Google不再只是销售一款助手，而是开始销售一位 “同事”

要点

Google已将Gemini Enterprise for Financial Services和 Gemini Enterprise for Legal推出预览版。这是Google 计划推出的一系列行业解决方案中的前两款，后续还将推出面向医疗、生命科学以及其他专业服务领域的解决方案。每款产品都配备了行业专属技能、预构建Agent、行业数据源连接器，以及针对特定行业进行优化的模型。

值得关注的是Google对法律解决方案本身的描述，其中提到产品将从简单的文本生成转向以权威法律原始资料为基础的Agentic任务执行。这句话实际上概括了整个产品逻辑。它不再只是一个供专业人士提问的工具，而是一个能够执行特定专业工作，并生成可供人工审核的成果物的系统。

这意味着企业购买的是完全不同的产品，部署方式不同，所需要承担的责任也不同。

这些解决方案究竟是为谁打造的

两款产品发布中最值得关注的一点，是 Google 对目标用户的描述非常具体。这并不是面向所有知识型员工的软件，而是针对特定岗位打造的软件。

在金融服务领域，Google的目标用户包括：需要在客户会议前获得可直接面向客户使用的洞察的客户关系经理和顾问；私人银行和主经纪业务中的KYC及客户入职分析师；需要在宏观经济冲击下管理债券投资组合敞口的交易团队；寻找错误定价机会的信贷团队；以及根据交易日程准备推介材料的固定收益和承销团队。

在法律领域，目标用户包括：面对大量数据主体访问请求而不堪重负的隐私团队；审核供应商协议和 NDA 等外部合同的商业律师；试图将合同档案转化为可实际使用知识资产的知识管理团队；负责准备诉讼文件和处理信息删减的诉讼团队；以及跟踪立法和监管变化的合规与监管团队。

这些并不是为了演示而虚构出来的用户画像，而是一些真正符合这一代AI应用特点的岗位：它们的工作量大、流程相对标准化、对证据和数据依赖程度高，同时目前需要耗费大量高成本的人力去处理一些难度不低、但创造性并不特别强的任务。这恰恰是这一代AI最有可能真正发挥作用的场景，也与过去三年整个行业一直瞄准的目标用户存在明显差异。

通用型AI助手要求用户自己知道要问什么，以及应该如何提问。这实际上把设计Prompt的负担转移给了繁忙的专业人士，而他们并没有兴趣成为Prompt工程师。这也造就了我们过去几年所看到的采用曲线：试点阶段热情高涨、初期使用率较高，但随着新鲜感消退，使用率逐渐下降。

而以具体岗位为导向的解决方案则反转了这一逻辑。工作流程本身已经被编码进系统。用户只需要提供具体案件或客户的相关信息，系统则负责提供相应的方法和执行路径。

工作方式正在发生怎样的变化

Financial Research Agent是最直观的例子。Google将其描述为一个托管式Agent，内置50多项基础技能，可以自动完成端到端的研究任务，并返回置信度评分、明确的方法论、用于审计的数据快照以及精确的来源引用。

拆解来看，这与AI过去在这些职能中的典型交付方式存在三个明显区别。

第一，它是端到端执行，而不是一轮轮对话。工作的基本单位是一项完整的研究任务，而不是对某个问题的单次回答。这改变了用户的工作方式。用户不再需要通过八轮对话不断引导模型，而是定义一项任务，然后对最终输出进行评估。

第二，输出本身就是为了接受审核和验证而设计的。置信度评分、明确的方法论和数据快照，并不是主要为实际执行工作的人设计的，而是为需要对结果进行最终签字确认的人设计的，同时也是为其主管、审计人员乃至监管机构准备的。在这些行业中，一个无法证明其可靠性和依据的答案，比没有答案更糟糕，因为它既消耗额外的审核时间，又带来风险敞口，却无法产出真正可用的结果。将设计重点放在审核者而非使用者身上，是正确的思路，而这并不是大多数 AI 产品过去所展现出的设计方向。

第三，它可以被其他系统调用。Google通过Agent-to-Agent API和Model Context Protocol集成开放该Agent，这意味着用户根本不需要通过聊天界面使用它。它可以直接成为客户入职流程或研究工作流中的一个环节。这正是 AI 技术从一个用户主动访问的目的地转变为底层基础设施的过程。

Legal解决方案则将同样的设计逻辑应用到了不同类型的工作中。例如，监管趋势扫描可以自主跟踪立法更新、法院案件记录以及监管机构动态，然后将这些变化与企业自身的政策进行交叉比对，识别潜在的风险和政策缺口，并起草更新后的政策文本。合同审查则依据企业既有的工作手册（playbook）对收到的协议进行基准比对，并识别其中的高风险条款。Playbook构建则采取相反的方式，从历史合同档案中提取关键条款、备选立场和企业内部知识，并将其转化为谈判团队真正可以使用的内容。NDA起草还包括Google所称的“结构一致性验证”（structural fidelity validation），也就是说，系统不仅要生成流畅的文本，还要根据律所的标准和文档层级结构对文件进行检查。

