很聪明但还不够好用：企业跨越AI“最后一公里”需做好这两件事

AI技术突飞猛进，在各类测试中屡创佳绩，但走出实验室步入商业场景后，其实际提升效率的表现却远逊于技术演示。面对“AI虽聪明但不好用”的落地难题，如何跨越这关键的“最后一公里”？长江商学院滕斌圣教授在发表于第一财经的署名文章中指出，AI“下半场”需“内外兼修”，对外要从被动响应转向主动连接，对内则要始于小切口、精准补位，深耕垂直场景，从而真正实现技术扎根千行百业。

CKGSB

作者 | 滕斌圣、曹欣蓓

来源 | 第一财经

滕斌圣

长江商学院战略学教授

战略研究副院长

新生代独角兽全球生态体系研究中心主任

AI发展面临一项悖论：技术层面，AI交出了令人惊叹的成绩单，在SAT、律师资格考试等标准化测试中连创佳绩，战胜了棋类的世界冠军，甚至独立完成科研核心任务……可当走出实验室，进入真实商业场景，AI对企业生产效率的实际提升，远落后于技术演示所展现的能力。换句话说，AI已经很聪明，但还不够好用。

AI“下半场”正在进入应用场景为王的时代，要更好实现这一愿景需要“内外兼修”。对内，要持续完善大模型的基础能力；对外，要助力AI落地，让技术真正扎根于千行百业。AI行业的“最后一公里”往往具备两个显著特征：主动连接与始于小切口。

主动连接：从被动响应到主动服务

AI的能力边界，正在从被动响应走向主动连接。

2025年9月底，OpenAI推出了ChatGPT的全新功能Pulse，传统大模型采用的是被动问答模式——用户提问，AI回答，用户追问，AI继续，周而复始直至对话终止。而Pulse的创新在于赋予AI主动性：无需用户发起请求，系统会在夜间用户休息时自动进行研究和信息整合，并在清晨以个性化主题卡片的形式推送定制化内容。

这些内容不是随机生成，而是基于用户过往的聊天记录、反馈偏好、对回答点赞与踩的行为，并支持Gmail和谷歌日历的数据集成。Pulse通过AI的异步思考能力，在用户休息时持续工作，这种先于需求的服务模式，让AI从被动的信息检索工具，转变为主动的智能助手。

从发展趋势看，AI与人类的主动连接是技术演进的必然方向。随着大模型能力的持续增强和用户数据的不断积累，AI逐步从被动响应转向主动服务，意味着其正加速融入人类生活的深层结构。

从影响层面看，主动连接正在重塑信息获取的逻辑。传统搜索引擎时代，用户需要主动输入关键词查找信息；大模型的普及让用户可以通过对话方式获取信息，这已经是一次进化；而Pulse等主动功能则更进一步，将信息获取从“我找信息”转变为“信息找我”。

这种范式转变可能对互联网生态产生深远冲击，尤其是对社交媒体和内容平台。小红书、抖音等平台的核心价值在于通过算法推荐精准匹配用户兴趣，但AI不仅能实现类似推荐，还能提供更具个性化和实用价值的内容。

从娱乐资讯到生活建议，AI能够覆盖多元场景，并以定时推送的方式，在最佳时机将碎片化信息整合为结构化知识。一旦这种“高时效性+高个性化+高质量”的内容组合推送，可能显著分流其他内容平台的用户时长和流量。

国内市场也在加速弥合AI与用户之间的“最后一公里”。例如，用户可将元宝添加为微信好友，在熟悉的聊天界面中与AI互动，整个过程无需跳转到网页或独立客户端，虽然尚未实现完全的主动触达，但同样是AI向用户靠近的重要一步。

在主动连接的维度上，中国市场凭借独特的生态优势展现出巨大潜力。微信、支付宝等平台不仅是通信或支付工具，更是覆盖消费、出行、社交、健康、教育、娱乐等多个维度的超级生态系统。这些平台积累的多维度、高颗粒度数据，使AI构建更精准、立体的用户画像，从而实现更智能的个性化推荐。依托庞大的数据优势，中国AI应用有望在主动服务的精准度和实用性上形成差异化竞争力。

