AI应用已经走过最初的热闹阶段。
在很多企业里，AI先进入邮件、纪要、客服、搜索和内容生成。这些应用提高了局部效率，也让管理者更快感受到技术变化。但在医疗、法律、科研、工程设计、制造和专业服务等知识密集型产业中，AI要产生更深的商业价值，需要进入专家判断、流程交付、质量控制和商业结果。它要处理的对象，已经不只是文字、图片和表格，而是长期积累的专业经验、低容错率的业务场景，以及客户愿意为之付费的核心能力。
这类变化已经在不同产业中出现。Abridge（美国AI医疗独角兽企业，估值超过50亿美元）将生成式AI用于临床对话和医疗文书，Mayo Clinic（梅奥医疗集团）在2025年宣布将Abridge平台扩展至2000多名医生使用，Duke Health（杜克健康）则宣布让5000名临床人员在150多个初级和专科诊所使用Abridge实时环境AI平台。Harvey（总部位于旧金山的法律人工智能公司，估值过百亿美元）面向法律与专业服务，截至其官网披露，已有60个国家、1500多个组织、超过14.2万名律师使用。
AlphaFold（谷歌旗下DeepMind公司推出的用于预测蛋白质三维结构的AI模型）蛋白质结构数据库开放了超过2亿个蛋白质结构预测，为生命科学研究提供了新的基础设施。GitHub Copilot（微软与OpenAI联合推出的AI编程工具）在微软2024年年报中被披露拥有超过180万付费订阅用户、7.7万家企业客户，开发者生产场景成为AI最早规模化进入的专业工作流之一。Siemens Industrial Copilot（西门子与微软合作开发的工业级生成式AI助手）则进入工业环境，从设计、规划、工程到运营和服务，帮助工程团队用自然语言生成可编程逻辑控制器代码。
这些样本说明，AI进入知识密集型产业，需要跨过五道门槛：是否找到足够高价值、足够高知识密度的场景；是否控制真实、连续、可反馈的数据入口；是否把专家经验转化为可调用、可验证、可复用的系统；是否把模型能力嵌入真实交付链条；是否建立质量、责任和纠偏机制。
如果此前的例子都是国外的企业或场景，较感陌生，国内较为被消费者熟悉的隐形正畸行业，则提供了一个更容易理解的典型场景。这个行业兼具医疗专业性、大众消费属性和制造交付复杂性，长期依赖少数正畸专家、人工方案设计和劳动密集型生产。国内该领域的创新型企业（以下简称A公司），围绕数据入口、云端决策、智能制造和临床规则，构建AI Agent闭环，让这个行业发生了变化。这个例子的价值，并不在于一家企业采用了AI工具，而在于它把AI嵌入知识密集型产业的完整生产系统。
AI要先进入高价值场景
知识密集型产业的AI应用，首先取决于场景选择。
医疗文书是一个高频入口。医生与患者的对话天然包含病史、症状、判断、医嘱和后续治疗安排。Abridge选择在临床对话中捕捉信息，再生成医疗文档，解决的是医生大量时间，被记录、整理和系统输入占用的问题。Mayo Clinic、Duke Health、Kaiser Permanente（凯撒医疗，美国整合式非营利健康维护组织）等医疗机构的部署，说明医疗AI正在从单点试验进入机构级工作流。
法律行业的门槛来自文本密度、责任压力和复杂推理。Harvey所服务的合同分析、尽职调查、合规、诉讼和企业法务工作，属于典型的高价值专业任务。法律文书的价值并不来自文字数量，而来自引用、判断、风险识别和客户责任。因此，法律AI的关键在于能否服务高风险、高复杂度、高审核要求的工作，而非简单替代文案写作。
隐形正畸的特殊性在于，它把医疗判断、消费需求和实体制造放到同一条链条上。中国错颌畸形患者基数庞大，相关资料显示，中国人口错颌畸形率达到74.7%，潜在患者超过10亿；国内隐形正畸渗透率约10%，低于美国市场约32%的成熟水平。低渗透率背后，是供给侧的专业能力瓶颈：三四线城市和下沉市场有大量需求，但很多诊所主要依赖全科牙医，缺少独立设计复杂正畸方案的专科能力。
