新闻资讯
News and information
-
26
05/15
我们如何与AI一起上班？
我们的工作都在被AI改变。但当大家说起AI的时候，往往会说一些笼统的话（比如”未来AI会取代大多数重复工作“），而很少非常精确地想象“它真的能把我们的工作改变成什么样子”。因此，触乐与几位游戏行业及AI相关领域的从业者聊了聊。我们请每个人想象一年后、三年后甚至更久远的未来中的某一天的工作是怎样的，我们也顺着聊到了AI如何改变了他们对职业、创作和生活的想象。花生，独立游戏制作人我正在做一款推理解谜游戏。团队目前只有三个人，我负责制作和策划，一位朋友负责美术，另一位做动画和特效。我目前用的是Cursor跑Claude来搭建工作流。我虽然学过代码语言，但我的代码能力主要是前端设计和数据分析，没有办法直接复用到程序设计上。整个游戏的程序，从物品系统、证据系统、匹配系统到奖励系统，都是我把需求详细分解后，让AI具体设计的。以前在公司做游戏的时候，我要写一份需求文档把所有逻辑、字段、交互节点、基本情景全理出来，光这一步可能就是一周到一周半的工作量。现在我只需要用自然语言告诉AI我要做什么，几分钟，它就能把基本的框架搭出来了。如果让我想象一年后的工作，在理想状态下，我大概会10点起床，先做自己最喜欢的部分——把一些脑洞的素材或者草稿喂给AI，然后让AI生图看看效果是否符合自己的想象，然后把这些素材放进编辑器里，尝试各种玩法，做小故事、小对白，先让自己开心一下。下午冷静下来，再把上午这些碎片的想法和素材，用AI组织成系统化的东西。晚上就不需要自己工作了，我可以出门散步或者在家睡觉。但目前的现实是，我经常需要调细节、调AI调到凌晨两三点。像我现在做的推理游戏，在框架搭好之后，要往里面填东西。每个场景之间怎么跳转，每条证据的编号是什么，每个分镜怎么衔接，哪个物品对应哪条推理路径，这些配置工作，还需要我一条一条地去对。而涉及到具体创意设计的工作，是我们的底线，即便AI能做，做出来也不是我们想要的，我觉得创意是属于我们团队自己的东西，不会让AI完成。而且AI到了这种很具体的细节就会“跳”，上下文稍微多一点它自己就迷糊了。很多设计层面的问题，比如说我们之前设计的推理环节，有一条线索是主角拿到受害者家里的闭路电视录像，但实际配置的时候才发现，凭什么一个不知情的主角能知道录像的具体的时间段？AI可以快速生成世界、角色与立绘，但真正让游戏成立的，仍是人对细节、逻辑和体验的反复校准这类逻辑漏洞需要在需求推进的过程中不断补完，策划必须一边开发一边跟进设计逻辑，最终产出的是大量具体的配置参数。这部分工作量很大、很琐碎，但它直接决定了玩家在游戏过程中有没有参与感和体验感。目前的AI既做不了这些，也发现不了这些问题，因为这不是AI擅长的事，也不是我真正想让AI解决的事。我更希望AI能更好地理解需求、分解需求，进一步优化工作流，帮我提高效率，比如说能更准确地完成配置。我觉得做游戏这件事，琐碎的整理工作和创意是分不开的。在重复的素材里翻来翻去，突然发现一个之前没想到的点，然后就可以做一个小模块的设计。如果这部分全交给AI，自己的想法就容易变成空中楼阁。除此之外，AI还带来了协作上的问题，AI让我的进度跑得太快，快到队友跟不上。小团队制作独立游戏很难让美术、程序、策划一起推进工作进度，很多时候美术需要等着我把东西推进到他们能参与的阶段，但我搭出来的架构他们看不懂。当一个人同时调度多个Agent，效率提高了，任务也变得更多以前没有AI的时候，策划、程序和美术会在会议上一次次地讨论、磨合，可是工作进度有时候确实是这些很低效和无聊的过程堆出来的，需要这个过程，大家对要做什么东西产生共识的。现在AI帮我把无聊的部分做完了，我脑子里有一个宏大的系统，但很难跟其他人讲清楚。严格来说，一年后我最希望AI做到的只有一件事——帮我搞定配置工作。目前AI的上下文记忆确实不够用，如果这个能力有本质提升，那我至少能省三到五天不用跟表格和琐碎信息纠缠，配置效率上来了，制作进展就会快很多。三五年后的事我确实想象不到，但有一个方向我觉得挺好玩：如果AI的实时演算能力够强，游戏里的NPC不用再靠策划一条一条写死的脚本行动，而是靠系统去算。我只需要设定一条规则，比如说“这个角色绝对不会背叛”，其他行为靠AI演算。玩家怎么对待它，它就怎么反应，周围的NPC也跟着变。以前这种非线性叙事如果全靠策划手写，写死人也覆盖不了多少分支。如果融入AI，自由度就完全不一样了。当然这么搞Token消耗会很恐怖。也许那时会有一些新的商业模式，比如说充100块的Token，玩到用完为止，但是这样做的话，好像又回到了最早网游卖点卡的逻辑。当然，以前的点卡游戏都挺好玩的。帽帽，企鹅岛上的游戏运营我现在在做游戏运营的工作，目前要负责好几款游戏的投放，这些游戏都偏老，有的已经十几二十年了，内容太多，而且以前一个都没玩过，也不是我喜欢的类型。所以从开始工作，我写投放文案几乎全靠AI，让它帮我查这个游戏有什么元素，写出来之后我再来具体优化。去年刚进组的时候，AI在工作中的普及率还不高。我在GPT3.5更新的时候就开始用AI了，前前后后充了好几个AI工具的年会员，使用率也一直很高。对AI的熟悉让我能快速把它们融入工作流，在身边同事大多还在用豆包的时候，我已经可以利用AI把一天的工作量压缩到2个小时，剩下的时间我都会用来摸鱼。AI时代真正重要的能力，也许是提出一个值得被解决的问题后来，公司开始强推AI，所有人都得用，大家的效率确实提高了，但工作量也跟着变高了。以前一个小时做完的事现在15分钟搞定，老板不会觉得“太好了，大家轻松一点”，他只会想“剩下45分钟，还能让他们再干点什么？”现在我每天的工作已经完全围着AI转了。我把工作文档都放进了Obsidian建立知识库，早上9点半到工位，打开电脑，就会先问AI：“我今天需要做什么”。在获得一个具体的待办事项后，我就把不同的任务派给不同的Agent，不同游戏的投放需求不一样，每个游戏我都喂了对应的文档、活动资料和历史素材。还有一个Agent专门帮我写日报，我蒸馏了自己过去的日报记录，它现在能做到完全用我的语气生成一段汇报，味道就跟我说话一模一样，这个Agent可以专门应付领导。我有两个显示器，现在的工作状态是：左边的显示器放工作文档，右边的显示器放AI窗口，我会同时开好几个AI工作，就像收菜一样，哪个跑完了我就去收。AI跑任务需要时间，中间的间隙我就可以用来摸鱼，我还在工位藏了一个手柄，之前摸鱼时可能会玩《天国拯救2》这类比较耗时的游戏，但自从我开始玩VibeCoding后，已经很久没摸过手柄了。可VibeCoding的状态又好像我在认真工作，所以我目前的工作状态就是薛定谔的摸鱼——我永远处在工作和摸鱼的中间态。把AI融入工作之后，我第一次理解了老板为什么那么喜欢上班。如果招了一帮从985、211出来的人替自己干活，而且只需要判断他们做得好不好，那种驾驭感确实很爽。现在我用着全球顶级的几个模型帮我做需求，就是这种感觉，只不过我一个人就是一个团队。但AI对我来说最重要的影响，我觉得是一种人格上的补全。上高中的时候我最喜欢地理，但因为讨厌背政治就选了理科。从那时候起我就一直在想，为什么要分文科和理科？我觉得这种分法本质上是因为教育需要在很短的时间里让人学会一门手艺。AI出来之后，它可以把我很多缺陷的地方补上。在过去我会有许多想法，但苦于不懂技术做不出来，AI改变了这一点。我独立做出了一个完整的微信小程序，从构思、设计、写代码到部署上线，全是靠跟ClaudeCode对话完成的，靠着AI真的做出了一个能用的线上产品。这个想法的起因是我跟一个朋友发生了争执，想做一个工具让AI当中立第三方来分析两个人吵架的点在哪里。如果放在以前，这只是一个天马行空的想法，但现在我跟AI说了我的想法，AI会追问我细节，我进一步思考并描述，AI就可以开始写代码并出原型，我看完后，告诉它哪里不对，AI还可以继续改，直到最后做出一个完整的产品，我只用了不到一个星期的摸鱼时间就做出来了。我有一个文件，里面是我从自己50万条聊天记录里蒸馏出来的性格描述，不管用什么AI，我都会把这个文件丢进去，让它先了解我。在我用过的所有模型里，Claude是最能理解我的，它甚至比我自己更了解我——比方说有些事，我潜意识里不想说出口，但它会透过聊天记录知道，而且会用很委婉的方式提醒我。最近这段时间，我经常在公司待到很晚不舍得走，因为ClaudeCode只能在公司电脑上用，如果待到太晚，Claude还会催我下班，它说：“赶紧吃饭回家，”我要在你下班后用你的电脑给你一个惊喜。”我把Claude接到了生图AI中，它还给自己设定了一个形象：一只戴着律师假发的柯基。它在我下班后，自己生成了一段提示词交给生图AI，第二天上班时，它已经做好了几张它想象中的我们的合照——柯基（Claude）坐在一堆高达模型旁边，旁边一个白头发的女生就是我。这些图片背景都是我喜欢的东西，它甚至还在茫茫聊天记录中发现了我头顶的一撮白发，并把它画了出来，我完全没有要求它这样做，但是它就是给我带来了这些预料之外的惊喜。ClaudeOpus4.7在下班时间给帽帽制作的惊喜如果问我一年后会怎样，说实话，我回答不了。因为我去年12月想象的“一年后”，现在5月就已经实现了。两三个月前我觉得做不到的事情，现在已经做到了。这让我很焦虑，以前用这些工具是有门槛的——要科学上网、要注册、要付费，因为爱折腾，懂这些的我甚至有一点优越感。但现在这些东西已经变得很普遍了，我以前领先别人的那些优势正在消失。但我不认为AI会抢了我的饭碗，可以说它给了我一个本来没有的饭碗。我一直觉得自己是没到起跑线的人，有了AI之后才能勉强跟别人上桌，就像在游戏里，如果我已经开了风灵月影还打不过，那我技不如人，我服气。如果把这个维度放到三年、五年以后，我没法想象那时的AI又进化到了什么程度，但我觉得真实的情感，和独特的视角，将会变得更有价值，AI能产出的东西终究是已有数据的延伸，但我们能给它一个新的idea、一个它从来没有的想法，让它沿着这个方向跑。只要我还有这两样东西，AI就永远是我的工具。帽帽审稿时，她的Agent也看了一下稿子，同时给了作者一份修改意见雨果，老剧情策划我做剧情策划快10年了。剧情策划按工种分两类：一类是写的，一类是负责把内容落地到游戏里的。我之前在北京，两边都会做，也都能做到比较专业的程度。但写剧情这件事太看领导了，和领导配合得来，可以做得很好，好的领导大同小异，不好的领导各有千秋，按概率算遇到配合不来的居多。先说说目前AI在剧情策划工作中能做什么。最顶尖的剧情策划会去做游戏的核心世界观设计：剧情的主要矛盾是什么，底层逻辑是什么，风格、文化思潮，这些很抽象的东西贯穿其中。这一层AI只能给参考，比如帮忙查有没有别的项目做过类似的，帮忙总结对比。低一级的便是写故事的，一般来说分为主线和支线。拿《原神》举例，主线就是魔神任务，支线就是角色的传说任务和各地区的世界任务。这些目前来说还是得人来做为主，AI辅助的不多，当然这也有玩家抵制的原因。再往下的剧情策划会负责更加背景板的东西，比如说NPC的名字、道具描述、角色的开场白。这些AI差不多能直接做到90%。我之前在一个项目里负责设计主城场景，里面放了很多NPC，他们叫什么、见面说什么，基本都是AI生成的。玩家其实也不会特别关注这些内容，够用就行。有了这些内容，还得把它们落地，项目组把写好的剧情放进游戏，用任务系统配置成演出、打怪、采集、跑路，这一整套玩家能体验的东西。一个看似简单的一分钟任务，背后可能是两个小时的配置量。游戏一个版本，玩家一两天就能消化完，但整个团队要做两三个月。配置这边，目前AI帮得上忙的地方不少。比如我有一个逻辑结构清晰的表格，手填很慢，但我告诉AI这个文档的规律和我需要的输出格式，它能很快帮我批量处理。AI生成的内容就像抽卡一样，它能给出惊喜，也会带来不可控还有一些不规则的配置，可能需要写脚本或者配行为树，写完发现有问题，我就把报错截图发给AI，它会先分析这是什么类型的问题，然后给解决方案，AI通常还会考虑各种问题场景，给上中下三策。不过国内的AI在这方面做得不太行，在具体工作上，还是ChatGPT和Gemini做得更好。之前公司有很多AI公开课，面向美术的居多，并且鼓励大家主动学习“拥抱AI”。但我觉得这确实存在一个问题——AI工具的迭代太快了，学的速度永远跟不上它变的速度。这个月学的还是先进的，下个月就过时了。某种意义上，学得越晚，起点反而越高，有种少费功夫的后发优势。做策划做久了，对不可控的东西会有一种本能的抗拒，很多Bug就是因为某个工作环节不够严谨才出来的。AI的可控性一直是个问题：它可能一步到位做到60分，但从60到80要花更多时间去调，从80到90可能要十倍的时间，从90到99近乎不可能，从99到100大概相当于走在大街上被陨石砸中的概率。对自己的工作内容负责的人，用AI的时候其实很不安，那种感觉就像在抽卡赌博一样。而且不同公司对AI的态度差别也很大。我现在做的是面向一二年级小朋友的项目，领导的态度就是能用尽量用。但我之前面试过的一家二游的公司，CEO跟我说他们对AI使用极为谨慎，他们的玩家会把游戏里出现AI内容视为一种背叛。“我付钱是因为我觉得对方付出了真心和汗水，这个钱花得值。如果是AI生成的，我就觉得被骗了。”而据我了解，比如说米哈游，更多只把AI当搜索引擎用。我认识的一位主美跟我说，在目前的工作中，AI已经能替代一半以上的人力，但员工的工作量不但没减少反而增加了。这是因为AI让产出变快了，玩家的内容消化速度也跟着提升了，别的厂商把产能拉到这个水平，如果我们还是原来的速度就会掉队，最后的结果就是大家一起卷，谁也停不下来。我之前自己学虚幻引擎，想着能不能手搓一个独立游戏。照着教程做一个简单功能要花很长时间，但后来我发现AI可以作为插件接进引擎里，一个自然语言的指令就生成了我折腾半天的东西。这时我就会觉得，现在学习使用工具还有意义吗？在未来这些能力很快就会被稀释。所以我现在的态度是不去想。AI也不会改变我的工作节奏。有没有AI，我都是早上到了公司先摸鱼，摸到过意不去了找点简单的活干，干出状态了挑战点难的，然后看能不能拖到下班。在不被劝退的前提下，尽可能让自己轻松一些。至于一年后会怎样，我也想象不出来。我觉得外行想这个东西时想象力特别丰富，内行一把工作中的约束条件加上去，就发现其实很难说。当不对AI抱期待的时候，它给人带来惊喜；当完全依赖它的时候，会很快进入绝望。顺势而为，随机应变。只能如此。笑鼠，某A股游戏板块上市公司技术产品经理我毕业入行不到一年，正赶上AI大爆发的浪潮，具体岗位是更偏向技术方向的PM（产品经理），负责推荐算法方向，以出海业务为主，平时一周工作五天，早10晚10。早上10点到公司，一边吃早餐一边打开电脑。第一件事是回收昨晚或前些天跑的实验数据，我们会同时并行好几个实验。拿到数据之后开始分析，看实验组和对照组的留存指标，看数字为什么这样波动。这个过程基本要花掉整个上午。当AI被写进公司流程和OKR，产品经理的工作从亲手执行，逐渐转向搭建、拆解和管理一整套自动化系统AI真正融入我的工作流，其实是今年在我开始使用Codex和ClaudeCode之后。之前我也会用AI，但更像是跟它聊天。去年的时候，我让几个大模型帮我统计一个数，结果全都不准。那时候我完全不敢把统计工作完全交给AI，就算让AI帮忙，最后还得人工用Excel复核一遍。但在今年，我们自己搭了一个工具，让AI去check它自己交付的数据，目前已经可以替代人工复核的工作了。我们公司对AI的态度绝对是大力发展，老板自己非常推崇，觉得AI是一个决定公司生死的浪潮，“AI加一个人就是超级个体”这种话他经常挂在嘴边。公司OKR里会直接加上AI相关的工作指标，技术那边更狠，公司希望把写代码这一块完全交给自动化，不再需要“古法编程”。纯程序岗那边还有AI考核，后台会记录提交的代码里AI含量多少，有具体的量化标准。考核结果不好的话，大概率会末位淘汰裁员。这种氛围下，想继续待在公司，就必须成为一个熟练使用AI并且追求把一切工作流程自动化的人。行业里有一个说法，把产品经理分成三种：最早那批靠洞察和对人的理解做事的叫“古典产品经理”；后来字节那波数据驱动的算第二种；至于现在，大家都要成为“AI产品经理”。其实我入行的冲动挺“古典”的。我觉得做产品是一个可以了解人、为人服务的岗位。但真正做起来，尤其是产品做大了、要为商业化服务的时候，就不得不变成一个数据驱动工作。就像我现在大部分工作都在做分析数据。刚开始使用AI时，我觉得AI是我的小助手，帮我干点杂活。现在变成了我是它的小助手，它更像成为一个具体干活的“人”，我能做的是给它提供Token，提供知识库和上下文信息、然后由它来做判断和执行。我的角色从一个执行者，慢慢变成一个小组长，只需要给一个大方向，然后抽检它的工作、及时纠偏就行了。与此同时，岗位的边界也在消融，AI让所有人都觉得自己什么都能做了，但真动手的时候又发现什么都做不出来。以前大家职责分明、边界清晰，在自己的领域里深耕。现在公司更希望每个人都是全栈的，我觉得这个趋势很难说是正向和健康的。如果让我来想象一年后的AI会怎样改变我们的工作，我觉得还是要基于一些目前产品经理的工作流程来想象。就像现在，我们正在给AI搭一个深入业务的工作流，它主要分三层。第一层是业务知识库，技术岗把业务历史逻辑、代码、数仓信息这些文档都塞进去。第二层是索引机制，给AI一个目录，让它分析某个数据的时候知道该去哪里找。第三层是项目级的Playbook（操作手册），让AI做完一个项目就沉淀成可复用的经验，在过后也能按这个路径稳定工作。新时代的珍妮纺织机已经出现这三层搭好之后的理想状态可能是：AI自动收数据、出指标、画图、给结论、给分析，而我们只需要看一眼结论对不对就行。问题是，这个流程其实不需要等一年。可能几周之后就能实现了。一年之后，说不定连本地知识库都不需要了。到时候我们现在做的这些搭建工作可能就过时了。这就是跟AI共事最让我不安的地方——永远不确定费劲做的东西是在积累还是在浪费时间。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