值得注意的是，其中一些任务并不是律师过去会交给初级律师处理的工作。事实上，它们是根本没有人持续开展的工作，因为投入成本过高。没有哪家企业法务部门会持续将每一份监管机构发布的文件与完整的内部政策库进行逐一比对。他们只能进行抽样、确定优先级，并接受其中存在的风险缺口。

因此，降低这类工作的成本，并不是在自动化一项原本已经存在的工作，而是让一项过去因成本过高而无法实际开展的工作变得可行。这是一个更大的价值主张，同时也更难得到证明。

真正的资产是知识层

Google将这两款解决方案建立在四个核心组件之上：行业专属技能、与可信系统和数据的连接、可直接部署的 Agent，以及合作伙伴生态系统。其中三个组件并不陌生，真正值得关注的是技能层（skills layer）。Google对其定义也足够明确：这是由领域专家设计的、可重复使用的指令和上下文组合，用于指导Agent执行可重复的专业工作流程，同时遵循企业自身的业务规则。

这实际上是在尝试让隐性的专业知识实现可迁移和复用。例如，KYC 分析师如何跨越不同司法管辖区梳理一家企业的所有权结构；固定收益团队在向客户进行项目推介前需要核实哪些信息；隐私团队收到一项数据请求后需要遵循怎样的处理流程。这类知识通常掌握在资深专业人士手中，并通过多年的监督式工作逐步传承。过去，它从未成为产品本身的一个组成部分。

数据连接的重要性也与此相关。Google强调，连接器会遵循现有的权限和控制机制，而KYC的示例特别提到，可以从PDF、Excel和SEC文件等多种格式中获取数据，用于梳理企业层级结构和评估风险画像。这两个细节指向了同一个要求：专业工作建立在特定系统中的特定证据之上，同时受到特定访问权限的约束。如果 AI 系统无法在遵守这些权限的前提下访问相关证据，那么它生成的只是看似合理的文本，而不是可真正用于工作的成果。尤其是权限传递，正是大量企业AI试点最终悄然止步的地方——安全团队会追问，如果一名并未参与某项业务的初级律师查询了自己无权访问的案件，会发生什么？

还有一个看似不起眼、但实际可能比听起来更加重要的细节：两款解决方案都集成了Google Workspace和 Microsoft 365，并可以将输出导出至Docs、Sheets、Slides、Word、Excel和PowerPoint。能够以下一个工作环节所需的格式直接交付的输出，才更容易真正被使用。而如果输出存在于一个独立的应用中，用户可能会复制粘贴几周，最终便会放弃使用。

后续发展方向及需要关注的问题

Google路线图中已经规划的医疗、生命科学和专业服务解决方案表明，这并不是两款定制化产品，而是一条可规模化复制的产品线。预计同样的四部分架构将进一步应用于临床文档、监管申报和理赔等工作场景。

对于企业买家而言，有几点需要保持客观看待。与少数精心挑选的设计合作伙伴开展预览测试，并不能代表产品面向中型企业正式推出后的实际表现。诸如将债券投资组合敞口分析缩短至五分钟以内，或将推介材料准备时间从数天压缩至数分钟等说法，都值得与企业内部已有的基准数据进行对比验证，而不是直接接受。如果生成过程被压缩到几分钟，但负责审核的工作仍需要数小时，那么瓶颈只是发生了转移，而并没有真正消失。真正能够从中获得价值的企业，需要在重新设计生成环节的同时，一并重新设计验证环节。

更大的变化其实很明确。过去三年，企业AI关注的问题一直是“选择哪个模型”。而Google正在押注的问题正在变成：“针对什么岗位，应该选择什么样的配置化解决方案？”从目前的采用趋势来看，这一判断很可能是正确的。专业人士并不需要一个能力更强的助手，他们需要的是直接把工作完成，以他们所需要的格式交付，并附上相应的来源依据。

文章版权和解释权归微信平台Omdia所有

Omdia隶属于Informa TechTarget, Inc. d/b/a Informa TechTarget（纳斯达克代码：TTGT），是一家全球领先的技术研究与咨询机构。依托对科技市场的深刻洞察、与行业领导者的深入对话以及庞大数据资源，Omdia帮助客户洞察趋势、把握机遇，抢占市场先机。从研发到投资回报，我们识别最具潜力的机遇，推动科技产业持续发展。