AI应用大年：创业者和应用者如何挖掘AI价值？

AI时代，没有被大模型学习和训练过的私有化数据，正成为新型“石油资源”。

文 Ⅰ 钱丽娜

ID Ⅰ BMR2004

随着大模型技术从实验室走向产业端，这场技术革命的本质正从“能力炫技”转向“价值落地”，2025年也成为全球公认的AI应用大年。当技术成熟度与商业敏感度相遇，2025年的AI创业者与应用者正站在历史性机遇的“风口”。那么，在这场AI应用的洪流中，创业者可以聚焦哪些赛道？在赛道中又该如何与甲方建立共识？对于企业应用者而言，应避免哪些误区？如何在行业、场景和问题这三个变量相乘之后，找到适合自身的AI工具？

创业篇

01

避开大厂锋芒，寻找创业蓝海

对于初创企业来说，做行业垂类模型是危险的，很有可能被通用大模型的基座能力“干掉”。

7年前，刘煜晨在一家互联网大厂做AI长文生成，服务垂直行业客户。那时的AI技术尚处于早期，每个项目都需要定制，导致毛利率很低，有些项目甚至亏损，但同时，市场上还有大量未被满足的需求。那时候，大家都在期待一个技术突破的“Aha Moment”。2020年，GPT-3.0推出开放内测时，刘煜晨错过了这个信息。到2022年底，ChatGPT展示出了最新模型的良好泛化性，瞬间打开了诸多的商业应用场景。刘煜晨意识到，这是一个能够以低成本解决问题的技术，不能再错过这个机会了。

02

进入B端智能体赛道

2023年初，刘煜晨离开大厂，拉上了一些老同事创业。早期团队曾尝试过医疗模型，并且基于某个底座大模型做微调，但刘煜晨发现了问题，因为团队微调模型所用的是公开数据、合成数据或者半公开数据，这些数据并非稀缺资源，大模型厂商对此更有优势。他从中得出的教训是，对于初创企业来说，做行业垂类模型是危险的，很有可能被通用大模型的基座能力“干掉”。

做大模型微调的另一个风险是，如果训练出来的所谓专业领域模型比基座大模型的能力仅仅领先三五个月，但可能几个月之后，当企业意识到基座大模型的能力也能追平微调后的行业模型时，利用信息差赚取模型能力差价的机会就会逐渐消失。从商业角度考虑，如果创业公司为了三五个月的能力差而投入大量的资金做训练，但后期无法收回成本，这种商业模式也无法成立。

修正策略后，刘煜晨在2023年正式创立上海意言科技有限公司（以下简称“意言科技”），并决定进入B端智能体赛道。“假设大模型厂商只有通用数据，它是没有办法通吃企业垂类场景的。我们创业阶段选择B端客户，就是为了避开与大模型厂商的竞争。”

智能体是指由大语言模型（LLM）驱动的自主软件实体，能够感知环境、进行推理、做出决策、采取行动，并以类似人类的方式与用户或其他系统进行交互，它们与周围环境和其他智能体互动，适应不断变化的外界情况，是AI领域的原生应用之一。

03

智能体赛道的创业机会

创业企业目前有一个时间窗口期。这个机会就在于目前智能体企业级市场是主战场，但用户有着巨大的长尾需求。一些大模型厂商为了让其大模型可用，会在大模型上添加一些智能体策略，但这些策略通常都是轻量策略或通用策略，且大模型本身有技术边界。

在大厂没有建立竞争优势的长尾区间，是创业企业成长的空间。而要满足客户需求，需要建立一支既懂技术架构又熟悉垂直业务的“双栖型”交付团队。由于AIGC的产业应用才起步，大多数企业内部并没有构建起相应的能力，这给懂得AI技术、做过企业咨询的团队留出了机会。甲方对垂直场景的理解和乙方的实施能力，在这一时期恰到好处地形成“场景知识×AI技术”的合力。

刘煜晨认为，智能体是大企业不愿做、也做不好的市场，因为成本效率不高。当一个市场没有足够的利润时，大厂通常不太愿意布局，而是会等模式成熟并且处于其核心业务的路径上才会集中资源去做，避免前期太多的不确定性。

在目前的融资环境中，刘煜晨认为，服务B端企业能为创业公司带来充足、稳定、可预测的现金流。同时，B端沉淀下来的行业专有知识，也是一个巨大的“金矿”。“知识体系在垂直领域智能体的构建中很重要。比如制造业生产及供应链运营效率提升和设备维护的智能体，医药企业管线开发的智能体，每个领域背后都有一整套的知识体系和逻辑体系，AI公司需要在服务头部企业的过程中才能积累这些经验。”刘煜晨说。

企业方引入智能体的初衷是替代繁琐且重复性的脑力劳动，从降本增效的角度考虑，但是这个功能很快就会被成本更低的智能体替代，而意言科技对标的是用智能体替代报价昂贵的专家顾问，让智能体像专家顾问那样参与分析和决策工作。“咨询顾问报价昂贵，是因为他们拥有行业的专有知识，把经验和案例融汇贯通后产生了更大的价值。”刘煜晨坦言。

