新闻资讯
News and information
-
26
07/11
AI医疗赛道挤满互联网大厂
互联网医疗十年没做成的事，AI医疗可以吗即将过去的这个季度，字节在AI医疗接连落下两枚重子。从抖音自建医院到AI制药业务线启动拆分与独立融资，这家头部大厂对医疗健康领域的战略投入动作，令整个互联网震动。实际上，互联网大厂对医疗的投入从未停止。尤其在AI语境下，启动了新一轮装备竞赛。过去半年间，京东健康升级AI医生智能体集群，腾讯健康发布AI全栈解决方案，蚂蚁阿福接连上线新服务，阿里发布面向医生的医学AI「氢离子」……只是大厂发力AI医疗的立足点有所不同，通常会选择押注用户侧、医生侧、医院和机构侧等某一方或多方。路线选择差异的背后，是各家的基因和底牌不同。他们中大多数此前已经有互联网医疗的基础。只是和十年前的互联网医疗相比，AI给医疗带来的变化，可能远比我们想象得更深刻。百花齐放投资60亿自建医院，是字节布局线下医疗最大的单笔投入。与传统医院不同，这家医院被定位为「智慧AI医院」，将凭借「AI+数字化」这一核心优势，通过AI辅助诊断、智能诊疗决策、数字化病历管理等就医服务，实现从预检、问诊、检查、治疗到复诊的全场景智能化。并且，该医院聚焦国际化医疗，计划引进1600位国际化人才，重点布局高端综合诊疗、特色专科、细胞基因治疗等前沿医疗领域。业界普遍认为，这有利于填补北京高端国际化综合医疗的供给缺口。同样是发力线下医疗，字节今年2月在上海注册设立的小荷门诊，则更侧重便民基础诊疗服务。也就是说，面向大众日常就医需求，让已经成熟的小荷AI医疗技术，如智能问诊、AI病情分析等，在真实的线下就医场景中落地应用。线上布局同样没有停步。早在2025年7月，字节推出AI医疗APP「小荷AI医生」，定位服务C端用户的全天候健康管家。用户在抖音搜索健康问题，或在医疗科普视频下方点击咨询入口，都会被引导至小荷AI医生进行问诊。除了实体医疗和线上问诊，字节也押注AI药物研发。不久前分拆的业务线，源于2021年组建的AI制药团队，后者自成立起就负责从基模研究到产业化的核心职能。据业内人士观点，此次拆分是字节首次试水AI4S的产业化。相比之下，蚂蚁旗下的阿福，在AI健康的部署没有像字节这么重，目前主要通过阿福App服务用户。但是从去年年底更名之后，过去半年时间动作频繁。5月，阿福启动为1亿人免费解读体检报告。6月15日，阿福上线「医生把关」新服务。用户用AI问完皮肤问题，可选择邀请三甲医院医生复核结果并补充意见。一周后，介入国民减重管理。AI医疗赛道的另一重要玩家是京东健康，在药品零售、线上问诊业务的现有业务基础上，京东健康试图将AI渗透至健康业务全场景。今年年初，京东健康分别推出面向执业医师的「知医」和面向医院机构的「卓医2.0」两款产品。4月，面向医疗器械行业，与10家医疗器械品牌签署JoyInside接入协议，计划一年内接入100万台设备。JoyInside是京东推出的附身智能品牌，能为传统医疗器械装上「AI大脑」。两个月后，面向用户端，京东又升级了「AI京医」智能体集群，包括AI医生、AI营养师、AI药师、AI心理咨询师等。腾讯则走了一条不同的路。6月5日，腾讯健康面向用户、医疗机构、药企及研究机构，正式发布AI全栈解决方案。比如，面向医院，腾讯健康开放平台提供智能导诊、智能问答等六项AI能力，覆盖诊前、诊中、诊后全流程。医生可以灵活组合，快速搭建自己的医疗Agent服务。面向用户，小程序通过健康管理助手和AI健康问问等产品，让AI成为用户日常可用的随身健康助手。AI医疗这条赛道，挤满互联网大厂。路径各异大厂竞相卡位AI医疗赛道，布局路径却各不相同。这背后，折射出他们过往的优势差异。字节走的是一条相对激进的重资产道路：从内容到诊疗，自建「AI+医疗」闭环。一直以来，算法、流量和内容生态都是字节的核心优势。具体到医疗领域，据字节跳动医疗健康总监洪小五公布的一组数据，9.34亿抖音用户中，90.5%有医疗信息获取行为。其中3亿人看过医疗科普内容，平台上有超过5万认证医生账号，医疗类内容年点赞量超30亿次。这意味着用户在抖音搜索健康问题，或在医疗科普视频下方点击咨询入口，会被引导至小荷AI医生进行问诊。但字节的野心不止于线上。早在2021年，就在北京开设首家小荷门诊。2022年，花费100亿元全资收购高端私立妇儿医院美中宜和，并以超90%控股掌握北京美中爱瑞肿瘤医院。2026年上半年，又在上海重开小荷门诊，在北京砸60亿自建国际化AI医院。很明显，字节想要复制一个抖音式的医疗闭环。内容先行，通过AI服务做转化，最终在线下完成医疗服务的交付。字节倾向于通过重资产布局打通全产业链，腾讯则走了一条完全相反的道路。腾讯健康总裁、腾讯生命科学实验室负责人吴文达最近接受采访时提到，微信有14亿活跃用户、9亿医保用户，全国绝大多数三甲、三级医院都已经入驻，用户早就习惯在微信上挂号、查报告、办医保业务。这样的基础设施，让腾讯天然站在了「连接」的位置上，不再需要重资产自建医院、药店、互联网医院。吴文达说：「如果腾讯自己下场做完整闭环，会走向全行业伙伴的对立面，违背了我们共建开放医疗生态的初衷。」基于这样的基因，腾讯的选择是走开放连接、轻量化赋能的路线，核心是帮各类医疗医药机构做好数字化连接、提升工作效率。以药企的合规系统为例，药企每年举办成千上万场学术会议，单靠人工事后抽检根本无法全面覆盖。借助AI，腾讯可以帮药企实现事前、事中、事后的全流程智能管控。因此，哪怕腾讯的智慧医疗规划非常宏大，包含医药、医疗机构、付费系统和个人等诸多环节，但它仍然坚定边界，只做数字化助手。在吴文达看来，相较于做什么，选择不做什么更重要。医药电商零售，是京东做医疗的起点，也是它的根基。一组数据可以印证这一点：2025财年，京东健康总营收734.41亿元，同比增长26.3%，其中商品销售收入608.85亿元，占比82.9%。从药品零售起步，京东健康逐渐延伸出在线问诊、到家快检等健康服务，最终打通「医检诊药」全场景闭环。有了AI的加持，在原有核心业务保持不变的前提下，京东健康更想让供给侧的每一个环节，都变得更加智能高效。比如，帮助医生快速获取循证证据的「知医」，为患者提供全天候健康咨询的AI医生「大为」。从互联网医疗到AI医疗大厂竞逐AI医疗，是现实趋势，一个更重要的问题也随之浮出水面：过去大家都在讲的互联网医疗，和这一轮AI医疗，到底有何不同？早在十多年前，互联网医疗便已兴起。发展至今，行业格局已经基本稳定：微信和支付宝凭借支付入口，在挂号、医保、支付等服务领域，成为连接医院和患者的重要基础设施。阿里健康和京东健康的底盘是线上药品零售，在此基础上延伸出线上问诊等服务。不过，互联网医疗进展似乎总差点意思。医疗行业真正面临的那些现实问题，比如医疗资源结构性失衡和供给不足，互联网没有给出特别理想的解决方案。互联网平台，前提是要高频、高留存，但看病是低频需求。