AI下半場，誰在定義大模型的“成敗線”？

“模型迭代越來越快，企業與其在模型上比拼，不如把數據這個‘護城河’筑得更深更寬。”在近日舉辦的WPS 365 AI協同辦公上海峰會上，中金公司分析師于鐘海的這番話，撕開了當前企業級AI落地的最后一塊遮羞布。

當全世界還在為模型參數的躍遷而驚嘆，甚至陷入某種“模型迷信”時，中國企業的數字化轉型現場卻呈現出另一種冷峻的現實：無數斥巨資引入的大模型，在面對企業內部那些“沉睡”的合同、設計圖紙、工藝手冊時，往往陷入“演示驚艷、落地掛瞎”的窘境。這種技術熱度與業務實效之間的嚴重錯位，正將企業級AI推向一個關鍵的十字路口。本次峰會釋放出的信號極其明確：企業級AI辦公的競爭，已經正式告別“比拼模型智商”的幻象，進入了以“高質量數據治理能力”為核心的硬核階段。

消失的“上下文”，ToB AI的致命硬傷

今天大部分AI應用最大的問題，不在于模型不夠聰明，而在于它們沒有足夠的“上下文”。在通用場景下，大模型可以憑借互聯網的海量數據對答如流；但在嚴肅的B端業務現場，如果AI不了解企業的歷史合同條款、不熟悉特定的工藝流程、不掌握內部的審批邏輯，它就只是一個“博學但無用”的局外人。

于鐘海分享的一組數據揭露了模型側競賽的殘酷：頂尖實驗室的模型更新周期已縮短至數月，而企業對特定模型的用戶留存率，在12個月后往往會大幅下降。這意味著，模型本身正在迅速變成一種“平民化”的基礎設施。當算力與模型不再是稀缺資源，企業的核心競爭力究竟在哪？

答案回歸到了最原始、也最難啃的骨頭——那些散落在企業各處、格式不一、質量參差的非結構化數據 。如果把AI比作一臺頂級的賽車引擎，那么企業多年積累的文檔資產就是燃料。現在的尷尬在于，引擎已經造好了，但燃料里全是無法直接利用的沙礫。金山辦公副總裁吳慶云在峰會上直言，建設企業級AI的首要任務，是完成對企業非結構化數據的收集和治理。這種認知的轉向，標志著AI競爭正加速從“以模型為中心”轉向“以數據為中心”。

被低估的“解析之墻”，技術積淀的暴力拆解

要為AI提供精準的上下文，首先要跨越那道難以逾越的“解析之墻”。在真實的辦公場景中，企業文檔絕不是整齊劃一的排版。它可能是格式極其復雜的醫藥臨床報告，可能是充滿了黑話和手寫批注的技術手冊，也可能是跨頁合并的巨型表格。這些無法被模型直接讀取的文檔，構成了AI落地的“最后一公里”障礙。

華中科技大學教授劉禹良指出，國際通用大模型由于缺乏對文字感知的細粒度優化，在面對復雜的OCR任務時，準確率往往不足60%。在這種精度下，所謂的“上下文”充滿了噪音，AI的輸出自然也就成了盲人摸象。在非結構化文檔治理上，Scaling Law（規模化法則）并不是萬能的。劉禹良教授的研究發現，如果只是單純提升參數量，在一些文檔解析任務上，性能不但不會提升，甚至可能導致推理效率大幅下降。

這正是金山辦公在此次競賽中構建的核心壁壘。依托深耕文檔領域38年的技術積淀，金山辦公與華中大聯合研發的MonkeyOCR模型，在只有3B參數的規模下，斬獲中英文文檔解析任務的最佳性能；其最新版本甚至在國際權威榜單上超越了國外主流的大模型。這種高精度的解析能力，直接決定了企業數據資產的質量上限。能否精準解析一份充滿復雜表格和跨頁圖表的技術手冊，直接決定了后續AI應用的天花板。

從RAG到KAG，企業大腦的邏輯重構

在技術范式的進化上，金山辦公提出了一個極具穿透力的變化：從傳統的RAG（檢索增強生成）進化到KAG（知識增強生成） 。

別小看這一個字母的變化。傳統的RAG只是讓大模型“看到”了文檔片段，本質上是一個高級的語義搜索，容易產生“AI幻覺”。而KAG則是通過知識圖譜和多模態治理，讓大模型真正“掌握”企業知識的內在邏輯與關聯。金山辦公CEO章慶元認為，在AI時代，協同辦公軟件會變成“知識的容器”和“數字員工的載體”，而幫助企業構建獨有的“企業大腦”正是WPS 365的愿景。

這種范式的躍遷，意味著AI辦公正在從簡單的內容生成工具，向理解組織目標、人員架構和業務場景的“中樞”轉變。升級后的WPS 365“企業大腦”，本質上是一套為AI喂養高質量上下文的全鏈路系統：它先通過一體化平臺將散落的數據歸攏，再利用解析能力激活沉睡的非結構化資產，最后將治理后的知識嵌入辦公流、業務流與決策流中。這種對知識的系統化運營和治理，是企業從數字化邁向智能化的關鍵基石。

在業務現場，重塑生產力的確定性

本次上海峰會最具說服力的地方，在于金山辦公展示了已經在華東地區組織級客戶中率先落地的“成績單”。延鋒國際、東方航空、中船動力等龍頭企業的選擇，印證了“數據治理制勝”并非空談。

在券商龍頭申萬宏源，依托智能文檔庫實現的結構化解析，讓業務人員的知識獲取效率提升了80%，辦公效率整體提升10%。當財富經理面對客戶咨詢時，AI能夠迅速調用精準的內部上下文，將平均對客延時縮短了3倍以上。在醫藥行業，WPS 365的“零樣本抽取”功能可精準識別嚴重不良事件報告中的復雜表格，測試準確率高達99%。

中船動力的案例則更具工業厚度。作為船舶設計領軍者，中船動力利用AI構建知識圖譜，系統化沉淀專家經驗，讓原本依賴人工的市場價格分析、政策追蹤等復雜流程實現自動化。研發筆記、試驗數據等知識資產在AI賦能下實現了高效流轉，大幅縮短了船用主機項目的研發進程。這些案例揭示了一個殘酷的真相：AI辦公的終極價值，不在于能寫幾段漂亮的公文，而在于它能否在復雜的業務邏輯中提供確定性的支持。

終局之戰，規則改寫者與追隨者

“數據可能是企業唯一可持續的AI護城河。”這句話在2026年的商業環境下顯得尤為振聾發聵。

當大模型的光環逐漸消退，競爭回歸業務現場，我們發現真正的領先者早已不再空談模型參數，而是在死磕如何理解業務中的每一個復雜文檔。金山辦公憑借其“懂數據、懂組織、懂業務”的布局，正在改寫企業級AI的行業規則。

這場競賽沒有終點。隨著非結構化數據治理成為大趨勢，誰能把企業深處那些沉睡的隱性知識，轉化為AI可理解、可調用的顯性資產，誰就握住了通往智能時代的通行證。在AI落地的漫長航程中，模型是風，而高質量的數據治理能力是舵。唯有那些能穩穩把舵的企業，才能在那場由數據激活的生產力革新中，抵達真正的彼岸。