当智能体积累了大量的行业知识之后，终有一天，它会比药企管线负责人更加了解如何管理一个药物的临床实验体系。在设备运维中，智能体沉淀下经验丰富的老师傅才有的经验，将被复用到不同的场景中。“当你为企业做垂类应用时，是很难被大模型厂商‘干掉’的，因为能做什么取决于你拥有什么样的经验和数据。”刘煜晨说。

04

让AI成为企业的核心应用，而不是工具

AI企业的产品定价能力在企业生存中至关重要。意言科技并没有采用SaaS的订阅方式，而是采用软件授权方式，在基础价格之上，再为企业提供个性化模块与套件组合。“很多人用工具的逻辑来开发AI应用，但我们遵循的是企业软件的逻辑，若没有与核心业务流程和数据绑定，工具是容易被替换的。” 刘煜晨说。如果要让智能体成为企业的核心软件，就要看它帮助企业解决了什么问题。如果解决的是核心问题，那就是一个核心系统。

在一些金融机构，人们已经看到了转变的动向。分析师以前使用的是传统软件，用于数据分析，撰写财报和研报，但现在，越来越多的主流程序都开始与智能体互动，更加方便省力，分析师从原有的系统和流程中转向使用智能体，AI驱动的软件自然而然地成为一个全新的核心系统。

“AI软件与企业深度绑定，涉及到很多维度。既有数据的易得性，也有技术与核心流程的契合程度。”刘煜晨此前曾在埃森哲、腾讯、欧莱雅等企业供职，他既懂咨询也懂甲方的业务流程。“甲方工作经验告诉我，产品对于乙方固然重要，这决定了你的规模化可能性和毛利，但甲方不关心你的产品，它关心的是他的业务，它需要的是服务。而今天，大模型缩短了提供服务与产品两者之间的距离，为前者提供了标品的可能性。”企业无论是做数字化转型，还是AI转型，都指向关键经营目标。服务方需要和甲方一起，将关键经营指标进行拆解。比如，工厂厂长关注的是产线效率、设备使用率、良品率等关键指标，服务商要顺着高层关注的指标往下拆解，找到影响关键指标的问题，再决定利用怎样的智能体来解决问题。

应用篇

05

是“大潮”还是“乱流”

企业上马AI应用不能操之过急，因为行业、场景和问题这三个变量相乘之后，很难找到一个通用工具。

苏州飞鲸智能科技有限公司（以下称“飞鲸智能”）创始人江志强是一位在互联网深耕了17年的老兵，曾经担任网易和阿里巴巴集团副总裁、人人公司首席营销官。飞鲸智能团队擅长从企业各个场景的痛点中挖掘可以利用 AI 降本增效、创造营收，或改变商业模式的机会点。

06

企业AI落地的核心挑战

在为企业做人工智能咨询、培训和实施的过程中，江志强感受到企业拥抱AI的迫切心情，但在摸索过程中遇到了各种各样的问题。

一种是激进派。这些企业把AI视作先进的生产力工具，在行动策略上较为激进，推动组织改变，砍掉不产生价值的中间商，让业务能力回流到公司；一种是降本增效派。AI文生图能力增强后，一些游戏公司的原画师岗位只剩下10%~20%的人员，大语言模型的代码能力增强后，初级程序员的工作也受到很大的影响；一种是盲目行动派。这些企业主只听了零星的实践分享，就要求团队上马AI项目，但是公司上下对AI的观念和目标都没有达成一致，还有的企业匆忙上线专用大模型，但由于前期企业内部数据未能有效治理，导致AI 应用在检索知识库的效果不好，加入深度思考后，大模型越推理越走形……

针对上述现象，江志强认为，企业上马AI应用不能操之过急，因为行业、场景和问题这三个变量相乘之后，很难找到一个通用工具，即便是同一个行业，也离不开知识库的定制。在实施AI应用的场景中，可先选择小而窄的问题入手尝试。“一个小项目的投入不高，实施难度不大，实施周期也不会很长。通过小步尝试，不断地看到使用反馈，上下才能建立共识和信心。” 江志强说。从小项目入手，也是企业自上而下的一个“暖身”过程，以便为今后更大的项目和AI转型做好准备。

实践中，江志强观察到国企、外企和民企对待AI的态度和方式不尽相同。

大型跨国企业学得快，但项目落地较为谨慎。这些企业在过往的8—10年间，打下了良好的数字化基础，也是较早接触到人工智能的企业。通常这些企业CTO/CIO的个人背景很强，很快就会上线一些简单的AI应用。跨国企业的信息化部门会负责AI项目实施，但他们对业务部门的需求理解不够充分。另外，在实施过程中，外部公司要对企业的数据仓库进行数据清洗、打标签等治理工作，有时还会做一些小样本训练，因此，数据安全以及如何与现有的数字化系统进行整合，也是跨国企业比较顾虑的问题。

