为什么AI产品可以买到，AI能力却买不到？丨FDE重新理解AI基础设施

2026年Team8对北美几十家银行做的一份调研显示，81%的银行因为AI，改变了自己的build-vs-buy策略。

这个数字不寻常。银行是最保守的机构之一，过去三十年的共识一直很简单：买软件，建关系。工程团队稀缺又昂贵，供应商有规模效应，账怎么算都是外包划算。AI本该让这个共识更稳固——模型越来越便宜，接口越来越标准，企业照理说应该更放心地把AI能力交给供应商。

现实走向了反面。

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

选对产品，为什么还是不够

大多数企业面对AI的第一反应，是一次采购决策：选GPT还是Claude，选哪个Agent平台，签哪家的合同。选型做得越细致，越容易产生一种错觉——只要这一步选对了，剩下的就是接入和使用的问题。

这个假设错在哪里，不容易一眼看出来，因为它在传统软件采购里基本成立：选对了ERP，跑起来大差不差就是那个样子；选对了CRM，团队跟着流程走就行。软件是稳定的，选型的质量基本决定了使用的质量。

AI不是这样。模型每隔几个月就有新版本，行为会变，最优选择也会变。今天选中的最强模型，半年后可能不再是最优解，甚至可能被同一家供应商自己的下一代模型淘汰。真正决定企业能不能持续从AI里拿到价值的，从来不是某一次选型选得准不准，而是选型之后，企业有没有能力随时把选型推倒重来——低成本、安全地换掉底层的模型或产品，而业务几乎感觉不到。

AI产品可以买到，能把AI产品用起来的系统买不到。

摩根大通没有自研模型，这才是它最值得学的地方

摩根大通2024年推出的LLM Suite，是这条判断最干净的例证——干净的原因恰恰在于它没有自建模型本身。

首席数据分析官Teresa Heitsenrether在项目启动时说得很直白：不打算被绑定在任何一家模型供应商身上,希望能够在不同模型之间灵活切换。这是一个清醒的判断：训练基础模型是OpenAI、Anthropic这些公司的主场，一家银行去跟这些公司拼模型能力，既不现实也没必要。

摩根大通选择自己建的，是模型之外的那一整套系统：一个可以随时把底层模型换掉的抽象层——LLM Suite本身就是一层封装，员工用的是同一个入口，背后的模型可以是OpenAI的，也可以是别家的，替换对使用者几乎无感；一套保证客户数据不会被拿去训练外部模型的安全机制，因为对一家银行来说，数据是核心资产，绝不能在换模型的过程中被泄露或挪作他用；一套满足金融监管要求、能追溯每一次AI输出从哪来的溯源体系；以及真正把这套系统嵌进23万员工日常工作流的落地能力——从消费者业务、投行到资产管理，各个业务线都在用。

到2026年，这套系统的重要性已经体现在预算科目上：摩根大通把AI从"可以选择要不要投入"的创新支出，正式重新归类为和支付系统、网络安全并列的核心基础设施。这不是一句公关表态，是预算表里实实在在的科目调整——意味着从今往后，这不再是一个可以被削减的项目，是一项默认持续存在的能力。

这里有一句话值得单独拎出来：真正成熟的企业，护城河不是拥有某一个模型，是拥有随时把模型换掉的能力。 模型供应商之间在竞争谁的模型更强，而摩根大通这类企业真正在建设的，是一种"模型无关"的工程能力——不管底层换成哪家的模型，业务都能无缝衔接。这是一种和传统IT基础设施完全不同的资产：服务器和账号可以直接买，但"能随时替换模型还不出乱子"这件事，只能靠自己一点点搭出来。

Capital One买下了Brex

如果只讲摩根大通，容易得出一个过头的结论：企业AI能力就该自建，买等于偷懒。

Capital One今年4月的一笔收购正好是个提醒。它花了51.5亿美元，买下了AI原生的企业卡与支出管理平台Brex，而不是自己重新做一个。同一年，摩根大通一年在技术上花180亿美元，几乎全部自建。两条路线截然相反，但两家银行在权威的AI成熟度榜单上都排在最前面。

矛盾吗？其实不。Capital One能把Brex真正用起来、真正整合进自己的技术栈，靠的不是签完合同就完事，而是它自己过去十几年积累的工程底子——全面上云、关闭了最后一个数据中心、自建了一整套企业级机器学习平台，甚至从Google挖来了参与设计Kubernetes的工程师来主导这套平台的演进。买下Brex考验的不是"要不要建"，是"能不能把买来的东西真正接进自己已经很成熟的系统里，而不是让它变成一座信息孤岛"。

换句话说，摩根大通和Capital One展示的是同一种底层能力的两种用法：一个用在从零建设上，一个用在整合并购上。真正的分野从来不是建还是买，是有没有能力先看清楚——自己的数据、自己的合规约束、自己的业务复杂度，到底要求哪些东西必须握在自己手里，哪些可以放心交给别人。这也是之前文章「甲方自建FDE能力：从找种子人到方法论落地」里已经点出的起点：企业自建AI能力，从来不是从"雇多少工程师"开始，是从"看清楚自己的约束"开始。

FDE重新理解AI基础设施

行业习惯把"AI基础设施"理解成看得见的采购项——服务器、算力、模型订阅，选对了供应商就算落地。FDE看到的是另一层：基础设施的核心不是买来的东西，是那套能把任何AI产品安全接入、随时替换、持续治理的工程系统，而这套系统买不到，只能自己建。

沿着这个视角，两个看起来该问的问题其实问错了方向：

这两个问题的区别，也是之前文章「甲方自建FDE能力：从找种子人到方法论落地」要回答的、和「为什么最好的AI方案，往往不是技术最先进？」要回答的是同一件事——build-vs-buy从来不是意识形态站队，是一次约束优化：你的数据有多敏感、你的监管压力有多大、你的团队工程能力到什么水平，答案从这些约束里长出来。而这个判断一旦在项目最早期做出，会像「为什么真正决定AI项目成败的，是第一周？」判断锚点一样，通过后续的投入和组织承诺不断自我强化——这也是为什么这道题必须尽早想清楚，而不是等系统跑起来之后再补。

对企业来说，这意味着评估AI战略的问题需要换一个问法：不是"我们用了哪个模型"，是"如果这个模型明天消失，我们需要多久、多大代价才能换掉它"。答不出这个问题，说明买到的只是一个工具，还没有形成能力。

写在最后

AI产品会不断更新换代，这是所有人都能看到的部分。真正决定企业能不能一直吃到这波红利的，是产品之外那套看不见的工程系统——它决定了每一次模型迭代，企业是要重新经历一次痛苦的迁移，还是像换一块电池一样简单。

摩根大通和Capital One用两条完全不同的路径，回答了同一个问题：竞争力从来不长在某一个模型里，它长在能不能把任何模型都安全、快速地用起来这件事上。

这道题没有标准答案，只有一个绕不开的前提——回答它之前，你得先有能做出这个判断的人。

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪GEO判断工程」在AI从“说”到“做”进化阶段，试图回答，如何让AI敢于行动、不因为责任问题而畏手畏脚，而做的一个前沿研究项目。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。