新闻资讯
News and information
-
25
10/10
互联网医疗平台谋变，押注AI争夺下一个十年
互联网医疗平台正在以前所未有的速度拥抱AI，试图在押注下一张船票的同时，为资本讲一出性感的故事。对于互联网医疗平台来说，押注AI已经成为必选项。过去一段时间来，阿里健康、京东健康、微医等纷纷押注AI。一方面是有着AI基因的平台给资本更大的想象空间。另一方面，从自身来看，AI让这些平台从卖药、卖广告、卖挂号三大低毛利场景里挣脱出来。政策层面来看，人工智能辅助诊断被国家医保局列入价格构成。业内普遍认为，在下一个十年里，AI将改写医疗行业的成本结构、服务半径和商业模式。当前，各大平台沿着各自的资源禀赋，走出了三条较为清晰的路线。医药电商比如阿里健康、京东健康把AI当运营手段，核心仍是药品差价和渠道费；垂直平台选择用技术换增长，比如方舟健客将AI视为增长飞轮；蚂蚁、抖音也在下场搅局AI医疗。不过，当前AI对互联网医疗平台的价值仍停留在“故事”和“预期”层面，实实在在地体现在财务报表里的平台并不多。01互联网医疗平台集体卷AI在平安好医生上半年的业绩报中，AI成为反复被提及的高频词。在中报披露的窗口季，平安好医生在半年报中披露了押注许久的AI成果。其在业绩报中指出，上半年由于AI的赋能以及业务结构的优化，毛利率较去年同期小幅提升，为33.6%。去年上半年，这一数据为32.2%。就今年来看，平安好医生对AI的重视度肉眼可见的拔高。上半年其在升级平安医博通大模型的同时，也上线了7+N+1医疗AI产品矩阵。图/平安好医生平安好医生只是当前诸多互联网医疗平台的一个缩影。当前，阿里健康、京东健康、腾讯健康、微医等先后落子AI。这些平台对AI的畅想是，用AI实现降本、提频、分润，进而提高利润率。极具曲线的故事，对老板以及背后的资方都能有个交代。2020年之前，互联网医疗企业很难切入医疗服务的核心环节，一直徘徊在轻问诊和一些外围服务层面。从盈利层面来看，援引第一财经采访业内人士，互联网医疗的规模效应是盈利的核心。除了那些互联网巨头以外，小公司要实现盈利往往需要较长的周期，因为需要前期很大的投入，而最终盈利的模式无非是三种，卖药品、卖服务和卖广告。规模效应也意味着，这三种模式的毛利并不高。而AI让这些平台从卖药、卖广告、卖挂号三大低毛利场景里挣脱出来。早期这类平台核心逻辑是线上连接——把挂号、问诊、买药搬到线上，解决的是效率问题，而非医疗质量问题。作为中介，这类平台有着较为明显的漏洞，没有技术壁垒、作为信息中介难以留存客户、在面对公立医院线上平台时毫无竞争力。而在AI时代下，可以把原本浪费在库存、人力、流量、创意上的钱省下来。药品销售上，不仅能优化供应链管理还能提升销售销量；在服务层面上提高服务效率的同时降低人力成本；广告销售方面，AI在实现用户精准画像的同时还可预测广告投放的最佳时机和渠道。从估值的角度来看，沾染AI的平台享受的估值待遇可从医疗服务商升级至科技股。木头姐发布的《BigIdeas》报告中预言：医疗保健是最被低估的AI应用。到2030年，AI将使药物开发成本降低4倍、癌症筛查效率提升20倍。二级市场上，将AI战略置顶的京东健康、平安好医生等公司的股价自去年下半年开始飞涨。同花顺数据显示，从去年8月15日至今，二者股价涨幅分别为205%、1225.68%，后者从1.48港元/股飙涨至19.62港元/股。二级市场的逻辑也同样适用于一级市场。据Crunchbase统计，2025年1月医疗保健和人工智能领域融资额分别达到94亿美元和57亿美元，合计占当月全球风投总额的58%。政策层面也逐步开闸。去年11月份，国家医保局首次将人工智能辅助诊断纳入医保价格构成。在技术和政策的推动下，国内的AI医疗市场持续扩容。华西证券援引第三方数据显示，2019-2023年，中国AI医疗市场规模从27亿元快速增长至88亿元，预计2028年市场规模将接近300亿元。02中小平台的路径分野显然，在AI浪潮下，各大平台正在沿着各自的资源禀赋，逐步走出了三条较为清晰的路线。背靠大厂的玩家们将AI作为运营的手段，比如阿里健康和京东健康核心的逻辑依旧是药品差价和渠道费。在自营+平台+即时零售协同模式以及阿里和京东对这两家公司的支撑之外，AI的辅助让这两家在卖药上较为如鱼得水。最典型的例子就是，京东健康去年撤掉了被寄予厚望的AI家庭医生，重新将资源集中到卖药后，活得反而更好了。从业绩层面来看，2024年至2025年上半年，京东健康的总营业额分别为581.60亿元、352.90亿元，股东应占溢利分别为41.62亿元、25.96亿元，同比变动分别为94.31%、27.45%。图/京东健康2024年，作为营收大头的医药和健康产品销售收入为488亿元，相较于往年457亿元同比增长6.9%。服务收入的占比也从2022年的13.7%升至2024年的16.1%。AI让京东健康对趋势的变化更为明显，也就是库存更快、转化更高、配送更准。上海证券在研报中指出，AI精准营销和智能推荐降低了获客成本，同时提高了用户粘性和单次消费金额。AI在供应链管理中的应用，如需求预测和库存管理，进一步提高了运营效率，降低了库存成本。此外，AI通过自动化和智能化手段减少了对人工的依赖，例如AI工具可以替代部分医生助理的工作，如病历书写、导诊分诊和随访等，从而降低了销售和营销费用。垂直类平台选择避开与阿里健康、京东健康的直面竞争，将AI作为增长飞轮。但是，不卖药的公司盈利难度较高。前京东辛利军曾在采访中坦言：“在中国做互联网医疗的公司，那些不卖货的都亏钱。”像微医、方舟健客，AI更多的是承担数字医生的角色，前者按病种分级诊疗，后者按慢病全周期管理，分级诊疗服务费、慢性病会员订阅和药企数字化分成是两家公司看重的关键点。不过当前来看，AI的反哺作用并不明显。在2024年上半年，微医的AI医疗服务的营收达14.4亿元，占总收入的比例跃升至79.2%。不过对利润的贡献度有限。2021年—2023年的毛利率仅为2.6%、1.5%和3.4%，2024年上半年略微上升至4.9%。图/微医财报方舟健客一直想撕掉卖药的标签。此前21世纪经济报道指出，为摆脱名为互联网医疗，实为卖药这一行业诟病，方舟健客在AI的赋能下，持续探索从咨询、诊断到购药等全流程的闭环服务。但报告期内，方舟健客主要业务中线上零售药店服务产生的收入同比增加8.3%，而综合医疗服务产生的收入同比下降34.3%。需要注意的是，蚂蚁、抖音也在下场搅局AI医疗，不过最终的目的在于试图用流量换入口。今年7月份，蚂蚁集团上线独立健康应用“AQ”加码AI医疗，用支付宝的医保支付、医院HIS接口能力，把AI问诊、电子病历、医保结算做成闭环；字节跳动紧随其后推出“小荷AI医生”，主打健康咨询与报告解读功能，最核心的入口还是抖音渠道，通过用户在抖音页面搜索相关疾病——跳转小荷医典获得相关疾病的科普，再进一步跳转小荷AI医生进行相关咨询。二者的路径并不追求自建医疗闭环，只是把AI能力作为流量分发和广告增值工具，打法更轻、扩张更快。03AI医疗的叙事困境互联网医疗平台看似拥有宏大的AI叙事，但研发投入与商业回报的不匹配仍是业内共识。当前AI已成为医疗行业的重要发展趋势，京东健康、平安好医生等巨头依托集团资源，构建了强大的技术和数据壁垒，在AI医疗领域重兵布局。中小平台若不跟进，其服务效率和质量可能落后于竞争对手，难以吸引用户和医生资源。但，AI研发需要大量的资金和技术投入，包括数据收集与标注、模型训练、算法优化等，而在自身造血能力不足的前提下，没有靠山的平台大概率会先拖死自己。因此技术门槛高、验证周期长、数据壁垒厚，导致大投入、慢回报、低毛利，盈利窗口难打开是中小平台的通病。要知道，即便将AI作为辅助的头部平台，在研发投入上也毫不吝啬。比如京东健康上半年的研发费用开支为7.36亿元，2024年全年才6.45亿元。不过，对于中小平台来说，AI的叙事困境不止于烧钱。远毅资本指出，在中国市场，很多AI应用创新是面向C端，比如问诊、医药电商、用药咨询等。毕竟，医疗AItoC市场是最值得期待的领域，这意味着一旦形成规模，其生态价值是具有无限想象力的。因此诸多平台试图用各种方式曲线获C。鼎和资本指出，如微医、讯飞医疗、微脉、左医都探索出了2H-2C的打法，与基层医疗机构进行业务合作，向其所覆盖的C端人群提供服务。但是现状是，C端的用户对AI的信任度并不高。大多数的AI仍旧在工具辅助的浅层阶段，这就导致了用户的付费意愿并不强。援引第一财经采访业内人士，医疗健康领域存在特殊性，对医疗数据质量与安全，患者隐私保护要求很高，为此，AI大模型或将面临技术成熟度风险，医学数据质量与安全风险，和医疗服务公平性风险。对于互联网医疗的AI叙事来说，低容错是行业最硬的约束，也是所有故事必须首先回答的风险题。C端的不信任，也会导致B端的不买账。斯坦福大学最新发表在《JAMANetworkOpen》期刊上的研究显示，当研究人员对医学检查问题进行微小调整时，这些被誉为医疗革命先锋的AI系统准确率暴跌，其中某些模型的错误率甚至接近40%，这使得B端客户对AI的可靠性持谨慎态度。同时，部分AI医疗产品价格高昂，但实际能为医疗机构带来的直接收益有限。例如，一些AI辅助诊断系统需投入大量资金采购和维护，但可能仅能提升少量工作效率，难以覆盖成本。此外，医保政策对AI产品的覆盖范围有限，医疗机构缺乏足够的付费动力。部分医疗机构担心引入AI后，会削弱医生的专业地位或导致岗位调整。且市场上AI医疗产品同质化严重，缺乏差异化竞争力，B端客户难以找到真正符合需求的产品。在可预见的未来，头部厂商依旧占据霸主地位，中小平台们只有快速找到差异化路径，才能在巨头的夹缝中生存下来。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
-
25
10/10
起猛了，OpenAI 要让 AI 取代你的 App 了
AI不再只是工具，而正逐步成为新的操作系统。AI不再只是工具，而正逐步成为新的操作系统。在今年的OpenAIDevDay2025（OpenAI开发者日）上，CEOSamAltman毫不掩饰地说：ChatGPT不只是聊天，它要成为一个可运行App、管理任务、连接外部服务的全能AI操作系统。距离首届开发者日仅两年，OpenAI的生态已经发生了翻天覆地的变化：开发者人数从200万增加到400万，ChatGPT周活跃用户从1亿飙升至8亿，而API每分钟处理的Token数量更是暴涨20倍，达到了60亿。与此同时，过去两年的AI世界也在快速重塑：模型不断迭代、智能体开始大规模应用、生成视频技术席卷各行各业。当外界以为OpenAI会保持低调时，10月7日的DevDay再次让整个行业为之一振。会上，Altman一次性推出了四款重磅产品：GPT-5Pro、ChatGPTAppStore、AgentKit、Sora2。先说最炸的部分——AppsSDK，也就是未来开发者可以在ChatGPT里直接做应用。不是老式插件那样的半吊子，它是真正能在ChatGPT界面里跑起来的App，有界面、有交互、能登录、能支付，全套流程都在这里完成。大会上，几大知名应用第一时间亮相：Canva、Booking、Coursera、Zillow......想做宣传海报？在ChatGPT里一句“帮我做一张海报”，它会直接Canva，跳出完整设计界面。想找纽约带庭院的房子？只需一句话，它就调出Zillow模块，地图、价格、户型信息一目了然。整个体验不需要跳转、不割裂，就像这些应用本身就是ChatGPT的一部分。紧接着，OpenAI秀了个更酷的东西——AgentKit。这是给那些希望“搭建自己智能体”的人准备的低代码／无代码工具：拖一拖、连一连、设参数，就能搭一个会“做任务”的AIAgent（智能体）。大会上，OpenAI的体验团队在8分钟里就建好一个智能体，给DevDay的官网做问答服务。但别以为这就只是一个概念秀。AgentKit包括三个核心模块：AgentBuilder：可视化画布，拖拽节点连接任务流程；ConnectorRegistry：给智能体“挂工具”的地方，比如接数据库、调API、访问外部资源；ChatKit：把智能体嵌入界面／App的聊天交互组件。还有Evals（评估系统）模块，用来衡量一个智能体做得好不好。这个“可视化+模块化+安全护栏”组合，就是OpenAI要把“做一个智能体”从程序员的特权变成“人人都能做”。再往下一层，就轮到Codex亮相了。这次大会上，OpenAI宣布它正式进入GA（通用可用）阶段。内部爆料更有意思：团队的代码几乎都离不开它，每周约70%的提交，都靠Codex助手搞定。现场演示里，一个工程师只说一句“给我弄一个控制舞台灯光和摄像头的界面”，Codex一下把前端UI搭起来、后台服务写好，还去GitHub找协议文档，甚至管理手柄控制、语音指令，都整合进去了。整个过程中，工程师一行代码都没写。Codex的目标很清楚：自然语言+智能识别=“语义编程”，你说的话，它懂、它做。程序员的“写代码”劳动，有可能逐步被“指令—转换—验证”这种流程替代。而最底层的基座，是那几款重磅模型：GPT-5ProAPI、gpt-realtime-mini语音模型、Sora2视频模型。GPT-5Pro以40万token的上下文窗口、强推理能力亮相。gpt-realtime-mini削减了语音模型的成本，让语音交互变得更可普及。Sora2则让视频生成可控、音画同步，把视频从“重资产”变成“指令可控产出”。这些技术力量串联起来，就是OpenAI要打造一个“入口—平台—应用—智能体”的闭环生态。ChatGPT从“我回答你问题”转型到“你说什么，我让后台服务帮你做”，这不仅仅是升级，更像一次对现有互联网格局的宣战。