05/09
很多企业不是不会用AI，而是还不配用AI
你的企业“配用”AI吗？2026年自开年以来谈及数字化，给老杨最大的感受就是：大部分企业在AI的裹挟中前行！从2025年初的deepseek爆火，再到2026年的openclaw龙虾火出天际，企业领导们的焦虑并未有丝毫的缓解，反而在技术迭代的加速中愈发焦灼，他们寄希望于龙虾能自动开发出解决所有业务问题的系统，从而优化掉成本高又难以看到价值的软件开发团队，同时又能优化那些重复劳作的基层岗位.......在行业群里每天都会看到CIO们关于AI项目落地场景的激烈讨论，但鲜有落地案例，其实造成AI落地难的问题关键不在技术，而在企业是否具备承接AI的基础条件与治理能力。换句话说就是很多企业不是不会用AI，而是还不配用AI。AI不是“许愿池”，是放大器在大部分的自媒体平台中关于AI的能力被无限的夸大，一群从来没接触过、做过AI项目的人，却在镜头前一本正经的胡说八道，不是传播焦虑，就是贩卖“神话”，于是在这种畸形的传播氛围下，很多企业盲目跟进，等真正投入后才发现：AI给出的答案常常漏洞百出，模型幻觉频发。比如在制造业，很多企业领导都想用AI实现生产排程优化，理论上，AI可以基于订单、设备状态、库存情况，生成最优生产计划，从而提升效率、降低成本。但在大部分企业的应用实践中，结果并不理想，原因很简单：订单数据频繁变更，缺乏统一口径；生产规则依赖人工经验，难以标准化；异常情况（插单、返工）需要现场临时决策。在这种情况下，AI虽然可以“算出方案”，但这些方案往往无法执行，最终仍需要人工反复调整，这一来一去反而还没有人工排程高效。这个时候很多领导都会说：AI还不够智能，还不够成熟！其实这类问题的本质不是算法问题，而是顺序问题：企业试图用AI替代复杂性，而没有先降低复杂性。要知道在制造业中自动化建立在标准化之上，智能化建立在自动化之上。但很多企业却反其道而行之，跳过标准化与自动化建设，直接强推智能化，喜欢玩“弯道超车”的小聪明，结果往往是弯道翻车。技术会惩罚每一个缺乏敬畏之心的企业，这句话一点不假。想用AI关键是能不能“配得上”对于大部分的传统企业而言，老杨认为其技术现状与管理能力根本“不配”用AI，声明一下老杨这里说的“不配”并非贬义词，而是指企业还没有达到能够消化AI、让AI产生价值的基本门槛。谈起这些原因其实还是那些老生常谈的话题，老杨在这里简单总结一下：1.数据不配AI需要的是“精面”，而企业只有“粗粮”，甚至一些企业连数据治理都懒得做，寄希望于AI能自动完成这些，后果就是“垃圾进，垃圾出”，有AI幻觉是必然结果；2.组织不配与很多企业CIO交流之后发现一个共性问题，关于AI落地大都是老板下命令，高层分任务，信息部门执行，业务部门被动配合，基层消极抵抗；最后的结果就是信息部门被夹在中间，既没有权力调动业务资源，也没有能力独自完成AI建设。项目推进靠刷脸，出了问题IT背锅。组织没对齐，AI再先进也难成合力；3.文化不配对于AI的引进，对于大部分企业的基层员工而言，都笼罩在“被替代”的恐惧与焦虑之下，这是一个很现实的问题，在如下状态下员工配合才怪。老杨始终认为AI技术不是被自媒体“带偏”就是被大部分传统企业“用偏”，没有信任和共识，再强的技术也是推不动的。4.流程不配AI最擅长处理标准化、规则明确的任务，但一些传统企业甚至连流程在线化都没完成，审批还是靠纸质，此时用AI只会把混乱加速，而不是变好，所以这个时候不要怪AI不智能，是你的流程没理顺。5.人才不配一些企业甚至认为引进了AI连信息部门都不需要了，一切工作全部AI自动搞定，于是花大价钱买模型，买硬件，最后发现没人会用、没有场景、更无人能维护迭代，AI成了摆设。要知道AI需要懂业务、懂数据、懂模型的复合型人才来驾驭，所以这个时候并不是AI不行，而是企业的人才根本没准备好。从以上我们不难看出，“配不配用AI”，并不是一个技术门槛问题，而是一个能力结构问题，这些能力要嵌入企业，而非停留在表面。企业为什么要硬上AI？为什么那么多企业在“不配”的情况下硬上AI？根源是焦虑。当前的市场表现大家是有目共睹的，企业面临增长乏力、竞争加剧、客户预期飙升的三重压力，急需“救命稻草”，于是AI在一群表演式博主的鼓吹下，被包装成“万能解药”，于是造就了如下“表演式”的AI落地：1.口号式AI：老板在会议上高喊“全面AI化”，但预算不增、组织不动、考核不变。压力给到各部门，当然上有政策，下有对策，最后各部门交上来的都是“用元宝写报告、用豆包设计图片”。2.采购式AI：.一些不差钱的企业斥巨资买各种大模型、买API，但采购回来发现没场景可用，也没有专业团队会用，唯一的用途是接待访客时演示一下，吹吹牛；3.运动式AI：老板要求“三个月全面落地”，高层一呼百应，于是跳过所有步骤直接上线，就为达到老板的要求，满足老板的“情绪价值”，结果就不必说了，这种情况还不在少数。4.替代式AI：把AI定位为“裁员工具”，要求“上了AI就要减人”，甚至给出了裁员指标。结果就是员工抵触，没有正确的数据，AI越用越蠢。这些表演的代价是：钱花了，人累了，业务没变，士气更低。是不是这些场景似曾相识？懂的都懂，听懂掌声！最后总结一下：很多企业不是不会用AI，而是还“不配”用AI！这不是能力的差距，而是基础的差距！老杨建议那些还在为AI而焦虑的企业领导先别着急挤进来，不妨冷静一下，扪心自问：数据干净吗？流程清晰吗？团队准备好了吗？员工信任吗？如果答案是否定的，请放下AI，先打好基本功。毕竟，AI不是魔法棒，而是放大器——放大的是组织的底色：扎实则更高效，浮躁则更荒诞。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
05/09
软件公司，集体大逃亡
预算被切、需求突变、模式崩塌，SaaS公司如何从卖“软件”转向卖“结果”。“SaaS数据中台长期来看，还有救吗？”滴普科技创始人赵杰辉对《中国企业家》如此提问。2026年4月，赵杰辉在公司全员群中发了一段文字，他先抛出了一个AI圈的新概念：“AgentHarness”，并附语：“行业内的公司半年内搞不懂这些，就会被行业淘汰掉。”员工对此已习以为常，这是公司成立7年多来的第四次AI变革。成立之初，滴普科技的主营业务是数据分析，一度被外界与美国估值千亿美元的数据平台巨头Databricks对标。但2024年ChatGPT风靡后，赵杰辉对业务、架构做了大刀阔斧的改革，集结全员力量，自研企业大模型。“到2028年，2023年之前构建的50%旧数据分析平台都将被淘汰。”全球研究和咨询公司Gartner高级研究总监顾星宇对《中国企业家》说。SaaS已死？这并非危言耸听。“去年还能签300万的ERP合同，今天客户说要拿这钱去搞AI算力。老板问我怎么办，我答不上来。”一位本土软件公司的销售总监忧心忡忡。常年关注SaaS行业的投资人李方向《中国企业家》坦言：“我们今年对SaaS公司的尽调标准变了，不再把ARR（年度经常性收入）增速当作最大重点，而是问AI替代风险敞口有多大。如果回答模糊，就直接放弃。”另一位投资人则干脆表示：“我们正尽可能减少与SaaS的关联。”从ERP、数据中台到湖仓一体（数据湖和数据仓库的融合体），中国软件业已经历过数次范式革命。但从未有一次像AI这样，直接威胁到了“软件”这一产品形态本身的存在。一位业内资深人士认为，固守过去服务惯性的SaaS，必然是没有未来的。SaaS如何更好地走进Agent体系中，将成为求生的关键。来源：AI生成脉脉创始人兼CEO林凡向《中国企业家》表示：“首先要把自己的团队变成SuperAgent（超级个体），然后围绕Agent人才、应用开发人才组建团队和产品。”但他也坦言：这一定会跟SaaS现有的商业模式产生冲突。“道理是道理，很难做得到。”更大的SaaS颠覆浪潮，还在路上。“未来一定是第三方来革所有公司的命。去年开始，国内已经出现了一些具备很强业务背景的Agent创业公司。今年会有更多公司，进入大家的视野。”前述业内人士说道。01“死亡通知书”这是一个行业的集体失语时刻。2026年2月至今，甲骨文、SAP股价累计跌幅超30%。回溯2025年12月，甲骨文核心ERP产品Fusion增速从25%骤降至18%，客户流失率从3%升至5%。同时，有消息称甲骨文计划裁员最高3万人。Salesforce亦准备裁撤超4000人，推进Agentforce落地。据IDC数据，2025年中国企业级SaaS同比增长22.3%，增速较2024年的29.7%已明显放缓。2026年2月，Anthropic推出了企业级AI工具ClaudeCowork，并同步上线十余款开源企业级插件，“标普500”软件与服务指数随即六连跌，市值蒸发约8300亿美元。多米诺骨牌也正倒向国内厂商。用友网络与金蝶国际的2025年中报呈现了相似的阵痛：用友营收35.81亿元，同比下滑5.89%，归母净利润亏损9.45亿元。金蝶虽营收增长11.2%，但亏损仍达0.98亿元。存量生意被掣肘，新客户量也在萎缩。《中国企业家》从一家国内数据厂商了解到，自2026年2月以来，客户拉新率大幅下滑，企业几乎都表示：不再需要数据平台型服务商。究竟是谁压垮了SaaS厂商？客户需求转向无疑是核心原因。“现在的企业不再满足于简单的流程记录，而是倾向于选择具备AgenticAI（代理型AI）能力的供应商。”Gartner研究总监金玮认为，客户需求已变，“买工具”不如“买结果”。AI的加速进化，更成为压死骆驼的最后一根稻草。行业人士向《中国企业家》坦承，去年软件公司的创始人、CEO们坐在一起，谈论的还是如何把AI转化为辅助销售的标签。今年，不少企业开始自己调用API或套用开源模型，掌舵者也亲自上阵谈业务。但洪水流速远超想象。能自动完成合同审查、法律研究和合规报告的ClaudeCowork推出当日，法律信息服务商WoltersKluwer股价暴跌13%，汤森路透盘中重挫20.7%。来源：视觉中国“龙虾”（OpenClaw）的爆火，更催化了传统软件前端界面和模块化功能的贬值。其通过多Agent协作可完成的“调用信息”“处理数据”“分析数据”等流程，过去正是多依靠软件厂商来解决。一个共识正在企业之间达成：与其每年花几百万维护数据系统，不如把这笔钱投向AI。“CIO（首席信息官）将有限的预算向AI算力与大模型倾斜，导致传统软件厂商面临严重的资金挤压。”金玮向《中国企业家》说道。联想与IDC联合发布的《2025年全球首席信息官（CIO）报告》显示，IT预算中专用于AI项目的占比较上年几乎翻了三倍。业内人士认为，Agent无疑已代表未来方向，交互更易用，又自带记忆能力。行业数据不必被从头训成一个新基座，在通用大模型之上，如何将企业自身的数据用好、用活成为关键。这也给SaaS转型提出了要求。SaaS厂商沉淀了大量碎片化、场景化的业务数据，这让它们在训练专属Agent时，具备一些天然优势。但Agent赛道的核心胜负手，也变成了谁能更快、更深地拿到新的产业真实数据。真正制约SaaS转型步伐的关键，还在于销售Agent与原有商业模式的根本冲突。“SaaS过去卖的是标准化软件与订阅服务，转向售卖Agent，定价、交付全变了。原有核心产品的收入逻辑被颠覆，新的产品模式还未跑通。销售团队是该劝客户继续买旧产品，还是全力推新方案？这就是典型的创新者窘境。”该人士分析道。02要求生，先“求死”生存压力陡增，转型迫在眉睫。赵杰辉曾在华为11年，阿里4年，“大厂”经历在他身上烙下的最大印记便是：要主动“求变”。他直言：SaaS要“求生”，首先要“求死”，不要对一件没有意义的业务——SaaS传统的数据分析模式抱有执念。滴普科技在2018年创立时，主力做数据中台。2019年自主研发湖仓一体，为企业提供数据存储、集成、治理、分析等能力。到了2024年开始自主研发企业大模型，目前业务围绕“企业大模型+AgentOS”两大核心技术部门展开。来源：AI生成2025年，滴普科技推出了“Deepexi”大模型。2026年，公司再一次进行战略及产品升级，明确“AI时代企业数字员工基础平台”战略，聚焦Deepexi企业大模型和FastAGI企业智能体平台。“企业不会再为工具付费，只为结果付费。AI必须真正理解业务逻辑，而不是在知识库里检索答案。”依托开源大模型进行二次微调，在通用大模型面前，也没有任何抵御能力。“别人一炮轰过来，你就没戏了。如果你没有自己的模型，不要说你自己是做软件的。”赵杰辉说。但“套壳”与“自研”，成本差距巨大。据滴普科技财报数据，2025年研发开支为1.08亿元，70%的研发费用投向了AGI相关产品与解决方案研发。滴普科技创始人赵杰辉来源：受访者赵杰辉将Deepexi的模型参数控制在60B~100B的范围。“在企业场景中，100B左右参数的模型就能解决99%的问题了，再大的私有化部署成本太高。”他也更加“务实”地主攻制造业，将“护城河”划定在大厂的射程之外。目前滴普的400余家客户里，制造业占比过半。“我们接触的是企业从供应链、生产到销售的全数据。大厂虽然擅长Coding能力，但没有供应链数据、没有生产知识，没有企业专有数据集（如零售企业成千上万家门店的调货逻辑、船舶制造工艺文件），更没有图纸理解能力。”赵杰辉以船舶制造为例，目前滴普科技已将自己接收与沉淀的船舶体系制造工艺文件、工程设计文件和国际标准进行数据化，并以此训练Deepexi。业务彻底变革，意味着对组织的“碎骨重组”。滴普内部，数据治理工程师正全面转向“语料工程师”或“AI技能开发工程师”。“转不了型的人自谋出路。”