创业12年后，未来医生创始人、CEO王仕锐在接受《晚点LatePost》采访时直言：医疗真正的卡点是供给不足，不是连接。高水平的医生有限，一人一天就能看20个号。「撮合、连接不解决问题，平台不看病，但看病才重要。」国家卫健委发布的一组数据也印证了这一点：2024年我国三级医院占医疗卫生机构总数的3.8%，却承担了全国28.3%的诊疗量。相较互联网医疗，如今的AI医疗最大的变革点就在于，瞄准的是解决供给不足这一问题。以面向C端的字节小荷AI医生和蚂蚁阿福为例，它们虽不试图代替医生，但通过满足用户大量介于医院和生活之间的健康需求，比如微症状问询、体检报告解读，来创造供给增量。而面向D端的医学垂类大模型氢离子、知医等，则能降低医生获取循证证据的时间成本，帮助医生单点提效。还有更进一步的探索，比如实现医疗AGI的未来医生。这种设想的模式是：首先由AI对患者做结构化问诊并给出诊断方案，再由医生判断是否正确并签字确认。王仕锐说，把AI放在最前面，「同样是看100位患者，过滤到专家这里，工作量可能是以前的1%，那供给就是100倍了。」顺着这样的方向，AI有可能给医疗健康领域带来更大的想象空间。尽管如此，从吴文达近期发表的观点来看，目前的医疗AI应用仍处于起步探索阶段，距离深度融入核心业务流还有很大的空间。就像《晚点LatePost》曾在一篇文章里提到，医疗行业正陷入一种矛盾状态。——国内医院上线的AI项目数量迅速增长，但真正用得顺、推得开、能持续进化的AI仍然稀少。「烟囱式」的单点AI模型，如影像科的肺结节识别系统、体检中心的超声报告AI审核，能有效解决一个个小问题，但却无法解决跨科室、跨医院甚至行业的底层问题。整个行业也在围绕两大核心争议探讨不休。一是AI能否真正落地解决临床痛点？二是医疗科技发展，究竟该走大而全的产业闭环，还是小而精的垂直深耕路线？对此，吴文达给出了一个答案，或许可以给大家启发，「人工智能的无限可能，并非在于取代人类，而在于通过人机协作，厘清技术工具属性与医疗人本属性的核心边界，重构医疗健康服务的底层逻辑。」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
07/11
AI助手是个伪命题
至少目前是今年6月，智谱和Minimax相继被纳入恒生科技指数，摩根大通在报告里给了两家公司截然相反的评价[1]：一边上调智谱目标价至1400港元，重申”增持”；一边把Minimax下调至”中性”，目标价从1100港元直接砍到400。智谱和Minimax前后脚登录港股，经常被放到一起讨论，上市后，两家公司市值也并驾齐驱，但在今年4月分道扬镳。智谱市值暴涨，一度突破万亿，目前回落到七千多亿，约等于半个阿里；Minimax则一路下滑到1000亿出头，几乎回到了上市原点。不怕兄弟苦，就怕兄弟开路虎。二者业务基本面没什么根本性变化，但资本市场的定价逻辑，显然发生了巨大的转折。你是什么模型摩根大通给出智谱和Minimax完全相反的评级，导火索是两家公司模型涨价截然相反的市场反应。今年6月Minimax宣布涨价，旗舰模型M3定价约为前代M2.7的两倍，成功惹毛众多用户，一周后，Minimax宣布永久降价50%，回落至与M2.7接近的水平。智谱的涨价却被市场接受。今年年初至今，智谱的API价格已经提高了近一倍。GLM-5.2发布后，智谱又取消了早期版本的API折扣，但模型使用量反而一直在增长。摩根大通随后得出结论：模型能力与定价高度挂钩，降价方反而处于弱势。两家公司虽然常被一块比较，但二者经营思路截然不同。Minimax主攻C端AI原生应用，产品MinimaxAgent、HailuoAI、Talkie、星野等多款APP。智谱则押注B端，收入来自企业级大模型/智能体、开放平台/API。可以说二者代表了AI公司的两个基本方向，一个向C端消费者收钱，一个向老板伸手。市场对两家公司截然不同的判断，隐含了另一重假设：C端用户并没有那么值钱。铁子路走窄了今年春节，AI大战的风头盖过四千点保卫战，阿里千问豪掷三十亿现金，腾讯元宝红包在群里刷屏，除夕夜豆包春晚走穴。豆包成为公认的最大赢家，但胜利的代价正在显现。按照字节火山引擎官方口径，2026年3月，豆包大模型日均Token调用突破120万亿。作为对比，2024年5月的日均用量仅为1200亿。短短两年，增长1000倍。同期模型的具体收入增长不得而知，但肯定远不到1000倍。当时，国内大厂打的还是入口叙事。传统互联网产品能从C端消费者身上挣钱，有两个极其重要的前提。一是极强的边际效应。达到阈值后，多服务一个用户的成本几乎为零。比如内容生产完可以反复分发，只要用户规模做起来，流量可以反过来摊薄成本。二是有多种变现方式。用户不付钱没关系，只要用户能长期停留在产品里交互，有的是广告、电商等货币化手段。但大模型每服务一个用户，都会产生对应成本，庞大的用户规模是巨大的成本压力。由于缺少广告等货币化手段，免费用户是纯粹的成本负担。2025年3月，ChatGPT图片生成模型走红，1.3亿用户在一周时间里生成了7亿张图片，逼得奥特曼发推特吐槽算力成本。截至今年一季度，OpenAI每进账1美元，就要赔1.22美元[6]，原因就是用户规模太大。目前，ChatGPT周活用户突破9亿，订阅用户数超过5000万。按这个数据计算，付费率仅有5%，不到爱奇艺水平，甚至不如知乎。按照RevenueCat统计，虽然AIApp单个付费用户收入贡献比非AIApp高41%，但流失速度也快30%[7]。今年初，奥特曼曾表示自己考虑在ChatGPT免费版和Go版中测试广告功能，因为大部分人都不想花钱。大模型公司焦头烂额之时，Anthropic成功证明，只要强大的模型搭配高商业价值的场景，少量用户也能创造巨大收入：Claude系产品日活规模不到ChatGPT的5%，但Anthropic的年化收入在4月超过OpenAI，原因就是编程这个市场价值太高。今年2月，Anthropic融资300亿美元，5月融资650亿美元。不到四个月，公司估值从3800亿美元跳到9650亿美元，一己之力改变了资本市场对AI公司的定价逻辑，也给全世界的同行指了条明路。上班才有前途春节45亿红包大战落幕时，有两件事同时发生。一是OpenClaw横空出世，一上线就广受牛马欢迎和跟风。二是Anthropic狂飙突进，ClaudeCode半年时间年化收入突破10亿美元[8]，Anthropic成为AICoding标杆。两件事都指向生产力场景，AI变现的关键不是帮用户点奶茶，而是帮用户上班。模型的变现路径已经集中于工作流、企业API消耗、AICoding等“生产力场景”。举个不恰当但好理解的例子：同样卖摄像头，C端AI助手是卖给停车场，摄像头是定时折旧贬值的资产，纯赚辛苦钱。B端的编程和API是卖给交管部门，摄像头是抓拍和罚款的生产力工具，只要罚款收入覆盖设备投资，怎么都是赚。哪个客户的支付意愿和付费能力强，不言而喻。