看到这里你可能会问：这么大的野心，真的能撑得住吗？老狐也有几点有趣观察想跟大家聊聊。首先，这个“统一入口”模式，得赢得应用开发者们的信任。Canva、Coursera、Spotify……这些头部应用愿意把自己搬进ChatGPT生态里吗？它们自己打造的AppStore、流量入口、用户数据，那都是核心资产。让自己变成ChatGPT中的一个子模块，意味着放弃部分独立控制权。中长期这种“入口重构”中的利益博弈，才是真正的风口浪尖。其次，AgentKit这种中间态工具，事实上极容易被边缘化。如果你既不像微软、谷歌那样有强业务场景，也不想做纯底层模型，就在这个中间层做准确信息整合或垂直解决方案，能不能站住脚？市场里有太多成熟工具、专精厂商，AgentKit必须明确定位，否则很可能被“夹击”。再者，OpenAI自己下场做工具、做生态，有可能和它原本像模型调用商的客户发生冲突，也就是“裁判也当运动员”的窘境。客户即是潜在竞争者，这种定位的信任壁垒需要极高的透明度和制度保证。除此之外，监管和隐私也是不能回避的坑。AppsSDK在欧盟目前就没被包含进预览名单里。不同国家/地区的监管制度、数据流通限制、隐私保护政策不同，在生态扩张阶段可能成为制约。其次，应用深度集成意味着更多敏感权限调用、数据交互，一旦安全边界、数据隔离没做好，很容易出乱子。最后，模型竞赛还没打完。谷歌、Meta、Anthropic这些巨头也都在模型、生成体系上下重注；开源模型阵营、低成本模型也在局部场景里高速迭代。OpenAI虽然现在看起来风头正劲，但未来谁能保持技术+生态双重领先，仍是未知数。但即便如此，从这次大会透出的信号来看，AI竞争的下半场，确实在从“谁模型更强”变成“谁能搭一个用起来舒服、低门槛、安全可控的生态”。技术红利在退潮的时候，体验红利、生态红利才是决定胜负的关键。对于普通人来说，这意味着什么？简单说，以后你写文章，不用装很多工具插件；你做设计，不必在Canva+PPT间来回切换；你找房子，不用开好几个房产App+地图App；你开公司也能自己搭智能客服、数据分析机器人。构思一个创意、拟定一个流程，就能在几分钟里把它变成“活着”的智能体。未来，创意比技术更重要。今天的ChatGPT，可能还只是这个未来“入口OS”的萌芽期。真正的ChatGPT终极形态或许是，当它不再只是“你问它答”，而是“你说出要求，它自己组织资源帮你办事”。那个时候，你打开ChatGPT，就像打开了你的数字中枢：你不去想“去哪个App”，你只说“我想做什么”，剩下的就交给它。未来AI入口的争夺才刚刚开始，而OpenAI已经先手下了重注。下一步会怎样？可能是AppsSDK在更多地区上线，也可能是第三方开发者爆发，更可能是智能体生态全面起飞。在这个过程中，胜者环伺、格局重组都是大概率事件。但有一点很明确：通往AI入口的道路，比我们想象的更野、更快。所以，当你下次打开ChatGPT，别惊讶它主动推荐你从未见过的App模块，也别惊讶界面里多了个“小助理”，它甚至可能记得你最近的行程、任务和偏好。这就像从AppStore时代迈向AIStore时代：不再是孤立工具，而是协同行动；不再只是你操控它，而是它主动为你服务。我们正在迎来一个前所未有的入口时代。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
-
25
10/10
当AI开始查AI，AI编程爆火之下，代码审查成了大生意
写代码的速度越来越快，审查的压力也越来越大AI编码赛道，正在长出一条新的分支赛道，那就是代码审查。从去年Q4萌芽，到今年Q1加速升温，这个方向已经获得了包括Accel、a16z等美国顶级风投的关注与投资。究其原因，开发者在使用AI编码工具时，虽然产出效率大幅提升，但错误也随之增加。工程师需要花大量时间去修正AI生成的代码，于是，专门负责代码审查（CodeReview）的AI工具应运而生。值得一提的是，目前这个新赛道里，已经跑出了不少公司。比如，CodeRabbit的估值已经高达5.5亿美元，另一家代码审查公司Graphite也在今年3月宣布获得5200万美元的B轮融资，领投方为知名风投Accel。今天，我们就来看看这个由AI引发、又服务于AI的新赛道。月收入环比增长20%，1500万美金ARR过去一年，AI让写代码变得越来越容易。但随之也带来了新的问题，代码量暴增、Bug变多、合并请求越拉越长，工程师的时间又被卡在“审查代码”这一步。CodeRabbit创始人HarjotGill早在2022年就预见到了这点。早在2018年，Gill曾把无代理监控公司Netsil卖给Nutanix；第二次创业FluxNinja虽然没成功，却给了他灵感。他在远程管理团队时，亲眼看到Copilot如何让代码提交暴涨、bug激增、审查负担飙升。于是他想：有没有办法让AI来“读代码”，帮人查错？2022年，团队把大模型接进代码审查流程，自动捕捉缺陷与规范问题。粗糙原型开源后，意外获得了大量开发者的热烈追捧，甚至日本技术社区主动为其撰写博客推荐。需求一经确认，团队于2023年注册公司CodeRabbit，定位只做一件事：AI代码审查。它像一位常驻审查员，嵌在GitHub/GitLab的PR/MR流程里，不出现在IDE（集成开发环境），也不分担写代码的任务。从0到1的功能演进始终围绕审查本身：自动生成PR摘要逐行给出可执行建议随新提交增量复查评论中它可继续改代码一键输出发布说明CodeRabbit先学会“读懂代码”。它会学习每个项目独有的写法、风格和历史审查记录，把项目里的结构化信息，比如代码的语法树（AST）、函数调用关系、过往的PR记录、Jira任务等数据都喂给大模型。它生成的评论不仅能解释“为什么”这样建议，还能追溯到具体规则或历史决策，而不仅是大模型对文本的“概率”续写。也就是说，生成的评论附带“出处”与“原因”，不再是黑盒概率，而是可追溯的决策，让人放心采纳。这些能力来自团队早期的布局。两年前他们就预测到“代码审查会成为瓶颈”，于是提前做了“代码图谱”，把项目里的依赖关系、静态分析结果和Linter报告整合起来，让模型能从多个信号判断问题。他们还设计了一个反馈闭环：开发者每次“采纳”或“忽略”建议，系统都会记录下来反哺模型。久而久之，模型会越来越熟悉团队的习惯，像一个真正的老同事一样懂你。HarjotGill认为，当这种习惯形成后，团队就很难再迁移到别的平台，这就是新的护城河。在解决审查瓶颈之后，CodeRabbit的功能还进行了向下延伸：它顺着PR接口进入测试、集成、发布环节，把审查意见、测试报告、安全清单整合到同一个面板。这样，代码质量的把控不再只停留在“合并那一刻”，而是一路延伸到“上线那一刻”。这样，一个原本只盯diff的小助手，就这样沿着流水线往前挪步，慢慢长成研发协作的AI平台。成立近两年，CodeRabbit已有8000多家企业客户，包括Chegg、Groupon、Mercury，月收入环比增速保持20%，ARR1500万美元。CodeRabbit的付费方式很特别——由开发者自己决定。即团队先免费试用一段时间，然后由成员投票决定要不要留下它。目前，转化率达30%。在日本、印度和硅谷的工程师社区里，它几乎是靠口碑传播起来的。当代码审查成为一门新生意写代码的速度越来越快，审查的压力也越来越大。只要有提交，就需要审查。而随着AI编程工具的普及，审查需求正在成倍增长，形成一条高速扩张的新赛道。这条赛道已经不再冷清。Graphite先后拿下a16z的A轮和Accel的B轮融资，定位“现代化工程协作平台”；2024年，领投了CodeRabbit的ScaleVenture，与SquarePeg又共同领投了代码审查公司Qodo的4000万美元A轮，使其累计融资突破5000万美元。谁能同时兼顾“专业深度”和“平台广度”，谁就能在“AI写、AI审”的闭环里持续变现。（1）QodoMerge：“懂业务规则的审查队友”旗下QodoMerge开源社区版已上架VSCode与JetBrains，官网打出“73.8%建议被采纳”的指标。与CodeRabbit专注于单次PR的局部分析不同，QodoMerge的优势在于“全局理解”。QodoMerge具备跨仓库的上下文理解能力，能够把多个模块的依赖关系放在一个整体图景里去分析，识别单点改动可能引发的连锁风险。这让它天然适合那些代码规模大、模块间高度耦合的团队。更进一步，QodoMerge还能把企业内部的业务规范转化为机器可执行的检测规则。比如，“支付模块必须埋点日志”这类原本靠人工遵守的规定，如今能被系统自动校验，从而让审查和合规融为一体。再加上完整的审查轨迹记录，它实际上帮企业搭起了一道“合规护城河”，在质量与监管层面建立长期壁垒。（2）Sourcery：“重构+审查一体化的编程搭档”相比之下，Sourcery选择了一条更轻量的路。它像一位专注“代码工艺”的搭档，从Python自动重构起家，如今GitHub上已有30万开发者使用。在Elixir和Reddit社区中，它因“建议相关度高”而口碑不错。Sourcery的基因是“重构工具”，它擅长让代码写得更好。扩展多语言后，它依旧强调“自动重构+深度审查联动”，不仅能指出问题，还能同时生成优化补丁。无论是变量命名、逻辑扁平化还是代码复用，都能做到“发现即修复”。这种“立刻解决”的体验，与CodeRabbit的“指出问题、由人修复”模式形成鲜明对比，更像是一个能帮开发者提速的实用伙伴。由于融资规模较小，Sourcery目前仍主要依靠订阅收入自我造血、持续训练模型。总结AI编程的浪潮，正在把软件开发拆成两半：一半是“写”，一半是“审”。前者早已被Copilot、ClaudeCode、Cursor等工具彻底点燃，而后者“代码审查”也正在成为新的高地。在这个环节里，企业真正买的不是一个模型，更像是一种信任机制：能不能让AI的每一句建议都“有出处、可追溯、可采纳”。CodeRabbit把AI审查变成团队日常，QodoMerge把业务规则写进机器语言，Sourcery则用自动重构让代码更优雅。它们共同指向一个趋势：AI不再只是“写手”，而是产品开发流程中的制度化角色。当写与审都被AI接管，下一步的竞争就不再是谁写得快、谁算得准，而是懂团队的节奏，懂代码背后的故事，懂人做决策的那份取舍。这，才是AI在软件世界里真正的“人味儿”。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
-
25
10/10
AI上山下乡，网商银行探了条新路
为农户做了一个专属智能体。9月23日，第8个农民丰收节，网商银行推出丰收卡。上线首周，丰收卡用户破100万。和农业农村部信息中心联合共建首个面向农户的专属智能体——AI农事助手。它相当于装在农民手机里的，一个24小时在线的“农技专家+气象专家+金融专家”。10年前，互联网方兴未艾，网商银行成立，用310服务——有支付宝就能用，3分钟申请，最快1分钟放款，0人工干预，改变了中小微企业和个体工商户的信贷服务方式。10年后，网商银行提出了AI时代的新310——360度的用户认知，1对1的专家级服务，0延时的实时交互。在刚刚过去的外滩大会上，它公开了AI在信贷、理财与营销方面的探索。外滩大会仅过去10天之后，这家银行推出了AI农事助手。“AI银行不是要不要做，而是必须加快速度做。”关于AI农事助手解决什么问题？和deepseek、豆包等通用模型相比有什么有什么区别和优势？以及对AI下乡的思考，我们和网商银行丰收卡的负责人宋晓聊了聊。宋晓，北大毕业。小时候在农村长大，摘过烟叶子，割过小麦。很长时间，他的职业标签都是产品经理。接手丰收卡，让他“有种重新靠近故乡的亲切感”。他认为，AI应该创造增量价值，让稀缺的专家服务惠及更多的农民。“他们不应该被抛在新技术的轨道之外。”AI农事助手=农技专家+气象专家+金融专家Q：具体来说，农民能用AI农事助手，来做什么？宋晓：相当于装在手机里的农技专家、气象专家和金融专家。农技专家。种地、养殖，万事不决问AI。比如问‘‘我家水稻叶子发黄咋办？’’、“母猪产后怎么护理？”……AI农事助手就能立刻结合当地的气候、土壤等情况，给出一个科学的解决办法。气象专家。AI能识别农户的定位，提供精确到乡镇的气象信息。当遇到极端气象或者台风、洪水、干旱等农活相关的灾害时，能提供智能预警，减少损失。金融专家。我们把网商银行的金融服务融合起来，当农户有资金周转需求时匹配贷款，有增值需求时推荐理财。Q：用户反馈如何，是不是真的需要AI？宋晓：比预期要好。查天气、学农技的人是最多的。我们的团队中，有不少同学家里都是农村的。不少还在农村种地、养猪养鸡的父母、叔伯就是这个产品的“种子”用户。中国是农业大国。统计数据显示，2024年底，农村常住人口有4.65亿左右，实际从事农业生产的约2.5-2.7亿。务农人口多，农村又分散。给每个人配备一个农技员、信贷员、理财经理几乎是不现实的，而AI让这个成为可能。Q：AI农事助手目前处在什么水平？宋晓：迈出了探索的第一步。它现在水平相当于一个本科生，已经具备完善的认知框架，常见的问题也可以应对。未来我们要把它训练成一个博士生，甚至一个真正意义上的专家。Q：AI回答不了的疑难问题怎么办？宋晓：人机协同。AI农事助手背后，还有1000+农技专家作为“智囊团”。AI回答不了的时候，可以一键切换到人工。竞争优势：比通用模型更“专业”，比科技公司更多特色服务Q：如果Deepseek、元宝、豆包也做一个相似的产品，你们还有竞争力吗？宋晓：有。这好比培养一位“领域专家”与一位“通识人才”的区别。通用大模型是知识渊博的“通才”，学习的是通识知识。