对于非AI企业而言，该转变也给企业带来了新的流量竞争规则。过去，SEO（搜索引擎优化）与SEM（搜索引擎营销）是企业争夺流量、抢占搜索结果前排的重要战场。企业投入大量资源优化关键词、购买广告位，力争在用户搜索时出现位置更靠前。

然而，随着搜索逻辑的变迁，如今企业还需要关注的是GEO（生成式引擎优化），确保产品能被AI模型优先推荐。那些率先适应GEO规则的企业，将在这场流量重构中占据先机。

始于小切口：精准补位策略

AI应用的重要课题是如何嵌入实际业务流程，实现稳定的商业价值输出，同时控制错误成本与合规风险。小公司难以自研大模型，面对基础能力的差距，一个避不开的话题是如何基于大模型进行调整和改进。

被称为“套壳之王”的AI搜索独角兽Perplexity，最初正是基于OpenAI的GPT-3.5模型。2022年12月，ChatGPT推出仅七天后，Perplexity就上线了产品——一个简单的轻量搜索问答框。

但Perplexity抓住了一个关键窗口：当ChatGPT还无法联网搜索时，它率先实现了联网功能，并为每个答案附上引用来源。即使最初版本的答案生成时间长达7秒，并且存在不可避免的AI幻觉，产品体验远算不上完美，但依然凭借这两大差异化优势迅速出圈。

产品发布后仅两个月，就获得了1000万次访问和200万独立用户。在验证了商业模式后，Perplexity开启了一系列更具雄心的迭代，近期更是推出浏览器Comet叫板谷歌。

如果说Perplexity是横向补齐功能，Jasper则是纵向深耕场景。它从GPT-3“套壳”起步，锁定营销人员痛点，打造AI驱动的广告文案工具。

Jasper的核心洞察是品牌传播的高度情境依赖。例如同一产品信息在新闻稿需严谨正式，在社交媒体则需活泼互动，且全程须保持品牌声调一致，但通用大模型难以实现个中语句的微妙调整。Jasper的解决方案助力其在成立18个月内成为独角兽，估值一度飙升至15亿美元。尽管此后ChatGPT的开放生态对Jasper构成冲击，倒逼企业进行一系列变革，但不可否认，其起家始于对于营销痛点的深刻洞察。

“始于小切口”即在巨头模型基础上锁定高频痛点，快速迭代最小可行产品，验证商业闭环。诚然，Perplexity和Jasper如今都有各自的新挑战，且Jasper在模式上面临更大的压力，但这不能抹杀它们崛起时对于时机与切入点的精准把握，若非当初的精准一击，就不会有今天被持续讨论的Perplexity与Jasper。

对于小公司而言，比起全栈自研，通过精准“功能补位”实现单点突破显然更具可行性，而这两家早期的策略正是值得借鉴的范本。

小切口的四大实践法则

始于小切口并非易事。要想成功落地，需要把握四个关键要点。

首先，抢占时间窗口，实现差异化突破。

应用创新以大模型为基底，一旦大模型补齐短板，便可能直接颠覆应用产品。因此，企业必须抢在大模型前面，锁定其暂时缺失的功能缺口。举例而言，当用户仍在使用ChatGPT的静态数据时，Perplexity已率先实现联网搜索功能。时间窗口作为稀缺资源，其先发优势往往成为决定成败的关键因素。

值得注意的是，在AI领域，先发优势不等于胜势，持续变革才是常态。以Jasper为例，ChatGPT的出现对Jasper造成重大冲击：ChatGPT的对话式交互远比Jasper的模板生成更灵活，且ChatGPT免费与相对低价策略迅速动摇了Jasper的付费基础。

