以帮助公司抢时间，却不能长期掩盖产品没有价值这一事实。                   这大概是企业AI市场最真实的矛盾：一方面，窗口期要求公司大胆投入；另一方面，模型成本、客户回报和商业模式又要求它保持克制。                   如何在两者之间找到平衡，才是这一代AI创业者真正的考题。

|                                                            文/元元。