AI农事助手则是在此基础上，经过千万级农业文献、技术手册和专家经验深度培养的“农业专家”。我们与农业农村部信息中心的合作共建，引入权威、高质量的数据。相当于为通用大模型提供了专业的“农业教科书”，从而使其成长为更懂农业的专用模型。此外，我们提供的不只是农技问答，AI农事助手不是单独的存在，它嵌入在网商银行丰收卡里，集成了一系列的特色服务。Q：丰收卡里还有哪些特色的服务？宋晓：首先，特色的信息服务，比如，农业补贴查询、气象灾害预警的服务。其次，专业的金融服务。丰收卡本身集合了支付、结算、贷款、理财等网商银行特色金融服务的。此外，还有农资折扣券、农业保险、电动车险、物流折扣券等实用的权益。这是一种“懂生产又懂金融”的独特创新。Q：信息安全怎么保障？宋晓：我们接入了银行级别的AI安全防护。每个用户的所有的咨询记录、位置信息，都像存款一样被严格加密和保护，绝不会泄露给任何第三方。我们定期还会给系统做‘全身体检’，堵住任何安全漏洞。AI下乡不是今天才开始，大山雀已经飞入“田间地头”Q：在信贷领域，网商银行之前已经在探索用AI服务农户。如何应用的？宋晓：是的。AI技术不等于大模型。5年前，网商银行就探索将卫星遥感应用于农村金融，推出了大山雀卫星遥感风控系统。“大山雀”的核心，在于回答“种的是什么、种了多大规模、长势如何”这三个关键风控问题。可以把它理解为架在太空中的一台特殊“相机”。它能捕捉到人眼看不见的光谱信息，而每种作物在不同生长阶段都有其独特的光谱特征，就像人的“指纹”一样。“大山雀”的AI模型经过海量数据训练，能够精准识别这些“光谱指纹”，从而判断作物类型、生长规模和长势，最终为农户的信贷申请提供客观、高效的依据。Q：大山雀系统目前的成效如何？宋晓：到2024年底，“大山雀”已累计服务了位于31个省份的181万种植户，其中超过八成的用户种植面积在10亩以下。都是以往金融机构难以服务的客户。互联网银行到AI银行，促进更多稀缺的服务平权Q：网商银行现在服务了多少用户？多少是农户？宋晓：我们累计服务的小微企业及个体户、农户等超过6800万，近一半来自县域及农村。Q：你们的员工有多少？宋晓：1900人，大约67%都是工程师。所以，科技是网商银行做普惠金融的基因。1900人，服务6800万客户，依靠传统的方式是不可能的，必须要通过技术创新。Q：今年网商银行也提出了AI银行战略。宋晓：是的。我们希望在未来十年，成为千万小微企业的AICFO。CFO不只是管企业的融资和投资，CFO也不只是会计。CFO是一个能提供产品和服务，能做生意参谋，能深度参与和指导企业经营的角色。中国90%的小微企业都没有CFO，也请不起CFO。如果他们因为AI能拥有专业的CFO服务，从而经营得更好，将为社会创造巨大的增量价值。Q：AI农事助手，也类似于农户的AICFO？宋晓：它现在刚起步，目前还不够成熟。未来如果我们做得足够好，我希望它扮演着这样的角色。Q：网商银行新310和老310有什么区别？宋晓：老310——3分钟申请，最快1分钟放款，0人工干预，是互联网时代的产物。它强调便捷、快速。新310——360度的用户认知，1对1的专家级服务，0延时的实时交互。它是AI时代的产物。它强调认知用户的全面，以及服务边界的拓展。更重要的是，稀缺的、专家级的服务的普惠。科技进步是通向金融服务平权的阶梯。而越是专家服务稀缺、匮乏的地方，AI应用的价值就越大。农村就是这样一片土壤。我们不能让农户被抛离在AI之外。这样一片土壤。我们不能让农户被抛离在AI之外。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
-
25
09/30
AI物流火了，上线5个月，拿下8亿融资
从仓库机器人到智能对账，AI重构物流链条在大多数人印象里，物流就是个“苦力活”，风吹日晒不说，还总是被客户催。可偏偏就是这样一门苦生意，却成了AI落地的最佳场景。最近，一家物流AI公司Augment，刚拿下8500万美元A轮融资，由Redpoint领投，8VC、Shopify、Autotech等跟投。要知道，这家公司上线才5个月，融资总额就冲到1.1亿美元，差不多8亿人民币，速度简直快得离谱。与传统自动化工具只能服务单一环节不同，Augment旗下的AI代理Augie的工作，能够涵盖了从接收订单到收款的整个生命周期，活脱脱一个“AI物流打工人”。Augie的效果也是真香。上线5个月，Augie已经被数十家顶级3PL（第三方物流公司）和托运人用起来了，管理的货值超过350亿美元。据公司说，用了Augie后，所有客户加起来节省的钱高达“几百万美元级”。今天，就跟着乌鸦君一起揭开这家公司的神秘面纱。01AI数字员工Augie，把中国式效率搬到欧美物流在国内，大家已经习惯了又快又好的物流体验，动辄次日达。可一到欧美，画风就完全不一样。比如，在美国，主流的邮政和快递普遍承诺的是2–5天，平均投递时间大约2–3天。那里没有“三通一达”，它们的物流体系更像是“拼装货”，分着来干：仓储交给德迅，干线交给UPS、FedEx，最后一公里再甩给USPS或本地小公司。这样做，好的地方是灵活、省钱，也能避免触碰反垄断红线。但问题也显而易见：物流链条被切割成一段一段，系统各自为政，数据难打通。出了问题大家互相推诿，操作员每天只能疲于奔命，在门户网站、TMS、Excel、邮件和电话之间来回切换，整体效率自然就低了。所以，在欧美物流环节里，最累的不是跑运输，而是大量琐碎的沟通：给司机打电话确认位置，催承运商签收单，追客户发票，反复抄数据、填表格。这些工作价值低、出错率高，还耗尽人力。更麻烦的是，一到节假日，工作量猛增，全靠人工完全“盯”不住。在这种乱局下，Augment就杀了出来。它的核心产品Augie，可以理解为物流行业的AI助理，可以跨系统、跨通信渠道（邮件、电话、聊天、TMS/Portal系统等）来处理那些重复、碎片化、劳动密集型的物流工作。Augie最大的优势就是，能够实现跨平台。也就是说，Augie打造的AI员工可以在不同的系统平台里来回操作。这意味着，人工不用再在五六个系统之间来回切换，Augie自己就能完成很多原本依赖人力的工作。从目前看，Augie的价值几乎可以覆盖从最早接单到最后收钱的所有流程。以前的做法很麻烦：操作员要一个个给承运商发邮件、打电话要报价，再手工录进表格里比对。现在有了Augie，它能自己发出询价请求，把不同承运商的反馈收集好，还能帮忙做初步比价，人只需要最后点头确认。选定了承运商后，原本还得人工去下单、发通知、确认时间。Augie直接能在后台完成这些动作，像个随时待命的调度助理，帮你订车、通知司机、确认安排。运输途中，以前操作员要不停打电话问司机“到哪了”，或者催仓库确认进度。Augie可以定时发邮件、打电话、发消息，把这些例行沟通全接手。等货送到，最让人头疼的是签收单、合同、发票迟迟收不回来，发票开不出，账单就拖延。Augie会主动去追文件，收回来还会自动检查完整性和合规性。文件齐全后，它还能自动生成发票、对账，发现问题会标注出来，并能直接发起催款。整条链路跑下来，原本需要人力来回确认、反复催的事，都能交给Augie去自动完成。那么，Augie究竟是如何做到跨系统的？主要用了两个办法：第一，打通不同系统的数据。由于物流行业没有系统没有开放接口，甚至还停留在“门户+邮件”的形态。对这种情况，Augie会模拟人工操作：自动登录门户、读取页面信息，或者解析邮件、聊天消息，把内容转化为可用数据。第二，统一数据格式。由于不同系统的字段、格式都不一样，比如同一份签收单，在承运商系统叫POD，在客户系统里可能叫deliveryproof。Augie用AI来做“语义归一化”，把不同说法但其实是同一个东西的数据，放进统一的内部结构里。当不同来源的数据被整理成一份“干净版本”后，Augie就能自动去执行后续工作。当然，这还没完。虽然能够实现跨系统工作，但怎么才能让物流行业用Augie也是另一个大问题。在物流行业里，每家公司都有一套自己多年积累下来的操作习惯和流程，比如：有的公司习惯先发报价单再确认运输计划，有的公司要求司机必须在特定时间节点打卡，甚至还有的客户需要额外的文件（比如危险品说明、冷链温控记录）。这些流程就是SOP（标准操作流程），它们往往已经深深嵌在业务里。问题在于，很多传统软件上来就要求客户改流程来适配系统，这对物流公司来说非常痛苦，员工要重新培训，客户也要跟着适应，落地难度很大。Augie的思路是反过来的：它不是逼着公司换流程，而是去学习和适应公司的SOP。比如，操作员以前是先收邮件、再登记Excel、最后更新TMS，Augie就按照这个顺序来，只是换成自动化执行。再比如，有些流程需要人工审批的节点，它会在那一步停下，把任务交给人来确认，不会越界。这样做的好处是：公司原有的运作逻辑不需要大改，员工也不用担心“系统来了要推翻一切”。他们只会觉得：“只是多了个聪明的帮手，把我以前要亲自做的机械动作接管了”。这大大降低了切换成本和抵触情绪，也让AI更容易被真正用起来，而不是停留在演示或试点阶段。02从仓库机器人到AI对账，AI重构物流链条Augment让人第一次真切感受到，物流里的AI不只是锦上添花的小工具，而是有可能把整条链路翻新重做。这样的价值已经跑出来了。拿美国物流巨头阿姆斯特朗集团举例（营收近百亿、货值13亿美元），接入Augment后，员工人均每天处理的票据，从原来的10单，直接翻倍到20–30单；对账周期硬生生缩短了8天；单票毛利率也多了5%。而且，物流里的AI应用，其实已经比很多人想象得更深入。以前，它大多在边角料环节打打下手；现在，它正冲进最核心的业务流，把“货怎么走、钱怎么回、人怎么省力”一步步改造。除了Augment外，还有两个案例就很典型：（1）Dexory——仓储扫描机器人首先是Dexory，它用机器人+AI解决仓库“黑箱”问题。仓库为什么被叫做“黑箱”？因为货物进进出出太频繁，但实际库存往往没人说得清。货是多还是少？有没有压错、丢件？很多时候只有靠人工清点，一查就是几小时甚至几天，效率低，还容易出错。问题是，仓储又是物流里最烧钱的环节。租金、人力、库存占用，都是实打实的成本。如果库存数据不准，就会连锁反应：可能出现货卖完了还显示有库存，导致客户下单后发不出去；或者明明货很多，系统却显示没货，企业又去盲目补货，结果仓库被堆爆。更严重的是，一旦出错，还会拖慢运输、增加退货，成本更高。Dexory就是盯准了这个“黑箱”。它的做法很简单粗暴：用一个能伸缩到12米高的机器人，加上3D扫描技术，像“雷达”一样把整个仓库扫一遍。1个小时能扫1万个托盘，把实际库存直接转成高精度的实时数据。然后，它会立刻和仓库系统里的记录比对，几秒钟就能生成一张“差异热力图”，告诉你哪里多了、哪里少了。Dexory的机器人伸出塔式结构扫描高处货架，旁边有托盘、高架、扫描机这样一来，库存准确率能拉到99.9%，企业不再需要花大力气去人工清点，也能避免缺货、积压这些常见坑。说白了，Dexory就是把仓库从“黑箱”变成了“透明盒子”，让企业看得清、算得准、省得多。2024年10月，Dexory已经完成了8000万美元B轮融资，估值达11.4亿美元，目前已落地于马士基、DHL等大型枢纽，将数据更新频率压缩至5分钟（行业平均为6-24小时）。（2）Loop——结算与发票自动化如果说Dexory管的是“货”，那么Loop管的就是“钱”，它切入的是物流中“不起眼但极度痛苦”的财务流程。物流公司最怕的不是货没送出去，而是钱回不来。原因就在于，财务对账特别拖。一票货走完，要先收齐承运商的发票、交付凭证、各种费率表，然后人工去一条条核对：里程对不对？有没有额外加收的费用？有没有重复计费？这些事原来都得靠财务团队一点点看。流程长、文件杂，再加上牵涉好多合作方，一个周期常常要14天，企业的钱就卡在账上，现金流很紧。Loop把这个环节“AI化”了。它能自动识别各种格式的发票、凭证、费率表，把里面的关键数据提出来，快速和系统里的标准里程、费用去比对。如果发现有异常，比如多报了一笔附加费，它会自动标记出来。整个过程几乎是实时的，不用人反复对照。Loop管理客户发票，如自动创建应收发票、跟踪账龄，减少手动对账的界面结果就是，对账从原来的两周，压缩到1天。这意味着企业能更快开票、更快收钱，大量营运资金不再被拖着走，现金流立刻宽松了。2024年8月，Loop完成3500万美元B轮融资，由摩根大通成长基金领投。项目目前已与罗宾逊全球物流、UberFreight等主流平台完成系统对接，2024年处理发票金额达26亿美元，错误率低于0.3%。除了仓储和结算，其实AI在物流行业的想象力远不止于此。比如英国的Beacon，它切入的就是多式联运，海运、空运、陆运同时跑的复杂链路。以前要追踪这么多环节，操作员得开好几个系统，还得盯紧邮件和电话，一旦延误，往往是事后才发现。Beacon把各种运输方式通过一个统一API接进来，AI能实时看全局，还能提前24小时预测“哪一环可能会出问题”。就靠这个能力，Beacon的订阅收入一年涨了3倍。再看美国的Vooma。它切入的环节更靠前——报价。物流行业里，给托运人算一口准确的“门到门”价格，往往要来回沟通半天，操作员得翻表格、查舱位，还要确认各种附加费用。Vooma做了个类似ChatGPT的对话界面，客户只要输入需求，AI就能在30秒内spit出完整报价，还能直接预订舱位，相当于把过去要花几十分钟甚至几小时的活，压缩到几秒钟。对货代来说，这节省了大约75%的人工工时，特别适合人手紧张的北美中型物流公司。这几家公司其实代表了一个清晰的趋势：物流AI不再是点缀，而是在把“货、钱、信息”三条关键线都重构了一遍。比如，Augment管信息，Dexory管库存，Loop管资金，它们切入点不同，但逻辑一致：用AI把原来靠人力盯、效率低、容易出错的环节自动化，让物流真正跑得更快、更稳、更省。也就是说，AI正在把物流从一个“碎片化、靠人撑”的行业，推向“数据驱动、智能协同”的新阶段。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