民营企业在AI实施上很务实，行动速度快于跨国企业，因为项目由老板拍板。2024年，江志强给一批餐饮企业老板进行AI培训后，他们很快意识到这是国家提倡的新质生产力。但在行动中，没有数字化经验的企业制定的目标往往较为简单粗暴，比如随意提出一个岗位减员目标。还有不少老板不愿付咨询费，东拼西凑地学来各种AI知识，便指挥员工开干。但也有一类民营企业，会做好短中长期的系统规划，通常这类企业有一定的数字化基础。

央国企实施AI的首要条件是进行私有化部署，即数据不能离场。飞鲸智能服务的一家电力企业，相关数据因涉及安全性和商业机密，虽然AI应用只是用于人员培训，但依旧要求数据要保证不能离场。因此，在外部环境下开发好的 AI 智能体应用，驻场接入真实数据后，还需要重新调试。另外，国家要求央企分批构建行业数据集并参与数据标注，私有化环境更利于数据分类分级和合规流转。

江志强说：“在 AI 时代，只要大模型没有学习和训练过的企业或行业的私有化数据，就是新型‘石油资源’。”

07

实施AI的破局之道

根据多年实践，江志强对企业实施AI提出两个建议。

首先，AI是“一把手”工程。有些职业经理人天然抗拒AI，因为他们担心被裁员，通常也不知道怎么招聘AI时代的人才，所以企业“一把手”如果不参与到AI变革中，企业内部很少有人能积极主动地拥抱AI。江志强说：“我们的建议是，‘一把手’要找到最关键的经营痛点，设立一两个项目进行试点，并且亲自参与其中，这样才会引起相关部门的重视。”

“一把手”的变革方向也体现在招聘怎样的人才。比如有家大型电商公司在招聘新CMO后，将客服中心也归入CMO的管辖范围。这说明“一把手”希望客服中心与营销联动，而不再是两个割裂的部门。当有人工智能加持的智能客服从被动响应服务需求扩展到主动挖掘销售线索时，部门的界限也会变得越来越模糊，而“一把手”要及时发现技术发展的动向，并且在组织架构中做好应变。

其次，企业需要打通内部数据堵点。大模型诞生之后，企业对知识库搭建的需求激增。企业知识库是对企业专有知识的汇总，可以快速赋能员工，但知识库的基础数据——企业文档往往散落在各个部门，分布在不同员工的电脑中。整合不同部门的数据/知识是一个浩大的工程。资料汇总后的数据清洗、打标签又是一项繁杂且浩大的工程。

即使是已经数字化的数据，如CRM、物流、供应链的数据又因为分散在不同的系统中，还需要做数据整合的工作。

理念篇

08

理解AI的商业价值

AI技术驱动的数字人直播矩阵正通过24小时智能获客与精准服务，重构品牌的ROI，在流量洼地实现GMV的突破。

从被动解决问题向主动解决问题进发 在电商领域，商家常常被客服业务耗去大量的精力。过去客服只能被动地解决售前、售后问题，而现在的智能客服，不仅回复效率升级，在抓住销售线索后，还能提供主动服务，向消费者提示其可能感兴趣的服务或商品。江志强说：“这实际上是AI有了对消费者的记忆与洞察能力。”

离客户越近的应用，越吸引企业投入 现阶段，企业的AI项目多从销售和营销端开始，这是离获客与变现最近的岗位。餐饮企业如果没有自建APP，就要从平台来获取流量。头部餐饮企业的经验是，若想在抖音、美团、大众点评等平台上获得流量，通常需要发布大量优质的点评、短视频，商家也要持续直播。大模型文生图、图生视频，以及各种图像处理工具使短视频混剪工作变得简单，不过要获取更多的(免费)本地生活的流量，则需要更多门店一起来做直播(矩阵账号)。

用ROI（投入产出比）证明 飞鲸智能是如意数字人的生态合作伙伴（“如意”是零一万物公司单独拆分出来的AI数字人解决方案公司）。2024年，如意针对连锁餐饮零售与文旅酒店行业等知名品牌进行了近1000场的AI数字人直播测试，训练了600万条电商直播语料，用这个垂直大模型来支撑AI主播网感与多样化直播脚本需要的智力。数字人的优势是能延长直播时长，有时长且互动数据好，平台就会持续给予免费的本地生活流量。用户进入直播间领取消费券后，需要到店核销。品牌以实销的方式来考核数字人项目的ROI。

从测试效果来看，品牌方只需设一个中台经理就可以管理20多个数字人直播间矩阵。中台经理通过如意数字人直播中台，可以快速设置开播，生成直播话术，直播过程中即时响应问题与评论，促进优惠券的转化。

江志强说：“数字人虽然没有办法完全替代主播，但会好于普通主播，因为话术可以经常变，也不会疲惫。数字人经过近千场直播后，语言违禁几率不到5%。目前品牌测试的成果是，数字人的ROI是真人的好几倍。”

目前这套AI数字人解决方案适合有一定门店规模的连锁品牌。在二三四线城市，由于本地生活流量还有较多的流量洼地，数字人主播只要开播就能冲上城市榜，从而获得更多的流量。一家连锁品牌采用数字人直播后，其西安门店的销售额甚至超过了其上海门店。江志强说：“如果想要追求更高的 GMV, 那就将更多不同地区的直播间矩阵开出来。”（本文人物图片由受访者提供）