AI做不好的生意，藏着RSI万亿机会

RSI正从理论命题走向可验证的技术实践。2026年9月，Anthropic披露Claude已参与其超80%的代码合并工作，OpenAI将目标锚定为2028年3月前实现自动化AI研究员。这表明在高度可验证的数字环境中，AI已能通过自动评估与演化机制实现自主迭代。但当RSI走向真实产业，新的竞争维度浮现：决定垂直AI竞争力的，除了模型起点，还有智能进化的速度与成本。智能改进的速度与效率正成为下一阶段竞争焦点，也孕育着RSI的万亿级机会。

驱动高效“自主进化”的关键，在于理解企业智能自我迭代的底层逻辑。RSI驱动的Agent要在真实业务中自我迭代，核心是在“行动—反馈—修正”闭环中持续试错。基础模型决定AI起点，而真实任务、反馈机制和有效经验的利用效率，将越来越多地决定Agent上线后的进化速度。

基于这一逻辑，数据与强化学习基础设施公司成为资本新风口。Snorkel AI完成3.5亿美元融资，估值达35亿美元，并跑通以人类反馈为弱监督的RSI数据引擎闭环；Mercor收购专注强化学习环境的Deeptune；Scale AI加速布局强化学习生态。信号清晰：AI Data的核心价值已从静态知识延伸至包含任务过程、决策行为和真实反馈的“动态经验”。

产业界面临的现实问题是：如何在数据匮乏、规则动态的真实场景中，以更低成本建立反馈与进化机制？中国AI创业公司数创弧光（DataArc）选择将RSI与真实企业业务深度结合，探索AI在产业环境中持续自我改进的路径。这源于团队在知识表示、合成数据与模型评估等底层技术领域的长期积累，以及在Context Graph、合成经验、LLM-as-a-Judge等方向的前瞻布局。

DataArc提出Business-Grounded RSI解法：利用真实业务反馈确定改进方向，通过知识驱动的合成数据规模化扩展长尾场景与决策经验，结合评估与模拟环境筛选有效学习机会，即Scale Experience to Accelerate Intelligence——用合成经验突破真实反馈的规模约束，加速行业智能进化。

当前RSI探索沿两条路线展开：基础模型厂商和学术界的前沿RSI，侧重代码、数学等高度可验证环境中的自主迭代；传统Agent厂商的工程落地，侧重通过Prompt、工具调用与Workflow编排完成静态任务自动化。前者有进化能力但脱离真实场景，后者能进入场景却缺乏自我进化。DataArc瞄准的正是两者之间尚未填补的生态位——让AI在执行复杂业务的同时，持续从真实商业环境中吸取养分并自主进化。

DataArc CEO江旭晖认为，评估标准必须源于真实业务结果，而非模型内部信号。原因有三：大量隐性Know-how沉淀于实际决策中，难以被标准化知识库承载；低频出现的Corner/Bad Case极度考验AI真实可靠性；反馈与评价分散在多个环节，获取成本远高于数字环境下的自动化测试。

Business-Grounded RSI需回答两个底层问题：AI应朝什么方向改进？如何验证改进有效？江旭晖的答案是“真实业务”。DataArc将“业务锚定”拆解为三个递进约束：Grounded in Context，让AI理解建立在企业规则、历史决策和工作流等真实上下文之上；Grounded in Feedback，将人工接管、专家修正等业务反馈转化为更新评估器与奖励机制的优化信号；Grounded in Outcome，通过短周期任务评价与长周期业务KPI交叉验证，确保智能迭代兑现商业价值。Context、Feedback与Outcome环环相扣，构成自我演进闭环。落地深度直接决定企业长期壁垒：业务越深入，系统越有机会积累行业特色任务经验和反馈，谁能高效转化为可复用智能能力并持续验证，谁就更有机会建立长期竞争壁垒。

江旭晖另一核心判断是：AI-Native组织是垂直RSI落地最肥沃的土壤。若仅在既有工作流中叠加AI插件，业务反馈往往割裂；而AI-Native组织通过围绕AI重构业务流程，让Agent……