面对冲击，公司开启自救之路，Jasper迅速推出对话功能，将重心从个人用户转向企业级营销团队，同时通过整合更多模型引擎以摆脱对GPT的单一依赖，并深度嵌入客户的工作流，将自身改造为一个深度垂直于营销团队的整合式工作系统，这份转型正显现成效，尽管公司2024年营收从2023年的1.2亿美元大幅下降至3500万美元，但预计2025年收入将回升至8800万美元。

AI创业的残酷之处在于，即使18个月登顶的独角兽，也可能在短时间内被颠覆。其中可贵的是创业者在变化中展现出的快速应变力与韧性，这正是科技浪潮下企业保持前行的原动力。

其次，先获取用户，后优化产品。

企业应优先抢占首批种子用户，而非一味追求首版产品的尽善尽美。随后，通过持续迭代逐步完善用户体验，实现从用户反馈中快速学习与成长。以Perplexity为例，早期产品虽不完美，但凭借先发优势积累了一批用户和口碑。尽管随着大模型联网功能的普及，其技术壁垒逐渐稀释，该用户基础已然为其后续发展奠定了坚实根基。

这一策略的有效性，还需结合具体应用场景灵活把握。企业必须根据行业的监管强度、用户容错空间和潜在损失程度，制定差异化的产品发布标准。

例如在消费电商等领域，用户对功能瑕疵的容忍度更高，企业可以采用“边做边迭代”的模式，在用户规模扩张中优化体验，形成良性增长循环；

但在医疗、金融或航空等高风险领域，必须确保产品上线前达到极高的标准，因为即使是微小的缺陷（如数据泄露、诊断错误、系统故障等）也可能引发严重的法律问题，进而导致不可逆的信任损失和经济损失。

再次，聚焦单点突破，打造一块突出长板。

简单的“套壳”式应用缺乏专业深度，难以持续发展。企业应聚焦大模型尚未涉足的细分领域，或是找到某一块胜于大模型的长板，成为该领域的专业解决方案提供者。

面对变化时，企业可在原有优势领域，继续寻找新的突破口。例如，Jasper在遭遇ChatGPT冲击后，并未转向其他赛道，而是选择进一步聚焦——重新界定目标客户、梳理能力边界，强化自身在营销内容领域的专业性。

除深耕特定行业外，本土化亦是可行路径。例如，在能源调度场景中，AI Agent能够掌握我国不同区域的差异化能源政策，并融会地方用电的峰谷规律等高度专业化、本土化的知识体系，做到对本土能源体系的智能适配。这类深度内化了国情特色和地方专业知识的Agent，得以构筑通用大模型难以匹敌的差异化竞争优势。

最后，秉持质量优先于速度的用户价值主张。

尽管大模型厂商普遍将响应速度视为核心竞争要素，但从实际应用场景来看，关键问题在于：用户的真实需求究竟是什么？

举例而言，尽管Perplexity早期版本的响应时间长达7秒，在追求毫秒级优化的行业环境中显得过于缓慢，然而用户依然愿意耐心等待。其原因清晰可见：相较于在竞品中反复迭代查询语句、经历多轮交互，仍无法获得有效答案的高时间成本，用户更愿意以适度的等待时间换取一次性获得精准、全面、高质量信息的确定性收益。

对企业而言，速度优化固然重要，但应被视为产品走向成熟阶段的迭代方向，而非初创期的战略重心。响应速度需要建立在核心价值交付的基础之上，否则脱离用户需求本质的性能提升，终究是舍本逐末。

有人将大模型比作“预制菜”——底料已备，离真正的美味还差“最后一炒”。AI的下半场在于如何将其精工细作，让模型更主动地连接人，更精准地适配场景。

这条路并不平坦。AI幻觉问题仍未解决，而垂直行业的深耕又离不开高质量数据。

未来属于那些能够将“预制菜”精工细作成“私房菜”的企业。

文中图片来自图虫创意，转载需获授权。

点击下方卡片，关注长江商学院