-
25
09/30
下一个崛起的是哪个软件大厂？
软件行业没有永恒的王者，只有不断的自我颠覆！你认为下一个崛起的软件大厂是谁？最近几天老杨一直在和一些软件公司的朋友聊一些当前的行业趋势、市场变化以及未来可能面临的挑战，普遍感受到大家都很焦虑与迷茫，除了面临增长瓶颈，新兴力量也在不断挑战旧的市场秩序。特别是AI技术爆火之后对传统软件市场的冲击很大，这种冲击不仅在重构产品逻辑，更是在重塑整个行业生态，且这种重构的速度已经伴随着每次的技术升级而缩短，给传统软件调整的时间在不断压缩，市场变了，技术升级了，产品逻辑变了，客户的认知与要求也变了，总之一切都在变，传统软件该如何变？面对如此低迷的数字化市场，下一个崛起的软件大厂又是谁？老杨认为答案或许不在某一家特定企业身上，而在那些敢于彻底重构自身、拥抱新范式的公司之中。传统软件的发展之路其实仔细回溯传统软件的发展之路，其实从单机时代到客户端，再到SaaS化转型，中间所走过的路其实并不长，但每一步都是伴随着重大的技术变革与市场洗牌。传统软件的高速发展与国内经济的快速增长密不可分，可以说多少有点蹭了经济发展的“流量”，国内那些大厂有多少真本领其实大家心里心知肚明，与国际同行相比，无论是在技术深度、产品功能、方案解决能力上都存在明显差距。过去依赖渠道、关系和定制化生存的模式，在当前市场环境下已经难以为继。甲方的预算越来越紧，要求却越来越高，不仅要求产品好用，更要求其具备智能化、集成化、可扩展化的能力，特别是对AI能力的整合提出了更高要求。但从传统到AI的跨越并非简单的技术叠加，而是一场彻底的产品与管理变革，不仅涉及产品架构的重构，更涉及整个从方案到交付、再到服务的全链路的升级。与众多传统企业一样，传统软件公司吃惯了市场的红利，如今却面临转型的阵痛。那么该如何转？老杨认为关键还是软件公司有没有变革的勇气、毅力和对客户价值的重新认知。那么传统软件公司想要重新崛起该如何变呢？第一，首先要具备开放的心态为什么当前一些软件大厂的产品线越来越长，功能愈来愈重，却越来越难以满足客户灵活多变的需求？其实最大的原因还是在于其封闭的技术架构下垄断的生态体系思维在作祟，有多少甲方企业对各种接口不统一、接口成本高昂、系统难以集成深感头痛，又有多少企业买了某大厂的全线产品难以达到预期效果而被迫在系统升级和替换上投入大量成本。技术与产品线的垄断并不会为软件公司带来真正的护城河，反而会加速客户的流失。要知道软件公司从市场角度来看它依然是服务型组织，并非拥有技术就高高在上的市场主宰者。所以软件公司想要做到真正的以客户为中心，就必须打破自身的技术壁垒，构建开放、灵活、可集成的技术生态。《道德经》中所言：“上善若水，水善利万物而不争”，说的就是这个道理。第二，组织重构为什么大部分的企业对软件公司的实施团队怨声载道，最后导致交付周期长、效果差？能盈利的项目却亏损了？核心问题往往不是技术，而是软件公司的组织能力。传统的软件公司大都以产品为中心，有时候为了包装产品而夸大其词，PPT做的天花乱坠，但实际上都是在卖概念，交付时却难以兑现承诺。同时售前商务、过程实施交付、售后维护等关键环节之间缺乏有效的协同，信息断层，导致客户的真实需求在层层转发中被误解或遗漏，最终影响了项目的整体效果与客户体验。所以要从根本上解决这些问题，就必须进行内部组织变革，建立以客户为中心的组织架构，华为的“铁三角”模式便是一个典范，由客户经理、解决方案专家与交付专家组成协同单元，但对于大部分软件公司而言都是简单的复制，且在短平快的项目导向思维下难以持久执行与真正落地。老杨认为传统软件公司除了进行组织变革外，最重要的还是要提升团队的能力：技术能力、服务能力、交付能力以及团队作战能力，需要打造一支真正能打硬仗的铁军。就如电视剧《亮剑》里的李云龙独立团一样。众观历史大秦帝国之所以在七国之中脱颖而出，所依靠的就是一支能力超强的军队——秦锐士。同样，软件公司同样需要一支脚踏实地的铁军，能够深入客户场景，快速响应需求，用扎实的技术功底和极致的服务精神打赢每一场交付战役。第三，技术重构当前大部分的传统软件公司特别是一些大厂可以说是产品线非常丰富，覆盖从办公套件到企业管理系统等多个领域，看似全面而庞大，实则缺乏聚焦与深度，特别是一些平台级的产品看似功能强大，实则用起来功能复杂、操作繁琐、模块利用率低，软件公司自认为的产品实力在甲方企业眼里全是负担，甚至有些“垃圾”，做过二次开发功能定制的客户都清楚，过程那叫一个痛苦，增加一个功能不仅要花费大量的时间与成本，还可能引发几个BUG，导致系统越来越不稳定，究其原因还是软件公司老旧的技术架构，前台补丁摞补丁，后台屎山代码，难以支撑灵活的业务扩展与高效交付。特别是AI技术突然爆火之后，很多传统软件公司为了追赶风口，仓促将AI功能嵌入既有系统，其实就是一个链接页面而已，根本没有触及底层逻辑的重构，就是为了满足甲方企业领导迫切的需求，看起来很先进，实则浮于表面。要知道真正有价值的AI不是简单叠加功能，而是深入业务场景，实现智能决策与自动化。要实现这一点，必须从底层架构出发，推动技术栈的全面升级与重构。老杨在与很多软件大厂的交流中发现，他们都在大力推进AI，但真正敢于推倒重来、重构技术底座的却寥寥无几。这看起来像是一场豪赌，充满着高度不确定性，因为做为甲方的老杨心里清楚企业的数字化基础到底几何，而AI的基础恰恰是数据，传统企业缺的不是AI技术，而是如何通过数字化系统采集、治理并沉淀高质量数据的能力。因此，技术重构从表面看是对代码的重构，但背后是对整个技术体系、组织体系、管理体系、服务体系的重塑。是一项系统功能，AI在一定程度上可以给软件公司在未来竞争中加分，但如果仅仅是浮于技术表面，结果就是新的甲方企业“吐槽点”。技术重构在老杨眼里其实也就是创新：创新产品、创新服务、创新能力、创新组织、创新新的利润增长点，其中重要的一点就是要聚焦，做有深度的产品。如果什么都想做，结果就是什么都做不好！这是当前很多大厂的通病！第四，客户关系重构传统的客户关系是怎样的？老杨曾经在之前的文章中做过描述，有一个典型场景就是：签合同之前软件公司对客户百般呵护，整天围着甲方转，各种承诺满口答应，一旦合同签订，位置互换，地位互换，企业变的被动起来；特别是系统交付之后，运维响应开始变慢，问题解决效率大幅下降，甚至出现推诿扯皮的现象；甲方从“爸爸”“上帝”变成了“麻烦制造者”，双方信任关系迅速瓦解，从合作沦为对立，为什么一些企业系统上线不到一年就要重新选型，除了企业本身的问题之外，软件公司的服务模式与能力也是一个重要因素。特别是当前降本增效的模式下，大部分的软件公司纷纷压缩售后服务团队，减少现场支持频次，将运维推向远程、自助化，看似软件公司成本降低了，实则离客户越来越远，在这种脆弱服务支撑下，企业更换供应商时是毫不犹豫的。说个真实的案例吧，某软件大厂垄断行业功能软件，服务态度极其傲慢，特别是在其新产品上线后存在严重缺陷的情况下，仍响应迟缓，一个问题拖延三个月未解决，最后客户领导忍无可忍直接更换供应商，这个时候该软件公司的领导才意识到问题的严重性，赶到企业现场又是道歉又是各种承诺，但此时已是为时已晚。所以信任一旦崩塌，修复与重建非常艰难。但当前又有多少大厂的服务与信任处于崩溃的边缘？只是因为企业用其产品较深，难以轻易更换供应商，处于无奈的忍耐之中，实则已经到了难以隐忍的地步，所以老杨在群内看到最多的是CIO们对一些大厂的吐槽与不满，这种情绪在圈内早已不是秘密。老杨认为软件公司若想崛起，服务是重要环节，“以客户为中心”不能是一句空话，必须真正落地为行动准则。软件公司必须重构客户关系服务体系，服务必须落地到一线，必须真正的深入客户业务现场，完成从“被动接受”到“主动服务”的转变，缩短从问题发现到解决的时间窗，这需要软件公司组建专业的服务团队，建立快速响应服务机制，需要投入一定的资金成本，这对于以“产品为中心”、“以销售为中心”的传统软件公司而言，无疑是一个挑战，在追求短期利润与规模扩张的当下，这种转型是理想化的，但软件大厂若想再次崛起，高质量的服务是必不可少的环节。老杨认为当前传统软件企业受互联网的一些盈利模式影响太深，离客户需求渐行渐远、离客户服务渐行渐远，最终导致自己离利润渐行渐远，所以软件大厂若想再次崛起需要的不仅是技术与产品的创新，更重要的是内部变革的决心与毅力，短时间内需要放弃一些传统的盈利点，但从长期来看，优质的服务将为企业积累良好的口碑与客户黏性。软件行业没有永恒的王者，只有不断的自我颠覆。下一个软件大厂的崛起不是偶然事件，而是系统性重构的结果，所以这场竞争不仅关乎技术，更关乎视野、勇气、毅力、和组织能力。那么你认为下一个崛起的软件大厂是谁？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
-
25
09/30
现在还有年轻人不「偷偷」用AI工作吗？
森马上海的会议室，屏幕上，数据流和模块框交错，构建出一个复杂的自动化流程，这套“小系统”的设计者，是一位戴着棒球帽、穿着潮牌球服、看起来有些安静的99年姑娘孙楠。孙楠平时话不多，回答问题时语速平缓，是个标准的“i人”。然而，一旦聊到服装设计或是她亲手搭建的AI应用时，她就会积极地介绍其中的prompt和她的一些小想法，表现出典型的“因人而e”。作为一名刚入职一年的管培生，孙楠最近已然成了森马服饰数字化中心的“明星员工”。她先是用AI表格颠覆了公司内部样衣试穿的报名流程，终结了拿着记录各类表格的excel文件挨个找各部门同事确认的传统“e人”工作模式。紧接着，她又捣鼓出了一款更酷的“爆款改写制造机”，只要输入一张图片和一些设计要求，AI就能自动生成改款后的设计图和营销文案。在与她的交谈中，“我想要的”“我理想的”“不想被别人强加”是反复出现的高频词。但其实不只是她，从上海森马办公室到天津百丽时尚女鞋的门店，从重庆机场地勤到广东湛江的酒店服务人员……我们看到，大江南北的年轻人们，正在悄悄用AI“整顿”职场。这种“整顿”不是拒绝被规则拿捏的对抗，更多是借助AI，将繁琐的工作“自动化”，在工作中创造出可以引领工作方式的爽点。这种“爽点”的本质，是掌控感和自主权的回归。当年轻人更善于用AI时，他们就有能力从一些重复的、琐碎的劳动中抽离出来，成了一个更高维度的“规则制定者”。01从“我想要”开始对于许多初入职场的年轻人来说，工作往往是从很多琐碎、重复且耗费心神的任务开始的。这些任务不仅构成了他们日常工作的大部分内容，也常常是他们焦虑感的源头。2024年夏天，作为管培生加入森马的孙楠，在轮岗中接手了样衣试穿管理的工作。这是一个典型的“苦差事”：从产品部门收集需要试穿的各品类服装款式，分发给合适的试穿官，再催收、整理、分析近百份格式不一的试穿报告。在孙楠接手之前，这项工作依赖于最原始的方式：口头传达、纸质表格，或是散落在各个文件夹里的Word和Excel文档。“你要跟每个人去主动分发、去分配每个人试穿的款，”孙楠回忆道，信息分散，标准不一，催收伤感情，汇总靠手动复制粘贴，整个流程不仅效率低下，而且充满了沟通的壁垒与情感的消耗。这种被动、琐碎的工作模式，正是让并不那么热衷于社交的i人们最感不适的职场环境。她们渴望自主，不愿被无效的沟通和重复的劳动所内耗。而钉钉AI的出现，让改变的契机很快来了。一次偶然机会，孙楠参加了公司内部组织的钉钉AI表格公开课。“听到‘智能化’、‘自动化’这些词，你就觉得它能帮你减少很多工作量。”课后，孙楠几乎是“迫切地”提出了自己的设想：“霞姐，我想要建一个样衣智能预约的小程序或者平台。”这个“我想要”的念头，成了一切的起点。在接下来的两周里，孙楠利用碎片时间，从零开始，协同数字化中心的老师在钉钉上用AI表格搭建起一个“一站式自动化试穿流程”。孙楠通过钉钉AI表格搭建的试穿报告系统在这个新流程里，一切都变得井然有序且充满“自主性”：产品部门集中在一个AI表格里提交需要试穿的款式信息和图片。所有款式自动生成一个类似小程序的“选款池”，试穿官被赋予用户选择权，可以像逛淘宝一样，自主选择心仪的款式和尺码报名。孙楠认为这是最关键的一步，“用户选择个人想要的款式，不用被强制，写试穿反馈也会更加积极，更加有效。”随后，样衣的分发进度、试穿官的报告提交状态，都在一个仪表盘上清晰可见。对于逾期未提交报告的同事，孙楠只需在表格里轻轻一点，系统就会自动发送“催填”通知。当所有人填完之后，近百份反馈报告自动汇总到一张总表里。孙楠利用AI字段功能，设置好提示词，钉钉AI就能自动总结每款衣服的优缺点、提炼改进建议，甚至对问题进行分类打标。过去需要数天手动复制粘贴、费力分析的工作，现在几秒钟就能完成。从被动接受琐碎，到主动创造规则，孙楠用AI为自己打造了一个工作的舒适区。她不再需要硬着头皮去进行大量的线下沟通，一个AI表格就连接了所有部门和流程。“一部电脑就可以，”孙楠觉得，这反而解决了i人不擅长的沟通问题，“包括跟领导汇报也需要沟通，现在直接给一个表就可以。”同样的故事也发生在其他行业的年轻人身上。在重庆江北国际机场，直面高强度工作的年轻人，也正借助AI表格，为自己和同事的工作“减负”。在江北机场旅检二部，罗巧佳和同事要负责四百多名安检人员的后勤补给与奖惩考勤。一项“令人头大”的工作是，每当有培训或新制度发布，都需要400多人亲笔签字确认留档。为了收齐这些签字，罗巧佳过去一个月至少要在偌大的机场里走上十几公里，在安检口、宿舍等地方到处找人。