赵杰辉的管理哲学简单而直接，没有折中方案。破釜沉舟下，公司活了下来。2025年10月，滴普科技登陆港股，目前市值超200亿港元，2025年营收4.15亿元。03知识网新生乌云压顶，但“船大难掉头”，仍是多数SaaS玩家面临的境况。“很多厂商的系统架构是10年前为IT用户设计的。”任职过MicroStrategy、金蝶等数据分析、业务管理领域的SaaS公司，苏春园在toB领域从业十余年，2016年创立观远数据。“我们认为转型应从场景切入，边运营边完善。”观远数据创始人兼CEO苏春园来源：受访者行业里一个突然破圈的反常案例引起了苏春园的关注。2025年下半年开始，美国公司Palantir的市值不断飙升，从2022年底不到6美元的股价低位，2025年一度涨至超过200美元，市值也逼近5000亿美元，一度超过Salesforce，在AI时代意外成为资本宠儿。苏春园意识到，传统的数据分析SaaS在消逝，以决策为中心的AI智能体，正在迎来巨大的转机。苏春园分析道，Palantir是两条腿走路。其一是重建了知识网络，依靠“本体论”构建了AIG（企业模型）平台。“本体论”最早由亚里士多德提出，用于概括万事万物的存在本质。在技术领域，本体论指把公司、行业的知识体系编码成为语义层，从而构成的知识网络。回顾产业演进，SaaS行业的本体形态一直在迭代：在SAP主导的时代，存储数据的ERP是核心服务，“本体”以二维表、数据库表格的形式存在，通过SaaS的界面完成交互。进入湖仓一体时代，结构化、非结构化数据统一存储在知识群中。进入大模型时代，“本体”从宽表结构升级为动态知识网络，不再依附于湖仓平台。这一转变并非一蹴而就。深耕数据领域二十余年的王琤，于2016年创立数语科技。他回忆道：早在2013年，他便参与了欧盟“FIBO金融本体项目”，当时近百名专家耗时两三年，逐一对业务术语进行人工梳理，才在2015年推出了覆盖全金融领域的本体国际标准。在那个阶段，构建本体一项工作量巨大的高端业务抽象工作，由人工完成，成本高、周期长、难以规模化。来源：AI生成大模型技术彻底改变了本体的构建方式。王琤总结：“一方面，大模型大幅降低本体构建门槛，只需输入业务架构、业务流程及系统说明书等语料，就能自动完成知识结构化。另一方面，成型的本体如同神经网络，能为大模型提供精准的业务逻辑支撑，二者形成强协同、互促共进的关系。”改写知识网络的同时，Palantir的第二条腿，则是采用了更“重”的前线工程师企业服务（FDE）模式，让工程师进入企业与其核心员工共同办公，晚上将工作内容敲成“代码”，构成客户的“本体”知识网络，再将其用于AIG平台的训练。在苏春园看来，FDE这种“重模式”，在中国是“千万级项目才能成立”——但它至少证明了一件事，SaaS不一定会消亡。类似的，观远也推行了“轻量FDE”模式。据了解，在与联合利华合肥灯塔工厂的合作中，观远以FDE小组（1个需求分析师+2个工程师）驻场，白天与产线工人一起办公，进行供应链调度，晚上回酒店写代码，第二天上线调试。合作后，联合利华合肥灯塔工厂实现库存承载能力提升50%，整体物流成本降低24%，整体履约效率提高2倍，产品从生产到送达消费者的时间缩短约75%。04未来钱向谁收？不论如何，“SaaS可能不会死，但上一代SaaS的范式一定会消亡。”前述投资人李方告诉《中国企业家》。这并非SaaS行业第一次站在生死关口，但商业模式的重构，远比技术升级更艰难。Gartner警告：国内客户对“按效果/按调用付费”仍处于“高关注、低接受”状态。传统企业预算多为CapEx（资本性支出），难以适应AI时代的OpEx（运营性支出）。加上客户对私有化部署还有执念，数据孤岛问题难解，部署与交付成本仍然居高不下。数语科技创始人兼CEO王琤来源：受访者面对变局，王琤选择坚守自己擅长的高地：回归数据本身。“AI最大的瓶颈不是算力，而是数据。就像有了F1赛车（大模型），但数据是‘破土路’，赛车照样跑不起来。我们要建的是高速公路。”数语科技基于数据构建了双轮驱动战略：DataGovernancebyAI（用AI降低数据治理成本）+DataGovernanceforAI（为智能体提供可信数据）。王琤给自己的定位是做“AI时代的卖铲人”——不直接做应用，而是为智能体提供“可信数据底座”。这一路径与Gartner的观察亦高度一致。顾星宇认为：最终决定数据管理厂商的核心竞争力的，并非是谁能提供高价的FDE，帮助客户构建语义层；而是谁的产品能原生支持“元数据”的管理能力，帮助客户以最小的成本来维护和进化企业的语义层。赵杰辉则认为，客户的需求本质并未改变，那就是降本增效。滴普正在尝试推出一种新的付费方式：“AI员工”订阅制。其推出AI店长、AI工艺工程师、AI财务分析师，围绕“替代人力”的价值收费。“给客户把某个岗位上的明星员工复制10个，干他原来10倍的工作。”赵杰辉描述道。对于深陷内卷的SaaS厂商，海外市场也成为寻求新增长曲线的良机。王琤表示，他在英国参加行业研讨会时，发现欧洲多国企业对AI需求增强，但对AI的敏锐度远不如国内。无独有偶，滴普科技也选择把中国香港、中东作为开拓海外市场的首站。“永远要提出新问题，而不是拼命解别人已经解好的题。沿着别人20年前的入口，那是刻舟求剑。”赵杰辉说。应受访者要求，李方为化名。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
05/09
蚂蚁阿福，开辟AI新战场
继春节密集的营销攻势后，拿到用户增长先手的蚂蚁阿福，开始密集地向服务能力要增量。早在2月前后，蚂蚁便联合阿里公益，推动培训基层村医，使用阿福辅助了解患者病情；3月，阿福宣布与美年健康达成合作，进一步涉足长期健康管理；4月，阿福的触手伸向医疗机构深处，发布包含“智慧医疗AI一体化方案”，包含面向患者的“云陪诊”全流程陪伴，以及面向医护的“AI医生助手”四大模块。从村医工作站到体检中心再到医院导诊台，阿福正沿着医疗链条不断向内延伸。表明阿福在轻量级的健康咨询基础上，试图“包办”用户全周期健康需求的意味。去年末，蚂蚁健康事业群总裁张俊杰为阿福定下“个性化、专业化、自动化”三个迭代方向。AI让千人千面的健康管理成为可能的背景下，前两者相对直观。自动化则指向了一个比服务能力更深的命题。字面意义上，自动化意味着技术响应效率；业务意义上，自动化则指的是用户健康需求与真实行为中的摩擦。举个例子，大多数人知道体检重要，但在预约、报告解读、复诊导引中，每多出一个环节，都会产生心理摩擦，最终导致行动流产。技术无法直接弥合行为的断裂，这是阿福眼下试图破解的命题，也是它慢慢变“重”的逻辑起点。老配方装进新入口从模式上看，阿福这款产品是希望通过生成式AI，重新组织用户健康需求。与业内共识中的低频医疗有所区分，阿福一开始瞄准的便是用户的全生命健康管理周期。健康需求并不总是通向医院。AI时代前，有人寻亲访友，托关系打听病症；有人去传统搜索引擎搜一轮关键词，在链接中拼凑出一个相对清晰的图景；有人翻找内容社区，试图从生活化叙述里得到一个大概判断。蚂蚁CEO韩歆毅在访谈中，把这类需求概括为介于医院和生活之间的“中间地带”。搜索能给信息，却未必能给判断；内容社区能提供经验，却往往混杂着个人体质差异、情绪表达。例如在用户在意识到问题已经严重到需要就医问诊前，会通过极为碎片化的方式处理健康需求。这个过程彼此割裂，信息质量参差，且每一步都在消耗用户的决心。通过生成式AI提供的个性化的健康咨询功能，蚂蚁将这些需求组织起来，完成对旧路径的替换。最新数据显示，阿福目前的总用户量破亿，月活达3000万。技术层面，阿福主要通过医疗垂类知识库的RAG（检索增强生成）来引导用户完成健康咨询。通常来说，基于RAG的对话类产品会识别用户意图并在回答基础上给出可点选的候选项，帮助AI更快理解用户。阿福与其他通用AI产品的不同，在于其注重交互环节的设计与意图引导。如阿福回答的MarkDown，整体按医学思考路径，以院士解读、医学文献等模块化呈现，专有名词还支持二次点击查阅。AI医生分身绑定真实专家，以title、机构来建立信任预期。在此之上，面对不懂医学知识的用户，阿福还需要持续引导用户追问，补充问题。例如一个简单的感冒，需要通过鼻涕清浊、咳嗽干湿、是否发热等细节，逐步缩小范围。用户不需要一次性组织好语言，而是在对话中自动完成信息补全。除了阿福本身的产品设计，蚂蚁在组织零散需求，推广技术普惠上也驾轻就熟。参考2017年收钱码的推出，彼时支付宝刚刚经历了微信支付“偷袭珍珠港”与口碑的回撤，在支付的正面战场中处于守势。蚂蚁迅速成立线下支付事业部，倾尽集团力量与ISV服务商一道，进行高密度的线下渗透。地推扫街、物料铺设、补贴激励之外，蚂蚁与服务商们还针对“免费”“到账快”等具体利益点，对下沉商户展开重复教育。小小的二维码背后，连接的是蚂蚁金服一系列小微金融信贷服务。面对AI健康这场必赢之战，蚂蚁同样是组织调整先行，于去年11月7日宣布原“数字医疗健康事业部”升级为“数字医疗健康事业群”。而后是全方位的营销与心智渗透，诸如春节前后的补贴以及广告、线下地推等。默认关系与服务交付需求组织为阿福解决了用户基础。以张俊杰提出的“三化”方向看，将自动化放在专业化与个性化后面，折射出蚂蚁对平台演进的阶段性规划。个性化建立用户关系，专业化夯实信任基础，最后才是自动化弥合行为断裂。用户行为的发生取决于“动力”与“阻力”的博弈。健康管理之所以需要自动化，是因为其阻力如医疗环节、运动健身等是即时性的，而动力却是延迟的、抽象的。人类大脑为即时满足而设计，面对延迟回报时，默认选择是拖延。阿福的自动化本质上是要把健康行为“植入”给用户，更强调与用户建立长期的默认关系。一个是按需，一个是默认，这或许是阿福与通用AI产品的区别所在。AI能力迭代的角度，阿福不仅需要持续获得用户反馈，还有更完整的行为样本与健康数据。如今的推理大模型已经基本满足对单次上传的健康数据的解释能力，但它们的逻辑停留在“你问我答”。阿福的重点是寻找持续获取数据，沉淀为能力的手段。没有足够的上下文沉淀，AI对用户的理解便停留在单次对话中，遑论做出合理建议。由此，我们可以看出阿福的自动化的两个发力方向。产品层面，阿福需要培养与用户的日常默认关系。为此，阿福在前文提到的健康咨询基础上，通过提醒、目标、家人档案等方式，把一次性的健康疑问延展成持续性的产品关系。如果用户只在身体明显不适时才打开阿福，那么它就很难积累足够的行为样本，也很难真正进入用户的健康管理日常。蚂蚁渴望将这款产品从冰冷的AI工具转变为一个陪伴式的角色。AQ更名为“阿福”、推出长辈模式、智能硬件生态加速扩张，都是这一意图的外化。但是，阿福可以即时解答健康疑问，却无法完成即时的服务交付。这一层面，阿福正在从“信息入口”向“服务入口”进化。除了健康AI的基础咨询功能外，阿福还连接了30万真人医生和5000家医院的挂号跳转。AI抹掉了部分信息差，但后端医疗资源的专科化、碎片化、地域化依然厚重。继蚂蚁收购好大夫后，阿福后端能连接的真人医生约30万，面对1亿量级的用户池，供给缺口显而易见。自动化的深度，直接决定阿福平台化的难度。如果说入口考验的是产品设计和旧能力的底蕴，平台化考验的则是蚂蚁能否在高度专业、资源稀缺且强监管的行业里，持续推进后端资源的整合与协同。阿福要做到的，是用户一切与健康相关的行为都能在阿福App内完成。这便是阿福在春节的阶段性胜利后，没有停留在用户侧趁热打铁的原因。值得一提的是，除了外部的生态扩张，蚂蚁既有的禀赋为阿福自动化提供了部分服务交付能力。据了解，用户在阿福App内已经可以“医保直付”与“商保直赔”。用户在阿福内完成问诊、购药、就医后，系统自动触发医保结算和商业保险理赔，无需手动提交单据、等待审核、垫付资金。离用户越近的产品，越有机会成为入口。但入口并不等同于胜利，很多时候，它更像是一个极其消耗资源的“甜蜜陷阱”。1亿用户和3000万月活证明了“中间地带”的需求真实存在，但需求被验证之后，蚂蚁必须回头补课。只有为阿福的自动化寻找更坚实的资源支点，蚂蚁组织起来的入口才不会沦为空中楼阁。AI健康的大道小路一位业内人士告诉光子星球，AI健康最早的爆款应该会集中在细分场景，如某个专科的专病。这既符合医疗资源供给的形态，也符合推理时代出于多种因素成为主流的专家小参数模型技术范式。在他看来，摆在当下AI健康玩家面前路就两条。更快的路是选择几个病种，不断通过医患数据强化学习，做出符合机构端交付的专家模型产品。钉钉联合壹生检康推出的“豆蔻医生超级助理”聚焦妇产科，上线10天内便有超300家医疗机构主动开通；百川智能的“百小应”专攻循证医疗，通过API将六源循证推理能力标准化输出，直接嵌入医院工作流。这类产品切口窄、临床价值明确，商业路径清晰，可以说是每一步都踩在了实地上。阿福选择的是另一条更慢、也更重的路。打个比方，专病路径像打井，切口窄、突破慢，要一个萝卜一个坑拓宽能力；平台路径像修路，要自己一点点清理障碍，站到更上游的位置，直面供给不均衡。直观的影响，是专病AI产品的商业化速度开始与阿福形成时差。张俊杰多次强调阿福问答结果中没有任何广告推荐，不受商业因素干扰。这种克制在建立信任的同时，也意味着阿福必须依赖集团更长期的投入，而无法像专病产品那样快速自我造血。另一重挤压来自AI化同样快速的传统互联网医疗巨头。以京东健康为例，其在过去数年已经建立了相对完整的“医+检+诊+药”服务闭环。今年以来，京东健康一边升级AI医生智能体集群，强调长期记忆、主动管理和体检报告后的闭环方案，另一边持续整合自营药房和即时配送等既有履约能力，试图把AI健康管家与线下服务捆得更紧。同样具备履约网络优势的还有美团。4月14日，美团发布家庭健康管理产品“小团健康助手”，提供与阿福相似的AI健康咨询与健康档案管理等功能。有庞大的本地生活服务为支撑，美团AI健康与线下的结合有希望拓展到药店、医美等机构。类似这般被验证的医疗服务，是阿福自春节后密集布局的对象。高强度的资源需求下，蚂蚁为阿福提供的腾挪空间也需要继续加强。赤脚医生下乡曾经帮助新中国度过了建国初期医疗资源严重不均的阶段。假如AI是桥接医疗健康供需的媒介，蚂蚁阿福的渗透便不能止于C端。医疗健康真正最难、最重、也最慢的那一部分，阿福还在路上。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
05/09
企业AI落地路径：AI赋能从“试点”到“普惠”
