企业 AI 缺的不是工程师，是懂业务的人

卖模型的公司开始招人了，而且招的不是模型工程师。10 月 2 日，Anthropic 宣布一项一亿美元的计划，目标到 2027 年底培养一万名「前沿部署工程师」。InfoWorld 专栏作家 Matt Asay 10 月 20 日撰文指出：这说明连最懂模型的公司也承认，AI 落地里最棘手的问题不在 AI 本身。

一、发生了什么

Anthropic 的 Claude Frontier Academy 让学员走完一次模拟部署——选场景、过安全审查、做交接——再到自家公司做 12 周的真实项目。Asay 认为，这个项目背后是一个老道理：技术变革的核心从来是人。模型把软件能处理的知识范围扩大了，会议记录、研究笔记、内部争论都能被提问，但也带来新的出错方式：模型可能翻出半年前就被推翻的解释，把提案当成已批准的政策，或者把两个部门对「客户」的不同定义混在一起。桥水基金在 10 月 13 日的 AI Engineer 大会上介绍了其知识库 Vault。联网 agent 回答 10 月的提问时用了 7 月的旧资料；接上人工整理的 Vault 后，它检索了 10 月前八天的七份文档。团队手工标注了约 200 个问题的有用文档，把搜索结果前十的相关率从约 60% 提到 90% 以上。PwC 4 月对 1217 名高管的调查显示，AI 表现最强的公司重新设计工作流的可能性是其他公司的两倍。

二、跟你有什么关系

企业管理者：招聘清单上该加的不是更多模型工程师，而是能定义「什么算对」的业务专家。工程师：学会把领域知识变成可测试的样例，比多学一个框架值钱。求职者：既懂业务又懂 AI 评估的复合岗位，正在变成稀缺位。

三、怎么用

1. 让懂业务的人参与标注。像桥水那样，收集真实问题、标出哪些文档真正有用——这些判断就是评估集。标注不用追求全量，那 200 个问题也不是全部历史提问，而是足够代表真实分布的一批。够小、够真、能复测，比大而全更有用。
2. 给业务专家工程搭档和拍板权。分歧要有人有权限裁定，否则模型只能继续输出「看起来都对」的答案。
3. 把专家判断写成测试。业务规则不能只存在老员工脑子里，要变成系统能验证的样例，让接班的人也能维护。

四、三个别信的说法

「招到一个全栈超人就解决了。」 既懂所有模型又懂所有部门还能说服所有人的人不存在，正确做法是给业务专家配上工程师。

「模型自己能学会业务。」 模型能消化大量文档，但两个部门定义打架时，哪个算权威、改流程谁批准、出错谁负责，模型给不了答案。

「AI 项目失败是技术不行。」 桥水案例里，把相关率从六成提到九成多靠的是人工标注业务判断，不是换更强的模型。

五、一句话结论

AI 项目最贵的算力，是懂业务的人的判断力。

信息来源

• Enterprise AI needs more than an AI engineer（InfoWorld，2026 年 10 月 20 日，作者观点）
• Why enterprise RAG fails in production（HackerNoon）

功能与价格以官方公告为准。本文写于 2026 年 10 月 20 日。