AI免不了出现幻觉，聊天机器人付费难度很大，流量货币化手段基本没有。定位购物、打车、点外卖的AI助手，目前并没有革命性的体验改善，甚至效率有没有提高都存疑，商业化更加遥遥无期。与之对应，大模型对B端工作流的改造堪称革命性。以编程为代表的B端应用，工作方法和流程高度结构化，正好位于大模型的舒适区正中心，更重要的是投入产出可以清晰测算。按照MenloVentures的测算[9]，2025年企业生成式AI支出为370亿美元，有190亿美元流向应用层。部门级AI支出里，编程占55%，是最大的应用场景。因此，打完了入口大战的大厂，氪金项目都在向生产力场景转移。今年3月，OpenAI放弃Sora，重点转向代码[10]，集中资源和Anthropic缩小差距。谷歌一直走原生多模态路线，代价是代码能力全面落后。等到Claude大杀四方，谷歌也开始集中资源攻克AICoding。国内，豆包推出专业付费版，接入豆包2.1Pro。宣传也很直接，主力模型在Coding、Agent、VLM三个方向升级，都是付费上班项目。腾讯也一样。虽然微信AI助手小微高调内测，但目前来看，更像是对资本市场的一个回应。过去一个季度，腾讯真正花心思推广的，还是WorkBuddy、CodeBuddy和企业级Agent套件。腾讯官方披露，CodeBuddy已经覆盖腾讯超过95%的工程师，整体编码时间缩短40%[11]。事实证明，想让模型赚到钱，关键还是让老板心甘情愿开发票。来一颗定心丸最会做生意的马斯克，在SpaceX的IPO文件里算了一笔账：AI应用未来总市场规模28.5万亿美元（不含中国和俄罗斯），其中基础设施2.4万亿，企业应用22.7万亿。至于C端的订阅和广告规模，敢想敢干的马斯克也只估了1.36万亿，不到企业端规模的零头。为了训练模型和提供云服务，科技公司义无反顾地把几乎所有现金流变成了GPU、服务器和数据中心。大家的资本开支爆炸式拉升，现金流断崖式下跌。国内，字节跳动的净利润直接下跌了70%，阿里的自由现金流已经转负了，以稳健著称的腾讯资本开支也愈发大手大脚，大家不约而同都在搞AI基建。六月传出消息，字节跳动正与多家银行洽谈新增约200亿美元贷款，为AI基础设施的军备竞赛补充弹药[12]。这将是字节史上最大的一笔离岸贷款。上游万亿规模的资本开支面临极大的折旧压力，汇报从哪来，所有人都需要一个明确的答案。微软26年Q3（财年）电话会上，分析师发出终极一问[13]：大家都看见AI需求很强，问题是谁来给这一切买单呢？押注生产力工具，除了变现效率的考虑，也是给市场一颗体面的定心丸。相比C端无数个有关未来的大饼，生产力AI讲的是付费席位、年度经常性收入、KA客户订单和用量计费，听上去就靠谱。相比嚷嚷坚决不花钱的C端用户，程序员买起积分和高级会员一点也不手软。有Meta员工建了个排行榜统计公司Token消耗量[15]。30天内Token总用量突破60万亿，排名第一的用户凭一己之力消耗了2810亿Token。AI厂商们已经深谙预期管理之道。微软学会了大谈Copilotpaidseats、Amazon和Oracle讲AI云收入和GPU利用率。最优秀的要数Salesforce，不仅讲ARR，还发明了一个堪比生态化反的新概念[14]：智能体工作单元（AgenticWorkUnits）。高管说，他们已把近20万亿tokens转化成24亿个“AI真正交付工作的时刻”。于是，高科技公司加大模型服务采购力度，大幅提高了效率，员工工资的账越算越亏，大量岗位被裁撤，而剩下的人必须证明自己很会用AI。员工为了避免被裁撤，也要自费使用AI工具，避免自己被裁。大模型终于有了可观的回报，只是看上去有点不太对劲。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
07/11
AI越来越强，可大模型公司还没赚钱——这波红利到底落谁口袋？
如果AI真的像宣传里那样神通广大，但为什么大家似乎都还在“赔本赚吆喝”。2026年的夏天，比天气更燥热的，是资本市场对AI的复杂情绪。就在上周，字节跳动旗下火山引擎的一封邮件引发震动：豆包大模型企业版部分高级功能结束免费试用期，正式开启商业化计费。消息一出，有人惊呼“AI免费午餐结束了”，也有人冷笑“终于到了要韭菜买单的时候”。几乎同时，年中财报季拉开帷幕。翻阅已经发布的几十份互联网大厂和上市公司的财报，一个极具反差的画面呈现在眼前：一边是“AI赋能”、“大模型落地”、“智能化转型”成为财报电话会的标配词汇，企业IT支出中AI相关的Capex（资本开支）增速同比动辄30%、50%，甚至翻倍；另一边，除了少数老牌云厂商，几乎所有主打AI业务的上市公司，净利润率都在下滑，甚至亏损面在扩大。这就诡异了。如果AI真的像宣传里那样神通广大，能写代码、能做设计、能客服、能分析报表，帮企业省下了真金白银的人力成本，那这些省下来的钱，加上企业购买AI服务支付的费用，应该让大模型公司赚得盆满钵满才对。可现实是，无论是大洋彼岸的OpenAI，还是国内的DeepSeek、月之暗面，甚至是刚刚宣布收费的字节豆包，似乎都还在“赔本赚吆喝”。这不禁让人想问：在这场轰轰烈烈的AI革命中，既然大家都承认AI有用，那这波巨大的“效率红利”，到底落入了谁的口袋？要解开这个谜题，我们需要跳出“AI替代打工人”的情绪叙事，深入到产业链的账本里去看一看。01我们先看一组数据。某头部电商巨头在2026年Q2财报中提到，其技术投入同比增长42%，主要用于建设智能客服和供应链优化系统。财务总监的解释很直白：“这是为了应对人力成本上升，预计在未来18个月内收回成本。”这种“预期收益”是目前大多数企业上马AI项目的心理写照。然而，从会计角度看，这种投入是当期计入成本的，而收益却是递延的。这就造成了当下财报上一个显著的特征就是：Capex（资本开支）增速远高于短期营收增速。这种现象在科技史上并不新鲜。当年的云计算普及期、移动互联网爆发期，都经历过基础设施先行、应用变现滞后的阶段。但AI这次的特殊之处在于“烧钱”的速度太快了。训练一个大模型，动辄千万美元起步；维持日常推理服务，GPU集群的电费都堪称天文数字。企业在财报里高喊“AllinAI”，实际上是在进行一场豪赌：赌的是AI带来的长期效率提升能够覆盖当下的巨额投入。但对于提供AI能力的厂商来说，这种“未来收益”的不确定性，让他们不得不面对一个尴尬的现实——卖得越多，亏得可能越狠。字节豆包的收费，本质上不是为了立刻盈利，而是为了给这场漫长的马拉松设置一个“补给站”，试图缓解现金流的压力。但这杯水，能否解渴，还要看整个产业链的利润分配逻辑。02要搞清楚钱去哪了，我们可以把AI产业链简化为经典的“淘金热”模型。上游是稳赚不赔的“卖铲人”，无论是在美国还是中国，这一轮AI浪潮中最确定的赢家，无疑是算力提供商。全球市场的最大赢家一定是英伟达，虽然面临各种限制和竞争，但Blackwell架构的芯片依然是硬通货。