企业 AI 为什么还慢：真正卡住的是数据、权限和 agent identity
The Data Exchange 对谈 Gradient 的 Denise Teng，解释企业采用 AI 的瓶颈为何落在数据出域、open weights、RL traces 和 agent identity。
单集信息
| 字段 | 内容 |
|---|---|
| 播客 | The Data Exchange with Ben Lorica |
| 主持人 | Ben Lorica |
| 嘉宾 | Denise Teng，Gradient partner，负责 early stage AI investments；曾在 Meta AI platform team 任 product manager 6 年 |
| 集标题 | Enterprise AI Is Moving Slower Than You Think |
| 发布日期 | 2026 年 7 月 23 日（按新加坡时间显示） |
| 原集链接 | 原始音频 |
企业采用慢，先卡在数据而不是模型
Denise Teng 对 enterprise AI 的判断很具体：non-tech enterprises 的 adoption 仍然 relatively early。银行、保险和医疗尤其慢，不是因为它们看不见模型能力，而是因为 internal knowledge 和 data 本来就是公司的 moat。把这些内容送进 closed source model company，意味着隐私、合规、权限和商业秘密都要重新评估。1
这也是为什么「给员工开一个聊天机器人」和「让 agent 进入企业 workflow」是两回事。前者可以先试，后者要求企业先把 data ready for AI and agents，再补上 security、data privacy 和 monitoring。Teng 明确说，写一条 policy 并不等于真的能监控 AI；关键在 deployment，要让数据不会随调用流向不该去的地方，同时支持 on-prem 或 private cloud。她把这些实现称作不容易的工程，而不是采购一个模型就能完成的配置。
Ben Lorica 举了一个和美国大型银行高管交流的场景。节目没有把这个个案包装成全行业统计，Teng 的结论也只是银行等行业 adoption 更慢。对企业读者来说，这个限定很重要：本集讲的是部署条件的结构性阻力，不是宣布所有金融机构都停在试验阶段。
Open weights 成为私有部署的现实路径
Teng 认为，open source / open weights 对企业的一个重要价值，是让企业不用把数据交给 closed source model company。只要找到合适的 inference provider，或自己搭建 GPU 和 serving stack，企业就能在 private cloud 或 on-prem 环境里获得不错的性能。1
她给出的时间差变化很值得注意。三年前，open models 可能落后 closed frontier 10 到 12 个月；今年差距缩小到大约 6 个月，甚至 3 个月。节目还提到，closed model 发布新前沿模型后，open models 可能在 3 个月后就追到足够可用的水平。这里的「可用」不是所有 benchmark 都追平，也不是在任何任务上同等，而是足以让企业重新计算隐私、成本和控制权的价值。
这条路线也有反面。Teng 说 open weights 的 supplier list unpredictable，因为 open weights 本身是 business decision，而 business decisions can be reversed。节目提到 Meta 曾退后一步，Google 的 Gemma 则是另一种例子：它不如 Gemini，但对很多 routine work 已经 good enough。对企业来说，问题不只是今天哪个权重开放，还包括明天供应商会不会继续维护、更新和承担责任。1
Vertical AI 已经从聊天框走向 workflow
Teng 观察到 traction 较明显的 vertical AI 场景包括 legal、healthcare 和 finance。早期产品可能只是叠在内部领域知识之上的 another ChatGPT experience，现在更多团队转向 agent-first workflow。法律场景会自动化 deep research、case 和 deposition 相关工作；医疗场景涉及 scribe、insurance data 或 patient history data；金融场景则更接近研究和分析流程。coding agents 也很热，但它是由 engineers 为 engineers 做的 domain-specific 例子，不能直接代表所有企业。1
这些产品的共同点不是「更会聊天」，而是能替人跑完一段工作，让人只看最后的分析结果。于是企业的评估标准也会变：回答是否流畅只是开始，数据权限是否正确、过程是否能审计、错误能否回滚，才决定它能不能进入生产。
RL 在生产里还没有真正到位
节目把 post-training 的瓶颈指向 data。企业数据分散在 dashboard、data warehouse、CRM 和 SaaS tools 中，一个 workflow 可能要访问许多工具，但 actions 没有统一结构，也没有 universal way 生成 agent-learnable 或 post-train-learnable traces。Teng 的原话是：「RL is there, but it’s actually not there in production。」1
这解释了 supervised fine-tuning 和 reinforcement fine-tuning 的差别。SFT 对 non-programmer 更容易，因为写 labeled examples 就够了；RL 则需要 domain expert 参与，还可能需要 synthetic data、synthetic environments、dashboard、terminal、MCP 或 API call。它不是多写几组 prompt-output pair，而是要构造一个 agent 可以在其中行动、犯错和学习的 program environment。
Agent identity 是还没填上的一栏
当 agent 进入企业系统，runtime 只是第一层。它需要 sandbox、隔离和长时间后台运行能力；更难的是 identity 和 credentials。安全团队要知道 agent 能访问什么，agent 的权限是继承 human access，还是只得到 human 权限的一部分，或者再生成更细的 sub-access。Teng 把 agent identity 称作 massive and unsolved problem。1
AI memory 也属于同一类基础设施问题。它不只是记住个人的 prompts、skills 和 files，还要把组织中不同人的 memory 连接起来，具备 semantic connectivity、searchability 和 graph flavor，并能低延迟取回正确的 context。这个 data layer 如果没有解决，agent 只会变成拥有更多工具、却不理解组织边界的自动化脚本。
订阅价遮住了 inference 的真实成本
对谈最后把视线放到 inference。需求在增长，但供给受 data center 和 chips 约束；从 hosting、serving、kernel optimization 到 model routing，都还有工程空间。Lorica 提到 $20 或 $100 的月订阅，以及一次任务花掉 $10 的可能性。Teng 的判断是，inference 目前 heavily subsidized，如果按真实成本收费，用户可能会被价格吓到。她还开玩笑说，CFO 正在变成 CTO，也就是 chief token officer。1
这集适合谁，哪些可以跳过
- 做企业 AI、私有部署或平台安全的人，重点听 data 不出域、open weights 的时间差和 agent identity。
- 做 post-training 或 agent infra 的团队，重点听 data readiness、RL traces、sandbox 与 memory layer；这些是本集最有用的技术增量。
- 只想看 AI bubble 评分的人可以跳过结尾的投资讨论；嘉宾自评担忧程度是 1 到 10 的第 6 档，主持人给自己 8 或 9 档，但文章真正应该带走的是：采用速度慢，主要因为部署条件还没准备好。
References
- 1Enterprise AI Is Moving Slower Than You Think
dts.podtrac.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.