这是《智能体前沿观察》系列第二篇。上一篇 讲了七十年三次换引擎；这一篇讲趋势：通用能力变成标配之后，价值往哪里流。
如果你让通用智能体接手过一件正经工作，大概率有同一个体感：演示那天惊艳全场，真顶岗之后时灵时不灵。这不是模型不够聪明。它缺的是一段每个职场人都经历过、而它从来没有经历过的过程。
通用智能正在变成水电煤，而水电煤不构成差异
最强的通用模型每隔数月就会换代，单位能力的价格持续下降，头部模型之间的差距也在缩小。今天给任何一个主流智能体产品布置一项专业要求不高的任务，只要信息充分，它通常都能完成基本结果。这在三年前还是新闻，现在已成为默认能力。
对企业来说，这个变化的含义常被说反了。很多决策者还在纠结"接哪家模型更强"，仿佛选对了底座就赢在起跑线。但通用能力越强、越便宜，它就越像水电煤：所有企业都可以接入，单纯"通上了电"并不能形成领先。企业能够购买的能力，同行同样能够购买，而且下个季度可能更便宜。当智能能力成为标配，差异化只能来自模型尚未掌握的内容，即企业自身的业务。
生产稳定性不足的根源是缺少持续学习
人入职第一天也什么都不会。之后几个月，靠着在岗摸索，把一整套东西内化进脑子：组织架构图上写的汇报线和实际管用的汇报线，审批该找谁，系统怎么用、单据怎么流转，哪些规矩写在制度里、哪些只在老师傅心里。这套对"这份工作如何运转"的内在认识，是老师傅做事接近百分之百稳定的底气。
今天的智能体缺少这一过程。上一篇 已经分析过：这一代引擎的记忆依靠预训练一次性写入，缺乏持续学习机制。因此，每次任务都像从第一天开始，能够完成大部分工作，却无法说明其余任务失败的原因；当前会话中学到的内容，进入新会话后还需重新提供。演示与实际生产运行之间，仍存在从初始能力到专家经验的差距。行业普遍判断，让智能体在部署中持续学习、形成对具体业务的内在认识，将是未来几年技术演进的主旋律。在这一能力成熟之前，仍需依靠工程和方法补足差距。
对读者的含义：评估智能体产品时，“它现在多聪明"是次要问题，“它进了我的业务之后靠什么变得更懂行"才是主要问题。
每个行业、岗位与系统都有通用模型难以覆盖的细节
把任何一家企业拆开看：行业有行规，岗位有手艺，每套系统有自己的字段、流程和例外分支，每家公司还有一层写不进文档的默契。每一处都是一个有自己规则的小世界，规则、约束、潜规则叠在一起，信息量近乎无限。
举个具体的：同样叫"审批”，一家融资担保公司的尽调审批里，反担保物怎么核、关联方怎么穿透、监管口径怎么对，每一条都有本机构自己的做法和例外；隔壁一家小贷公司的同名流程，规则可能完全是另一套。通用模型对"审批"这个词无所不知，对"你家的审批"一无所知。
这就是通用模型的能力边界：单一模型不可能容纳所有细分领域的细节，即便容纳，也难以持续跟随变化更新。因此，特异化具有必然性。**智能体要在哪个细分领域运行，就需要在该领域形成专家级能力。**这也是"垂类智能体"这一概念在过去一年从边缘走向主流的技术原因。
深度专业化，恰恰是通用模型公司不擅长的生意
有人会问：通用模型公司资源雄厚，如果它们开始深入行业会怎样？从组织和商业模式即可得到答案。通用模型公司的经济模式天然面向平台：一套模型服务所有用户，追求收敛、统一和规模化。逐一进入细分行业开展深度定制，与这套模式存在冲突，通常缺乏经济性和比较优势。
两条路线因此分化：平台路线交付"越来越强的通用底座”，特异化路线交付"越来越懂企业的专家能力"。前者会继续由巨头供给，后者的机会窗口主要属于两类主体，即接近业务的垂直服务商和企业自身。关于产品形态为何应采用嵌入业务的系统，站内《“垂类系统 + 智能体”：聊天机器人为什么撑不起业务流程》 已有专文论证。其结论是：智能体需要嵌入业务系统，领域知识才有长期可用的载体。
现在可以做的一件事：盘点你的"文档里没有"资产
本周即可开展一项自查：邀请两三位业务骨干，请每人列出三类内容，即新人最常见的错误、制度未写明但普遍遵守的规则，以及资深员工作出判断时重点关注的信号。
将几个人的答案放在一起比对，重合条目就是第一批应教给智能体的知识点；存在分歧的条目则说明内部口径尚未统一，应先统一口径，再考虑教给机器。
能够列出这些内容，就掌握了构建专家级智能体的原料。通用模型无法直接学到，竞争对手也难以复制。如果暂时无法列出，应先补齐这项基础，再讨论选型，因为这份清单的完整程度直接决定智能体的业务价值。
可信金科的交付方法，是将这类领域知识融入垂类系统与智能体：FDE 工程师驻场，从业务骨干的经验中提炼方法论，再固化为可验收的智能体能力。欢迎与我们联系 ，可针对企业现有系统做一次方案评估。
下一篇预告：《当智能体变成"数字劳动力"：企业要重新想清楚的三件事》。作为系列收官篇，文章将讨论落地前的三道必答题。