只要大模型还在迭代，对算力的渴求就不会停止。英伟达卖的不是芯片，而是“入场券”。它的高毛利，建立在极高的技术壁垒之上。在国内，华为昇腾系列成为了国产算力的中流砥柱。随着国产替代进程的加速，昇腾芯片在政务、金融等关键领域的渗透率不断提升。虽然单颗芯片的利润率可能不及英伟达，但胜在“量”的稳定增长和政策护城河。对于上游来说，不管下游挖到金子没有，只要矿工还在挖，铲子就得一直买。他们是这波AI红利中，第一批实打实把钱装进口袋的人。中游是夹缝求生的“卖工具人”，这就是我们最关心的大模型厂商，包括OpenAI、Anthropic，以及国内的DeepSeek、MiniMax、月之暗面等。他们的处境最为尴尬。一方面，他们需要向上游支付高昂的算力租金或采购费；另一方面，为了争夺市场份额，他们不得不卷入惨烈的价格战。字节豆包之前长期免费，DeepSeek打出“极致性价比”的旗号，Kimi靠长文本差异化竞争……这些动作的背后，是API调用价格的断崖式下跌。在某些垂直领域，每百万Token的价格甚至跌破了1元人民币。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。这就导致了一个结果：中游厂商变成了“搬运工”，把昂贵的算力，打包成廉价的Token，卖给下游。这种商业模式的本质，是用高成本的资源，去换取低毛利的流水。除非能形成绝对的垄断，否则很难看到盈利的曙光。下游是喜忧参半的“淘金者”，下游是使用AI的企业用户，则涵盖了千行百业。字节跳动、百度、阿里这些大型企业，他们既是AI的使用者，也是提供者。对于这类巨头，AI的价值在于优化内部流程，降低运营成本。它们确实尝到了“降本增效”的甜头。中小企业是这波AI普惠红利最大受益者。以前请不起程序员做开发，现在花几百块调用API就能搭建一个简单的应用。但是，大部分中小企业并没有因此获得超额利润，因为AI带来的效率提升很快会被市场竞争抹平——你的竞争对手也在用AI。所以，下游用户确实省了钱，但这种省钱更多体现为“防御性收益”而非“进攻性收益”。03这里就引出了一个核心的商业悖论：如果AI真的能帮企业省下100万，为什么企业不愿意拿出10万付给大模型公司？答案在于价值分配的极度不对等。高昂的“公摊成本”成为压垮下游企业的最后一根稻草。大模型的成本结构是“固定成本高，边际成本低”。训练一次模型要烧几千万，这是沉没成本。为了让模型更好用，还需要持续进行RLHF，这又是源源不断的支出。而下游企业支付的API费用，往往只覆盖了推理阶段的电力和运维成本，根本无法摊销掉前期巨大的训练和研发成本。这就好比你住酒店，房费只够付水电费，不够还房贷。随着开源模型的进步，闭源模型的护城河正在变窄。当模型之间的能力差距缩小到一定程度，它们就变成了类似“自来水”或“电力”的公用事业产品。对于公用事业，用户只会接受极低的价格。中游厂商陷入了“创新者窘境”：如果不创新，就会被淘汰；如果创新太快，教育市场的成本太高，且容易被模仿。AI为企业节省的成本，主要体现在人力上。但在财务报表上，这部分节省的钱体现在“管理费用”或“销售费用”的减少，而不是“营业收入”的增加。企业老板省了钱，但这笔钱并没有流转到大模型厂商手里，而是变成了企业的净利润。大模型厂商只是在帮助企业“节流”，却没有参与“开源”的分成。字节豆包开始收费，正是试图打破这种悖论的一次尝试。它想告诉市场：好用的工具是有价的。但这能否扭转整个中游的亏损局面，取决于用户是否愿意为“好用”支付溢价，而不是仅仅为了“能用”支付地板价。04展望接下来的12个月，我认为大模型行业将告别“野蛮生长”，进入“精耕细作”的下半场。三个趋势将愈发明显：第一是从“拼参数”转向“拼留存”，过去，厂商喜欢晒榜单、晒参数，比谁的参数多、谁的分数高。但企业用户现在已经麻木了。未来，大家比的将是用户留存率和续费率。模型能不能稳定工作？幻觉（胡编乱造）多不多？能不能无缝接入现有工作流？这才是决定生死的关键。那些只会刷榜、无法落地的模型将被淘汰。第二是从“公有云”转向“私有化部署”，对于金融、政务、医疗等对数据安全极度敏感的行业，公有云API无法满足需求。未来一年，我们将看到大量的私有化部署订单。这对于中游厂商来说，是一个提高客单价的机会。虽然交付重、周期长，但一旦签单，就是长期的现金流。这也是华为云、腾讯云等大厂的优势战场。第三是“Agent”将成为变现突破口，单纯的对话式AI（Chatbot）很难收费，因为它太容易被替代了。但如果AI能进化成Agent，能够自动执行复杂的任务链（比如自动订票、自动生成财报并发送邮件、自动维护代码库），那么它的价值就不再是一个“问答工具”，而是一个“数字员工”。届时，按效果付费（PayforResults）将成为可能。这也是字节豆包收费后，真正的发力方向。目前，这一波红利主要沉淀在了算力基础设施提供商（上游）和部分通过AI大幅优化内部效率的巨头（下游）手中。大模型厂商（中游）正处于“黎明前的黑暗”。字节豆包的收费是一个信号，意味着行业正在试图重建健康的商业闭环。但这注定是一场持久战。对于我们普通人来说，与其焦虑AI会不会抢饭碗，不如思考如何利用AI让自己变成那个“不可替代的数字工匠”。毕竟，在淘金热中，最终发财的不一定是矿工，也不一定是卖铲子的，但一定是那些懂得如何利用工具创造价值的人。这波红利，终究还是属于效率更高的人。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
07/11
软件没被AI杀死，但全球市场都卷上天了
AI会写代码之后，软件真的一无是处了吗？过去几个月，全球SaaS市场经历了一场惊心动魄的“过山车”。普通人已经习惯了钉钉、企业微信、飞书这类常能接触到的SaaS服务，企业们也习惯了各种客户管理、人力、财务相关的SaaS服务，但，ClaudeCowork的发布改变了一切。华尔街认为，曾经“吃下整个世界”的软件行业，要“被AI吃掉了”，SaaS概念股纷纷大跌，投资者们开始陷入恐慌。大家都担心，未来每次头部AI公司更新办公、设计类产品时，传统SaaS都会被痛击一次。毕竟，AICoding让代码生成的门槛大幅降低，想要什么功能，AI自己就能帮你开发，这使得SaaS们曾引以为傲的标准化功能正面临“价值归零”的威胁。OneHouseHudiFlink负责人陈玉兆向知危表示：“长期来看我不觉得是过度反应，传统SaaS的订阅付费模式受到了直接威胁。就像Seedance2.0对视频行业造成的冲击一样，虽然目前AI的应用能力发展相对处于初期，但是我们已然可以预见未来AI给整个软件行业将带来革命性改变。”“SaaS重新被定价的逻辑本质是成本的改变，如果AI对自身所在的行业造成极大的成本缩减或者导致大量的用户流失，那么只能被迫降价或者裁员。”他进一步解释道。