企业 AI 为何必须定制化?

企业不应试图用单一模型来统一定义 AI。鉴于软件生命周期内的需求千差万别，公司应当依据任务的具体性能、质量及成本，灵活调度多模型策略，并借助 FinOps 实现预算的精细化管理。

译文来源：Why enterprise AI needs customization[1]

原作者：Bryan Ross

大多数公司在引入 AI 时，沿用着当年部署企业软件的老路：锁定单一供应商，统一使用一种模型，并试图在全公司范围内铺开。

这种做法隐含着一个前提，即一种模型能搞定所有难题。然而，一个在代码生成上表现出色的模型，在安全分析上可能力不从心；反之，一个在原型设计上很棒的尖端模型，也可能无法符合你的数据本地化需求。

“一个在代码生成上表现优异的模型，可能在安全分析中遇到瓶颈，而一个在原型设计中极好的尖端模型，也可能无法满足数据驻留的需求。”

要纠正这种错配，就需要灵活地部署 AI 模型。有的团队需要大模型来处理复杂推理，而其他团队则需要专用模型来完成特定领域的任务。核心在于，要根据手头的任务进行灵活的搭配。

如今 AI 的应用几乎全聚焦于加速代码编写。然而，编写代码只是开发人员工作的一小部分。根据 GitLab 2025 年全球 DevSecOps 调查报告[2]显示，开发人员仅将约 15% 的时间用于写代码。剩下的时间都花在规划、代码评审、测试、排错、管理依赖、团队协作以及合规性处理上。

这引发了一个 AI 悖论：AI 虽然加快了编码速度，但工具链的割裂和人工协调的繁琐拖累了整体效率，致使每位开发人员每周损失了近整整一个工作日。

要打破这一悖论，AI 需要覆盖整个软件开发生命周期，而不仅仅是代码生成。软件生命周期中的各项活动对性能的要求各不相同：

这就是为何多模型定制化如此关键。软件生命周期中各项任务的价值参差不齐。如果强行在单一模型上标准化，可能会导致某些功能成本过高，或对其他功能支持乏力。

表现优秀的组织会构建高度灵活的系统，将每个任务路由到与其性能、质量和成本特征最匹配的模型。

务实的策略是将模型成本与任务价值挂钩。

对于高容量、常规性的任务（例如撰写提交信息、总结日志或编写测试用例），团队倾向于选择更廉价、更快速的方案，包括在条件允许时使用开源模型。而对于需要复杂推理的任务，团队愿意为更强的能力付费。对于要求更高确定性的专用模型，团队可能愿意为生成基础设施即代码或高精度数据转换支付额外费用。

根据任务在不同模型间进行选择，有助于规避性能差异、价格波动以及供应商可能停产产品或彻底退出市场的风险。

这种灵活性源于三个