作者：彭昭（智次方创始人、云和资本联合创始合伙人）物联网智库 原创

这是我的第368篇专栏文章。

生成式AI正处于寒武纪式爆发后的第一轮进化期。通用大模型在展现惊人能力的同时，也逐渐暴露出成本高昂、应用泛化与商业变现困难等结构性瓶颈。

一条新的产业化路径正加速浮现：垂类大模型（Vertical AI）成为通用模型的“第二曲线”。

随着政府工作报告提出持续推进“人工智能+”行动，从医疗、法律到制造、消费、金融等领域，越来越多企业试图构建面向特定行业的专属AI系统。这些系统更加理解领域语言、更贴近业务流程、更容易嵌入既有系统。

但现实远比愿景更加复杂：模型效果高度依赖场景调优，实际应用效果有限；企业数据碎片化严重，难以支撑有效训练；商业模式模糊，客户难以形成长期绑定。

“大模型之后，到底是做模型、做产品，还是做平台？”这一问题成为所有垂类AI玩家的战略困扰。

这一切，似曾相识。

十几年前，随着工业互联网的概念于2012年由美国通用电气公司（GE）提出，工业互联网平台企业也曾经历从“连接设备”到“重构流程”、再到“平台化生态”构想的热潮与幻灭。他们面临的挑战同样是：在技术突破之后，如何构建可持续的业务模式与平台控制力？

今天，垂类模型企业正站在相似的十字路口。不同的是，他们手中握有一个全新的杠杆工具：AI Agent与流程重构能力——不仅仅是自动化任务，而是辅助并重构工作流。

在本文中，我们将共同探索：在产业AI的战局中，谁能真正突围？谁能构建长期壁垒？垂类模型的终局，会是一场新的“平台之战”吗？

从“连接物”到“辅助人”：垂类AI与工业互联网的平台化之路

垂类模型与工业互联网，有何相似与不同？

虽然垂类模型与工业互联网诞生于不同的技术周期，但它们在“从工具走向平台”的路径上，呈现出高度相似的结构性挑战。

我们可以从四个核心维度进行类比分析：

1. 起点相似：都从“工具”切入业务底层

工业互联网的起点是设备上云与边缘采集，试图用传感器与平台打通物理世界的数据盲区。这一过程强调数据采集与系统连接，为后续的数据分析与流程优化奠定基础。

而垂类模型的起点则是大模型能力的迁移，希望利用语义理解与任务实现，从认知层“辅助人类工作”。这意味着，垂类模型不仅要理解业务数据，还要深度理解业务流程与专业知识，进而实现对工作流的自动化与重构。

虽然两者的切入点不同，但本质上都是从底层“重塑感知与认知能力”，进而嵌入业务流程，实现数字化转型。工业互联网侧重于打通数据孤岛，构建统一的数字化底座；而垂类模型则更进一步，试图在统一的认知基础上，实现端到端的流程自动化。

2. 技术路径不同：AI Agent是垂类模型的“杠杆武器”

工业互联网的核心挑战在于数据异构与系统集成，强调流程建模与IT/OT融合。由于工业领域的数据种类繁多、格式各异，且分散在不同的系统与设备中，因此需要通过数据集成与流程建模，将它们统一到一个平台中进行管理和分析。这往往需要复杂的系统对接与数据清洗工作，是一个漫长而艰巨的过程。

而垂类模型的关键在于三个方面：一是模型能力适配性，即如何将通用大模型的能力迁移到特定行业，融入行业知识和语言习惯；二是Agent的任务规划与上下文保持能力，即如何让AI Agent理解任务的环境与场景，合理拆解任务并持续跟踪执行状态；三是流程级任务自动化能力，即AI Agent需要能够自动执行一系列复杂任务，实现端到端的流程自动化。

因此，与工业互联网强调“打通系统”不同，垂类模型更强调“辅助流程”。它不仅要实现数据的互联互通，还要通过AI Agent实现业务流程的自动化与智能化，从而更为彻底的释放数据价值。

3. 商业模式演化：从平台即服务（PaaS）到业务成果即服务（BOaaS）

工业互联网平台主要以PaaS（平台即服务）和SaaS（软件即服务）的模式交付。但在实践中，由于工业领域的复杂性和定制化需求，很多平台最终不得不转向“项目定制”模式，为每个客户单独开发和部署系统，这导致平台难以实现规模化发展。

而垂类模型从一开始就具备“API化”的基因。通过大模型与Agent的结合，它可以将复杂的任务流程封装为简单的API接口，用户只需通过API调用，即可获得端到端的流程自动化服务，而无需关心底层的技术细节。