不过，一些SaaS公司在经历估值暴跌后，又因技术和业务都与AI高度相关，最后估值回复，甚至达到新高度，比如DataDog（提供类似于“业务监护仪”的服务，很多大模型公司都是其客户）等。那么，SaaS公司的价值该如何被看待？SaaS公司又将如何分化演进？为解答这个问题，知危同业内专家进行了交流，向你解读SaaS行业的过去、当下与未来。01SaaS价值崩塌与重估的本质是什么？其实，传统SaaS业务的价值逻辑很简单，人们笃定那些用了SaaS的企业离不开它。某互联网大厂大数据平台高管罗安（化名）告诉知危：“原先市场认为，所有公司都离不开这些SaaS软件。比如一家制造业公司用了Workday，用来管理员工工资、人事信息等。它可能一年真正只需要用到几次核心功能，但Workday每个月都按照席位收费，比如每个员工100美元一个月，那公司也不得不用。明年大概率也要续费，如果换系统，迁移成本太高了。”而这些被看作是“永续”的企业订阅付费，被资本市场拿来放在计算器上按5年或是10年折现，最终套进现金流折现估值模型里给到相应公司估值。但是，AI浪潮一直接把桌子给掀了。罗安告诉我们，原来的SaaS服务商的壁垒并不在于开发本身有多难，而是客户一旦用了之后，替换成本很高，这使得SaaS服务商有稳定且能保持高增长的收入，客户流失率还很低。“但，现在的问题是，这一整套逻辑可能讲不通了。市场开始认为，这些软件未来很有可能被AI重新构建，客户用AI自己动手搭一套系统的成本变低了。既然有可能被替代，那么高增长的预期就不存在了。而一旦没有高增长估值自然就会被压缩，市场就不再愿意给那么高的估值倍数。”罗安解释道。而对于最近的一些SaaS公司的估值修复，罗安表示他并不完全认同上涨背后的逻辑，他表示“这里面有一个重要因素，就是很多基金和机构在做对冲。最近AI相关的算力板块涨得太多了，包括存储、光模块、CPU、上游设备、材料等。当这些标的涨幅过高以后，很多机构会进行对冲操作，SaaS就是用来对冲的标的。”当然，他也向我们表示，这些SaaS公司也并不是完全没有价值。跌到一定程度之后，市场可能会觉得这个价格已经比较合理，又具备投资价值了。AI产品设计师John则对这些波动表示不以为然，而是更关注实际的产品体验，他表示“价值重构可能更多是基于投资者的视角，如果从用户和产品开发的角度来看，我没有觉得出现了特别破坏性或者颠覆性的变化。”他认为AI和SaaS应用并不是互斥的，对于一家公司的产品来说，有了AI技术之后，关键还是看能不能结合好，“比如Adobe在一些产品设计上可能没有做好，但不能说是AI技术把Adobe破坏了。”在实际设计工作中，John仍然深度依赖传统设计软件，“举一个我深度使用的软件的话，我的工作流目前仍然不可能脱离Figma。只是根据工作内容的变化，深入程度会有所不同。”“比如以前我的工作会更多涉及软件生命周期偏中后期的阶段。产品已经比较成熟了，我需要把页面打磨得非常精细，做很多细节交互的调整。这种情况下不可能脱离Figma，因为需要对创意有非常强的掌控。”谈及未来5年内Figma的哪些能力不会被AI替代，John认为这很难下结论，“重点可能不是某个具体功能会不会被替代，而是这种产品形态会不会存在。”“只要人还参与设计工作，就仍然需要类似Figma这样的界面工具。因为人没有办法很好地只通过文字去描述自己对于一个平面视图的想法。很多界面本身有很多层级，它其实已经接近一种空间视图的表达，很难完全依赖语言来完成。”“至于是不是Figma，或者Figma里面哪些具体功能一定不会从手动变成自动，这个很难说。也许，AI发展的足够快，我这些判断未来也会被证明是错的。”从技术角度观察，白鲸开源CEO郭炜则是向知危给出了一个比较极端的预测：未来高估值的SaaS将不再是“给人用的”，而是“被Agent调用的”。他表示：“首先，SaaS的估值底层逻辑不会被完全推翻，核心仍然是：客户是否持续使用、是否续约、是否扩容，以及企业能否形成稳定的现金流和网络效应。”“变化在于，SaaS的计价单位会重构，过去卖席位、卖模块、卖订阅，未来会更多卖结果、卖调用、卖Token、卖Agent执行能力，甚至按‘节省的人力成本’或‘完成的业务闭环’收费。”“分化会发生在品类层面。很多通用型SaaS，尤其是通用办公、轻量绘图、简单客服、基础CRM操作，可能会被Agent吞掉一大部分功能。如果这类公司还用传统的逻辑来进行服务，估值会明显压缩。”“但数据类型、数据处理、数据治理、数据安全、行业系统，以及大模型生态链上面的工具，反而可能更重要。比如DataDog就属于数据类型方向，还有MemoryLake等。”“因为Agent越强，越需要可靠的数据、权限、上下文、执行环境和审计体系。未来高估值SaaS不一定是‘界面最好用’的公司，而是成为Agent时代的基础设施、控制平面和可信执行层的公司。SaaS不会消失，但会从‘人用的软件’演进为‘Agent调用的能力网络’。02SaaS公司为了抵御AI都卷起来了其实，AI的价值，在未来是会被反复重新确认的。毕竟，现在你告诉客户们，他们不需要买SaaS服务了，自己用AI手搓就行，但等他真手搓了之后，他还会遇到迭代、维护等方面的问题。所以AI自建和买SaaS到底哪个好，可能还是要看具体场景的，郭炜表示：“软件最终其实卖的不是代码，卖的是的KnowHow和认知。代码只不过是上一代软件的一种呈现形式。”“所谓KnowHow，有不同的形式，也许是Skill，也许是Harness。重要的不是AI能够多么快的生成代码，而是看哪群人来操控AI生成出来的东西。”“最终这个世界卖的是信息差和认知差，代码只是一种呈现形式而已。”他打趣道。现在，为了抵御AI的冲击，SaaS企业越来越强调“人”的作用了，典型代表就是热门公司Palantir，其通过大力推销“本体论”方法（简单来讲就是打通企业数据和部门墙，让业务数据人人能看懂并且能协作和进行决策）和FDE落地模式（前沿部署工程师，简单来讲就是拍一个工程师去企业主场深入理解企业之后再根据痛点做产品开发），在AI浪潮下反而如鱼得水，业绩接连超出预期。罗安表示，“FDE本质就是驻场交付，在国内很常见，但过去在国外传统SaaS里相对少见。大力推FDE其实是指，他们从过去的标准化交付，到现在干脆向客户承诺，数据分析、客服这些事情，都帮客户完成，不管是用人力+AI，还是纯AI，还是其它方式，全部承包下来。这样绑定关系就会变得非常深。因为这些驻场的人也是客户的资产，客户如果要换供应商，就等于把整套人和系统一起换掉，迁移成本会非常高。这样客户基本就‘被锁死’了。”本质上，既然市场不再认可过去SaaS服务可以跟企业绑定从而获得长期收入的逻辑，那就干脆加点AI不能取代的“人”，把原来软件层的绑定，升级成“人+系统一起绑定”。这样迁移成本更高，护城河也更深。但这也意味着这个钱没那么好赚了，得用更重的交付换更深的绑定。说白了，就是把过去SaaS过去的轻量化、标准化交付给最终，过去已经做得比较重的就要做得更重，何尝不是一种内卷。