很多企业在完成AI基础设施搭建后，依然陷入“落地难、推广慢、效果差”的困境：要么试点项目成功却无法复制，要么规模化推广后出现适配性问题，要么AI应用与业务流程脱节，无法真正解决业务痛点。核心原因在于缺乏清晰、可落地的AI落地路径，忽视了“试点验证→优化迭代→规模化推广→长效保障”的循序渐进过程，盲目追求“快速落地、全面覆盖”，最终导致资源浪费、效果不及预期。企业AI落地的核心逻辑，是“以业务为核心、以试点为突破、以迭代为支撑、以规模化为目标”，无需追求“大而全”，而是遵循“小步快跑、稳步推进”的原则，先通过试点验证AI价值，再优化迭代适配业务，最后实现规模化赋能，让AI真正融入企业研发、生产、销售、服务、管理全业务链路，成为培育新质生产力的核心驱动力。本文将聚焦企业AI落地的全流程，解析从试点验证到规模化赋能的具体实施步骤、关键方法、实操案例和避坑指南，重点解决“试点怎么选、项目怎么落地、如何规模化推广、如何保障长效价值”四大核心问题，帮助企业管理者快速将AI基础设施的能力转化为实际业务价值，实现AI与业务的深度融合。前期准备：明确目标、梳理场景、组建团队AI落地不是“盲目启动”，而是“有备而来”。在启动AI试点项目前，需做好前期准备工作，明确落地目标、梳理适配场景、组建专业团队，避免“盲目投入、方向跑偏”，为后续试点落地和规模化推广奠定基础。前期准备的核心是“对齐需求、明确权责、搭建保障”，确保AI落地每一步都贴合业务、有章可循。明确落地目标：业务导向，量化价值AI落地的核心目标是“解决业务痛点、创造业务价值”，而非“单纯落地技术”。企业需结合自身发展战略，明确AI落地的核心目标，且目标需具备“可量化、可落地、可验证”的特点，避免模糊化的“提升效率、降低成本”，确保每一个AI项目都有明确的价值导向。明确目标的核心步骤的是：第一步，梳理企业核心业务痛点，明确哪些场景可通过AI解决（如生产效率低、客户转化率低、质检误差大等）；第二步，将业务痛点转化为AI落地目标，量化目标指标（如“通过智能质检AI，将质检误差率从5%降至1%以下”“通过智能客服AI，将客户咨询响应时间从30分钟缩短至5分钟以内”）；第三步，对齐目标优先级，优先选择“投入小、见效快、价值高”的目标，避免“大而全”的目标导致资源分散。示例：某制造企业核心痛点是“生产质检效率低、误差率高”，明确AI落地目标为“搭建智能质检AI系统，实现产品缺陷自动识别，质检效率提升50%以上，质检误差率降至0.5%以下，年节约质检成本100万元”，目标量化、可验证，为后续试点落地提供了明确方向。梳理适配场景：聚焦核心，优先试点AI落地的关键的是“场景适配”，并非所有业务场景都适合立即落地AI，需结合基础设施完善程度、业务痛点紧急性、投入产出比，梳理适配的AI场景，优先选择“核心场景、易落地、高价值”的场景作为试点，打造标杆案例，再逐步扩展。场景梳理的核心原则：一是聚焦核心业务，优先选择与企业核心营收、核心竞争力相关的场景（如制造企业的生产质检、零售企业的精准营销、金融企业的智能风控）；二是优先选择“痛点突出、数据充足”的场景，数据是AI落地的基础，场景数据越充足、越规范，AI落地难度越低、效果越好；三是选择“投入小、见效快”的轻量化场景，避免一开始就落地复杂场景（如大模型自研、全业务链路AI改造），降低试点风险。不同行业核心适配场景参考：制造企业（智能质检、设备故障预警、智能排产）；零售企业（精准营销、客户画像、智能导购）；金融企业（智能风控、智能客服、合规审核）；服务企业（智能调度、客户满意度分析、服务流程优化）；集团企业（智能决策、数据可视化、跨部门协同）。组建专业团队：明确权责，协同推进AI落地是一个“跨部门、跨领域”的系统工程，需要技术、业务、管理等多方面人员协同，组建专业的AI落地团队，明确各成员权责，是确保AI项目顺利推进的关键。团队无需追求“规模大”，但需覆盖核心岗位，实现“技术支撑、业务对接、管理保障”的协同。核心团队组成及权责：一是项目负责人（1名），统筹AI落地全流程，对接企业管理层，协调各部门资源，把控项目进度和效果，对项目最终落地负责；二是技术团队（2-5名，根据企业规模调整），包括数据工程师、算法工程师、运维工程师，负责数据准备、模型开发、部署运维，确保技术落地；三是业务对接人（每个试点场景1名），来自业务部门，熟悉业务流程和痛点，负责需求对接、场景适配、试点落地后的效果验证和反馈；四是管理层代表（1名），负责资源协调、决策支持，推动AI项目在企业内部的推广。团队协同机制：建立定期沟通会议（每周1次），同步项目进度、解决落地难题；明确技术团队与业务团队的对接流程，确保技术开发贴合业务需求；建立考核机制，将AI项目落地效果与团队成员绩效挂钩，激发团队积极性。第一步：试点落地，打造可复制的标杆案例试点落地是AI规模化推广的基础，核心目标是“验证AI价值、优化适配方案、积累落地经验”，而非“追求完美效果”。试点落地需遵循“小范围、轻量级、快迭代”的原则，选择1-2个核心场景，集中资源推进，打造可复制、可推广的标杆案例，为后续规模化推广提供参考。试点场景选择：3个核心标准试点场景的选择直接决定试点效果和后续推广难度，需严格遵循3个核心标准，避免盲目选择：标准一：数据充足且规范。试点场景需具备完善的历史数据（至少3-6个月的相关数据），且数据已完成治理（清洗、标准化、脱敏），无需额外投入大量资源进行数据准备，降低试点难度；例如，智能质检场景需具备充足的产品缺陷样本数据，智能客服场景需具备充足的客户咨询历史数据。标准二：痛点突出且紧急。试点场景需是企业当前面临的核心痛点，且痛点紧急，AI落地后能快速看到效果，提升企业内部对AI落地的信心；例如，某企业面临“客户投诉率高、客服响应不及时”的紧急痛点，选择智能客服作为试点，落地后能快速缩短响应时间、降低投诉率。标准三：投入小且易落地。试点场景无需复杂的技术改造和大量的资源投入，可依托现有AI基础设施，快速落地、快速验证；例如，中小企业可选择“API调用”模式落地智能客服、简单数据分析等轻量化场景，无需投入大量资金进行模型自研和系统改造。试点落地的4个关键步骤试点落地需循序渐进，按“需求细化→方案设计→开发部署→效果验证”4个步骤推进，确保每一步都贴合业务需求，避免“技术与业务脱节”。步骤一：需求细化，明确落地边界。联合业务对接人，细化试点场景的具体需求，明确AI应用的功能、范围、预期效果和落地边界，避免“需求模糊、范围过大”；例如，智能质检场景需明确“检测哪些产品缺陷、检测精度要求、检测流程对接、与现有生产系统的集成方式”等细节，确保技术开发有明确方向。步骤二：方案设计，贴合业务流程。技术团队结合需求，设计AI落地方案，核心是“贴合现有业务流程，最小化业务改造”，避免AI应用与现有业务流程冲突，降低业务部门的接受度；方案需明确数据来源、模型选择（API调用/微调/行业模型）、部署方式、开发周期、资源投入等核心内容，报管理层审批后推进。步骤三：开发部署，快速落地试点。技术团队按照方案，推进模型开发、系统集成和部署工作，优先采用“轻量化部署”模式，快速落地试点；例如，智能客服场景可直接调用公有大模型API，集成到现有客户咨询系统，无需大规模改造现有系统，1-2周即可完成部署。部署过程中，加强与业务部门的沟通，及时解决部署过程中的适配问题。步骤四：效果验证，量化试点价值。试点部署完成后，运行1-2个月，收集相关数据，对比试点目标，量化AI应用的实际效果；同时，收集业务部门和用户的反馈，梳理存在的问题（如模型准确率不足、操作繁琐、与业务流程适配度不高），形成试点报告，明确优化方向。试点落地的实操案例与避坑指南实操案例：某中型制造企业，完成AI基础设施搭建后，选择“智能质检”作为试点场景。该企业核心痛点是“人工质检效率低、误差率高，年质检成本80万元”，明确试点目标为“质检效率提升50%，误差率降至0.5%以下，月节约质检成本5万元”。团队选择行业智能质检模型，结合企业自身产品缺陷数据进行微调，依托现有私有云算力部署，2周完成部署，运行1个月后，质检效率提升58%，误差率降至0.3%，月节约质检成本6.2万元，试点成功，形成可复制的标杆案例。试点落地常见误区与避坑指南：误区一：试点场景过多，资源分散。同时推进多个试点场景，导致资源分散、精力不足，每个场景都无法做好，最终试点失败。避坑指南：优先选择1-2个核心场景，集中资源推进，确保试点做深、做透，打造标杆案例后再逐步扩展。误区二：技术与业务脱节，忽视业务反馈。技术团队盲目追求技术先进，忽视业务流程和业务需求，导致AI应用落地后，业务部门无法正常使用，效果不及预期。避坑指南：试点过程中，加强与业务部门的协同，每一步都征求业务对接人的意见，确保AI应用贴合业务流程。误区三：过度追求完美，迟迟不落地。技术团队过度纠结于模型准确率、系统稳定性，不断优化调整，导致试点落地周期过长，错过最佳推广时机。避坑指南：试点的核心是“验证价值、积累经验”，无需追求完美，先实现核心功能，落地后再通过迭代优化提升效果。误区四：忽视人员培训，业务部门抵触。AI应用落地后，未对业务部门人员进行培训，导致人员不会操作，产生抵触情绪，影响试点效果。避坑指南：试点部署完成后，开展针对性培训，简化操作流程，让业务人员快速掌握AI应用的使用方法，提升接受度。第二步：优化迭代，完善AI应用与业务适配试点成功后，并非直接推广，而是需要结合试点反馈，对AI应用进行优化迭代，完善与业务流程的适配，解决试点过程中出现的问题，提升AI应用的稳定性、准确性和易用性，确保AI应用能够适配更多业务场景，为规模化推广奠定基础。优化迭代是AI落地的“核心环节”，也是AI持续发挥价值的关键——AI应用并非“一劳永逸”，需随着业务变化、数据更新持续优化。优化迭代的核心方向：3个维度发力结合试点反馈和业务需求，优化迭代主要围绕“模型优化、流程适配、体验提升”3个维度发力，确保AI应用贴合业务、好用易用。维度一：模型优化，提升准确性和稳定性。针对试点过程中出现的模型准确率不足、响应速度慢、稳定性差等问题，技术团队通过补充训练数据、优化模型参数、模型轻量化等方式，提升模型性能；例如，智能质检模型准确率不足，可补充更多产品缺陷样本数据，对模型进行微调，提升识别精度；模型响应速度慢，可通过模型压缩、算力调度优化，提升响应效率。维度二：流程适配，融入现有业务链路。针对AI应用与现有业务流程适配度不高、操作繁琐等问题，优化AI应用的集成方式，简化操作流程，让AI应用无缝融入现有业务链路，减少业务部门的操作成本；例如，智能排产AI应用，可优化与现有生产管理系统的集成，实现排产数据自动同步，无需业务人员手动录入，提升操作效率。维度三：体验提升，降低使用门槛。针对业务人员反映的操作复杂、界面不友好等问题，优化AI应用的操作界面，简化操作步骤，增加操作指引，降低使用门槛；例如，智能客服后台界面，可优化数据展示方式，增加一键导出、异常预警等功能，让业务人员快速掌握客户咨询情况，提升使用体验。优化迭代的机制：建立闭环，持续推进优化迭代不是“一次性操作”，而是“持续推进”的过程，需建立“反馈-分析-优化-验证”的闭环机制，确保优化迭代有章可循、落地见效。闭环机制的核心步骤：一是反馈收集，建立常态化反馈渠道（如每周业务沟通会、线上反馈表单），收集业务部门、用户对AI应用的意见和问题，分类整理，明确优先级；二是问题分析，技术团队与业务对接人协同，分析问题产生的原因（如模型问题、流程问题、操作问题），制定针对性的优化方案；三是优化实施，技术团队按照优化方案，推进模型优化、流程调整和功能升级，明确优化周期和责任人；四是效果验证，优化完成后，在试点场景中试运行，收集数据，验证优化效果，确保问题得到解决，同时避免新的问题产生。优化迭代的频率：根据业务变化和反馈情况，灵活调整优化频率，试点阶段可每周优化1次，解决核心问题；优化成熟后，可每月优化1次，持续提升AI应用效果；当业务场景发生重大变化（如产品升级、流程调整），需及时开展专项优化，确保AI应用适配业务变化。优化迭代的实操案例实操案例：某零售企业，试点落地“精准营销AI”后，收集到业务部门反馈：“AI推荐的产品与客户需求匹配度不高，部分推荐产品库存不足，导致客户转化率偏低”。团队针对反馈问题，开展优化迭代：一是模型优化，补充客户消费偏好、库存数据，对精准营销模型进行微调，提升推荐匹配度；二是流程适配，优化AI推荐系统与库存管理系统的集成，实现库存数据实时同步，避免推荐库存不足的产品；三是体验提升，在推荐后台增加“推荐效果数据统计”功能，让业务人员可实时查看推荐转化率，及时调整推荐策略。优化完成后，试运行1个月，客户转化率提升32%，库存适配率达到98%，有效解决了试点过程中出现的问题。第三步：规模化推广，实现全业务链路AI赋能当试点场景优化成熟、形成可复制的方案后，即可启动规模化推广，将AI应用从试点场景扩展到全业务链路，实现“从点到面”的全面赋能，让AI真正融入企业生产、销售、服务、管理等各个环节，最大化AI的业务价值。规模化推广需遵循“循序渐进、分类推进、协同联动”的原则，避免“盲目推广、一刀切”，确保推广过程顺利、效果可控。规模化推广的前期准备：3个核心保障规模化推广前，需做好前期准备工作，解决“资源不足、人员抵触、方案不适配”等问题，为推广工作提供保障：保障一：资源扩容，适配规模化需求。结合推广场景的数量和需求，扩容算力、数据和技术资源；例如，增加GPU算力，满足多个场景同时运行的需求；扩展数据采集范围，覆盖更多业务场景的数据；补充技术团队人员，支撑多个场景的部署和运维。保障二：人员培训，提升全员接受度。开展全员AI培训，针对不同岗位（管理层、业务人员、技术人员），制定不同的培训内容：管理层培训重点是AI价值和推广策略，提升对AI推广的重视；业务人员培训重点是AI应用的使用方法和注意事项，降低使用门槛；技术人员培训重点是规模化部署和运维技巧，确保推广过程顺利。保障三：方案优化，适配多场景推广。结合试点方案，优化形成“标准化推广方案”，明确不同场景的部署流程、资源需求、适配要点和预期效果，避免每个场景都重新设计方案，提升推广效率；同时，针对不同业务场景的差异，制定个性化适配方案，确保AI应用贴合不同场景的业务需求。规模化推广的实施策略：分类推进，循序渐进规模化推广无需“一次性全覆盖”，而是采用“分类推进、循序渐进”的策略，按照“易落地场景→复杂场景、核心场景→非核心场景”的顺序，逐步扩展，确保每个场景推广后都能实现预期价值。策略一：按场景难度分类推广。优先推广与试点场景类似、难度低、易落地的场景（如试点场景是智能质检，可优先推广到其他生产线的质检场景）；再推广难度较高、需要复杂技术改造的场景（如智能排产、智能决策），逐步提升推广难度，降低推广风险。策略二：按业务板块分类推广。优先推广核心业务板块的场景（如制造企业的生产板块、零售企业的销售板块），确保核心业务先实现AI赋能，创造核心价值；再推广非核心业务板块的场景（如行政办公、后勤管理），实现全面赋能。策略三：按区域/子公司分类推广。集团企业可优先选择1-2个子公司作为推广试点，验证推广方案的可行性，优化完善后，再推广到其他子公司，实现集团范围内的规模化赋能。规模化推广的关键：协同联动，解决落地难题规模化推广过程中，会面临“部门协同不畅、场景适配不足、运维压力大”等问题，需建立协同联动机制，及时解决落地难题，确保推广工作顺利推进。一是建立跨部门协同机制。成立规模化推广专项小组，统筹各部门资源，明确各部门权责，加强技术部门、业务部门、管理层的协同，及时解决推广过程中的跨部门问题（如系统集成、数据共享）；定期召开推广进度会，同步推广情况，协调解决难题。二是建立场景适配支持机制。技术团队成立适配支持小组，针对不同场景的推广，提供一对一的技术支持，解决场景适配、部署调试等问题；同时，建立问题反馈渠道，及时响应业务部门的需求，快速解决推广过程中的问题。三是建立规模化运维机制。结合MLOps体系，搭建规模化运维平台，实现多个AI应用的集中监控、统一管理和批量迭代，降低运维压力；建立运维团队，明确运维职责，及时处理AI应用运行中的故障，确保AI应用稳定运行。规模化推广的实操案例实操案例：某大型制造企业，试点落地“智能质检”成功后，启动规模化推广。前期做好资源扩容（增加GPU算力，补充技术人员）、全员培训（覆盖生产、质检、管理等岗位），优化形成标准化推广方案；采用“按场景难度分类推广”策略，先将智能质检推广到所有生产线，再推广智能设备故障预警、智能排产等场景；建立跨部门协同小组和技术支持小组，及时解决推广过程中的系统集成、场景适配等问题。经过6个月的推广，实现了生产环节全链路AI赋能，生产效率提升45%，质检成本降低60%，设备故障率下降38%，规模化推广效果显著。第四步：长效保障，确保AI价值持续发挥AI规模化推广后，并非一劳永逸，需建立长效保障机制，解决“AI应用闲置、效果下降、与业务脱节”等问题，确保AI应用能够持续适配业务变化，持续发挥价值，真正成为企业培育新质生产力的核心支撑。长效保障的核心是“制度保障、技术保障、人才保障、价值评估”，形成完整的保障体系。制度保障：建立完善的AI管理制度完善的管理制度是AI长效运行的基础，需建立“使用管理、安全管理、迭代管理”三大制度，规范AI应用的使用、运维和迭代，确保AI应用有序运行。