在自学了钉钉AI表格后，她搭建了一个签字自动化应用。她在AI表格里导入人员名录，对安检人员一对一推送签字提醒。同事收到后，只需在白纸上签好字拍照上传，系统便会自动归档，整个过程高效且保护了个人隐私。她的同事、负责安全检查站行政工作的帅然夫则用钉钉AI表格解决了物资申领的难题。作为拥有超过2000名员工的安全检查站的行政人员，他所在的综合办公室过去依赖纸质审批单进行物资管理。申领流程需要人工奔波各处找人签字，每天耗费大量人力和时间。帅然夫的解决思路是，通过钉钉AI表格，构建了涵盖审批、库存联动及预警的自动化管理系统。如今，申请、审批、库存更新全部在线完成，将过去平均耗时数日的申领流程大幅压缩，为申领人员节省了约1天时间。现在，这位非技术背景的年轻人在两年间，已为这个2000多人的大部门开发了60余项应用。在千里之外的广东湛江，东呈集团旗下柏曼酒店的00后前台杨文君，则用AI来对抗另一种琐碎——那些来自顾客的、千奇百怪又需要标准作答的问题。作为一名刚从美甲师转行而来的酒店新人，面对陌生的业务流程和老员工的熟练自如，杨文君倍感压力。钉钉AI陪练的出现，成了她的“救命稻草”。她可以随时随地在手机上与模拟各种场景的AI数字人对话，练习入住、退房、处理投诉等话术。一周之内，她疯狂训练了43次，累计超过14个小时，成绩也从不及格飙升到90分以上。AI陪练不仅让她快速掌握了工作技能，更重要的是，给了她一个可以无限次犯错、不用担心他人眼光的私密练习场，极大地缓解了她的职场焦虑。对于这一代年轻人来说，工作中的“琐碎”不再是必须忍受的“历练”，而是可以通过技术手段去优化和解决的问题。他们天生就是数字原住民，当AI的能力变得像Office软件一样触手可及时，他们便能迅速将其内化为自己的能力，用来对抗工作中的无聊、重复与低效，从而为自己争取到更多创造价值的空间。02时间省出来了，然后呢？当AI逐渐将年轻人从琐碎的事务性工作中解放出来时，一个更深层次的问题浮出水面：省下来的时间，用来做什么？AI带来的，仅仅是效率的提升吗？答案显然是否定的。对于孙楠、杨文君这一代伴随互联网成长起来的年轻人而言，他们对工作的理解早已超越了“完成任务”的范畴。他们渴望创造，渴望表达，渴望在工作中留下属于自己的印记。而AI，正在为他们提供实现这种渴望的全新可能性，甚至在重塑他们对“绩效”或“KPI”的认知。在搭建好试穿流程、解决了本职工作的核心痛点之后，孙楠并没有就此“躺平”。她利用闲暇时间，又做了一件“自己弄着玩儿的”事儿：一个名为“爆款制造机”的AI表格。这个表格的诞生，源于她作为设计师的敏锐直觉和内在驱动力。在传统的设计流程中，要打造一款“爆款”，前期需要进行大量的市场调研、流行趋势分析，并结合过往的销售数据，整个过程耗时耗力，且高度依赖设计师的个人经验和产品部门的数据支持。而孙楠的“爆款制造机”，可以让设计师在网上看到任何有潜力的“爆款”图片，可以直接上传到表格里。随后，AI表格的图像识别功能会自动解析图片，提取出服装的名称、外观特征、面料、色彩等关键信息。设计师在旁边一列写下自己的改款要求，接下来，几个关键的AI字段开始发挥作用。一个AI字段会结合设计师的要求和互联网上的流行趋势、消费者评价，生成“爆款设计点优化建议”；另一个AI字段则会从色彩、工艺、剪裁、舒适度等维度，总结出这款产品成为“爆款”的核心要素。最后，AI根据这段提示词，直接生成改款后的服装效果图。甚至，孙楠还加入了“创意宣传文案”“建议人群画像”等字段，让AI一并生成小红书文案和KOL投放建议，将整个营销链路都思考了进去。不止在设计环节，在人流涌动的线下零售场景，AI的作用也变得越来越大。在百丽时尚的一家天津门店内，95后导购小冯的工作日常，曾被无数重复的问题所填满——“这双鞋有37码吗？”“最近有什么优惠活动？”“这个是真皮的吗？”尤其是在周末，这些问题像潮水般涌来，让她应接不暇。她的KPI是销售额，但她发现，自己绝大部分的精力都耗费在了这些信息查询式的、几乎没有技术含量的问答上，真正需要花心思的穿搭建议、情感沟通反而被挤占了。这种机械性的重复，不仅让她身心俱疲，也让她对工作的价值产生了怀疑。改变同样源于一次主动地尝试。她了解到钉钉AI练货后，萌生了一个想法：能不能帮自己熟练掌握店内所有鞋品的卖点，面对顾客时“应答自如”？百丽时尚AI练货说干就干，她每天花很多时间，通过百丽时尚和钉钉共建的“百炼AI”，熟悉每款货品的材质、款式亮点、新科技、适合的搭配风格、优惠活动的常见问题和销冠话术，相当于给自己请了一个“专属销售教练”。如今，当顾客咨询时，她能轻松应对各种场景。这让她得以从一个销售小白快速成长为经验丰富的金牌销售。比如，为一位准新娘挑选最合适的婚鞋，或者根据一位老顾客的穿衣风格推荐整个季度的搭配方案。她的价值，不再仅仅是一个完成销售指标的执行者，而是一个懂得利用AI放大自己专业能力和服务温度的“超级个体”。在这样的趋势下，年轻人的工作成果变得更加立体和长效。他们不仅在完成当下的工作，更在为未来的工作“铺路”。他们搭建的AI表格、应用的AI助理，都正在成为组织可复用的数字资产。这种“创造工具”的成就感，相比于简单重复的劳动，更能激发他们的热情。03从“打螺丝”到工程师当一个99年的i人，可以凭借一己之力，在两周内搭建起一个跨部门协同的“小系统”，这背后已经不仅是工具的革新，更是掀起了一场深刻的组织文化与个体心态的变革。森马AI创新负责人林建霞对此感受颇深。她见证了孙楠从一个对AI表格一无所知的“小白”，成长为能够独立创造复杂应用流程的“数智先锋”的全过程。在她看来，这正是AI时代“技术平权”的最佳例证。“以前你要搭这样一套系统，说实在的，这个开发很重。”林建霞说，“现在你用表格结合自己的场景真的能做出来。”这种变化，正在从根本上改变IT部门与业务部门之间的关系。在传统的数字化转型中，IT部门往往扮演着一个被动的“需求承接方”的角色。业务部门提出需求，IT部门排期开发，整个周期漫长而僵化。业务人员的痛点和想法，在层层传递和翻译中，往往会失真。而现在，林建霞和她的数字化中心，更像是一个“赋能者”和“布道者”。他们的部分核心工作，不再是“接需求、写代码”，而是“开课程、办比赛、挖人才”，想方设法“让业务知道有这个东西”。“你一定要让业务知道有这个东西，他知道以后，他对自己的场景是很有感觉的。”林建霞强调。这种“有感觉”，正是点燃创新的火种。一旦业务人员掌握了AI这个“魔方”，他们就能结合自己日常工作中最细微的痛点，组合出千变万化的解决方案。孙楠的试穿流程、爆款制造机，重庆机场的“随手拍”等等，都是在这种状态下诞生的。这也带来了一种全新的工作体验，一种在自定义工作流中寻找“爽点”的体验。“我觉得这个探索的过程其实还挺好玩，挺有意义的。”孙楠在访谈中多次提到。这种“好玩”的感觉，来自于将一个模糊的想法，通过自己的思考和操作，一步步变为现实的创造过程。每一个字段的设置，每一个自动化流程的打通，每一次报错的解决，都像是在攻克一个关卡，充满了即时反馈的乐趣和成就感。这种“爽点”的本质，是掌控感和自主权的回归。当年轻人可以用AI将繁琐的工作“自动化”时，他们就从重复的劳动中抽离出来，成了一个更高维度的“规则制定者”。他们思考的不再是“这件事该怎么做”，而是“这件事应该通过怎样的流程被自动完成”。这种思维层级的跃升，极大地激发了个体的创造潜力。林建霞在森马内部组织AI人才认证时发现，许多来自业务一线的员工，展现出了惊人的系统化思维。比如一位物流部门的同事，为了让第三方合作伙伴能用好他搭建的AI表格，甚至自己写了一份详尽的“使用说明书”，清晰地定义了每个字段的含义和触发条件。“虽然这张表很简陋，但他的系统化思维，这种人才在业务中是非常稀缺的。”林建霞对此赞不绝口。现在，AI就像是催化剂一样，让这些潜藏在组织“神经末梢”的创造力得以涌现。森马内部形成了一个有趣的氛围：不同部门的员工，会通过林建霞这样的“连接器”，看到彼此的AI应用案例。AI一键换装“他可以从我这里看到别的设计师用这个工具怎么做，同职能的同事之间很容易产生共鸣，这种启发比我们去讲更有感染力。”林建霞说。这种自下而上的创新氛围，反过来也让年轻人对组织产生了更强的归属感和认同感。他们不再感觉自己是庞大机器上一颗被动运转的螺丝钉，而是可以主动为这台机器增添新零件、优化其性能的工程师。当工作从消耗变成了一种“创造”，从被动接受指令变成主动寻找“爽点”，职场焦虑便在很大程度上被消解了。孙楠觉得，接触AI让她“打开了自己的逻辑思维”，认识到“完成一件事并非只能遵循单一方法，与其固守既有路径，不如尝试转换视角——借助其他工具，往往能找到更高效的解决方案。”工作这件事，不再只是谋生的手段，更成为一个可以发挥才智、实现自我、并获得乐趣的场域。这种思考的自由以及将思考付诸实践的能力，或许正是生成式人工智能革命赋予这一代年轻人的巨大红利。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
-
25
09/30
高德 AI 别再打古典互联网战争了
高德切入leifen市场的小道消息传得沸沸扬扬，昨天这个新产品揭开帷幕，原来并非是口碑重启，而是高德扫街榜发布。谜底揭开，但是疑问并没有结束，过去三个月的外卖补贴大战如火如荼，高德再再再打到店，是不是还要再来一次补贴大战？十年前，美团横扫所有团购平台，现在阿里要“君子报仇”，卷土重来？在AI科技评论看来，团购已经是美团和抖音的修罗场，高德再下场也就是卷补贴、打价格战，不可能形成新的叙事，反而会让人担心是否会重复之前的结果，担心是否会影响阿里的盈利能力。在智能时代，用更高的维度，打一场全新的技术战争，凸显高德优势，才是最佳选择。高德的优势，在于POI，在于数据，在于路线规划，而不在于内容和社交。如果这些数据能够成为帮助高德成为人们生活规划的大管家，那么本地生活也就手到擒来。地图的未来，就是升级成「生活操作系统」地图的本质，就是在数字世界里建模现实空间，AI时代带来之后，地图就可以不仅仅是一个平面、瞬时的二维空间，而是可以成为了一个，能够加入规划和决策、历时性、立体性的三维空间。这会带来什么结果呢？以前的地图是告诉你「从A到B怎么走」，这是解决点到点的问题；以后的地图，告诉你「某段时间内要做什么」，这解决的是「人在一个场景里如何行动」的问题。比如你在北京西单，AI不是只给你一个火锅店地址，而是帮你规划：停车→吃饭→看电影→买单返券。它能理解这个空间下的一整套需求链。换句话说，从「导航」到「编排生活」，这就是空间智能。高德在这方面其实有天然优势。它有全国最全的路网数据、POI数据、实时路况，背后是十几年积累下来的街景采集、路径规划算法。别人要做空间智能，第一步还得先买数据，但高德直接站在金矿上。理论上，它最有机会把地图升级成「生活操作系统」。但问题是，高德现在走的方向还是偏「智能体」，就是在地图里放一个AI助手，帮你算路、推荐餐饮，这更多是「工具增强」，离真正的空间智能还有差距。空间智能应该是重构整个城市级别的服务网络，而不是在现有页面里加一个AI窗口。现在高德做的Agent已经是同类里最好的了。你在地图里已经能看到一些典型场景：比如规划路线的智能体、餐饮推荐的智能体、甚至停车、打车的智能体。它们都在用AI来帮用户处理具体任务。换句话说，高德已经把AI拆分成了各种「平行智能体」，每一个负责解决一个问题。但这些智能体的交互模式，本质上还是二维的：你问一个问题，它回答一个结果；你点一个入口，它给一套方案。它们之间是平行存在的，缺少纵深感。雷峰网未来我们需要的，是三维的交互模式。地图能够理解你所处的真实场景，能够解析你的真实需求，并以此为你规划好所有行动轨迹。比如你在商场里，现在还是一个智能体告诉你停车位、另一个告诉你餐厅路线，以后你能得到的，就是一个整体的空间编排：停车后十分钟走到餐厅→提前为你预约座位→顺便给你推荐菜单→优惠已经准备好，只需一键付款→为你规划饭后娱乐安排。交互方式发生巨大改变，团购就成为了明日黄花，这样的高德自然可以做到兵不血刃，不战而屈人之兵。所以可以说，现在Agent是最优解，但还是平面的；空间智能才是立体的，它让AI从一个个小助手，转变成整个空间的「导演」。高德要想做好空间智能，障碍在哪儿？地图产品做团购早已有先例。此前一些产品的失败，也证明了一些客观的障碍无法逾越。一位曾负责过餐饮推荐的某地图产品经理，这样告诉AI科技评论，地图是一个最考虑打开时效的产品，也是一款容错率极低的产品。用户选择一款地图，首要标准就是导航精准、查询精准，而且到达目的地之后，用户就会关闭地图或者忘记地图的存在。在用户前进路线上推荐餐饮，效果是很差的。所以高德想要打餐饮市场，选择空间智能的路线，成功率还要更高一些。百度地图深耕于「出行工具」这一定位，其AI能力主要聚焦在提升导航本身的核心体验，如智能语音交互的流畅度、算路算法的精准与高效（考虑实时路况、历史规律、个人偏好等多维度），但这更像是一种「垂直深化」，尚未横向打通生活服务的生态闭环。谷歌地图推出了AI行程规划功能，主动理解用户出行的深层意图（如旅行、商务等），并整合地理位置信息、商家数据、用户评论，自动生成一个连贯的「吃住行」方案。这标志着地图正从「查询工具」向「规划助手」演进，初步展现了AI对空间关系和生活场景的理解能力。该功能仍处于初级阶段，在个性化、精准度和生态整合上还有巨大进化空间。过去十年间，高德积累了最好的本地数据，但因为要配合阿里生活服务的大盘，资源被拽到团购，最后搞出了「扫街榜」。这个东西本质上还是「榜单+优惠券」的逻辑，和空间智能的想象差得还有很远。高德要想领先一步，成为本地生活的终结者，还要跨越三大障碍：第一，高德有行程数据和POI数据，但是缺乏内容数据，而内容是用来理解用户真实需求的砝码。如何将高德对于现实世界的理解，嫁接到对于用户意图的理解上，这是第一重障碍。第二，高德是阿里做本地生活的最大抓手，也承担着最重大的使命，它是否还能保留足够的战略空间，去探索新的技术路线？这是第二重障碍。第三，用户心智突破。美团、抖音已经占住了「吃喝玩乐」的认知，大众点评、小红书拿到了内容社区的金牌，高德找到自己占据哪一部分心智，这是第三重障碍。如果高德能够突破工具属性，突破简单的搜索问答交互，那它就有机会成为人们未来的「空间操作系统」。但是如果只停留在扫街榜这种路径上，去打一场古典互联网战争，那既浪费了高德的地图基因，又浪费了这个难得一遇的AI大变局。突破有可能会失败，但是路径依赖一定不会成功。本文来源：雷锋网文章转载于其他网络，如有侵权请联系我们及时删除
