企业花大价钱上了大模型，为什么效果还是像"请了个不认识公司业务的实习生"？一位券商首席在峰会上的发言，把这个行业的真相说透了。
一句戳破窗户纸的话
据科技日报报道，10月16日，在WPS Comate组织级AI办公峰会上，财通证券计算机首席李康桥提出判断："AI的上限，从来不是模型本身。"
他还给了一个让很多人意外的结论：在中文文本应用领域，国产大模型与海外顶尖模型的差距极小，完全能够适配国内企业的常规办公场景，足以满足日常使用需求。
换句话说，企业总在纠结"选哪家模型"，可能从一开始就问错了问题。
企业AI的三次跃迁
李康桥把大模型落地历程拆成了三次关键跃迁：2023年的AI停留在基础问答，本质是娱乐工具；2024至2025年，依托长文本和思维链技术，模型推理能力大幅提升，但企业只能做到单点试用；2026年，企业智能体成为AI主流形态，可以自主拆解任务、调用工具、运行流程，最终完成工作交付。
他举了一个很形象的例子：把AI服务器铜箔用量数据表交给AI，它的分析效率远超初级分析师。但这一切的前提，是原始数据完整、真实、准确——没有优质数据支撑，AI的高效运算毫无意义。
所以他的核心论点是：智能体时代，企业AI的核心竞争力早已脱离模型本身，高质量数据才是决定AI能力的关键。
从卷模型到修内功
这个判断正在被行业验证。头部办公智能体纷纷开放多模型接入，弱化单一模型的独占性——模型的优劣不再是企业AI竞争的核心。以办公智能体为代表的产品，跳出重训大模型的内卷赛道，聚焦企业的真实需求：整合文档、表格、会议、知识库，搭建统一的数据底座，帮企业打造专属的AI"大脑"。
行业人士的总结更进一步：未来企业的AI实力差距，不在于选用何种大模型，而在于能否把零散的业务知识，梳理成机器可读、权限可控、结果可追溯的标准化数据。
这对大量企业是个祛魅的过程：AI不是买来的，是喂出来的。你家AI笨，多半不是模型的问题，是你家数据从来没整理过。
普通人现在能做什么
一是企业管理者上AI前先做"数据体检"，把核心业务的文档、流程、知识整理成机器可读的格式，这一步的投入产出比远高于换模型；二是职场人可以把个人工作资料也做同样梳理，你的AI助手好不好用，取决于你喂了它什么；三是选型时优先测试AI对企业真实数据的回答质量，而不是看通用跑分。
AI时代的企业分水岭，不在模型参数里，在自家数据库里。