场景价值决定AI价值。办公室自动化可以提升效率，高知识密度场景则可能改变供给能力。AI进入严肃医疗、法律和工业场景，真正要解决的是专家产能、低容错率和交付质量之间的矛盾。
数据入口决定模型能否成长
知识密集型产业的专家经验，往往藏在分散的场景里。AI要进入核心价值创造，必须先拿到结构化、连续、可反馈的数据入口。
软件开发领域已经展示了这一点。GitHub Copilot之所以能够快速扩散，基础来自开发者本身就在GitHub、Visual Studio等数字化工具链中工作。代码、版本、提交、测试和协作本来就具有高度结构化特征，AI因此更容易嵌入开发流程。
医疗文书的数字化入口则更复杂。Abridge进入临床对话场景，价值并不只在“听写”，还在于把医患沟通转化为可进入电子病历、护理文档和后续管理系统的信息。Duke Health等机构强调Abridge平台可以嵌入临床团队工作流，这说明医疗AI要产生价值，需要与医院系统、医生习惯和合规流程相接。
隐形正畸的入口更接近“硬件+数据”的组合。A公司自主研发三维影像智能终端（口扫仪），约1分钟可获取患者全口高精度真彩三维数据；在国内市场，它采取面向B端诊所免费投放设备的策略，并通过技术锁定，使采集数据脱敏后一键上传至数据中心。
这个动作改变了数据获取方式。传统正畸数字化常从SaaS（Software as a Service，软件即服务）设计软件开始，医生仍需要手动设计牙齿位移。A公司从终端采集环节进入，使数据、医生推荐权和后续耗材交付形成连接。对知识密集型产业而言，AI系统的壁垒往往来自最早控制哪一个数据入口，以及这个入口能否持续产生真实业务反馈。
专家经验需要被模型化，而非停留在skill层面
AI在知识密集型产业中的核心任务，是把隐性经验转化为可复用的规则、模型和流程。
AlphaFold提供的是科研层面的样本。蛋白质结构预测曾长期依赖实验、计算和专业判断，AlphaFold开放超过2亿个蛋白质结构预测后，科研人员获得了一个新的基础数据库。它没有替代生命科学研究的全部过程，却把一个长期限制科研效率的关键环节转化为可大规模调用的工具。
法律AI也在朝这个方向推进。Harvey的客户页面显示，它服务于律所和企业法务团队，覆盖交易、诉讼、合规和内部法律工作等场景。它的扩散说明，专业服务中的一部分经验开始被封装到法律语料、工作流、文档分析和任务代理中。
隐形正畸中的专家经验更加具体。A公司依托早期与专业医疗机构合作积累的超过百万例真实完整病例私有数据库，训练高度垂直的医疗大模型。传统模式下，正畸方案设计通常需要两周至一个月；A公司的AI智能体可将方案设计压缩至约15分钟并自动生成。
这里的关键不是是把牙齿移动、咬合关系、临床约束、材料制造和治疗周期放在同一模型中。专家经验的模型化，需要从“会回答问题”走向“会生成可交付方案”。知识密集型产业的AI价值，也在这个位置开始接近商业模式变化。
模型能力必须进入交付系统
很多AI应用停在前端工具层面，专业人士仍要自己判断、修改、交付。知识密集型产业的深层重构，需要把AI能力接入履约系统。
工业场景最容易看清这一点。Siemens Industrial Copilot能够帮助工程团队通过自然语言生成PLC（Programmable Logic Controller，可编程逻辑控制器）代码，并覆盖设计、规划、工程、运营和服务等价值链环节。生成式AI在这里承担的角色，已经从办公助手转向工程流程中的生产工具。
隐形正畸的履约链条更长。方案生成后，企业还要把虚拟设计转化为实体牙套，并保证长期治疗中的精度和稳定性。A公司打造了自动化率达到90%的智能黑灯工厂，将虚拟设计方案转化为微米级精度的实体医疗产品。这意味着AI的价值被延伸到制造端：方案、材料、设备、工艺和质量控制需要共同闭合。