-
25
09/30
互联网的新战事：无招出招AI表格
互联网又热闹了起来。如果说今年ToC互联网的热点战场是即时零售，那么ToB互联网的热点战场就是AI表格。在海外，国际玩家Airtable和Notion纷纷以“AI数据表格”重构数据协作场景，微软更是通过CopilotWave2更新彻底革新Excel，将其升级为“智能数据分析平台”。在国内，竞争更加激烈。雷峰网观察到，飞书自诞生以来就在用文档、多维表来承接自己的商业叙事，腾讯近两年也是力推智能表格。而近期，钉钉也推出了自己的“AI表格”。那么，在AI在ToB领域的终极产品形态尚未确定的情况下，厂商为何纷纷押注“AI+表格”这类产品？厂商卷AI表格，到底是在卷什么？这种卷到底是功能竞争，还是真的带来了本质创新？当京东、美团、饿了么三巨头今年掀起外卖热战时，一场以表格这个“老产品”为核心的“协同办公新决战”正在同步上演。AI表格之争，为何是今年ToB赛道的战场？基于大模型技术，大厂带头把生产力工具“重做一遍”，是看到了AI时代工作方式中蕴藏的新机会。需要注意的是，钉钉对AI表格的表述是，AI时代的表格，未来AI新应用的入口。什么是AI表格？简单来说，AI表格，是承载企业业务数据的核心形态之一，也是建立在核心业务数据库上的AI生产线。从钉钉团队近期的动静来看，作为今年钉钉首个明确投入的产品，也是无招（真名：陈航）回归钉钉之后第一个AI产品，可以初窥无招对AI时代工作方式的判断，以及对AI时代企业生产提效深刻的洞察。数据是AI的基础，高价值的业务数据是企业生产经营的核心命脉。但此前，企业里存在大量的碎片化、非结构化业务数据没办法被有效利用，在大模型时代，这成为企业发展的最大痛点。前几年，钉钉战略投入的低代码是面向数字化时代沉淀、使用业务数据的产品；AI表格，则承载的是AI时代，高价值的业务数据的产生、存储、使用和共享，是钉钉找到的解决企业生产痛点的一大创新工具。为什么这么说？雷峰网认为有以下几点原因：首先，表格是企业管理者，尤其是经营者最常用的办公管理工具。这让AI表格在ToB领域，有着天然庞大的用户基础和市场心智。Excel等为代表的电子表格已经陪伴人们有二十多年了，时至今日，与文档、聊天、会议等场景一样，早已成为大众最为熟悉、常用的办公方式，拥有庞大的群众基础。其次，表格天然具有数据属性。表格赛道与文档赛道、会议赛道截然不同，表格产品就意味着数据式呈现。在现代信息社会，数据是生产力的“原油”。数据是AI这一生产力技术的核心驱动要素，也是企业生产经营的关键要素。对广大企业来说，“高价值的业务数据”是企业生产经营的核心命脉。但此前，企业里一直存在大量碎片化、非结构化的业务数据没办法被有效利用。在大模型时代，这种痛点尤为明显、迫切。不仅如此，与发散性的、即时性的聊天不同，表格本身就具有严肃的生产属性。每一张表本身就是一个工作场景，企业的业务数据、业务流程都可以通过表格来展现、汇聚和推动。甚至可以说，表格就是企业的生产线，能直接切入企业的核心生产环节。放在更远的维度，AI表格还可能是未来千千万万个AI应用产生的基础。众所周知，除了ERP、进销存等大场景外，企业里还存在大量碎片化的业务场景，比如电商文案更新，工厂设备巡检等，这些场景琐碎但却重要，是企业发展不可或缺的“毛细血管”。而AI表格可以用最低的门槛、最小的改造，把这些碎片化业务做成一个个业务系统，并把相应的数据存储、利用起来，成为支撑企业后续无数个AI应用诞生的基础。当集齐了广泛受众、核心业务数据，以及生产线属性这些特性后，AI在ToB领域最有希望的发生质变的产品形态就是AI表格。ToB赛道的竞争，打得究竟是什么？各大协同办公厂商们在AI表格上的竞争，争的是什么？在雷峰网看来，争的是谁能帮助企业率先掌握核心生产力。那么，在大模型时代，什么才是企业的核心生产力？答案是：区别于传统数字化时代的，更高效的核心生产线。而表格，就是这一核心生产线的关键承载者。表格遵循的是事务的生产逻辑，而非对话的沟通逻辑。在融合了AI大模型后，表格的生产线属性进一步放大。为什么这么说？其一，AI表格直接放大了每个劳动主体的能力。基于自然语言的大模型降低了表格的使用门槛，让Excel小白也能瞬间变成“表哥”、“表姐”，这相当于大大降低了生产门槛。其二，在业务数据的产生上，AI表格具备表格即AI的信息生产能力。这里举一个具体的场景：上海的某家工厂里，这样的事每天都在上演。上海一家食品厂的仓管员，在原材料到货时会拍摄包装、日期标签等照片，上传至钉钉AI表格。表格通过AI识别信息并校验采购订单，并检测包装异常。同时，AI表格还会每日自动盘点，生成库存报表，用图表展示出入库情况，并向相关人员推送临期或异常库存预警，以便及时处理过期原料。在这个案例中，每张AI表格，每一个单元格都是AI的入口，都可以生成并处理信息、推进工作流程，最终自动完成任务。同时，在数据的处理上，AI表格让每一个单元格从简单的“记录”入口，变成了AIAgent的入口。这样一来，一张表格就变成了包含许多个AIAgent的“智能业务系统”，表格也从生产的被动承载者，变成了主动推动者。而且与单个AIAgent一次只能处理一两个任务不同，AI表格在多任务并行上天然有优势，可以一次处理大量任务，为企业降本提效。设想一个场景，如果要处理1000个任务，采用和大模型对话的方式，可能需要进行成百上千次对话。但用AI表格，1000个任务1小时就能处理完。更为关键的是，钉钉意图用AI表格去承载AI时代沉淀业务数据库、知识库的作用。这一点尤其体现在此次钉钉AI表格推出的“表格即文档”这一功能上。以往的表格，不论是传统Excel类表格，还是多维表等协同表格，一直存在一个问题，就是文档、图片等非结构化数据始终游离在表格之外，最多也就是通过文档链接的形式将他们机械关联在一起。用户每次读取的时候都要一次次点击链接、跳转网页，非常不便。并且这些信息相互之间也没有形成有机整体。如何才能把文档与表格彻底打通？钉钉的“表格即文档”设计做了一种解法。在AI表格的主键单元格，用户可以像写文档一样自由输入，这样一来，表格就从结构化的数据入口，变成了一个可以承载大容量信息的文档入口。要知道，一旦文档与数据表实现了融合，AI表格就真正变成了企业的“数据库”、“知识库”，以及业务知识管理中心。毕竟无论是结构化的数据，还是非结构化的文档、图片、链接，全部汇集在一个清晰的知识看板里，“用一张表管理业务”才真正成立。数据是AI的基础，“业务数据库”的不断积累，反过来又能带来更大的AI提效，进而在大模型时代形成“数据-AI-业务-数据”循环往复的“生产飞轮”。随着数据在AI表格中产生、处理、流转与存储，AI表格帮企业搭起了一条基于“业务数据”的核心生产线，而这正是AI时代的核心生产力。表格战事，谁会更有优势？把传统表格变成AI表格，并非一次简单的产品迭代，这背后需要有用户规模、场景优势、行业Know-how以及大模型技术能力等全方位的支撑。若缺乏这些能力，就犹如无源之水、无本之木，很难把表格做深做透，与AI结合做出创新。钉钉在这些能力的积累上，目前是跑在前面的。以往大家都把协同办公产品视作管理提效的工具，但很多时候，这种看法有失偏颇。事实上，以钉钉为代表的厂家，一直在致力于深入企业的生产环节和业务数据，来实现对企业生产的直接提效。不少企业用户告诉雷峰网，在数字化时代，钉钉就曾用低代码跑进工单、跑进业务，直接作用于生产流程。钉钉是从2021年开始发力低代码的。彼时低代码并非新鲜事物，国内已有不少创业公司布局，既非投资人追捧的风口，还曾一度遭受“冷饭热炒”的争议。不过事后来看，钉钉坚持了自己的战略判断，通过大力投入和规模优势，将原本小众的低代码产品做成ToB行业业务数字化的共识，使其成为继软件、SaaS之后，数字化时代业务数字化的核心承载之一。而历史可能在又一次上演。如今，钉钉全力押注AI表格，背后可能蕴藏了这样一种判断：在数字化时代，低代码是灵活沉淀业务数据的关键载体；那么在大模型时代，AI表格是更灵活的数据生产、处理、流转、存储的核心形态。结语：时间窗口，就是心智窗口钉钉抢占时间定义AI表格，抢的其实是心智窗口。事实上，自无招回归以来，钉钉在短短3个月内连续对多维表进行了多次升级：先是宣布多维表产品功能开放，基础用量免费；紧接着进一步深入行业，针对电商行业这一阿里老本行，上新了100+高频模板，实现一张表管经营、管公司；再到如今正式发布“钉钉AI表格”，并推出“表格即文档”这一创新功能。几次快速迭代，是钉钉希望率先发出行业第一枪，来定义什么是“AI表格”。事实上，随着行业持续发展，最终AI表格这一产品也会变得大同小异，但用户心智在谁，决定了产品们的先后差距。AI在ToB赛道的定义权大战已然打响。本文来源：雷锋网文章转载于其他网络，如有侵权请联系我们及时删除
-
25
09/30
对话用友：为什么说“AI×数据×流程”原生一体化，重构了软件与企业的关系？
2025年年初DeepSeek的横空出世，在国内掀起了一股前所未有的AI浪潮。对于中国企业而言，这标志着一个新时代的到来：AI从普及教育阶段进入到普及应用阶段。从“技术尝鲜”到“应用深水区”，关于AI的讨论，几乎所有企业最关切的问题是AI如何在企业应用落地——AI大模型如何与业务场景适配？AI多大程度上可以“为我所用”？AI的落地应用又会遇到什么挑战？对于“AI如何在企业应用落地”这一命题，用友网络董事长兼CEO王文京认为，接入或部署大模型是必须的，但是还不够，企业需要推进好三个方面的工作：一是升级应用数智化的新一代企业软件；二是加强开展数据治理、知识治理；三是接入或部署主流大模型和垂类模型。在2025年8月16日召开的2025全球商业创新大会主题大会上，用友重磅发布BIP5，通过“AI×数据×流程”原生一体化，帮助企业落地应用AI。用友BIP5与AI的深度融合，重构了企业与企业软件之间的关系，推动企业软件从传统的“工具系统”进化为业务的“智能伙伴”，帮助企业实现“增效降本、精准运营、管控风险”的目标。“深懂业务”是用友BIP多年来版本迭代一以贯之的特点，用友BIP5更是打通了财务、人力、供应链等十大业务与管理领域，帮助企业实现业务及管理全流程一体化拉通、集团全级次企业一体化共享与管控。目前，用友BIP企业AI已融入众多企业的核心业务流程，以“智能伙伴”的角色帮助企业解决业务难题、实现“智能决策”。据了解，BIP5将AI融入14类端到端业务流程、超2500个流程场。以商旅业务场景为例，传统商旅管理长期陷入“三难困境”：合规管控与员工体验的平衡难、成本优化与服务质量提升的协同难、数据孤岛与决策智能化的打通难。传统模式下，企业每年因差旅流程冗余、政策执行偏差、风险管控滞后造成的隐性损失高达营收的3%-5%。依托BIP5，用友商旅云以AI为破局点，推出商旅云8.0“数智旅行社”，面向企业客户打造专属数智化旅行社服务平台，力图实现“AI重构消灭报销”。AI如何重构、消灭报销？用友商旅云负责人魏咸斌向雷峰网(公众号：雷峰网)表示，全语音入口、实时数据采集以及后台自动的差标差规配置和执行，是BIP5“AI×数据×流程”原生一体化为企业商旅场景的赋能。同时，魏咸斌也提到，尽管AI应用在BIP3R6版本就已经实现，但只是“点”上的创新，BIP5在AI融合上更进一步——强调数据和算法模型，在每个应用场景后部署算法，最终形成商旅大模型，从而实现“从点到面”的跨越。AI加持商旅全链条，解决员工和财务双重报销痛点A：企业在商旅场景面临哪些痛点难点？AI的落地应用如何解决这些问题？B：传统模式下企业有很多线下报销，员工订票后还要报销，在纸质票时代如果票据丢了，就相当于钱丢了，因为火车票、好多发票不能重复打印。在AI时代，商旅有AI和数电票加持，AI让各种交互更简单。在智能体（Agent）里，通过一段语音就能生成出差申请，比如“15号到17号去深圳参加用友创新年会，坐飞机从北京往返”，系统就会生成出差申请单。领导同意后，系统会推荐符合企业差标差规的行程、航班和目的地附近的酒店，如果有些企业不能乘坐8折以上经济舱，系统就会推荐符合要求的。在平台预订好后，无需员工自己付钱，预订好就出票；出行结束后，商旅服务商会把账单发给我们帮企业核对好，开完发票就直接结算。所以整个过程不需要员工垫资，也不用拿任何票据，公司直接把钱打给商旅服务商。在AI加持商旅全链条之下，员工感受非常好。对企业财务来说，这也带来了比较好的体验，原来财务要处理一堆乱七八糟的单据，现在所有预订都是合规的，账单能自动对账，还能自动生成报销单、自动审批、自动结算。我们称为实现“AI重构消灭报销”。A：BIP5与AI的融合，如何解决商旅场景的业务痛点？B：一是全语音入口。AI的价值体现在人机交互，因为商旅偏toC，是个人属性很强的应用。以费用申请为例，个人随时带手机，语音是手机最方便的输入方式，只要用语音把意图告诉手机，AI就能理解意思并生成相应单据。二是后台采集大量数据。