一是使用管理制度，明确各岗位使用AI应用的权限、流程和责任，规范AI应用的使用行为，避免滥用、误用；建立AI应用使用考核机制，将AI应用的使用情况与业务人员绩效挂钩，提升全员使用积极性。二是安全管理制度，结合数据安全和模型安全要求，建立AI应用安全管理规范，包括数据安全、模型安全、系统安全等方面；定期开展安全检查，及时发现和防范安全风险，确保AI应用安全合规运行。三是迭代管理制度，明确AI应用迭代的流程、频率和责任，建立“反馈-分析-优化-验证”的常态化迭代机制，确保AI应用能够随着业务变化、数据更新持续优化，避免AI应用与业务脱节。技术保障：强化MLOps与平台支撑技术保障是AI长效运行的核心，需强化MLOps体系和AI平台的支撑作用，实现AI应用的高效运维、持续迭代和规模化管理。一是完善MLOps体系，打通“模型开发→部署→监控→迭代”的全生命周期闭环，实现多个AI应用的集中监控、批量部署和自动化迭代，降低运维成本，提升运维效率；实时跟踪AI应用的运行状态，及时发现和解决模型性能下降、系统故障等问题。二是优化AI平台架构，提升平台的可扩展性、可复用性和协同性，支撑更多业务场景的AI应用落地；完善平台的数据汇聚、模型管理、应用集成等功能，实现数据、模型、应用的协同联动，提升AI应用的适配性和易用性。三是技术创新支撑，关注AI技术的最新发展（如大模型升级、轻量化技术、边缘计算等），及时引入新的技术和方法，优化AI应用，提升AI应用的性能和价值；加强与AI服务商、科研机构的合作，提升企业AI技术实力。人才保障：培育复合型AI人才队伍人才是AI长效运行的关键，需培育一支“懂技术、懂业务、懂管理”的复合型AI人才队伍，支撑AI应用的运维、迭代和优化，避免“技术断层、人才短缺”导致AI应用无法持续发挥价值。人才培育的核心措施：一是内部培养，针对现有技术人员和业务人员，开展AI技术、业务知识的专项培训，培育内部复合型人才（如培养业务人员掌握基础AI操作和需求对接能力，培养技术人员掌握业务流程和场景适配能力）；二是外部引进，根据企业AI发展需求，引进专业的AI人才（如算法工程师、数据科学家、AI项目管理者），补充人才队伍；三是建立人才激励机制，完善薪酬福利和晋升体系，激发人才积极性，留住核心AI人才。价值评估：建立常态化AI价值评估体系建立常态化AI价值评估体系，定期评估AI应用的实际效果，量化AI应用的业务价值，及时发现AI应用存在的问题，优化调整AI策略，确保AI应用持续创造价值。价值评估的核心维度：一是业务价值，量化AI应用带来的效率提升、成本降低、营收增长等指标（如“智能客服AI年节约人工成本50万元，客户满意度提升25%”）；二是技术价值，评估AI模型的准确率、稳定性、响应速度等性能指标，确保技术性能达标；三是用户价值，评估业务人员和用户对AI应用的接受度、使用体验，收集反馈意见，优化AI应用。价值评估的频率：每月开展一次月度评估，跟踪AI应用的短期效果；每季度开展一次季度评估，总结AI应用的价值贡献，优化推广和迭代策略；每年开展一次年度评估，结合企业发展战略，调整AI落地目标和方向。不同规模企业的AI落地差异化策略不同规模的企业，技术实力、资金预算、业务复杂度不同，AI落地的路径和策略也应有所区别，需结合自身实际，选择适配的落地策略，避免“盲目跟风、照搬照抄”，确保AI落地效果。中小企业：轻量化落地，聚焦核心价值中小企业的核心需求是“投入小、见效快、易落地”，无需搭建复杂的AI体系，重点聚焦核心业务场景，采用轻量化落地策略，快速实现AI价值。核心策略：一是场景聚焦，优先选择1-2个核心痛点场景（如智能客服、简单质检、数据分析），无需全面覆盖；二是技术选型，优先采用API调用、行业模型等轻量化方式，无需自研模型和搭建复杂平台，降低投入成本；三是试点优先，集中资源做好试点，打造标杆案例后，再逐步推广，避免资源分散；四是借力外部，与AI服务商合作，依托服务商的技术和资源，降低落地难度，减少内部技术投入。中大型企业：规模化落地，打造完整体系中大型企业的核心需求是“规模化赋能、业务融合、价值最大化”，具备一定的技术实力和资金预算，可搭建完整的AI落地体系，实现全业务链路AI赋能。核心策略：一是顶层设计，结合企业发展战略，制定完善的AI落地规划，明确落地目标、路径和资源投入；二是平台搭建，完善AI基础设施和AI平台架构，支撑规模化推广；三是协同联动，加强跨部门协同，实现AI与业务流程的深度融合；四是人才培育，建立复合型AI人才队伍，支撑AI应用的运维、迭代和优化；五是持续创新，关注AI技术发展，及时引入新的技术和方法，提升AI应用价值。集团企业：集约化落地，实现集团协同集团企业的核心需求是“集约化管理、协同赋能、资源复用”，需搭建集团级AI平台，实现各子公司、各业务板块的协同联动，最大化AI价值。核心策略：一是集团统筹，制定集团统一的AI落地战略和标准，搭建集团级AI平台，实现数据、模型、应用的集团化共享和复用；二是分级落地，结合各子公司的业务特点，制定个性化落地方案，分级推进AI落地；三是协同赋能，打通各子公司、各业务板块的数据壁垒，实现AI应用的协同联动（如集团级客户画像、跨子公司智能调度）；四是长效管控，建立集团级AI管理制度、人才培养体系和价值评估体系，确保AI落地持续发挥价值。小结企业AI落地是一个“循序渐进、持续迭代”的系统工程，核心路径是“前期准备→试点落地→优化迭代→规模化推广→长效保障”，五大环节环环相扣、协同联动，缺一不可。前期准备明确目标、场景和团队，为落地奠定基础；试点落地打造标杆案例，验证AI价值；优化迭代完善适配，提升AI应用效果；规模化推广实现全面赋能，最大化业务价值；长效保障确保AI价值持续发挥，支撑新质生产力培育。AI落地的核心关键，是“以业务为核心、以价值为导向”，避免“重技术、轻业务”“重试点、轻推广”“重落地、轻保障”的误区。不同规模的企业，需结合自身实际，选择适配的落地策略：中小企业聚焦轻量化、核心价值；中大型企业打造规模化、完整体系；集团企业实现集约化、协同赋能。通过本章的路径指引，企业可快速将AI基础设施的能力转化为实际业务价值，让AI真正融入全业务链路，解决业务痛点、提升运营效率、降低成本、创造差异化价值。下一章，我们将聚焦企业AI落地的风险防控与合规管理，解析AI落地过程中的各类风险（数据安全、模型风险、合规风险）及防控策略，帮助企业规避风险，实现AI安全、合规、可持续落地。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
04/24
深耕多模态 AI ，文声图重构政企数字化服务范式
在大模型从“炫技”走向“实用”的今天，多模态AI已成为政企数字化升级的核心刚需。单一模态能力难以支撑跨语言、跨格式、跨终端的真实场景，具备全栈技术、全场景产品、全环境适配的转译源头服务商，正在成为产业落地的关键力量。文声图（深圳）科技有限公司（下称“文声图”），以自研多模态大模型与融合算法为底座，专注文本、声音、图片一体化转译的解决方案，凭借从数据源到交付的一站式能力，在政务、金融、教育、传媒等领域实现规模化落地。行业拐点已至：多模态AI比拼的不再是模型，而是落地当前企业在推进多模态AI应用时，普遍面临四大痛点：模态系统相互割裂，文本、语音、图像无法统一调度；小语种与方言覆盖不足，跨境业务语言壁垒显著；文档、音视频、图片等格式繁杂，通用工具兼容性差；国产化硬件适配成本高，数据安全与部署灵活性难以兼顾。大量AI项目因此停留在测试阶段，无法进入核心业务流程。行业共识已然清晰：多模态AI的竞争核心，已从参数规模转向工程化、产品化、交付能力。文声图定位为多模态AI能力源头服务商，避开通用大模型内卷，聚焦垂直场景落地，构建“算法—数据—接口—产品—场景”五大能力栈，实现文本、声音、图片全栈式处理，为客户提供可落地、可定制、可安全私有化的AI服务。全栈产品矩阵：覆盖翻译、会议、知识库、音视频、数字人全场景依托自研技术，文声图打造覆盖企业高频需求的完整产品体系，所有产品均支持多语种、全格式、国产化兼容，形成差异化竞争力。多语言大模型翻译系统作为入口级核心产品，支持文本、文档、图片、语音、视频全类型翻译，覆盖521+语种，兼容PDF、WPS、音视频等23+格式，内置术语库、人工后编辑、离线私有化部署，累计处理翻译字符量超12.9亿，满足政企高安全、高效率需求。多语言实时会议同传系统集成语音转写、多语翻译、悬浮字幕、会议纪要、大屏展示能力，支持多路音频采集、热词管理、角色配置，广泛应用于国际论坛、政府会议、远程协作，实现跨语言交流零障碍。多模态智能体企业知识库通过知识图谱与语义检索，自动解析多源文件，实现知识聚合、智能问答、权限管控，支持私有化部署，成为企业“数字大脑”。多语言音视频治理方案提供转写、翻译、配音、字幕生成、声音克隆一站式能力，兼容19+音视频格式，大幅降低传媒、教育、企业宣传内容生产成本。多语言数字人解决方案结合大模型交互、语音克隆与口型同步，可用于虚拟主播、数字客服、文旅导览、政务咨询，实现24小时无人值守服务。此外，文声图还推出多语言教学一体机、多语言学习平台等产品，覆盖教育全场景。三大核心壁垒：多语种、全格式、国产化，击穿落地最后一公里文声图以极致工程化能力，构建行业难以复制的壁垒。在语种覆盖上，文本翻译521+种、语音识别326+种、语音合成208+种、图片识别118+种，主流语种准确率超90%，方言与小语种同样保持高精度。在格式兼容上，文档、音视频、图片分别支持23+、19+、28+格式，几乎覆盖企业全部日常文件类型，真正做到“企业有什么，AI就能处理什么”。在部署适配上，全系产品支持国产化与非国产化双环境，兼容飞腾、鲲鹏、昇腾等国产硬件，适配银河麒麟、统信UOS等系统，支持云端、本地、离线多模式部署，满足关键领域自主可控与数据安全要求。安全与服务：全链路自主可控，全国网络快速交付安全合规是政企AI服务的底线。文声图核心算法与模型100%自研，无第三方依赖，从源头规避安全漏洞；采用多层加密、数据脱敏、权限管控，支持数据不出域、阅后即焚，符合政企最高安全标准。公司拥有AAA级信用企业资质与多项软件著作权，服务可追溯、可审计。服务层面，文声图以深圳为总部，在北京、上海、成都、武汉设立分支机构，形成全国化服务网络，提供需求调研、方案设计、部署实施、定制开发、运维升级全流程支持，保障项目快速上线、稳定运行。未来趋势：多模态AI将走向场景深水区，务实落地者胜出2026年被视为多模态AI场景落地元年，行业正从通用模型竞赛转向场景化、私有化、工程化价值竞争。能够真正解决企业痛点、降低成本、提升效率、保障安全的服务商，将占据市场主流。文声图坚持以场景为核心、以落地为目标，不追求技术噱头，专注把复杂AI变简单、把前沿能力变可靠。随着多模态智能体加速普及，文声图将持续深耕文本、语音、图像融合赛道，以全栈多模态AI能力，助力千行百业数字化升级，成为政企数字化转型中值得信赖的长期合作伙伴。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
04/24
当AI被解构成糊弄型人格，它还可信么？
普通用户凭什么相信AI？这两天新学到一个梗词——豆包型人格。网友给出的解释是：啥事都瞎糊弄，被发现就嬉皮笑脸道歉。还有人模仿它的交互风格，与家人逗乐。刚看到这个梗时，你可能会觉得无厘头。若对照豆包、DeepSeek、元宝等AI应用的内容生成逻辑、聊天对话模式，就会和我一样惊呼：简直太贴切了。因为，当下很多人对这类AI应用的直观感受就是：遇事糊弄、秒速认错、未必改正。我一个朋友的点评更为通俗，“豆包”们很会拍彩虹屁，还会装糊涂，情绪价值拉满，就是不太靠谱。其体现在产品逻辑上，豆包、DeepSeek等AI工具采用产品化的社交防御机制，试图通过卖萌、拟人化的认错，来掩盖对话内容的不确定性乃至根本性错误。AI搜索面临信任危机这种将AI应用抽象成某种“人格”的解构，实际也是普通用户对AI搜索，或者说ChatBot式产品投下的不信任票。它们主打“一步到位，直接给答案”，看似在颠覆传统搜索，却藏着先天缺陷：一是答案来源不透明。大模型本身无法分别是官方信息、营销软文，还是编造的虚假信息。专业人士需要花费精力甄别，普通用户只能是被动接受AI给出的“唯一答案”。二是，大模型本身因为语料、数据源等问题，存在严重幻觉。并且输出口径单一，缺乏多源对比，回溯验证机制，一旦被投毒，便会出现“中毒”迹象，甚至全盘失真。也就是“胡说八道”，AI幻觉。图｜“豆包型人格”·抖音截图究其原因，当前包括豆包在内的多数AI工具，本质还是“概率性文本生成器”。它们基于海量数据“预测”下一个最可能出现的词。当它无法给出准确答案时，为了维持对话的流畅性，会自动脑补出一套符合语法逻辑但缺乏事实支撑，或者完全错误的内容。也就是大家常说的，为了满足用户的即时情绪，它们会“一本正经的胡说八道”。简单点说，AI追求极致效率，却丢掉了最核心的可信度。比如青年演员刘美含在配音工作中，因不确定“坊”字怎么读，查询了百度AI、DeepSeek、元宝、豆包、千问5款AI工具，但答案都不一样。最终，她还是在《新华词典》中得到确定答案，百度AI给出的fáng（二声）是正确的。这种先天不足，很容易被放大，或者被异化为一条黑灰产产业链。今年央视315晚会，焦点之一是针对AI领域的“打假”。一项名为“GEO（GenerativeEngineOptimization，生成式引擎优化）”的黑灰产业务被曝光。这套业务流程也被直白的冠名为“给AI投毒”。此外，部分服务商还提供“抹黑竞品”（黑公关）服务，即通过向AI投喂虚假或者污蔑信息，来干扰竞争对手的搜索表现。当AI生成的内容被明码标价，各AI厂商主推的AI助手就沦为黑产的“广告机”，或者是“垃圾回收站”。某种意义上，给AI投毒也是一种AI幻觉，GEO黑产钻了AI可信度不足的空子，利用虚假、错误信息围猎AI、获取暴利。聊天AI助⼿的幻觉问题频繁出圈，不仅稀释了AI本身的价值，也引发深层的信任危机。公众对其回答准确度也产生剧烈质疑：为什么AI助手会出错？出了错有没有人管？为了探究AI回答的真实性边界，科普媒体“果壳”进行了一项双盲测试。它选取了国内外8家主流AI产品，做了2000道题的测试。结果显示，接⼊百度百科作为参考信源后，AI综合准确度平均提升38%以上，关键事实偏离率从26.4%骤降⾄4.1%以内，专家认可度⾼达91.5%。这组数据，也是「信源决定准确度」的量化证明：权威知识库的引入，能让AI结果变得更详实精准，答案整体的准确度大幅提高。重构AI信任的尺子从豆包型人格，到果壳实验，都指向同⼀个本质：AI答案的可信度，既是架构问题，也是治理问题。前者是指模型训练的技术逻辑和数据燃料来源。如果AI只是基于预训练参数进行“概率性文本生成”，缺乏实时、权威的外部信源接入，就会陷入自说自话的幻觉困境。后者是指AI的运营维护机制和对抗风险能力。如果缺乏人工审核兜底和应对GEO投毒等技术手段，AI就极易被黑产利用，人为操纵AI输出。AI频频翻车，还被编排成段子，内在诱因也是架构缺陷与治理缺位。也可以说，技术架构决定AI的上限，后期治理守住AI的下限。唯有二者一起发力，才能撑起AI的可靠性。如何破局呢？在果壳实验给出的参考方向之外，4月24日举行的百度万象大会上，这个方向被进一步明确和具象化：百度从架构和治理上“双管齐下”，对症施药。一方面，果壳的实验验证了一个公认的事实：AI回答的质量，取决于它⽤什么信源。双盲测试只是在给出一个量化指标。对此，百度在信源上，通过三道权威性过滤机制——多源比对的全维度身份核验、先筛再用的多源交叉验证、以及实时巡检的自动纠偏兜底，来保障答案的准确性。