当然，加重交付和维持强绑定还有另一层含义，这和AI的技术属性直接相关，“无论是国内还是国外，很多SaaS公司都在做一件事：更强调业务数据的积累。同时，会更少去做那些‘轻交付’的事情。也就是说，他们开始更聚焦在真正和业务最有价值的部分。比如做财务系统，不再只是做一些表层功能，而是更关注财务流程怎么流转、结算。而一些很小的工具，比如财务里的计算器等小功能模块，可能就不会再持续投入去优化和迭代了。”不过，郭炜认为，FDE只是技术落地未成熟下的一种妥协，“FDE只是当前的一个状态，是因为AI还不够普及。当未来AI足够的简单的时候，客户会自己去生成最终的应用，所有的软件公司只是生成一个中间层而已。Palantir是因为现在没有那么多人熟悉AI，所以需要通过FDE去做。所以相比FDE，Palantir的核心其实是它的本体论，也就是我们说的AI时代的中间层，而不是FDE。”罗安补充道，“本体论本质上就是过去比较熟悉的数据治理，是数据规模从小变大之后必然出现的需求，自然很重要。”FDE强调很深的定制化，罗安认为，这背后其实还存在AI以外的主导因素。“过去SaaS公司之所以不太关注底层复杂性，是因为它主要服务的是中小企业市场。一旦客户变成大公司，情况就完全不一样了，大公司天然就需要深度定制。”“所以你会看到两条路线：一条是传统SaaS走标准化路线，另一条就是像Palantir、OpenAI这类，更多服务大客户、政府、军工体系等。单子本身就很大，复杂度也很高，驻场交付、深度绑定是必然的。”但过度依赖定制化，将来可能会有更大的风险，郭炜表示，“在大模型时代，最有价值的不是代码，而是数据，软件公司原创出来的需求问题，以及对行业的判断。而你根据客户完全定制出来的软件，需求是客户给你的，只不过你根据客户的需求开发所有的这些类型的软件，其实未来都没有任何意义了，因为客户不需要你，用AI就可以了。”“不管是FDE，还是国内的重度定制化交付、私有化部署模式，都是要完全被淘汰的机制，在AI时代下没有区别，都会被AI和Agent取代。”“海外的FDE被淘汰的速度，可能比国内的定制和私有化部署模式淘汰速度还要更快一些。而AI的快速发展取代FDE工程师，可能也就是今年到明年的事情。”在国内，SaaS的生存空间更小，相较于海外的SaaS，如果不走FDE这类把业务往重了去的路，它是比较难证明自己的价值的。罗安告诉我们：“本质上，国内外SaaS不是一个东西。核心差异就一个：人力成本结构完全不同。”“举个例子，比如LinkedIn的服务，在国外帮企业筛简历、找候选人，假设一年收8000美元，在美国企业看来是很划算的，因为如果自己雇三个人做这个事情，一年可能要8万美元的人力成本。”“但在国内完全是另一套逻辑。同样的事情，公司可能直接招几个大学生实习就能做，成本极低，甚至有人愿意‘白干换实习经历’。”“SaaS本质上就是节省人力成本的。低人力成本的市场，根本不需要SaaS。至少根据个人观察，目前国内的SaaS市场其实也不是真正靠业务挣钱，更多是把营收做大，然后走上市融资这一套。”郭炜表示，“国内SaaS市场现在遇到的挑战，不是SaaS还是AI的问题，是整个商业进展还没有到那一步，商业软件的规模市场不够大的问题。”所谓“国内SaaS不靠业务赚钱”，主要也是指软件不值钱，而靠硬件赚钱，罗安表示，“赚钱的部分，更多是云和基础资源层，比如流量、机器资源等。比如数据库存储，客户要从10GB数据变成20GB，那就可以通过套餐升级从10块变20块，这是能赚钱的。但上层那些软件功能、业务服务，其实很多时候都是送的，本身不值钱。不管是创业公司还是大厂，都差不多是这样的模式。”基于人力成本因素的SaaS市场演化逻辑，跟企业AI应用在中国和美国产生的影响差别很大的逻辑类似，“Meta、Amazon、微软等公司可以在AI时代不断裁员，是因为他们可以把AI的投入直接转化成利润提升。比如一家企业花1亿美元购买算力或Token服务，但能够节省1.5亿美元的人力成本，那就是划算的。这笔账很容易算清楚，因为被替代的人力本身非常昂贵。”但在国内，人力成本本来就没有那么高，因此AI带来的直接财务收益没有那么明显，“因为目前国内用的AI主要也是Claude。假设Claude带来了8万美金成本，换算成人民币大约50多万，但人力成本还很难达到50万呢。”“关于模型的选择，如果是纯个人选择，永远会倾向于选择效果更好的。只有在类似Claude和ChatGPT的差别很小的情况下，才会考虑成本的差异。国内大模型团队都非常出色，就是卡在硬件追不上。”为什么OpenAI和Anthropic能够亲自下场走FDE模式，帮助传统企业做AI转型，为什么国内大厂或者大模型公司没有来直接引领这个风潮？“不是不想做，主要还是因为模型不行。我们也在产品层面做过很多的优化和弥补，但无论如何都填不了模型之间的差距。”“AI模型公司唯一的一个赚钱希望，是服务海外市场，如果是去海外市场替代人力成本，就有可能拿到高估值。”在这个背景下，如果还做国内业务，卷定制化、卷FDE、卷服务，成了不得不做的选择。但AI至少带来了一丝希望，郭炜表示，“反而是在这么低的估值情况下，可能洗刷出来一些‘蛊王’，可以利用AI原生的SaaS去做全球市场，这是未来的机会。”03未来会是什么样？如果说大力推进定制化、FDE、深度绑定，是SaaS企业为了“先活下去”不得不选择的内卷。那么，在未来，要真正适应AI时代，所有SaaS企业必须面对一个严峻的问题：如何保住定价权？郭炜表示，“过去软件的核心用户是人，所以产品围绕界面、流程、权限和报表设计。未来软件的核心使用者会变成Agent，人只是设定目标、审查结果和处理例外。”“因此SaaS不能再只是一个UI工具，而要变成Agent的Harness：为Agent提供确定的数据上下文、可调用的业务Skill、受控的执行权限、可审计的操作链路，以及可回滚、可复核、可治理的执行环境。比如，白鲸开源就重构了整个基础软件，底座都是基于我们主导开源的ApacheDolphinScheduler和ApacheSeaTunnel。过去做的是ETL软件，现在做的是为Agent而生的DataEngineeringHarnessSuite，服务的对象也从人类，变成Agent。”“这样一来，SaaS的价值就不再是‘有多少人登录使用’，而是‘能让多少业务动作被Agent安全、稳定、低成本（更高的TokenEfficiency）地完成’。”“模型只是推理能力，真正决定企业是否付费的是：这个软件被Agent调用后能不能理解企业语义，能不能100%的给出确定性的结果（弥补Agent的不足），能不能让Agent遵守企业权限边界，能不能让人类快速地审查和理解Agent的输出，出了问题能不能自动的追踪和恢复等。”SaaS行业的AI变革不会仅限于软件层面，而更可能是生态层面。