实时采集各方数据是AI擅长的，比如在出差申请场景，AI能实时采集当前机票和酒店价格，让费用预估、预算占用更准确。现在我们也在后台给每个人打标签，比如职级、职务、出差性质、个人喜好、历史订过的酒店等。根据这些标签再给员工推荐行程就更准确了，比如实施人员可能长期在某个项目，两三周之内的行程比较固定；产品推广人员可能每天换地方，预订次数多、行程复杂度更高。三是后台自动的差标差规配置和执行。比如某央企有1200家下属单位，每个单位的差标差规有所区别，这些区别体现在每个单位的报销制度发文里，我们能从1200套报销制度中采集各单位的差标差规到系统，经各单位检查后就可以直接执行，比原来让客户整理成格式化表单、再填报快很多。90%飞机票、火车票可抵税，数据分析减少企业财税浪费A：以商旅云为例，BIP5相较之前版本，与AI的融合有哪些新突破？B：用友在BIP3的R6版本就做了很多AI方面的应用，但AI的真正商用，是在DeepSeek出现之后。虽然部分AI应用在BIP3R6版本就已经实现了，但只是“点”上的创新，相当于流程里做了很多智能的应用，而BIP5更进一步，更强调数据和算法模型，会在每个应用场景后都部署一些大的算法，最终形成商旅大模型，从而实现“从点到面”的跨越。商旅云在BIP5推出了“数智旅行社”。“数智旅行社”通过AI技术构建企业专属服务团队，提供智能行程规划、资源整合、数据分析等一站式服务。以数据分析为例，商旅云强化了对各个角色、各个场景的智能服务：对财务总监而言，有对账方面、集合方面的数据分析；对于税务场景而言，现在很多票据都可以抵税，并且抵税的金额还比较高，如果不抵税对企业来说相当于浪费——90%的飞机票、火车票可以抵税，酒店票据也可以抵税，增值税票也可以抵税，这都是数据分析很好的应用；比如还有差旅的满标率、平均折扣、拼房率等数据分析，都可以帮助企业更好地降本增效。A：商旅云接下来如何推动“AI+业务”的深度融合来保持市场竞争力？B：在客户扩展方面，第一是对SAP、Oracle等国外厂商的替代。像SAP、Oracle在境内没有研发团队，所以他们的AI比较难真正用起来。“商旅+费控”是比较容易落地的通用场景，这个场景可以和企业现有的系统做对接，就可以把商旅费控、企业支出通过AI的方式管理起来，同时帮助AI在企业生根。第二是对用友传统客户的升级。对于一些老版本的客户，推动他们要么升级到最新版本，要么用“端+云”的方式和新版本做对接。在AI应用层面，深化AtoA（即AgenttoAgent）的技术应用，用我们的Agent去调用商旅服务商的Agent，运用MCP的技术，在审批的时候调用传统软件里的应用，把它设置为MCP的Server，再用我们的MCP去调用它，这样就可以跨平台、跨系统、跨服务商实现AI的应用。目前已经有很多应用了，比如我们和携程的Agent已经做了对接，后续还会配合更多服务商做对接，一侧是融合服务商，一侧是融合应用场景。上半年客户和交易同期增长2.5倍，帮集团节省70%财务人员成本A：服务不同规模企业，商旅云的AI应用场景会有区别吗？B：有区别。小客户更强调一键开通、直接对接、配置一键生成，服务商采用默认即可；大客户可能会选多家服务商，还会比价，同时差标差规更复杂，在数据服务方面需求也更多。如果大型企业的需求暂时满足不了，我们会通过AI，以算法、大模型的方式实现。以如何实现大型企业员工的“千人千面”为例，企业员工因个人画像、偏好、出差场景不同而存在差异，可以基于数据分析，利用算法对每个人形成的个性化推荐，满足员工的个性化需求。A：商旅云如何通过“生态共荣”战略推动AI在企业落地？B：商旅云是AI化比较彻底和生态比较明显的BIP应用。因为商旅业务贯穿企业支出的全链条，任何一个环节都要和很多商旅服务商对接，比如预订服务由携程、滴滴、美团等提供，在生态上实现能力互补、资源互补。目前商旅云对接了境内外100多家大大小小的商旅服务商，一起组成企业服务局面。在AI层面，也接入了很多联合服务商的AI应用，比如他们的算法推荐、实时数据，一起为客户提供完整的出行体验，给财务提供全链支出闭环管理等。A：“AI大模型+商旅云”目前取得了哪些成果？B：和去年同期相比，商旅云今年上半年客户和交易增长约2.5倍。希望在AI的加持之下，能够实现5倍以上的增长。而用友集团本身就是近些年“AI大模型+商旅云”成果的典型案例：从线下报销到商旅云成功上线，节省了70%的财务人员，原来需要几百人，现在十几个人就可以了。集团实现了降本增效，原来每个员工每个季度要花很多时间填写报销单，现在不需要了，可以把时间用在服务客户上，而不是填写报销单。写在最后在AI浪潮中，企业作为AI应用落地的主要阵地，在加速数智化进程中拥有了更多可能性。SaaS厂商如何帮助企业拥抱AI和落地AI，用友用BIP5给出了答案：通过“AI×数据×流程”原生一体化，让企业的数智化建设与运营消除“应用烟囱、数据孤岛、智能碎片”。面对“AI如何在企业应用落地”这一命题的拷问，不同SaaS厂商也许拥有自己的答案。但毋庸置疑的是，如果厂商无法做到AI技术与业务场景的深度融合，实现从单一管理工具到智能“企业大脑”的跨越，那么将会在AI变革浪潮中被淘汰出局。本文来源：雷锋网文章转载于其他网络，如有侵权请联系我们及时删除
-
25
09/05
AI巨头重兵布局，深度解析AI智能体：为什么说它才是AI的终极形态？
2025年AI趋势报告：为何说智能体（Agent）是AI的未来今天看到这么一个观点，说很少有新兴技术能够比代理人工智能(AgenticAI)为组织提供更多机会来加速生产力和转变业务运营，其前景甚至超过了其表亲生成人工智能(GenAI)。另外还看到华泰证券的一个报告，称生成式AI正迈入以AI智能体为主导的新发展阶段。这里所说的代理人工智能，其实也就是我们常见的智能体的概念。最近我也参加过多场活动，也上手实测了不少主打智能体的AI产品，很明显感觉到智能体概念的持续升温。清晰的感知到，这或许就是自从ChatGPT问世后，躁动了许久的AI领域，一路进化的最新态势。今天就试图带大家去探寻一下，这幅更宏大的全球智能体发展图景。一：从“博学大脑”到“全能打工人”：智能体究竟是什么？要理解智能体（Agent）为何被寄予厚望，我们首先要弄清它与我们熟悉的生成式AI（GenAI）的根本区别。如果说以ChatGPT为代表的GenAI是一个知识渊博、有问必答的“大脑”，那么AI智能体就是为这个大脑装上了“手和脚”，让它从一个“对话者”变成一个“行动者”。GenAI工具受其编程逻辑的约束，擅长根据指令生成内容，但它的行动力到此为止。而智能体则被赋予了更高级的能力：它被委托一个目标，然后可以自主地进行理解、规划、调用工具，并与环境交互以达成这个目标。举个简单的例子，比如我之前实测的一句话生成一部三五分钟，甚至10分钟的超清视频大片。剧本、分镜、配乐、画面生成……这些需要耗费人类团队数周的工作，智能体一次性就能完成。业内专家提出了一个清晰的智能体进化路径，大致可分为几个阶段：从最初只能进行简单问答的L1级聊天助手，到需要人类预设流程的L2级工作流智能体，再到能够像领域专家一样自主规划任务的L3级推理型智能体。而当前竞争最激烈的，则是L4级的多智能体系统，它能够让多个专长不同的智能体协同作战，像一个团队一样解决跨领域的复杂问题。从这个进化路径可以看出，AI的发展方向正从追求单一模型的“更大、更强”，转向构建一个能够协同作战的“智能生态系统”。这正是智能体概念持续升温的根本原因——它标志着AI正从一个“工具”，向一个真正的“合作伙伴”和“数字劳动力”转变。二：全球巨头“亮剑”，智能体赛道的“现在进行时”智能体的浪潮并非空谈，放眼全球，科技巨头们早已重兵布局，争相亮出自己的“王牌”，将这个未来概念加速推向“现在进行时”。微软：将智能体植入生产力的每一个角落微软的战略是“无处不Copilot”。它正致力于将Copilot从一个应用内的助手，升级为一个能够横跨Windows操作系统、Office365全家桶、Teams协作平台和Azure云服务的“超级智能体”。未来的Copilot将不再仅仅是帮你写邮件或总结文档，而是能理解“为下周的销售会议准备一份完整的报告”这样的复杂指令，然后自主地从Excel调取数据、在PowerPoint中生成图表、从Teams的聊天记录中提取要点，并最终为你整合成一份完整的演示文稿。此外，微软还开源了AutoGen这样的框架，旨在帮助开发者构建强大的多智能体应用，其目标是打造一个庞大的、协同工作的AI智能体网络，将智能体能力深度融入到数字工作的每一个环节。谷歌：以多模态通用AI定义未来交互谷歌则将赌注押在了多模态和通用性上。其在I/O大会上惊艳亮相的ProjectAstra计划，便是一个最好的例证。Astra的目标是打造一个能看、能听、能说、能记忆、能理解复杂情境的通用AI代理。在演示中，它能通过手机摄像头实时识别周围环境，理解代码，甚至记住物品的存放位置，展现了其作为“日常生活全能助手”的巨大潜力。这背后是谷歌Gemini模型的强大能力，尤其是其天生的多模态理解和“工具使用”（ToolUse）能力，使其可以调用各种API来执行现实世界的任务。对企业用户，谷歌则提供了VertexAIAgentBuilder，帮助他们快速构建面向特定业务场景的智能体。OpenAI：通往AGI之路的关键里程碑作为引领本轮AI浪潮的先锋，OpenAI将智能体视为实现通用人工智能（AGI）的关键路径。其推出的GPTs可以看作是构建智能体的初步尝试，让用户可以为特定任务创建自定义的ChatGPT版本。但OpenAI的野心远不止于此。其正在积极研发能够自主操作计算机桌面环境、使用浏览器、操作各种软件来完成复杂任务的下一代智能体。这种智能体将能够像人类一样与数字世界交互，从预订机票到管理复杂的项目，真正成为人类能力的延伸。NVIDIA：为智能体时代提供“军火库”在这场竞赛中，NVIDIA扮演着不可或缺的“军火商”角色。它不仅为全球AI公司提供算力强大的GPU，更重要的是，它正在构建一个完整的智能体开发和运行平台。其推出的NIM（NVIDIAInferenceMicroservices）等工具，让开发者可以轻松地将模型打包成可调用的服务，这是构建智能体的基石。最近，NVIDIA甚至发布了专为人形机器人设计的“GR00T”项目，展示了其将智能体能力从数字世界延伸到物理世界的雄心。当然，在这场全球性的竞赛中，中国的科技力量同样不容小觑。诸如百度、360等公司也已推出了面向公众的、能够处理复杂任务的多智能体平台，显示了这一领域的全球同步发展态势。三：“数字员工”照进现实，智能体如何颠覆百行千业那说了这么多高大上的技术，这些“AI智能体”到底会怎么改变我们的工作和生活呢？简单说，就是各行各业都会迎来一批不知疲倦、能力超强的“数字员工”。比如说，我们都烦透了和那些只会说“请问有什么可以帮您”的机器人客服打交道。未来的智能体客服就不一样了，它们会有更大的自主权，能像真人一样，调取你的资料，理解你的问题，真正帮你把事情给办了。在公司内部，这些“数字员工”更是大显身手。管仓库的智能体可以24小时盯着库存，一旦发现要断货，它自己就能重新安排发货路线和时间。对于程序员小哥来说，很多繁琐又重复的编程工作也可以甩给AI智能体了，它们能帮忙写新功能、检查代码、还能实时抓Bug。甚至在一些超酷的领域，比如“数字孪生”（就是给一个真实机器在电脑里建个一模一样的模型），智能体可以分析各种数据，模拟机器运转，提前告诉你哪会出故障，甚至还能组团帮忙安排修理。当然，有好处也有风险。最直接的挑战就是网络安全。你想啊，当黑客也用上了“智能体黑客”，他们就能发动又快又猛的自动化攻击。这就逼着我们必须得有自己的“安全智能体”战队，未来网络世界的攻防，很可能就是两拨AI智能体之间的较量了。听起来是不是感觉未来已来，但又有点遥远？确实，这条路虽然前景光明，但脚下还有几个坎儿要过。最大的一个问题是，现在各家公司做的智能体，互相之间还不太会“说普通话”。它们缺少统一的标准和接口，导致没法很顺畅地跨平台、跨公司合作。这个问题一旦解决，智能体的能力可以说是“无所不能”了。四：前路漫漫亦灿灿，挑战与未来展望所以，我们现在正处在一个非常关键的起步阶段。虽然那些全能AI助理的视频看起来像魔法一样神奇，但要让它真正普及开来，还需要很多努力那我们该怎么办？专家的建议很实在：谨慎地开始，但现在就得开始。我们每个人和每个公司都应该去主动了解和探索，看看这些AI智能体到底能为我们做什么，尤其要找到那些能实实在在带来回报的用法。你可以先从一些小的试点项目开始，给你的AI智能体一把“钥匙”，让它在数字世界里先跑起来，积累经验。回到最初的问题：智能体是AI进化的最新态势吗？答案是肯定的。它标志着AI从一个被动的“内容生成器”，进化为一个主动的“任务执行者”。这是一个根本性的飞跃。现在，正是我们探索智能体的最佳时机。我们需要借鉴已有的成功案例，从小处着手，开始构建和试点，让智能体获得“数字化的实践钥匙”。只有亲自下场探索，才能真正理解其潜力与边界，引领你的个人生活和组织发展，成功跨越学习曲线，从理想迈向成功。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
-
25
09/05
AI医疗，迎来DeepSeek时刻了吗？