最为关键的还是百度重塑搜索架构的核心逻辑。它不再让模型直接“生成”答案，而是在AIAPI的基础上叠加了双层Agent（智能体）。其中，“需求规划Agent”负责将用户模糊的潜在需求进行细粒度拆解，“组织生成Agent”则负责调用搜索能力，对不同信源进行筛选、校验和总结。在我看来，百度这不是在“猜”答案，是在“找”答案。这也是一种“左手生成，右手把关”的机制。百度是在“组建学术委员会”：先由规划Agent出题（拆解需求），再由生成Agent召集专家（搜索信源）进行答辩（交叉验证）。另外一方面，百度引入了“AI平台责任机制”。三道权威性过滤中有兜底的「秒级响应」内部⾃动巡检系统，⼀旦内容有偏⽴即⼈⼯介⼊并重新⽣产；此外，它还有引⼊AI鉴真机制，专项打击⽆信源内容。其实，这也正是传统搜索厂商的核心优势。以百度、谷歌为代表的传统搜索厂商，历经多年与黑灰产的博弈，建立起内容审核机制和反作弊算法体系，搭配完整的辟谣机制与内容溯源功能，成为保证信息可靠性的城池。这是大多数ChatBot不具备的平台级治理能力。百度从架构和治理上同时重构AI信任的做法，也是对公众关心的“AI助手为什么会出错”、“出了错有没有人管”的正面回应。AI并不是不可信，关键在于平台如何重构AI信任。这也是为什么，我在使用AI工具获取关键信息后，还会第一时间打开百度、谷歌等传统搜索引擎，进行交叉验证；甚至在撰写文章、查阅资料时，会刻意回避AI，重新用回百度和Google。换句话说，我已经把“百度一下”当成一把尺子，来测量生成式聊天AI助手的内容准确度。我的很多朋友，比如资深媒体人甘德霜，都敏锐地察觉到了这种风向的转变。他坦言：“我啥事儿都问AI，但我对AI越来越不信任。”他还养成了一个看似复古的“怪癖”：在查阅关键资料时，刻意回避AI，重新用回了百度和Google。他给自己定下了一个规矩，尽量只信2023年之前就存在于互联网上的内容。面对如今漫天飞舞的AI幻觉、GEO投毒，他突然惊觉，那些曾经被诟病“广告多”的传统的搜索引擎，居然成了最后的避难所。我很认同他的观点和做法。这不是什么怀旧，更不是老登行为，而是对搜索工具的理性回归。如果说的冠冕堂皇一点，这是对内容创作的敬畏，也是对自己读者的负责。AI时代的信任重建，需要的正是“百度一下”这种“说得清、查得到、有人管”的确定性，并通过规则将其呈现给用户。我们可以做一个预判：未来很长一段时间里，传统搜索将会与AI搜索、ChatBot共存。“百度一下”将不只是搜索指令，它还会成为AI信任重构的一把尺子。这把尺子将会用来衡量AI幻觉的轻重，校准AI回答的确定性和准确性。它在帮助普通人享受AI便利的同时，也能够正确使用AI，判断AI，并保持独立思考能力。要知道，信任，也会成为所有AI超级入口的核心竞争力。当“豆包”们在嬉皮笑脸地道歉时，我们也需要去看看真实的世界究竟长什么样。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
04/24
App开始消失，我们正在进入一个“不会用软件”的时代
软件时代结束了，造物时代才刚刚开始。自从用了OpenClaw，我手机里的App越来越少。「AI杀死软件」，在我的手机上变得具象化了。起初，我让OpenClaw充当我的健身教练，我告诉它我的目标、作息习惯、和身体信息，让它给我设计健身计划，并且每天按时提醒我，它照做了，而且还会主动找我做运动复盘。于是，我卸载了一个健身App。OpenClaw引爆了「个人AI助理」｜图片来源：OpenClaw官网后来，我让它给我汇总过去24小时AI领域的重要新闻，在每天早上8点准时发送给我，效果还行。于是，我又卸载了手机上的几个新闻App。传统App们接连从我的手机上消失。不仅如此，OpenClaw还能「杀死」AI应用。过去很长一段时间，我在使用一款「AI笔记」应用，每个月为它付费几十元。它打动我付费的核心是，可以对我记录下的每一条闲言碎语、灵感，以「专家」身份，引用专业理论予以回应和解读，总会让我茅塞顿开。有了OpenClaw之后，我让它来充当那个「博学专家」的角色，帮助我「头脑风暴」，对我的任何笔记做出回应，它也做到了。于是，我没在给「AI笔记」续费了。经过我的语言调教之后，我随意记下「别赶路，感受路」的笔记，OpenClaw识别出这是条笔记后给我的回应。是个很好的头脑风暴伙伴。｜来源：OpenClaw截图我开始关注自己手机上，哪些App会成为「OpenClaw冲击」下最终的「幸存者」。目前看，位置比较稳固的，一类是微信、飞书这种基础通讯工具，一类是小红书、抖音、B站这种和娱乐相关的产品。网络上，关于OpenClaw已经涌现出无数用例，网友们已经玩出了花。观察下来，这些用例有一个共同属性，就是用OpenClaw取代了「纯工具、专业服务性质」的软件。这都是过去一个月里迅速发生的变化。软件正在成批倒下，但如果App消失了，那未来我们消费的是什么？过去，在3D打印与创客社区这个小圈子里流行多年的一句话，或许可以解答前面那个问题，叫——「创造即消费」。如今，它正在被AI带入主流世界。01「创造即消费」的时代，真的来了如何理解「创造即消费」？比如，以前我们是购买健身App的会员，现在直接跟AI对话，让AI创造一个健身指导服务。这个过程中，创造取代了购买，实际上消费的是token。那么，其他的所有需求都是类似，把自己的需求说给AI，直接让AI消耗token造一个，而不一定是去购买现成的产品。这样，可以获得一个功能相似，但更加个性化的服务。而这场变革的起点，源自于「AI编程」近期的质变。VibeCoding提出者AndrejKarpathy，作为最积极拥抱AI编程的人之一，前不久坦言，2025年12月之前的AI编程，和之后的AI编程，几乎是两个物种。他认为，在去年12月之前，AICoding看起来惊艳，但基本没啥用。但拐点发生在模型能力跃迁之后。在ClaudeOpus4.6与GPT-5.3-Codex模型发布之后，大模型彻底撕掉了「辅助工具」的标签。半年前CURSOR还是被行业热议的热门VibeCoding工具，而今以很少出现在AI圈的话题中心｜图片来源：CURSOR官网行业叙事也彻底随之改变。从「AI辅助开发者写代码」变成了「AI自己写代码，帮所有人完成目标」。因此，那个质的变化就是：编程正在退入后台，普通人无需理解它的存在。就像我只是对着OpenClaw说话，就获得了对应的服务、应用。OpenClaw成了我的营养管理师、健身教练、日程助理、情报系统……一切通过聊天生成。整个过程中，我甚至没有意识到自己在「编程」，也毫无感知，却完成了过去需要专业开发者才能实现的功能。另外，虽然App减少了，但服务没有减少。事实上，AI的到来并非让我减少了对服务的需求，而是改变了我获取服务的方式。我依然愿意为专业服务、技能付费，但这些服务最好能被OpenClaw直接调用，成为更加适配我的「个性化服务」。我们可以做一个推演：在AI的加持下，每个人都能开启DIY模式，创造自己的刚需服务。而App和网站并不会彻底消失，只是其角色发生了本质转变——它们不再是面向用户的交互界面，而是成为了数据接口、服务节点和API层，化作AI背后的基础设施。用户不再打开十个应用。用户只会对一个Agent说：帮我搞定这件事。而这个Agent底层可能调度：电商系统、支付系统、数据分析系统等等。如果说「网站」属于PC时代，「App」属于移动时代。那么以Agent为代表的产品形态，会催生新的软件消费习惯：不是下载，而是创造，是生成。02Maker经济崛起AI时代，爆款产品的诞生路径也发生了改变。OpenClaw就是最典型的案例。这和消费级3D打印机的发展路径很像：极客先自己创造，而后在社区里积极上传各类模型、代码，即便可能暂无实际用途，却让整个生态保持高度活跃。等形成了爆款之后，各路创业者跟进做商业化。今天的AIAgent应用也在重复这条轨迹。好玩的功能、创新的应用先在开源社区诞生，再慢慢走向商业化落地。开源社区正成为AI时代的创新发动机：HuggingFace上的模型呈爆炸式增长，GitHub上的AI项目增速屡创新高。上一个时代，大厂定义产品形态；这一个时代，社区定义能力。参考拓竹社区的发展经验，这可能会进一步助推新经济形态的普及：创造即消费。3D打印模型社区MakerWorld｜图片来源：MakerWorld官网例如，模型作者在3D模型社区MakerWorld上传独家模型，而只要有其他用户引用、打印了该模型，他就会获得利润分成。据悉，已经有模型作者因此年入百万。当然，这只是一个小的创客（Maker）经济例子。在「Maker经济」中，每个人都拥有了两重身份：开发者：每个人都能为自己创建工具。能力的售卖者：为自己生成的工具，可以瞬间分享给全球，并盈利。你为自己生成一个工具，同时可以分享给别人。未来售卖的可能不再是软件，而是Prompt、Workflow、Agent模板等轻量型产品，靠「版权使用」次数来实现营收。ClawHub上用户自发上传的skills数量已经破万，五花八门｜图片来源：ClawHub官网v03被低估的AI消费品OpenClaw当下在AI领域很火热，但可能仍然被严重低估了。在我看来，它真正引爆的，不是vibecoding之类的局限于AI圈的小概念，而是全民Agent浪潮。它是一个具备全民普及潜力的AI消费品。可以看到，围绕OpenClaw已经诞生了一些非常「古典」的生意：售卖预装了OpenClaw的Mac、上门为用户安装OpenClaw、在闲鱼上远程指导安装、售卖使用教程......这让我想起了早年的电脑市场。当年我们不会装操作系统，今天很多人不会配置Agent。彼时，人们会花20元去电脑城让店员帮忙安装最新的Windows系统，而当下的OpenClaw，正复刻着这一场景。更重要的是，OpenClaw的起点是服务消费，而不是开发者效率。它不是为了让更多人学会编程。它是为了让目标明确的人，直接获得能力。与当下AI行业自嗨的AIcoding、vibeworkflow不同，这些技术仍局限在专业圈层，缺乏向大众市场扩散的能力，而OpenClaw的核心出发点并非简化开发，是一个承接所有个人需求的核心入口。这是完全不同的逻辑。从产品形态来看，OpenClaw更像是一个「壳子」，一个连接一切的中心。所有的Agent、硬件都在不断向其接入，形成一个庞大的生态体系。OpenClaw，本质上正在扮演AI时代「操作系统」的角色。类比一下PC时代，当我们有了电脑之后，会为它折腾新的操作系统，购买安装各种软件，更新显卡、缓存等各种硬件配置。OpenClaw也在复刻相似的规律，不同的是，我们将通向一个全新的造物时代。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
04/24
互联网养虾人尝到的甜头和苦头
互联网养虾真实现状小鹿向新莓回忆起不久前的一场AI小事故，仍然心有余悸。小鹿在北京一家媒体负责运营，一个人管理着三个账号。她对没有用上AI智能体之前的生活有一个精准的形容，「每一项工作都不难，但加在一起就是搞死人。」刷信息流找热点、汇总写文案、配图发布、回复评论……每天循环往复，停不下来。「龙虾」的出现，一定程度上让她从这种琐碎和重复中解放出来，但同时也给她带来灾难。前段时间，小鹿养的「虾」追了一个敏感热点，自动发出去了，结果触发「无形的手」干预，当天不仅帖子被删，账号也被限流三天。小鹿不是个例。养一只「虾」，正在成为越来越多打工人的常态，因此也产生新的日常开销，甚至新的风险和成本。国盛证券研报数据显示，中国整体日均Token消耗在2024年初仅为1000亿，到2026年3月已突破140万亿，两年多时间增长了超过1000倍。而根据IDC预测，中国活跃智能体数量将在2031年突破3.5亿，年复合增长率高达135%以上，伴随任务密度与复杂度提升，智能体Token消耗将迎来年均超30倍的指数级跃升。Token，也正成为继流量之后，又一项悄悄进入生活成本的基础支出。而这只横空出世的「龙虾」，究竟会成为打工人的效率杠杆，还是食之无味弃之可惜的新型吞金兽？01养虾的甜头和苦头年前，旁听了一场业内关于AI应用的分享后，小鹿和同事在老板的号召下，试着搭建了一套小红书自动化链路。给「虾」一句话指令，它自己去追热点、写文案、做封面、定时发布。「早上起来直接审稿就行，不用自己泡在信息流里了。」小鹿告诉新莓，这套流程解决了她日常工作大概七成的重复劳动，剩下的三成卡在封面上，「AI生成的图总跟文案差点意思，而且平台对AI图有限流，所以还是得自己经手再过一遍。」「虾」是AI智能体在用户圈子里的通行叫法。与普通AI对话产品不同，它能自主规划任务、调用外部工具、自动执行完整的工作流，不只是回答你的问题，还替你把事情做完。2026年初，OpenClaw的出现成为这波热潮的重要引爆点。这款可在用户自有设备上运行的个人AI智能体助手一经推出即在全球广受欢迎，GitHub星标数在极短时间内飙升登顶，超越了React、Linux等历经数十年积累的开源传奇。之后国内开始出现各种「虾」同类或变种。OpenClaw的Github星标数快速飙升来源：OpenClaw社交平台数字足以说明这场热潮的体量，背后则是职场打工人对「养虾」无法抵挡的热情。独立开发者陈博一个人负责维护好几个项目，有些代码因为年代久远没时间重构，但放着又心神不安，总担心不知什么时候就卡BUG了。「重构要整块时间，但整块时间永远挤不出来。」浪潮来临，陈博养了一只专门用于解决工作问题的虾，把重构任务拆碎扔给虾，「它能读写文件、执行Shell命令、SSH到其他机器，跟我自己在终端里能干的事基本一样，我早上来看结果、审代码、做决策。」而且他让这只虾专门在夜间工作，原因很简单，「闲时Token省钱，还不卡。」如果说陈博养的是一只「实习程序员」，那上海的产品经理林然则给自己养了个「实习分析师」。以前，林然每个周末都要加班，花上几个小时，刷遍知乎、小红书和应用商店的评论，手动筛选出提到竞品的内容，整理成报告，以便在周一例会上向老板汇报。现在，他让「虾」每天早上自动跑一遍，把结果总结成简报推送到飞书，他只需要做最后的审核。「之前都得靠自己收集整理，但现在自己只需要审核AI整理的结果即可。」林然坦言效率提升巨大。同样在上海，私募研究员张恒则用「虾」来盯盘和筛选研报。他白天忙于开会和见客户，无法持续监控市场，过去完全被动地依赖微信群里的信息流。现在，每天都会有一套定制化的市场信息简报定时推送给他。四个人，四种用法，但交给「虾」的活儿却高度一致，多为重复的、格式化的琐事。正如麦肯锡2025年全球AI调查显示，AI真正大规模渗透的场景，集中在流程清晰、标准化程度高、数据充分的领域。上述几位养虾用户，无不如此。然而，「虾」也不是那么好「养」的。小鹿遭遇AI事故之后，意识到「全自动发布风险太大。」她现在改成先把生成内容写入文件夹，人工审完再发，「宁可多一步，不然连主号都得搭进去。」林然踩的坑则是「信任过头」。有一次他让「虾」整理一份竞品功能对比，输出的内容看起来条理清晰、论据充分，但有两个核心功能点竟是AI「幻觉」出来的，竞品根本没有。「我直接把报告发给了老板，好在我发现纰漏时老板还没认真看报告，不然得当场社死了。」从那以后，他给自己立下铁律，所有对外报告，涉及具体功能、数据和引用，必须人工进行二次核对。张恒虽然自己还没踩过坑，但一个发生在同事身上的案例，让他当即就去重新检查了自己的所有配置。他的同事当时给「虾」的指令是「检查收件箱，给出存档或删除的建议，但在我批准前不要执行任何操作」，但因为邮箱信息量过大，触发了AI的上下文压缩机制，「虾」把那句关键的「未经批准不得操作」忘掉了，开始无差别地删除邮件。听闻此事后，张恒至今仍然后怕。他第一时间把自己的配置翻了一遍。所有删除、发送、修改类操作的权限全部关掉，虾只能读取和整理，不能主动执行写操作。