未来不仅可能出现新SaaS，也可能出现新一批SaaS用户群，他们将会有全新的画像，相比编程领域，在设计领域体现的更加明显。John表示，“普通人的语言能力，其实未必能完整表达出他脑子里想要的那个东西。但也有可能，随着人类逐渐接受一些‘差一点也可以’的东西，行业生态会逐渐变化。”“随着AI发展，在软件生产能力的普及下，供给侧将出现大幅产能提升，涌现出许多MVP级别的产品，大家用久了之后，可能对美观和专业性（特制产品界面的polish程度）也没那么敏感了。因为需求可能相对小众或个人化，产品能满足功能就很有价值了。”“就像以前大家觉得短视频内容质量很差，下沉市场电商平台的商品质量也一般，但最后它们确实满足了一部分人的需求，而且还不断横向扩展，让原本不能接受的人也逐渐接受了。”换一个角度来看，这些新的用户群会催生新的SaaS，就像过去大多数人不会为了Adobe的AE或是PR付费，但现在很多普通人会为了剪映付费一样，人们不一定非要为了工作去付费，可能仅仅是为了生活或者所谓“日常创作”。这样的话，SaaS的定义其实也会被扩展。它不再只是服务工作，而是服务更广义的“创作”。除了SaaS形态的改变，与钱相关的地方，也会发生很大改变。无论是新SaaS还是旧SaaS，无论是国内SaaS还是国外SaaS，一旦在产品中深度结合了AI，成本结构将发生巨变，SaaS原有的低成本、高毛利的商业模式就可能彻底被颠覆。推理成本将成为全球SaaS的共同核心难题。John表示，“其实几乎所有软件公司的成本模型现在都在变化。比如一些做情感陪伴、聊天类的产品，它们其实是很典型的成本敏感型业务。如果用户付费意愿不够高，一旦规模上来，成本会非常快地把公司拖垮。这一点和过去做软件公司完全不一样。以前软件更多是服务器成本和开发成本，如果流量上来，边际成本是很低的，稍微融资就能撑过去。但现在Token是持续消耗的，本质上是实时成本，只要用户在用就要付费。”“像谷歌这种级别的公司，据我了解，和传统搜索的成本对比，它的搜索引擎里的AI概览功能成本巨高，所以谷歌内部做了很重大的决定，投入全公司的力量来优化这个功能的成本。”“至于SaaS公司未来的毛利率是下降或提高，还不确定，也可能因为用户规模扩大，反而带来新的平衡。”罗安表示，“巨额的推理成本也将导致，不仅是SaaS公司，包括互联网大厂，都面临类似的‘估值压缩’的逻辑。它们需要投入大量Capex去购买算力、消耗Token。而短期来看，这些支出并没有直接带来等比例的收入增长。也正因为如此，市场当前更偏好‘卖铲子’的算力公司，而不是直接做应用的公司。”“但最终C端应用是否能真正跑出来，形成稳定的商业模式，目前还没有被验证。”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
05/23
五个AI落地叙事，拆解出一场“企业坦白局”
人贴外皮，有人换肌理，有人养骨骼法国社会心理学家勒庞在《乌合之众》里写过一句话：群体不需要真相，只需要一个确定的答案。这句话搬进AI时代，有种非常契合的解释力。一般人初次接触生成式AI，最本能的做法就是问它一个问题，然后等待回答。AI的价值似乎就在于能多快、多好地给出那个确定性的输出。企业采购AI时，PPT上也是同样的叙事，比如智能客服可以节省多少人力，AI辅助编程能提升多少效率。近期，市场分析机构IDC给出了一组数字：81%的组织正在部署、试点或计划在短期内采用AIPC，61%的企业已将AI直接嵌入工作流程。而驱动企业投资AIPC的前三大因素，分别是提升生产力（59%）、创新与竞争差异化（39%）以及安全性收益（35%）。不过，部署意愿不等于部署效果。报告同样显示，从CEO到一线员工的认知落差正在不断发酵，32%认为员工对AI功能的理解有限，31%对监管与数据合规性的不确定性有所顾虑。DoNews从多方渠道接触了包括银行、保险、审核、科技、地产等在内的从业人士，在他们主动或者被动拥抱AI的过程中，呈现出一张清晰又复杂的图景：有人将AI塑造成降本增效的“万能钥匙”，有人在绩效指标与合规压力下成为算法与人工之间的“缓冲层”。01AI落地最原始的状态，不是失败，而是虚假。一些企业将AI视为一张可以随意张贴的“高科技外皮”，认知与行动间隔着巨大裂痕。子铭曾在审核类行业工作，他向笔者分享了前司内部对待AI的态度——从“龙虾式”动员，到实际落地时的犹豫。据他表示，老板曾在200多人的公司大群里发出指令，要求大家把“小龙虾”都装起来，但当时连研发部门都没几个人真正会使用相关AI工具，更没有人提前评估过其中的数据安全风险，以及调用API可能产生的Token费用问题。高层在口头上表达了“拥抱AI”的意愿，但落到实际行动上，资源支持几乎为零。子铭坦言，自己曾尝试用“扣子”（Coze）搭建企业知识库，自测已经成功，但最终卡在了企业微信接口的对接环节上。“因为没有一分钱预算。”也有部分同事在飞书上自行部署了一些AI应用，但整体比例不高。最让人感到困惑的，是老板对AI态度的反复。“公司本有着广阔的AI应用前景和空间，老板也频繁参加各类AI主题的会议和活动，但有一次回来后却对我们讲，还是人工的好，我们的工作AI根本代替不了。”在技术崇拜和落地阻力之间横跳，是当前部分企业拥抱AI时的真实写照。同样的割裂感，也出现在另一种形式的“强制拥抱”中。DoNews联系到一位某上市公司的程序员，据他介绍，公司自今年1月起推行“全员AI”，要求使用「指定AI工具」生成代码，并推动全员向全栈工程师转型。然而，实际效果与初衷之间出现了明显落差。比如，领导层每天都在评估AI开发与传统开发方式的耗时对比，导致会议数量激增，加班也随之增多。“有些背离了AI提效的初衷。”他认为，公司领导过于乐观地认为AI可以解决大部分开发问题，而基层员工则在日复一日的评估会议和加班中感到疲惫。高管期望AI能提升生产力，但员工体会到的只是工作量的增加，部分人甚至不知道如何达到领导层期望的效果。该公司内部，员工之间也在私下讨论另一个敏感话题：既然都是程序员，适合自己的AI使用方式才是最好的，为什么非要强制使用指定的AI生成方式？过度的会议、被动的加班、对数据用途的疑虑，正在削弱AI本应带来的正向体验。该员工无奈地发起疑问，AI提效是为了让员工的工作方式更加灵活，还是为了让公司的产能更高？AI究竟是帮助打工人，还是最终淘汰打工人？这些问题并个人的困惑，而是当前AI进入职场后无数一线技术人员的共同焦虑。02当企业开始认真对待AI，投入资源、搭建系统时，变革就从“口号”进入了“组织层面”。但在这个阶段，效率提升首先带来的往往是阵痛。咔咔在国内某大型地产公司任职，他向笔者介绍，大约在2024年初DeepSeek推出后，公司便正式开启了AI赋能之路。第一阶段是学习，“公司会下发会议通知，提供视频资料，要求我们去了解AI。”第二阶段，专业团队会把AI与内部系统更深度地结合，自主研发了多个工具，用于企业提效。