更重要的是，垂类模型可以直接面向任务结果的交付，催生出一种新的商业模式：业务成果即服务（Business Outcome-as-a-Service）。BOaaS模式提供的是任务结果，AI Agent全程辅助任务执行过程，用户只需要向Agent下达指令，然后等待结果交付。

举个例子，传统的进销存SaaS软件，提供了记录和管理进销存数据的工具，用户仍然需要半自动输入数据、盘点库存、处理异常等。而如果是一个基于垂类模型的进销存BOaaS模式，用户只需要告诉AI Agent需要采购什么商品，Agent就可以自动完成供应商选择、价格比对、合同签订、订单跟踪、入库登记等一系列工作，最终将采购完成的结果反馈给用户。

可以说， BOaaS模式代表了一种全新的生产力组织方式。它意味着，AI不再只是辅助人类工作的工具，而是能够主动承接和执行任务的“数字员工”。当然，这并不意味着AI可以完全取代人类，而是通过人机协作，将人类从重复性、程式化的工作中解放出来，腾出更多时间和精力去创造价值。

4. 成败关键一致：最终都要“掌控流程关键点”

工业互联网平台的成败，不在于技术多强，而在于能否构建起“平台飞轮”效应。这意味着，平台需要聚合足够多的设备和数据资源，吸引开发者和独立软件开发商（ISV）入驻，形成生态闭环，从而建立起客户对平台的信赖关系。

具体来说，工业互联网平台要实现的是“设备-数据-应用-客户”的正向循环：连接更多的设备，采集更多的数据；积累的数据吸引更多的开发者基于平台开发应用；丰富的应用生态吸引更多的客户使用平台；更多的客户意味着更多的设备接入和数据积累，从而形成正向循环。

垂类大模型企业的成功，同样取决于能否占据“流程控制点”，构建“数据-模型-应用”的闭环生态。此外，垂类AI要真正建立起平台生态，还需要综合考虑开发者从零到一的成长陪跑、数据安全与隐私、模型迭代与优化等因素。

尽管工业互联网和垂类模型在技术路径上有所不同，但它们的终局殊途同归，都是要通过“连接”和“赋能”，打造产业数字化转型的操作系统和生态平台。

工业互联网强调“连接物”，通过设备上云和数据集成，构建工业数字化的底座；垂类AI则试图“辅助人”，利用大模型和Agent实现业务流程的自动化与智能化。两者分别代表着产业数字化转型的前半程和后半程。

从本质上说，工业互联网解决的是“数字化”问题，即如何将原本离散、割裂的设备、数据和系统连接起来，形成统一的数字空间；而垂类模型解决的是“智能化”问题，即如何在统一的数据基础上，用AI重构业务流程、优化资源配置、创造新的价值。

可以预见，未来的产业互联网平台，必将是工业互联网与垂类模型的深度融合。这样的平台不仅要连接海量的设备和数据，还要用AI为企业和行业持续赋能，构建包括软硬件基础设施、技术、运营在内的全栈式解决方案。

垂类模型的4阶段进化路径：从工具到平台的跃迁轨道

在此前的文章中，我曾经介绍过工业互联网的3个发展阶段：阶段1内化，打通企业业务流程的信息化；阶段2外化，延展产品服务的价值链阶段；阶段3外挂，对外赋能发展新的商业模式。

有了工业互联网平台的借鉴，垂直模型的进化之路预计将更加快速。

垂直AI的演进，本质上是一个从“解决单一任务”到“辅助整个流程”，再到“承载行业生态平台”的能力跃迁过程。

通过对产业先行者的实践路径进行梳理，我们可以将其归纳为四个典型的发展阶段：

阶段一：垂直切入，解决刚需痛点

在初始阶段，企业需要聚焦于一个高价值、高频次、数据结构化程度适中的垂类场景，率先突破AI的实用性边界。这些场景通常具有明确的痛点需求和可衡量的价值回报，如制造业中的缺陷检测和良率预测等。

在选择切入场景时，除了考虑商业潜力和AI可行性外，还要重点评估数据的可用性和质量。一个理想的垂类模型场景，应该具备相对完整、标注充分的数据积累。这往往需要企业在特定领域有深厚的行业积淀和数字化基础。因此，与行业头部企业合作，或选择已经实现良好数字化的细分场景切入，往往是明智的选择。

