【智能制造】- AI落地传统行业，最大的瓶颈在“能力差距”（capability gap）

2026年一个真实的体感正在蔓延模型能力在飞但多数人的生活和工作并没有以同样的速度被改造。OpenAI的CFO Sarah Friar 说我们已经把“巨大的智能”交到了人们手里就像把“法拉利的钥匙”给了大家但很多人还在学习第一次把车开上路。问题不在于车不够快而在于多数人还不会开、也不知道能开到哪里。她管这叫 “能力差距”capability gap 。——这才是2026年AI行业真正的瓶颈。如果把2025年的AI关键词压缩成两个词一个是Agent智能体一个是vibe coding氛围编程。前者让“对话”开始具备“执行”的想象后者把写代码这件事变得像“说人话”一样轻。热度很高但进入2026年很多人会有一种更真实的体感模型能力在飞但多数人的生活和工作并没有以同样的速度被改造。OpenAI的CFO Sarah Friar和Khosla Ventures的Vinod Khosla。一个站在“算力投入、收入与商业模式”的视角看AI另一个用VC的长期尺度谈“泡沫、需求与产业外溢”。讨论的核心是一个更现实的问题——当智能已经被交到大众手里为什么它还没变成大规模的结果一、编程的“特权”为什么AI在代码世界跑得最快编程领域为什么是AI最先跑通的行业不是因为程序员更聪明而是因为代码天然就是上下文——代码库摆在那里agent直接读权限通常不是主要障碍用户本身就懂技术知道怎么跟AI协作最关键的代码跑不跑得通一运行就知道输出可验证。四个条件编程全占了。但在公路养护、桥梁检测、医疗诊断、法务合规这些传统行业里每一条都是反着来的。二、“能力差距”比模型差距更致命Sarah Friar在播客中明确提出了“capability gap”能力差距这个概念。她的描述非常形象我们已经把“巨大的智能”交到了人们手里就像把“法拉利的钥匙”给了大家但很多人还在学习第一次把车开上路。 问题不在于车不够快而在于多数人还不会开、也不知道能开到哪里。她进一步把这件事拆成两层消费者侧今天大多数人把ChatGPT当成“问答工具”。她真正关心的是怎么让它从“聊天机器人一问一答”走向“真正的任务工作者”——比如替你把旅行订好、帮你理解医生的建议并获得第二意见、甚至围绕慢病做菜单规划。这些都不是“回答一句话”能完成的而是“把结果交付出来”。企业侧同样存在一个从“浅用”到“深用”的连续体。企业可能先从“全员ChatGPT”开始再走向垂直专业化的解决方案最终触达那些真正改变关键业务指标的环节。她还抛了一个非常“残酷”的判断今天真正把AI用到30%能力的人可能都只是个位数比例更别说50%、80%。她认为这是一段很长的学习旅程甚至可能要十年才能让大多数人真正掌握“能用AI做什么、怎么用得更复杂”。三、企业AI的“冰山”水面之下是基础设施的缺失如果个人用户面临的是“不会用”的问题那企业面临的则是更深层的结构性障碍。过去两年业界一直在努力构建更完善的基础设施包括更强大的连接器、更高效的文本转SQL系统、更智能的代理和更优秀的模型。数十亿美元的投入旨在解决企业级人工智能面临的难题如何让人工智能访问数据。但真正的难点在于如何让人工智能理解接收到的数据的含义。这些问题的后果是真实的。Gartner预测60%的代理型AI项目将在2026年因缺乏AI就绪数据而失败。德勤的《2026年企业AI应用报告》也印证了这一点虽然42%的企业认为自己的战略已为AI应用做好准备但在基础设施、数据、风险和人才方面他们的准备程度却要低得多。四、“认知错配”懂技术的不懂业务懂业务的不懂技术AI落地的困境还有一个更深层的根源技术的构建者与技术的应用者之间存在着一道难以跨越的认知鸿沟。Zillow的5亿美元教训是最好的标本。Zillow曾是美国房地产科技的宠儿2021年他们自信地推出了一项业务利用算法直接买卖房屋。他们的逻辑很性感既然AI能战胜围棋冠军预测房价又有何难在纸面上模型的预测误差率已降至极低。然而现实给了他们一记重拳。仅仅几个月后该业务因巨额亏损被迫关闭公司裁员25%资产减记超过5亿美元。问题出在哪里出在那些算法“闻不到”的地方。这正是传统行业AI落地的核心困境技术侧拥有极高的流体智力能跑通最复杂的模型但缺乏判断模型输出在商业逻辑上是否合理的历史经验业务侧拥有沉淀了几十年的行业直觉但无法把这些隐性知识“翻译”给AI。五、破局的关键不是追模型而是重构工作流AI投资回报率的关键不在于更好的模型而在于企业必须重新设计工作流程使AI代理能够有效运作。关键不是把一切数据都塞给AI而是设计出能够精准提供所需上下文的工作流。Sarah Friar在2026年给2026定了调2025讨论了很多agents但真正成熟还没到位2026的变化会发生在多智能体系统开始带来“肉眼可见的影响”。她举的企业例子很具体不是“帮你写几段文案”而是让多个智能体去跑完整任务链——例如帮企业运行ERP系统、每天自动做对账、计提、合同追踪。这类工作本来是典型的“系统工程”数据在不同系统里规则有合规约束还要能持续、稳定、可审计。她的意思是2026的agent价值不在于更会聊天而在于能把这种成体系的工作接起来变成日常运行的一部分。模型能力迟早会拉平OpenAI能用的模型你也能用。真正构成差异的是上下文。 谁先把自己行业里那些散落的、非结构化的、锁在各种系统和脑子里的知识整理成AI能读懂、能调用的格式谁就拿到了最大的红利。真正的壁垒不是做一次数据梳理就吃老本而是把上下文的整理变成团队日常工作流的一部分让它持续更新、持续积累。六、结论AI的下半场拼的是“工程确定性”技术会迭代模型会更新但你对行业本身的深度理解以及把这种理解转化为AI可用上下文的能力——这才是2026年真正稀缺的东西。这可能是传统行业拥抱AI最实在的第一步。不是去追最新的模型不是去买最贵的系统而是低头把自己的上下文理清楚然后持续喂养它。这件事很慢很笨一点都不性感。。但那些愿意沉下心来做这件事的企业将在2026年之后拿到AI时代最厚的红利。*本文部分观点与数据来源OpenAI Podcast访谈