“AI确实能提取有效信息、分析数据，帮助岗位变得更专业。前两天开会时，领导还努力教我们怎么‘喂龙虾’，不过时间太短，吸收有限。”咔咔解释，领导的主要意图是开启大家的AI意识，帮助员工在日常业务中不抗拒AI，主动去使用。效率提升后，企业往往会重新分配任务，最显著的变化体现在组织架构上。据了解，该公司在今年启动了一轮架构调整，此前设有基层岗、经理岗和总监岗三个层级，现在基层岗和经理岗已经二岗合一了。变化的速度很快，员工心态也随之分化。咔咔观察到两种趋势：一类人对AI很感兴趣，主动学习，自己就能自发向上走；另一类还在用过去几十年甚至上世纪的方法做新世纪的工作，意识不到时代在淘汰自己，这种人只能靠企业去牵引。从最初的学习到后来工作量增加，再到岗位合并，工作内容变化的节奏很快，“高层的事情关心不了那么远，员工层面，确实会比较迷茫。”咔咔说。03走出阵痛的方式，不是放慢脚步，而是找准着力点。当企业开始精准地将AI植入高价值、标准化的业务环节，用可量化的效率提升建立信心时，AI才真正从“概念”落地为“工具”。保险行业的信美相互人寿（以下简称“信美保险”）提供了一个成熟范本，相关负责人向笔者表示，公司AI布局已从初期尝试阶段迈入大规模应用提效阶段，AI技术正深刻改变其核心业务环节。作为受严格监管的金融机构，信美保险在算力部署上采取差异化策略：非敏感业务调用云端服务，敏感业务则使用私域服务器，确保客户隐私和核心数据安全。在策略上，信美保险采用轻资产模式，全部算力资源来自云端，不自行建设算力设施，成本主要聚焦于技术研发和人才培养。在投入产出比的衡量上，公司围绕运营效率提升、成本管控和风险管控三大维度，重点跟踪核保与理赔时效、人力成本节约等核心指标。值得注意的是，他们并未设立传统意义上的“AIKPI”，而是将技术落地、效能提升与风险管控等目标与业务深度绑定。“员工对AI的态度也普遍积极，许多人通过OKR设定更具挑战性的目标，并主动提出加强AI培训的建议。”信美相互人寿负责人说道。这种务实策略带来了切实改变，以健康险预核保为例，AI智能预核保助手能够自动识别医疗单证信息，并结合核保知识进行分析推理，将预核保时效从传统的48小时大幅缩短至1小时以内。04当工具强大到足以替代标准化劳动时，人的价值就不再体现在执行层面，而是体现在驾驭工具、做出复杂判断的能力上。招商银行（以下简称：招行）的实践，为这一命题提供了注脚。作为业内公认的“科技金融领头羊”，招行对AI的投入堪称大手笔。资料显示，2025年6月，招行正式对外宣布“AIFirst”战略。这一年，招行AI技术与应用出现爆发式增长，2025年AI日均Token吞吐较2024年增长10.1倍，全年落地183个金融垂直领域专精模型、856个业务场景应用，AI替代人工工时达1556万小时。笔者联系了招行某城市分行的对公信贷经理舒岚，她的阐述展现出AI时代下银行系统员工某种冷静且务实的态度。舒岚表示，招行近年来每年都会从营收利润中拿出相当一部分资金（大概十到二十亿级别）砸向科技金融板块。“是行业最强的，没有之一。”而这种巨大的投入，使得AI已经像空气一样渗透进营销、客服乃至公文写作的每一个毛孔里。据舒岚介绍，在传统模式下，客户通过手机银行或官网咨询公司贷款业务，往往受限于人工客服的繁忙程度与专业壁垒。而如今，AI的介入正在彻底打破这一瓶颈。AI的响应速度几乎没有延迟，更关键的是专业度的飞跃。“以往的人工客服如果面对复杂的产品，往往需要转接或查阅资料，但现在的专属AI系统已经将海量的产品细则、合规要求内化，不仅能准确回答客户的问题，还能做到逻辑清晰、用词规范，远比人工死记硬背来得可靠。”舒岚说。除了客户咨询，在对外营销环节，招行自研的AI系统会通过大数据抓取客户的动态与潜在需求，并主动生成营销线索推送给客户经理。“比如系统提示某家企业近期资金流水波动异常或有扩张迹象，AI会马上推送商机，让我去精准跟进。它甚至能自动生成拜访日志和沟通纪要，直接挂入系统。”与监管部门对接工作，也是舒岚的日常工作之一。她表示，以往需要耗费一两天、绞尽脑汁起草的公文报告，现在只需把大纲和形式要求“甩”给AI，几分钟就能生成规范的初稿，做微调即可。至于节省下来的时间，能让她能更专注于对客户的深度分析与风险把控。让笔者更感兴趣的一点是，招行这一系列举措中，最具价值的不是效率数字，而是它对“人才”的重新定义。舒岚介绍，以前行里招人大多是金融、财会专业，现在会固定一定的比例，专门招信息技术、计算机方向的科技人才。这种人才结构的转型并非毫无阻力，它实际上在银行内部催生了一种微妙的“认知差”。一边是掌握编程思维、擅长与机器对话的科技新锐，一边是深耕业务多年、依赖经验判断的传统金融人，两者在AI浪潮下的处境截然不同。当AI开始替代基础文案和标准客服，缺乏技术背景的老员工难免产生职业焦虑——担心自己辛苦积累的经验，会不会在一夜之间被算法解构殆尽。然而，这种担忧在舒岚看来，恰恰搞错了重点。她认为，AI暴露的并非“人力冗余”，而是“能力断层”。技术的冲击，本质上是在倒逼银行人重新审视自己的核心竞争力，如果一个人的价值仅仅停留在执行标准化流程、传递固定话术，那么被替代只是时间问题；但如果他能将AI作为杠杆，把节省下来的时间用于深度思考、复杂谈判和风险洞察，那么AI反而会成为他最得力的助手。也正因如此，舒岚反复强调一个观点：银行里的AI竞赛，表面上是技术投入之争，深层却是“谁更会用AI”的人力素质之争。正是基于这样的底层逻辑，当外界将目光聚焦在“裁员”这个敏感词上时，她回答才显得格外冷静：“银行裁不裁员，核心是经济环境，而不是AI。”在她看来，AI更像是一个强有力的工具，作用是释放人力，而非简单地消灭岗位。银行内部存在两类分流。一方面是那些重复性的、无需过多创造力的基础营销和客服岗位，如果员工能力无法提升，确实会面临调整；而具备综合素质的员工，则会被转移到更需要人为判断的核心岗位。“AI只能提取数据，但银行是跟人、跟企业打交道的行业。在交流过程中，那种经验性、直觉性，甚至是带有感情的专业判断，AI没办法参与。”舒岚说。05写在最后四个层次，一条主线。穿透这些案例，一个核心规律逐渐浮现：AI与业务的融合深度，直接决定了它是制造混乱、简单提效，还是重塑能力。换个角度看，企业对待AI的方式，最终暴露的是它对待“人”的态度：是把人当作可被监控、可被替代的执行单元，还是把人视为能驾驭工具、能做出复杂判断的价值核心？答案不同，AI带来的结果便判若云泥。真正的变革，恰恰始于放下幻想。在AI越来越擅长给出确定答案的时代，提出好问题、做出复杂判断、驾驭工具而非被工具驾驭的能力，正变得像黄金一样珍贵——那或许才是AI时代最大的真相。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
05/15
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。