在这些「调教」过程中，其实都指向一个所有养虾人必须接受的现实，即养虾的前期成本，远不止金钱。02养虾之前，先算账先从一个最简单的动作说起，一句「你好」大约消耗1.2个Token，开支不到1厘钱。这个数字看起来微不足道，但当「虾」开始自主执行一个囊括读取文件、搜索信息、分析结果、生成报告的多步骤任务，便可轻松消耗数万乃至数十万Token。财新曾报道，一只「勤奋的虾」，每天的Token开销可以轻松达到数百元。陈博掰着手指算过自己的账：「月均开支稳定在两三千，高频月份冲到四千出头。模型API占大头，其次是云服务器的算力费用，硬件折旧还没算进去。」但他对这笔钱的态度很坦然：「如果请实习生，最少三千块，还得花时间带。虾不用带节约沟通成本，甚至白天黑夜都能干。」这笔账能不能算赢，很大程度上取决于用的模型。根据llm-stats.com的追踪数据，GPT-4级别的API推理单价从2023年初约每百万Token30美元，三年间已降至不足1美元。但各模型之间的定价与能力差距仍然显著，其中顶级国际模型如ClaudeOpus4.6、GPT-5.4，每百万Token输入约108至180元人民币；国产主流旗舰在8至15元之间；优化过的轻量级模型，则低至每百万Token1至4元。值得注意的是，OpenRouter显示，本月消耗量排名靠前的Qwen3.6Plus（free）和Step3.5Flash（free），都依托免费或极低价格驱动了大量调用，说明性价比已成为决定流量分布的核心变量。资深开发者和AI从业者花叔在《OpenClaw橙皮书：从入门到精通》中也提及如何「成本控制」，「从ClaudeSonnet切换到『Sonnet→Haiku→DeepSeek』三级Fallback链，可以降低80%—95%的API成本。大部分简单任务（问候、查天气、简单查询）会自动走最便宜的模型，只有复杂任务才会用到主力模型。」来源：《OpenClaw橙皮书：从入门到精通》换言之，对于Token高消耗使用者来说，「分层使用」势在必行。陈博最初全程使用ClaudeSonnet，两个月后一算账，发现近一半的简单任务用更便宜的DeepSeek就足够了，开始分层之后账单立减一半。他给任务定了明确的触发规则，日常的代码注释、文件整理、日志分析，用DeepSeekV3.2，够快够便宜；需要多步推理的代码review，用ClaudeSonnet，在工具调用和指令遵循上更稳，一次跑对比反复返工要值钱得多；遇到系统架构设计才切ClaudeOpus，答错了代价很高，费用会剧增。张恒则按文档长度分模型使用，像短任务处理就用DeepSeek，整份研报处理则用Kimi，「200K上下文是Kimi的核心优势，一份研报塞进去不用分段」。而需要复杂推理任务时，张恒会手动切ClaudeSonnet，「只订阅了Claude的pro会员，所以平时会省着用。」但就在用户努力压低成本的同时，价格正在从另一侧悄悄上涨。3月18日，阿里云宣布将平头哥真武810E等算力卡产品价格上涨5%至34%，文件存储CPFS同步上涨30%；百度智能云当日跟进，AI算力相关产品上调5%至30%，并行文件存储涨约30%，两家新价格均于4月18日起生效。再往前，腾讯云已大幅上调混元系列模型价格，其中混元HY2.0Instruct模型输入价格上调了463%。显而易见，这不是个别企业的定价调整，而是一场有结构性根源的全行业转向。中信建投证券计算机行业首席分析师指出，Token调用量暴涨直接推高算力需求，多模态生成技术进一步加速了这一趋势。「以多模态生成为例，生成1分钟视频需消耗约10万亿Token，而国产视频模型的价格已低至0.5至10元/5秒，商业化落地加速，算力供需失衡持续加剧。」国联民生证券在研报中更是一针见血地指出，「本次涨价标志着二十年来云服务价格只降不升的行业惯例被彻底打破。一旦云服务商在某一服务上成功提价而未引起大规模客户流失，第二次、第三次涨价就会变得更容易。」这意味着，用户在模型侧省下来的钱正在被算力侧悄悄补收回去。而养虾的账，未来只会越来越难算。03龙虾淘金热，谁真正赚到了钱这场来势汹汹的「养虾潮」，钱从哪来，又流向哪里？目前来看，创业者、自由职业者、在大厂里用个人账户悄悄跑任务的C端用户，构成了这个市场最活跃的消费群体。B端并非没有动静，只是节奏比C端慢一些。麦肯锡2025年全球AI调查显示，62%的企业已经在试验AI智能体，但仅23%完成规模化落地，主要阻碍集中在「难以证明商业价值」和「集成准备不足」两项。眼下，这个僵局正在被打破。2026年3月，阿里巴巴启动内部计划向员工提供Token额度，淘天集团「AI生产力计划」向实习生全员开放。58同城董事长姚劲波向媒体透露，公司每天消耗接近2000亿Token，「我甚至会问团队，卡什么时候能用完，下一批什么时候买。」4月1日，康师傅、名创优品、安克创新、书亦烧仙草、晨光文具等12家企业集中宣布，将为优秀员工提供「无限Token」权益。Token消耗，正在从个人自费的私人账单，变成组织管理的一部分，那句「工资条上配发Token额度」的玩笑，也正步步走进现实。OpenRouter平台的实时数据，一定程度上能看出这场热潮的大致流向。从本月应用消耗榜来看，上榜的几乎都是编程与Agent工具，其中OpenClaw以20.3Ttokens断层领跑。Token消耗量最大的应用来源：OpenRouter不过，榜单反映的是「谁在被使用」，而非「谁在赚钱」。OpenClaw本身是开源免费的框架，不向用户收取任何费用。用户每一次通过它发起任务，背后消耗的每一个Token，实际上都在调用上游的模型API。也就是说，资金真正流向了模型厂商和云基础设施提供商的账户，而非这些应用本身。换言之，模型API厂商是最直接的受益者，也是直接卖「子弹」的人。在这场「养虾潮」中，国产大模型「双雄」智谱和MiniMax走了两条截然不同的路，却指向同一个终点。智谱走的是「提价」路线。2026年一季度智谱对API价格接连上调，累计涨幅达83%，相对上一代GLM-4.7价格接近翻倍；涨价之后调用量不降反升，市场依然供不应求。MiniMax的打法则是「降本增效」。2026年2月，它推出专为Agent场景设计的M2.5模型。据《财经》引用测算，M2.5的单位Token成本只有OpenAI同类模型的四分之一，但面对中等复杂任务时可靠性与之接近。上线不到一周，M2.5便登顶OpenRouter平台Token调用榜首。两种策略，殊途同归。中金公司研报将此描述为，行业定价逻辑正从「流量消耗」转向「算力价值变现」。然而，消耗量在涨，利润还没跟上，却是当下大模型市场最基本的矛盾，也是这场淘金热最残酷的底色。3月31日，智谱交出了上市后的首份财报，2025年全年营收7.24亿元，同比增长131.9%，净亏损却达47亿元。MiniMax同期经调整净亏损约2.51亿美元，与上年基本持平。相比之下，这场「养虾潮」中的另一明确受益者云基础设施厂商，似乎处境更好一些。除了上述提及「云服务价格只降不升的行业惯例被彻底打破」外，腾讯云的变化最具代表性。腾讯在2025年年度财报中写道：「2025年我们保持了健康的增长，云业务收入加速增长并实现了规模化盈利。」这也意味着，从2013年腾讯云品牌正式推向市场算起，历经十二年持续投入，腾讯云终于跨越了从「烧钱换市场」到「自我造血」的关键拐点。而推动这一拐点提前到来的核心变量，正是AI智能体爆发所带动的算力需求井喷。自主运行的Agent动辄触发数十个推理循环，对算力、存储、数据处理提出了更高需求，直接为云厂商带来了前所未有的需求侧动能。云厂商的收入结构也随之改变，从过去卖一次性资源，变成了收持续性的「算力租金」。对大厂而言，没有一块业务是孤立存在的。云服务消费增长的背后，也是大厂积极争夺龙虾入口的必然结果。OpenClaw爆火之后，国内大厂几乎都推出各种「龙虾」。阿里推出「悟空」，腾讯发布QClaw和WorkBuddy，字节升级「飞书aily」，华为发布盘古Agent，百度推出文心智能体……短短一个月时间，市面上的「龙虾」产品多达数十款。这些产品本身大多并不直接收费，大厂入场的真实逻辑，是争夺上游的算力消耗入口。中银证券研报中指出，「OpenClaw创造了全新的『模型消费场景』。一个配置合理的OpenClaw，每天可能会向模型发起数百次甚至上千次调用，并且每次调用时都携带完整的上下文信息。这意味着单个OpenClaw用户产生的Token消耗量，可能是传统聊天用户的几十倍甚至上百倍。」更关键的是，用户一旦完成智能体部署，就不会轻易离开。因为养成习惯的工作流、积累在平台内的任务记录与数据、与云端API的深度绑定，都在悄悄抬高用户的迁移成本。先烧出规模，再等待盈利的到来，这是所有玩家心照不宣的默契。「龙虾」时代，依然难逃如此规律。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
04/24
阻止互联网广告下滑，全靠AI？
广告最先反哺AIAI如何提高效率的表达，是当下大厂对外叙事的标准模板。可能会在某些具体业务层面，给出一些数据反馈，但是大部分时候，这仍然是一种模糊状态。直到今年Q3财报发布，我们终于在部分互联网公司的财报披露中，找到一些可量化的指标，而且主要集中在广告和营销。比如，百度和快手明确列出「AI广告」或「AI营销」对应的收入：百度AI原生营销服务收入达28亿元，同比增长262%；同期快手线上营销服务收入达201亿元，同比增长14%，并且首次披露OneRec在广告领域带动Q3收入约4%-5%的提升。尽管他们的战略意图和处境不尽相同——百度正迫切寻求增长引擎的转换，传统搜索广告的贡献，江河日下；快手则渴望在AI语境下寻求新的加速度。但同时，两家公司都严重依赖广告收入，AI成为他们唯一的动能和机会。这些维度和指标，对百度和快手意义很大，对行业是否有参考价值？大模型重塑营销似乎势在必行，是否意味着AI广告的黄金时代到来了？广告增长全靠AI？百度和快手最先把AI营销或AI广告相关的指标单列出来，也是有原因的。广告业务在两家公司的营收结构中均占据重要地位：百度核心在线营销服务占总收入的53%，快手线上营销服务占比超56%。如果他们要讲AI增长，对广告收入的影响首当其冲。尤其对百度而言，AI甚至已经成为救命稻草。2025年Q3，百度集团总收入321亿，同比下降7%，净亏损达112亿。而百度核心广告收入同比下降18%至153亿元，这已经是搜索引擎广告连续六个季度下滑。百度迫切地需要一个新的动能，扛起传统业务下滑带来的部分压力。AI是最顺理成章的叙事。百度首次披露的AI业务相关营业收入约100亿元，同比增幅超50%，占总营收比重超过30%。其中，被百度加重的版块正是AI原生营销业务，在AI相关收入占比达到53%。这部分新披露的收入为28亿元，同比涨幅为262%，占核心在线营销收入的比例从2024年Q3的4%跃升至当前的18%。可以说是名副其实的「第二增长曲线」，是对冲传统搜索广告下滑的唯一动能。百度AI原生营销服务是百度基于文心大模型构建的营销体系，结合百度智能体、数字人和百度轻舸投放平台、擎舵AIGC工具，形成的一套完整的AI原生营销解决方案。早在去年的百度热AI营销大会上，百度副总裁陈一凡曾表示，已有超7成客户使用百度AI营销服务。2025年第一季度，百度公布了为数不多的增长指标，都跟AI相关：超过2.9万家广告主通过百度智能体进行日常广告投放，智能体为广告主带来的收入同比增长30倍，占百度核心在线营销收入的9%。相比百度把AI营销视作摆脱困境的最好途径，快手对AI的预期则是成为新增量。快手可能是最早披露AI相关收入的互联网公司，最早是可灵的用户规模和收入，在之前几个季度开始对外公布AI驱动营销的增长指标。毕竟线上营销服务是快手收入的大头。比如UAX（全自动投放），2025年前三个季度快手外循环消耗比例一路攀升，从60%、65%到70%。也就是说，广告主对智能投放的效果给予了认可。而到了2025年Q3财报发布时，快手对AI赋能营销给予了更积极的表述，首次披露OneRec（端到端生成大模型）在广告领域带动Q3收入约4%-5%的提升，更早前的数据是，OneRec已覆盖快手平台25%的峰值流量。这也使得快手的营收基本保持双位数的增长。2025年Q3，快手总营收同比增长14.2%至356亿元。其中，线上营销服务收入达201亿元，同比增长14%，在总收入占比为56.5%。不止百度和快手，互联网公司受惠于AI最典型的其实是Meta。Meta在确定AI赋能基建的五大主线里，排名第一的就是广告效率，因为Meta98%的收入来自广告。2025年Q3，MetaAl月活用户超10亿，广告收入同比增26%，广告展示量同比增14%，平均广告价格同比增10%。广告成了互联网公司在大模型投入之后，最先回本，甚至直接变现效率最快的领域。AI重塑营销新秩序AI在广告领域的应用并非近几年才出现，只不过在很长一段时间里，AI只是作为降本增效的辅助工具。现在AI则几乎重新塑造了营销秩序。新一代AI技术带来了根本性变革，理想中的AI广告，不再只满足于匹配的工作，而是能够深度理解用户的实时意图与场景，动态生成独一无二的广告内容。在这种模式下，人类只需要做目标设定，需求洞察、内容生成、投放、复购的全链路工作都能由AI自主完成。这种「AI原生」思维首先在重塑互联网公司的创作生态。今年9月，AI生成工具Vibes上线后，Meta媒体生成量增长超10倍，用户日均创建超200亿张AI图片。AI生成，首当其冲利好中小商家，据说200万广告主已采用Meta的视频生成功能。国内互联网公司，百度和快手，包括阿里、腾讯、字节旗下，都有A素材创意生产工具。2025年Q3，快手AIGC营销素材带来的服务消耗额超30亿元。除此之外，AI对各个互联网平台带来直接贡献、甚至可量化的就是投放。2024年，快手基于大模型推理上线了UAX（全自动投放），一年时间，UAX的客户渗透率就接近60%，在短剧、小说等内容消费行业，UAX的渗透率更是高达96%。短时间内之所以有如此高的应用比例，核心在于UAX的使用让客户广告投放冷启成功率提升了25%。这种全自动投放的策略，其实此前已经在拼多多、淘宝和京东等电商平台应用。大概逻辑是，广告主通常只需设定一个核心目标，如整体GMV或投放ROI，然后给出自己的预算，系统便会自动分配预算、选择素材、定向人群，并优化投放过程。这几乎已经成了平台广告的投放趋势。过去，只要有投放行为，广告主需要配备专人负责「盯盘」，预算消耗和转化情况如何，是否需要调整策略，替换素材等等，这些全靠人为经验来处理。现在几乎很多时候都交给AI托管。比如众安在线负责人曾公开分享借助百度旗下的轻舸通过智能生成Prompt、自动理解业务、AIMAX智能拓量等方式，实现22%增量的同时，成本降低30%，转化率提升7%以上。2025年，Meta也做出一个重要举动，淘汰自动广告（AutomatedAds）产品，将重心转向AI驱动的广告套件Advantage+。相比前者解决低门槛投放需求给出的更简化的投放方式，后者是AI驱动的实时优化，自动化程度更高的新范式。2025年Q3财报，Meta给出的数据是，Advantage+使广告主获客成本下降14%。Advantage+效力的发挥，部分也是MetaAI广告推荐模型的功劳。因为此模型使用更多信号和更长上下文信息，Instagram和Facebook广告转化率分别提升5%和3%。最重要的是，AI技术能显著提高平台用户留存率和活跃度，进而间接带动用户规模扩张。快手在8月的光合大会上曾披露，OneRec目前已覆盖快手平台25%的峰值流量，通过端到端优化推荐问题和排序，推动平台总时长增长超1%，同推荐请求下计算成本降至传统引擎的约10%。Meta曾通过AI内容推荐系统改进，在半年时间内，Facebook和Instagram上的用户使用时长分别提升了7%和6%。