这一阶段的关键词是：痛点明确、商业价值可衡量、数据可获得、流程可闭环。只有同时满足这四个条件，垂类模型项目才有可能在起步阶段取得突破。

阶段二：构建能力飞轮，形成垂类护城河

当垂类AI模型在某个具体任务上实现稳定的、可靠的表现后，它就具备了形成“能力飞轮”的基础。这个飞轮的运转逻辑是：首先，随着模型的不断优化，其准确性、效率等核心性能指标不断提升，用户使用体验越来越好；好的体验吸引更多客户接受和使用该AI系统，从而在实际业务中产生更多真实数据；更多的数据反过来又可以用于持续训练和优化模型，从而进一步提升模型性能和用户体验，形成正向循环。

要驱动这一飞轮，关键是构建“模型能力”与“产品体验”的双引擎。

在“模型能力”方面，垂类模型企业基于不断积累的真实业务数据，对模型进行持续的微调和优化，针对行业特定任务、知识、语言和规则定制算法，最终形成高度可靠、性能卓越的行业专属模型（Domain-Specific Foundation Model）。

在“产品体验”方面，仅有强大的模型是不够的，还需要从产品层面，围绕行业用户的真实需求和使用习惯，精心设计人机交互、任务流程和系统功能。很多时候用户的需求有待进一步澄清，Agent的优势在于它可以跟用户进行多轮对话交互，理解用户的真实意图，将用户的高层指令转化为可执行的具体任务，完成端到端成果交付。

阶段三：流程重构，迈向业务成果即服务（BOaaS）

当Agent掌握了理解用户需求、调度算法模型、协同多方资源、开展端到端任务交付的能力后，垂类AI企业就站上了从“工具”到“平台”跨越的台阶。

这一阶段的核心特征，是从“提供模型”转向“交付服务”：企业不再把AI视为单点的功能工具，而是以之为杠杆，撬动行业流程的全面重构，最终实现业务成果即服务（BOaaS）的阶跃。

在BOaaS模式下，企业交付给客户的，不再是一套解决方案，而是一个“端到端的服务承诺”：客户只需输入目标和约束，智能系统就可以自动调度算法、数据、知识等数字资源，完成整个业务流程，交付客户所期望的结果。

对客户而言，他们所购买的不再是一个“死”的软件系统，而是一种“活”的智能服务，一种随需应变、持续优化、快速响应的业务能力。这就是BOaaS的本质：业务流程的全栈智能化，价值交付的服务化与柔性化。

当机器可以自动执行80%的流程性任务时，人的角色就从“流程的执行者”转变为“流程的设计优化者”。

当然，BOaaS绝非一蹴而就，它对产业智能化的深度和广度提出了极高要求。单点技术、单点场景的突破还远远不够，必须通过持续的技术创新和场景扩展，打造一张覆盖业务全流程、全要素的“智能化地图”。

阶段四：平台化演化，占据行业的流程控制点

当越来越多的客户开始习惯于通过AI Agent完成各项任务，当垂类模型开始掌控行业中最关键的业务流程时，垂类模型就迎来了从“应用”到“平台”的最后一次跃迁。

当然“平台化”并非所有垂类模型企业的必由之路，许多企业可能会选择专注于某个细分领域，成为该领域的“小而美”的服务提供商。能否最终完成平台化转型，取决于企业的战略定力、技术实力、行业理解以及生态运作能力。

这条路径的本质，并不是做一个更强的模型，而是通过Agent能力，逐步重构行业流程，并最终赢得稳固的生态位。

写在最后

当我们回顾工业互联网与垂类AI的发展历程时，一个惊人的相似性浮现出来：它们都是从“连接”开始，到“赋能”升级，最后走向“重构”。

这意味着，产业互联网的下半场，竞争的制高点已从“连接”转向“算法”，从“聚数据”转向“强认知”。

对工业互联网平台企业而言，只做设备管理、数据分析已不足以制胜，必须以垂直行业的智能化场景与核心业务流程为导向，发展面向特定任务的认知智能，真正参与到业务决策与流程控制中，才能掌握平台生态的主导权。

而对垂类AI企业而言，深度理解行业know-how、持续打磨场景化方案、提供端到端流程服务将是成功的关键。

那么接下来我们需要回答的问题是：什么样的企业适合走完这四阶段？中间会面临哪些组织与技术断点？如何构建护城河？让我们在下篇文章中继续探索。

参考资料：

1.How to win at Vertical AI，作者：Sangeet Paul Choudary，来源：Medium

2.Rethinking growth and go-to-market in the age of AI，来源：Platform Revolution

       原文标题 : 垂类模型的晋级之路:从工业互联网的成败看未来AI的落地逻辑