Abridge也体现了交付系统的重要性。医疗文档生成只有进入医院的电子病历、护理记录、医生复核和患者沟通系统，才会真正影响医生工作量和患者体验。Mayo Clinic和Duke Health的企业级部署，说明临床AI的价值需要在组织流程中验证，而不是停留在单个医生的工具试用。
AI进入知识密集型产业，最终要接受交付检验。模型输出能否进入业务系统，能否降低返工，能否稳定质量，能否支撑更多客户和更低成本，是判断AI商业化深度的重要标准。
高风险行业需要责任边界
知识密集型产业的AI应用越深入，风险越不能被轻描淡写。
法律行业已经给出提醒。2023年Mata v. Avianca案中，美国纽约南区联邦地区法院对提交虚构判例的律师作出处罚，该事件成为生成式AI在法律工作中引发责任风险的典型案例。这说明，高风险专业服务不能依赖未经核验的AI输出。法律、医疗和工程领域都需要人工复核、审计记录、责任归属和模型边界管理。
医疗场景的责任压力更高。隐形正畸看似是消费医疗，实际涉及牙齿移动、咬合关系、治疗周期和患者安全。传统隐形正畸存在较高试错成本，治疗周期通常长达一到两年，方案误差和制造误差会在临床端引发重启，即使用几副牙套后发现下一副不再贴合当前口腔情况，需要重新采集、设计和制造。
这类风险决定了AI企业必须把“可解释、可复核、可纠偏”放入系统设计。A公司以端端数据、病例数据库、自动化工厂和临床规则形成闭环，提供了阶段性验证；其资料显示，公司已在近三年保持50%至60%的复合增长率，同时实现连年正向盈利。这些数据说明它已越过早期工具化阶段，但医疗场景的大规模复制仍要持续接受质量、监管、医生信任和患者结果的检验。
知识密集型产业的AI商业化，不能把模型能力直接等同于产业成熟。真正稳健的路径，需要让AI输出进入专业审核、质量控制、责任机制和经营结果中。
从工具到系统，AI商业化的五道门槛
Abridge、Harvey、AlphaFold、GitHub Copilot、Siemens Industrial Copilot和A公司的案例共同说明，AI进入知识密集型产业，需要迈过五个门槛。
第一，场景价值。AI是否进入高知识密度、高频需求、低容错率和高支付意愿的场景。低价值场景可以带来使用量，高价值场景才能改变产业供给。
第二，数据入口。企业是否控制真实业务数据的入口，数据是否持续、结构化、可反馈。没有真实场景中的数据回流，模型很难形成垂直行业能力。
第三，专家封装。AI是否把隐性经验转化为可调用的模型、规则和流程。专业知识的价值需要进入系统，而不是停留在个人经验和提示词技巧上。
第四，交付闭环。AI输出是否进入诊疗、法律、科研、工程或制造履约系统，并改善成本、速度、质量和复购。工具提升效率，系统决定商业模式。
第五，责任边界。高风险行业需要复核、审计、追责和纠偏。AI越接近核心决策，越需要把质量控制和人工监督写进流程。
AI的产业价值，最终取决于它进入了哪一层——进入办公层，它改善个人效率；进入专家层，它扩展专业产能；进入交付层，它改变成本结构；进入生态层，它可能重组行业价值分配。
知识密集型产业的鸿沟，来自专家经验稀缺、交付责任沉重和组织复制困难。AI真正值得期待的地方，是把这些原本由少数专家、长周期沟通和高成本返工支撑的能力，逐步转化为可复制、可验证、可规模化的生产系统。
这条路不会因为技术热度自动完成。它需要高价值场景、真实数据、专业模型、履约闭环和责任机制共同成立。谁能把这五件事连起来，谁就更接近AI商业化的深水区。
（作者介绍：滕斌圣系长江商学院副院长、战略学教授；王小龙系长江商学院高级研究员。本文仅代表作者观点。责任编辑邮箱：tao.feng@ftchinese.com）