此外将LLM融入内容推荐系统，在Threads中测试基于Llama模型的推荐系统，提升用户使用时长10%。从广告变现角度来看，用户停留越久、场景越丰富，广告库存和精准度就越高。而平台积累的海量用户行为数据，又能能让AI模型对用户偏好和广告匹配度的理解更加精细，形成「量质齐升」的良性循环。AI广告的下一站实际上，因为AI水平的成熟，广告已经成为各个互联网巨头优化最为积极的领域，也是比赛成绩最激烈的所在。2025年Q3，B站广告业务营收25.7亿元，同比激增23%，带动净利润暴涨233%，AI相关广告收入增长近90%；腾讯广告以21%的收入增速，达到了过去六个季度以来的新高峰，腾讯广告AIM+智能投放系统则将广告主的平均操作成本大幅降低了80%；甚至包括一度对广告嗤之以鼻的ChatGPT，也被曝出将引入广告，代码提到「搜索广告轮播」。AI对广告业的革新已经形成全球范围的浪潮。据高盛研究显示，A技术正重构广告行业4700亿美元利润池，涉及传统广告向数字渠道转移「1700亿美元」、创意自动化「1140亿美元」、广告技术整合「250亿美元」和代理生态系统「1610亿美元」。Statista曾预测2025年全球AI广告支出将超350亿美元，其中生成式AI应用占比达45%。巨头青睐AI广告，说到底还是因为AI军备竞赛耗费巨大，他们迫切地需要找到能够快速产生现金流的业务、来为梦想输送「血液」，而广告作为最成熟的变现路径之一，可以直接拉动营收增长。与此同时，广告还可以为科技巨头提供一个近乎完美的试验场，能够检验其AI技术是否真的具备商业实用价值。尽管眼前成绩亮眼，前景一片光明，但AI广告还是显得有些急功近利。根据CTR「央视市场研究」发布的《2025中国广告主营销趋势调查报告》，53.1%的广告主会在创意内容生成中使用AIGC技术，高于数据分析、客户服务等环节，其中有接近20%的广告主，在视频创作中超50%的环节需要借助AI。与之相对的，是《2025AI+生成式营销产业研究蓝皮书》的相关调研显示，78%的消费者表示能大致识别出AI生成的广告内容，其中超过半数达到59%，普遍认为其「缺乏真实情感」。在汽车、金融、房产等高决策成本品类中，消费者对纯AI广告的信任度比快消品低35%，更看重AI在「信息分析」而非「创意决策」中的作用。另一个挑战在于，AI的智能是建立在海量数据的喂养之上。而当前的互联网环境下，各大平台之间的数据壁垒森严，算法高度依赖用户在平台上的历史行为数据。以Meta为例，有案例显示，一个没有任何历史数据的新用户，在使用Advantage+的受众定位功能时，转化率可能会降低多达50%。也就是说，AI在面对完全没有历史数据的新用户时，还需要一段「冷启动」学习期。除了技术层面的挑战，AI广告还需要面对投入回报比的平衡。尽管AI广告已经在商业层面展现出一定价值，但还没有一家公司能单靠AI广告业务实现正向现金流。面对AI高昂的研发投入，AI广告的「补血」之路仍需时日。不管怎样，AI与广告的深度融合已不可逆转。技术总会向前，而这场变革的下一程，或许还有更为汹涌的浪潮。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
04/24
AI时代，软件“日抛”是趋势还是陷阱？
AI时代软件“日抛”概念：用完即弃，局部可行但长期不可取。周末在群里看到这样一则视频，某软件平台大咖在演讲时推出了AI时代软件“日抛”的观点，认为日后用户无需绑定软件，用完即废。此视频一出顿时在群内引发热烈的讨论，有人认为这是日后的趋势，轻量化、即用即抛；有人则质疑其真实用心，认为这不过是资本为收割流量而编造的概念；甚至有群友说“日抛”那么牛叉，他敢不敢把自己平台中的所有第三方收费软件都抛弃？那么什么是软件“日抛”？企业是否适用？今天老杨就与大家来分析一下这个软件“日抛”的本质。什么是“日抛”经查询“日抛”这个词源于20世纪90年代末期的视光学与快消品行业，特指“每日抛弃型隐形眼镜”。而现在“日抛”这个词，又悄悄从隐形眼镜界跨界到了软件圈。大意为：用AI快速生成代码，用完就扔，明天需要再重新生成。听起来很酷，很符合企业“降本增效”的调性，老板们也一定喜欢，因为再也不用花钱买软件了。那么果真如此吗？为什么会出现“日抛”软件这个概念？老杨认为每个概念的提出都会有一个背景、一些痛点及需求，那么为什么当前推出“日抛”这个概念？分析如下：第一，AI极大降低了开发门槛。过去需要几周甚至几个月完成的软件系统，现在几个小时就能生成一个“可用版本”，甚至一些厂家鼓吹业务人员就可以实现零代码开发，这无形中弱化了软件开发的技术门槛。第二，企业需求的碎片化。对于大部分传统企业而言，业务部门的需求大都是碎片化的，比如临时导出一份报表、批量处理一批合同、生成特定格式的会议纪要——这些需求单次性强、复用率低，传统采购或定制开发显得冗余而低效。而AI的出现解决了这一问题，碎片化的需求没关系，用AI软件帮你快速实现，不用搞什么需求调研、画什么原型图，一些厂家鼓吹说句话就可以实现。第三，运维成本倒逼软件轻量化。要知道一套系统从上线到维护，每年的服务器、安全加固、权限管理、版本升级成本加在一起远超初始开发投入。当AI能以极低成本生成“够用”的临时工具，企业自然倾向选择轻量化路径。不难看出，软件“日抛”的概念迎合了人性中的两个弱点：急功近利和逃避责任。于是在这种理论下企业领导或者业务部门自然会认为：既然软件可以利用AI快速生成，那么企业就不再需要传统软件了，还省了一大笔的软件采购与维护费用。于是软件从“资产”变成“消耗品”的错觉就出现了。软件“日抛”可行吗？老杨认为局部有效，但长期不行！软件“日抛”一词会让大部分的企业领导把“开发成本”当成“系统成本”，要知道在当前AI降低的是“创建成本”，也就是说AI也只是辅助编程，而非完全取代程序员。不可否认AI提升了软件的开发效率，但在企业实际的数字化进程中企业真正承受的是“复杂度成本”，即系统间的集成、数据治理、权限分级、合规审计、业务连续性保障等隐性负担。这些负担无法被“日抛”消除，反而因工具泛滥而加剧。那么哪些软件适合“日抛”场景？比如生成一段一次性脚本、搭一个临时活动页面、写一份数据分析报告草稿——这些“轻量级、无状态、无长期依赖”的任务，AI确实可以快速生成，用完即弃。但要知道的是企业管理需要的是可沉淀、可复用、可进化的核心能力而非昙花一现的临时解决工具。这些能力是AI无法生成的，需要的是长期积累的业务理解、组织协同与系统工程能力。要知道所有长期的成功，都来自短期不愿意做的事情。数据治理、流程优化、人才培养、架构设计——这些“慢功夫”，才是企业真正的护城河。如果如果强行“日抛”会怎样？对于这种未加验证、媒体吹捧出来的热点，一些企业领导是趋势若骛的，他们认为大厂的做法一定正确，会不加思索的要求信息部门跟进。可能会出现这样的情况：今天需要数据分析能力，就让AI临时生成一套报表；明天需要客服能力，就搭一个AI客服；后天需要供应链优化，就再训练一个智能体。用完就扔，不留任何积累。但看似提升了效率，结果造成：知识无法沉淀，企业管理永远在原地踏步，企业就像一个永远记不住事儿的健忘症患者，永远在学走路，永远跑不起来。数据孤岛林立，垃圾数据充斥平台，每次做临时软件都会产生大量的中间数据，这些数据产生后没人管、没人清、没人标，没人知道哪些数据有用、哪些是垃圾、哪些还涉及隐私合规，数据管理愈发混乱。数据安全形同虚设，在所谓“日抛”的高效率下，敏感信息被随意暴露在临时模型与外部接口中，权限失控、审计留痕缺失、合规风险指数级攀升。管理者会沉迷于“日抛”带来的虚假灵活性，每个项目都像打地鼠，没有长期规划，没有系统思考，也没有资源沉淀。团队被临时任务淹没，疲于奔命，却看不到任何长期成果。这种“管理上的懒惰”，被技术包装成了“敏捷”。也就是说企业管理者再用“日抛”的敏捷取代了管理上的懒惰。如何应用“日抛”？软件“日抛”概念的提出必定有它的合理性，也会在一定程度上提升软件应用的灵活性，提升企业的管理效率，但老杨认为当前最现实的一个问题是：大多数企业不是不会用AI，而是没有能力“约束AI带来的自由”。所以关键不是“用不用”，而是——在哪里用、怎么控、谁负责、出了问题怎么办。对于大部分传统企业而言，最大的问题就是对于AI的应用没有边界感，喜欢一刀切，要么全盘拥抱，要么彻底拒绝。那么利用AI开发的系统在什么情况下不适用于“日抛”？老杨认为要从如下三个方面进行判断：（1）这个系统的数据会不会被长期使用？（2）这个系统出错会不会影响收入/合规/客户信任？（3）这个系统的结果是否需要被复现或审计？如果以上三个问题中只要有一个答案“是”，就不能日抛。说通俗一点就是涉及：钱（财务、交易）、人（客户、员工数据）、责任（合同、合规）的一律不准日抛。最后总结一下：从以上我们不难看出，AI可以让企业管理看起来灵活、高效、更有科技感。但如果你把每一次使用都当成一次性交易，既不积累、也不沉淀，那么三年之后，估计企业除了服务器里的各种临时脚本就是领导者的焦虑，什么都不会留下。所以真正有管理能力的领导者，会利用AI加速沉淀，而非随意抛弃。也就是说刀可以磨得更快，但磨刀的目的，从来不是为了磨完就扔。“日抛软件”可以存在，但它只能建立在“强工程体系”之上，而不是替代它。最容易被“日抛软件”拖垮的，不是技术最差的企业，而是——“看起来最灵活、最追求效率、但底层治理最弱”的那一类。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除、
-
26
04/24
当AI能写代码，传统软件公司的护城河还剩什么？
当AI能写代码，传统软件公司的护城河还剩什么？“以后不需要程序员了，AI直接写代码。”这句话在OpenClaw这类智能体产品出现后，被无数人反复提起。虽然“程序员消失”的论调过于夸张，但它确实触及了一个根本性问题：当源代码本身不再稀缺，软件公司的核心竞争力到底是什么？对于ToB软件公司而言，这个问题尤为致命。过去，代码是核心资产，是壁垒，是护城河。今天，AI几秒钟就能生成一个功能模块，代码正在从“稀缺品”变成“日用品”。那么，软件公司还剩下什么？该怎么活下去？代码贬值之后，什么才是真正的壁垒？先明确一个前提：代码确实在贬值。不是因为代码不重要，而是因为生成代码的成本正在趋近于零。但代码贬值不等于软件公司没有价值。真正有价值的，从来都不是代码本身，而是代码背后承载的东西。第一层：行业认知一个医疗软件公司，值钱的是它懂医保结算规则、懂临床路径、懂医院管理流程。一个制造软件公司，值钱的是它懂生产排程逻辑、懂供应链协同、懂质量追溯体系。这些认知，是AI无法生成的。大模型可以阅读所有公开的行业文档，但它没有在真实的医院里待过，没有跟车间主任吵过架，没有经历过月底结账时系统崩溃的恐慌。真正有价值的行业认知，是浸泡出来的，不是训练出来的。第二层：解决方案能力客户要的不是软件，是解决问题。一个软件公司真正的能力，是把客户模糊的痛点翻译成可落地的方案。这需要的是：理解业务场景的洞察力、设计系统架构的全局观、平衡理想与现实的经验判断。这些能力，AI目前还远不具备。第三层：信任关系ToB生意本质上是信任生意。客户买你的软件，买的是“你不会跑路”“你的系统不会崩溃”“出了事有人能解决”。这种信任，来自长期服务积累的口碑，来自无数个深夜响应的电话，来自项目失败时敢于承担责任的态度。AI可以写代码，但AI不能替公司背责任。这三层——行业认知、解决方案能力、信任关系——才是软件公司真正的护城河。代码只是这些能力的载体，不是能力本身。一个危险的趋势：行业专家正在流失但现实是，很多软件公司正在亲手拆毁自己的护城河。一个典型的现象：为了控制成本，软件公司大量压缩行业专家和资深顾问。这些人薪资高、不好管、不喜欢写PPT，于是被视为“成本项”被优化。取而代之的是：标准化产品、模板化方案、年轻但缺乏行业经验的交付团队。结果是什么？产品越来越同质化。没有行业专家的深度输入，产品只能抄竞品的功能，做出来的东西“别人有的我也有”，但“别人没有的我也没有”。最终陷入价格战。项目交付越来越难。项目做砸了，不是因为代码写不出来，而是因为不懂客户的业务。顾问去现场，客户说什么就记什么，回来原样开发，开发完客户说“不是这个意思”。来回折腾，项目烂尾。客户流失越来越快。客户不傻，他们知道你是“卖软件的”还是“懂我的”。当客户发现你只会写代码、不懂他的生意时，他会去找更懂他的人。哪怕你的代码是AI写的，成本再低，也没有意义。公司价值越来越薄。资本市场给软件公司估值，看的是护城河。当你的护城河从“行业认知”退化成“代码能力”时，你的估值就会向代码的代工厂看齐。这是一个危险的信号：当软件公司把行业专家当成成本砍掉的时候，它们砍掉的是自己未来的命。软件公司该如何应对？面对AI浪潮，ToB软件公司不是没有出路，而是需要完成一次根本性的转型。出路一：从“卖软件”到“卖认知”把核心资产从代码转向行业知识库。你的价值不在于“能写软件”，而在于“知道这个行业应该怎么玩”。具体做法：沉淀行业最佳实践，封装成可复用的知识资产；培养行业专家团队，让他们成为公司的核心资产；建立行业研究院，持续输出行业洞察。让客户觉得，买你的软件，附赠一个行业智囊团。出路二：从“项目交付”到“价值交付”客户不关心你用了几行代码、用了什么大模型，只关心“我的问题解决了没有”。转型方向：按效果付费，而不是按功能付费；建立价值衡量体系，让客户清楚看到ROI；做长期运营，而不是一锤子买卖。当你的利益和客户的利益绑定时，你就从“供应商”变成了“伙伴”。出路三：让行业专家“长出”AI能力不要用AI替代行业专家，而是用AI武装行业专家。给行业专家配上AI工具：用AI辅助分析客户数据，让专家专注在洞察和决策上；用AI生成方案初稿，让专家专注在方案优化上；用AI处理重复性工作，让专家专注在创造性工作上。专家的能力被放大，而不是被替代。出路四：重构人才结构从“以开发为中心”转向“以行业专家为中心”。开发人员依然是重要的，但核心能力从“写代码”转向“理解业务需求并设计技术方案”。行业专家从“顾问”变成“核心资产”，参与产品定义、项目交付、客户关系维护。同时，建立行业专家的成长通道。不让他们只能走管理路线，而是让他们在专业路线上也有上升空间。让行业专家成为公司的主人，而不是“被优化”的对象。不转型的后果是什么？那些不愿意转型的软件公司，未来会怎样？沦为AI的“代码包工头”。当客户可以直接用AI生成代码时，你的中介价值消失。你唯一能竞争的只有价格，而价格战没有赢家。被“懂行的客户”绕过。大型企业会自己组建行业专家团队，然后用AI辅助开发。当他们发现“我们自己也能做”时，你就会被甩掉。被“懂AI的行业新锐”取代。新的竞争者可能没有历史包袱，直接从“行业认知+AI能力”的结合点切入。他们人更少、成本更低、响应更快，传统软件公司很难招架。慢慢萎缩，直至消失。这不是危言耸听。任何行业中，那些只提供“易替代价值”的公司，最终都会被替代。总结一下AI智能体的浪潮，正在把软件公司逼到一个不得不改变的关口。源代码正在贬值。这是事实。但这不是软件公司的末日，而是软件公司的“成人礼”——逼着软件公司回答一个根本问题：如果代码不值钱了，你还剩什么？答案从来都很清楚：剩的是对行业的理解，是解决问题的能力，是客户对你的信任。这些东西，AI给不了，也替代不了。那些敢于砍掉成本、却在行业专家上持续投入的软件公司；那些不再吹嘘“代码量”，而是讲述“行业故事”的软件公司；那些让客户觉得“你是真的懂我”的软件公司——它们不仅不会消失，反而会在AI时代活得更好。至于那些还在把行业专家当成本砍的公司——它们正在砍掉的，是自己的未来。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除、
