（本文最初发表于Forbes.com）
于方是Sonatus 的联合创始人兼首席技术官，专攻分布式系统和基于AI 的车辆架构。
几十年来，企业软件一直基于一个简单的原则：开发一款产品，然后将其销售给众多组织。比如微软Office、SAP或Lotus Notes。核心软件的设计初衷是广泛适用。而定制化更多是客户需要解决的问题。
当软件价格昂贵且开发周期漫长时，这种前提是合理的。你无法负担为每个客户编写不同解决方案的成本。标准化是唯一在经济上合理的选择。但如今，这种逻辑已不再成立，因为软件开发的经济模式已经发生了根本性的变化。
“一刀切”的代价
通用软件一直都隐藏着一种“隐性成本”，其衡量标准在于：为了将通用产品适应特定的使用场景或工作流程而浪费的时间以及由此产生的错误。这些成本是真实存在的，只是不会出现在发票上。
在用例和工作流程复杂的行业中，这种成本会不断累积并放大。以汽车故障诊断为例，这正是最典型的体现。 北美主要原始设备制造商（OEM）持有的保修准备金超过400亿美元。仅在2026年第一季度，美国就有1210万辆汽车被召回，其中47%的问题是通过无线软件更新解决的。针对一般使用场景设计的通用工具无法解决特定场景的问题。
当车辆驶入维修工位时，技师往往面临一个诊断难题。他们知道悬架出现了异常，但原因何在？是部件故障？还是软件故障？通用工具只能揭示症状，却很少能查明根源。结果往往是需要耗时且依赖手动操作的流程——而当技师退休时，他们的专业知识也就随之流失了。
“定制”在当今的含义
AI 这从根本上改变了软件开发的经济模式——不是渐进式的，而是结构性的。
定制化解决方案过去之所以成本高昂，是因为软件开发速度较慢。这一限制正在逐渐消失。AI 如今通过代码生成、模式提取和自动化工作流设计来加速开发。过去需要耗费数月工程时间才能完成的工作，现在只需原所需时间的一小部分即可完成规划和构建。
但速度本身并不是支持定制化的理由。更重要的理由在于，由AI 驱动的转型必须植根于客户现有的实际情况——包括他们的数据、工具和工作流程。你不必推翻一切，也不必强迫组织从头学起。而是将AI 融入现有体系。你从现有流程出发，使其运行得更快、更一致、更具可扩展性。
不妨这样想。一张空白的电子表格和一个预设好的模板，都能存储数字。但模板——它已根据您的业务需求进行了结构化设计，包含恰当的字段和公式——能让您在几分钟内得出答案，而不是几个小时。现在，将这一原则应用到诊断工作流程、供应商质量流程或车队监控系统中。通用起点与专为特定目的设计的起点之间的区别在于实际操作层面，而非表面形式。
两个并行运行的转换
一种以AI 为驱动的定制化解决方案方法，能够实现两种转型，而通用软件在历史上一直难以同时实现这两种转型。
首先是将人类专业知识转化为可操作的形式。经验丰富的工程师所积累的知识、决策模式和诊断判断，如今越来越能被整合到AI 系统中，并在整个组织内共享。其结果是组织能力得到提升，知识得以共享而非孤立，专业知识也能不断积累而非随人才流失而消失。
第二点是将手动工作流转变为智能工作流。许多运营流程仍然依赖人工来协调决策、在系统间传递工作以及处理常规异常情况。智能工作流将更多此类协调工作转移到AI 上，从而使流程在仍遵循既定规范的前提下，具备越来越强的自主性、适应性和可扩展性。
机器智能为主动型工作流程提供动力。二者相辅相成，为提升生产力创造了条件——这种提升不仅限于自动化单个任务，更将重塑工作方式。
为什么通用AI 还不够
通用型AI 功能强大、易于使用且正在迅速改进。但仅凭它本身，对于大多数高风险环境而言还远远不够。
原因如下：通用型AI 在识别模式以及检索与问题在语义上相似的信息方面表现出色。它能够总结在类似情况下行之有效的方法。但如果缺乏关于贵公司产品、流程和运营环境的模型，它就无法可靠地确定在特定条件下，什么方法能够解决具体的故障。
这并不是“AI ”这一类别本身的局限性，而是“AI ”的局限性——它缺乏该任务所需的领域知识和操作背景。
另一方面，专为该目的设计的AI 采用结构化检索技术，能够理解系统与组件之间的关系——而不仅仅是表面上的相似性。它结合了领域特定数据、运行上下文和工程知识，以提升诊断精度，根据案例复杂程度调整诊断方法，并捕捉那些在资深员工离职时可能随之流失的机构知识。
新标准
定制化已不再是预算充足、时间充裕的组织才能享有的奢侈。对于在复杂且风险较高的环境中运营的组织而言，定制化正日益成为最有效的前进路径之一，尽管具体应采取何种方法，仍取决于具体应用场景、现有基础设施以及组织的准备程度。
那些在保修和召回成本上花费数十亿美元的原始设备制造商（OEM），很少会面临软件短缺的问题。真正的挑战在于，它们的大部分软件原本是为了管理信息而开发的，而非为了理解导致这些成本的具体故障模式、工程背景以及服务工作流程。
我认为，能够弥合这一差距的组织，将通过构建基于自身运营现实的解决方案来实现这一目标，并在那些一旦出错就会导致车辆召回和利润率下降等后果的流程中注入“AI ”。
因此，在投资另一款通用型AI 工具之前，请先弄清楚：在哪些方面，领域专业知识、工作流复杂性和机构知识会造成最大的阻力。这些往往正是开发专用型AI 的最佳候选场景。在此基础上，评估底层数据是否足够结构化且易于访问，以用于训练解决方案；同时评估现有工具和工作流是否能够支持集成，而无需进行全面替换。
定制软件曾经是例外，但我认为它正在成为常态——这并非因为目标发生了变化，而是因为经济环境发生了变化。对于那些愿意找出定制解决方案能带来最大价值之处并据此进行开发的组织而言，其中的机遇是巨大的。