AI医疗，正在成为一张“明牌”。AI医疗，正站上风口。2025年8月，国家发布《关于深入实施“人工智能+”行动的意见》，在“人工智能+”民生福祉方面，文件提到“探索推广人人可享的高水平居民健康助手，有序推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用，大幅提高基层医疗健康服务能力和效率。”政策发力之外，科技巨头已加速入局。蚂蚁、京东、华为、字节纷纷切入AI医疗赛道，聚焦问诊、用药、健康管理等核心场景。“AI六小虎”中，百川智能与北京儿童医院合作开发专科AI医生。他们共同瞄准的是一个潜力巨大的市场。据咨询机构弗若斯特沙利文预测，从2023年至2033年，中国AI医疗市场规模将从88亿元飙升至3157亿元，年复合增长率高达43.1%。放眼全球，世界经济论坛预计，2032年，全球AI医疗市场规模有望突破4910亿美元（约3.5万亿元人民币）。热潮之下，一个核心问题待解：AI医疗，真能破局吗？过去，医改试图优化资源配置，互联网医疗则在挂号、咨询、购药等环节提升效率。但医疗行业的核心痛点在于优质医生供给严重不足。尤其在基层，缺的不是设备，而是会看病的医生。如果AI能够深入诊疗核心，成为基层的“智能医生”，承担首诊、分诊、慢病管理等任务，它就不再只是辅助工具，而是放大优质医疗资源的杠杆。我们将在本篇报告中探讨：AI医疗能否真正解决供给难题？AI医疗将如何重塑现有医疗体系？技术之外，AI医疗面临哪些监管与落地挑战？AI医疗，未来的“超级入口”？在移动互联网时代，曾经有一个热门的概念叫作“入口”，也就是整合多服务资源的平台，比如信息入口、消费入口、支付入口，都是当时巨头们想要极力争取的。但在整个互联网的发展进程中，医疗领域似乎没有出现一个真正的“入口级”企业。如今，在AI的加持之下，AI医疗有可能成为一个“超级入口”。为什么？首先，医疗是数字化程度极高的行业，数据基础扎实。AI技术日渐成熟，能够整合利用已有的数据，拓展医疗领域的智能应用。其次，医疗决策往往以家庭为单位——上有老、下有小，一个人的健康需求牵动整个家庭。谁能成为这个入口，谁就可能掌握家庭级的服务触点，商业价值巨大。AI的引入，使得系统性地管理一个家庭的健康成为可能，比如持续追踪每位成员的健康数据，识别跨代际的遗传风险。此外，作为服务业，AI医疗不受地域限制，具备天然的可复制性与出海潜力。在深入探讨AI医疗之前，我们有必要先对医疗行业本身建立一个整体性的认知。毕竟，技术是为解决问题而存在的，理解问题本身，才能看清技术的真正价值。全球医疗体系里，没有模范生对于医疗问题，老百姓用六个字总结得非常精准：看病难、看病贵。这六个字看似简单，实则涵盖了医疗体系的核心痛点。但医疗难题并不只是中国的困境，全球范围内，在医疗领域可能没有真正的“模范生”。不少国家的医疗体系都深陷于“供给不足、资源不均、成本高昂”的多重困境之中。比如美国，尽管拥有全球最先进的医疗技术和研发能力，但并未实现全民覆盖的医疗体系，低收入群体和少数族裔仍然面临就医难的困境。美国前总统奥巴马执政期间提出的医疗改革方案缓解了部分矛盾。但更突出的问题是，美国医疗成本极高，根据美国《卫生事务》杂志的统计，2024年美国医疗支出增长率达8.2%，突破5万亿美元大关。再比如英国，建立国家医疗服务体系（NHS），曾经用不到10%的GDP成本实现了全民医保，一度是大家学习的模范。但近些年随着医疗成本的快速上升，这个体系也面临严峻挑战。首先是服务效率低下，非急症患者长期等待候诊成为常态，许多留学生宁愿回国就医。其次是财政压力持续加大，随着人口老龄化和医疗成本上升，政府越来越难以承担，税收负担也逐年加重。为什么AI医疗有机会破局？▍一、中国新医改：提升了公平性，难在优质供给不足为什么医疗改革如此艰难？根本原因在于，医疗不仅具有消费属性，还承载着强烈的公益属性。医疗行业既要维持行业的可持续运转，又必须控制费用，避免成为人们的负担。这一内在张力使得政策设计始终面临两难。此外，医改涉及“医疗、医药、医保”三方主体，不同主体利益诉求各不相同，协调难度极大。（更多关于医疗体系的思考，欢迎阅读中国医疗卫生体系40年：从过去到未来的探索之路|峰瑞报告）过去二三十年中国一直在尝试通过制度设计来平衡各方的利益诉求。2009年，“新医改”正式启动，逐步建立了覆盖全民的基本医疗保障制度。2015年，分级诊疗制度开始推进。2017年，公立医院全面取消药品加成，标志着“以药养医”模式的终结。2018年，国家医保局成立并启动药品集中带量采购。近年来，医疗行业的反腐也成为改革的重要一环。这些改革措施本质上是“分蛋糕”的改革，优化了资源分配，提升了公平性。但中国医疗行业始终面临一个待解的难题——优质医疗资源供给不足。换句话说，医改可以改变分配方式，但难以在短期内培养出大批量的好医生或者大范围提升基层诊疗能力。整体而言，优质供给不足，是当前医疗的核心矛盾，也是为什么“看病难”的问题依然突出。▍二、曾被给予厚望的互联网医疗在制度变革的同时，技术驱动的变革也在同时进行。已发展近20年的互联网医疗浪潮就是其中之一。从2000年数字医疗企业丁香园创立，到2003年国家提出加快卫生系统信息化建设步伐，再到2006年互联网医疗平台好大夫在线成立，以及2010年挂号网的成立……互联网医疗一度被寄予厚望。政策也开始推动。2013年，国务院发布《关于促进健康服务业发展的若干意见》，其中提到“与物联网、移动互联网融合，不断提升自动化、智能化健康信息服务水平”。2014至2015年，互联网医疗迎来高潮：阿里、腾讯、百度等巨头纷纷入局；丁香园、春雨医生、微医（原“挂号网”）等平台试水线下诊所，其中微医在乌镇开了中国第一家互联网医院。热潮之后，是监管收紧。2018年，国家出台互联网诊疗管理办法，明确禁止在线首诊，只能用于复诊，行业迅速降温。直到新冠疫情爆发，远程医疗需求激增，互联网诊疗才迎来新一波增长。互联网医疗的挣扎持续了相当长一段时间。归根结底，医疗的核心环节是诊疗，互联网医疗更像是在医疗外围“打转”，大多停留在轻问诊、健康咨询和药品流转等环节。互联网医疗调节了分配，但是没有解决医疗行业供给稀缺的问题。打个简单的比方，互联网挂号改善了挂号体验，但改变不了优质医生有限的现实。因为互联网医疗能提供的服务较为有限，盈利模式也受限。阿里健康、京东健康等平台虽已陆续IPO，商业模式更多聚焦于在线药品销售，而非诊疗。▍三、AI医疗能破局吗？AI医疗是否能走出互联网医疗的困境？在中国，医疗服务的定价长期偏低，医保又面临巨大的支付压力。如果AI只是作为医生的“辅助工具”，它的价值就很难独立体现。这样一来，医院和医生可能缺乏动力去采购和使用AI产品。医疗行业真正的破局点，或许在于：谁能系统性地增加医生供给，提升基层医生的诊疗能力，谁就有可能成为医疗体系的“入口”。此外，如果AI医疗能在广大的基层医院得到普及，其放大优质医疗资源的杠杆作用会更强。最早的AI医疗失败了，当下AI医疗能发展起来吗？▍一、AI医疗的前车之鉴回顾过去，AI医疗并不是个“新概念”。早在2011年，由IBM和美国德克萨斯大学联合研制的超级电脑“沃森”(Watson)在美国智力问答电视节目《危险边缘》中的总分超过了该节目的两位人类冠军。“沃森”在节目中的亮眼表现让IBM看到了“沃森”拓展应用场景的可能性。“沃森医生”曾与纪念斯隆-凯特琳癌症中心合作，研究与癌症相关的变量。“沃森医生”还与休斯顿MD安德森癌症中心合作，试图为癌症患者提供诊疗建议。然而，这些声势浩大的尝试最终以失败告终。最终，IBM将WatsonHealth大部分资产拆分出售，宣告了第一代AI医生的退场。为什么“沃森医生”会失败？第一，彼时AI的能力还不够强大。尽管沃森具备出色的语言理解能力，但医疗场景中充斥大量非结构化、高度专业化的临床数据，当时的AI难以实时处理和更新这些数据，限制了“沃森医生”的临床实用性。第二，数据来源严重受限。沃森的训练数据有限，缺乏多样性和广泛性，可能导致模型泛化能力不足，不容易应对复杂多变的真实病例。第三，定位存在偏差。动脉网曾援引业界专家对“沃森医生”的评价：“过度宣传Watson代替医生、超越医生，能够超越医生的认知……这样的宣传迅速拉高了外界对于IBMWatson的期望……过分夸大的市场宣传，对产品长期健康的发展并没有好处。”▍二、当下发展AI医疗的条件为什么在当下，AI有可能改变医疗行业的供给结构？首先是技术能力的飞跃。医疗诊断的本质并非强逻辑推理，而更接近“知识库+经验”的模式，更多依赖记忆、模式识别和经验积累。如今，大语言模型在医疗诊断任务中的表现，相较上一代AI医疗产品已经有了一定的提升。2024年，哈佛大学、斯坦福大学、微软等机构联合开展了一项研究，对OpenAI旗下o1-preview模型在医学推理任务的表现进行了综合评估。结果显示，o1-preview模型在诊断临床推理（判断最可能是什么疾病）、管理推理（制定治疗方案）等任务中超越了实验组中主治医师和住院医师的水平。其次是数据质量的提升。上文提到，2003年中国提出加快卫生系统信息化建设步伐。经过20余年，中国医疗行业已经积累了足够充分的高质量数据。这些高质量数据，将有助于AI医疗的发展。毕竟，在一定程度上，数据的质量直接决定了AI医生的“高度”。最后是定位的理性回归。依据中国卫健委的数据，中国乡村医生仅占全国医生总量的近五分之一，但乡村人口占全国总人口超过三分之一。AI医生或许更适合定位成替代基层的全科医生，而非挑战临床研究型的医生。AI医生适合发挥其跨学科、多病种综合判断的优势，实时更新医学知识，整合多学科指南，提供诊疗建议。未来，医生的角色或许会逐渐分化：一部分医生专注于临床科研与疑难重症攻坚，成为顶级专家；另一部分则在AI的辅助下，转型为以患者照护、慢病等健康管理为核心的“助理医生”或“健康管家”。AI或许将彻底重塑医生的供给结构——让优质医疗资源通过技术杠杆，真正下沉到基层，触达更广泛的患者群体。未来AI医疗图景展望未来，如果AI医疗能够被广泛应用，我们可以想象一下人们看病的场景：你只需在线问诊，AI即可结合症状进行初步评估。医疗平台上门检测采集的血常规、尿检等数据，或社区医院完成的影像检查，都被AI自动汇总、分析。AI完成诊断后，立即分诊：常见病直接开方，纳入慢病管理并动态追踪疗效；急重症快速转诊至上级医院；疑难病例则推送给专科医生，AI可辅助提供决策支持。总之，未来AI或许可以部分替代医生，参与问诊、分析、分诊等多种环节。AI医疗可能在多个层面给现有的医疗体系带来新变化，主要体现在三个方面：首先，AI有助于推动医疗数据的系统性整合与利用。随着AI在诊断和治疗建议中的参与度提升，诊疗过程中产生的结构化数据将不断积累，形成“数据—模型—应用”的反馈循环。这种数据飞轮效应，理论上可以提升模型性能，并为医学研究和真实世界证据积累提供支持，但其实际效果仍依赖于数据质量以及医疗机构间的协同程度。以美国AI医疗企业TempusAI为例，其核心业务是通过AI驱动的临床和分子数据库，为医疗系统提供精准的检测和诊断工具，服务范围覆盖肿瘤学、精神病学、放射学和心脏病学等多个领域。TempusAI凭借与数千家医疗机构以及超半数美国肿瘤学家的合作，积累了海量数据集，用于训练人工智能算法。其次，AI在促进合理用药方面具有一定潜力。当前临床中仍存在一定的过度用药、药物错配等现象。如果AI系统能够基于用药指南和最新文献提供建议，可能会在一定程度上减少非必要处方，提升用药规范性。但AI需要遵循相应的规范，不能以“个性化”的名义进行违规操作。例如，远程医疗平台Hims&HersHealth会为用户制定个性化治疗方案。每个患者的剂量、药物的组合，甚至是成分，都会根据个人需求量身定制。但市场中也出现了另一种声音，2025年6月，合作方诺和诺德指责Hims&HersHealth未遵守禁止大规模销售配制药的法律，利用虚假的“个性化”定制规避监管，且营销行为危及患者安全。AI可能对商业保险和医保支付模式产生间接影响。当前商业健康险面临保费高、参保率低的问题，部分原因在于风险控制难度大。如果AI能够参与全周期健康管理，渗透预防、筛查、慢病随访等环节，理论上有助于降低整体医疗支出，并为保险精算提供更精细的风险分层依据，进而降低保费。然而，这类模式的可持续性仍需验证，且涉及伦理、公平性和算法透明度等复杂问题。总体来看，AI在医疗数据整合、用药规范和支付机制优化方面具备一定的应用前景，但其实际成效受限于技术成熟度、系统对接能力、监管框架和临床接受度。它更可能作为辅助工具，逐步嵌入现有体系，而非迅速颠覆或替代传统模式。AI医疗监管难题AI医疗的技术路径逐渐清晰，在提升诊疗效率、优化用药、积累数据等方面的潜力也正在显现。然而，真正决定它能否大规模落地的，并非技术本身，而是监管的态度与制度的跟进。毕竟，医疗关乎人的健康与生命。例如，2024年2月，湖南曾发布《关于进一步加强基本医疗保障定点零售药店管理的通知》，明确提到“严禁使用人工智能等自动生成处方”。此外，AI医疗的一大待解难题在于，一旦发生医疗纠纷，责任应由谁承担？是医生、医院，还是算法开发者？如果AI被明确界定为“独立决策者”而非“辅助工具”，责任归属反而可能更清晰。如果未来出现“纯AI医生”模式，即由AI独立完成首诊、分诊和处方，那么一旦出错，责任主体可能会落在开发方或运营方。2025年1月，FDA发布的AI应用于药品与生物制品的监管框架《使用人工智能支持药品和生物制品监管决策的考虑因素:行业及其他利益相关方指南草案》，或许可以作为他山之石。其核心思路并非仅按照任务类型划分“高风险”或“低风险”，比如不能让AI开处方，而是根据AI模型的应用场景和潜在后果进行动态评估。这种“基于风险情境”的监管模式，可能更具灵活性。尽管挑战重重，AI医疗的发展趋势已被视为“明牌”。国内科技企业如阿里、华为、百川智能等均已布局。AI医疗未必是万能解药，但它确实为丰富医疗资源供给提供了新的可能性。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
