AI落地的物流样本

撰文| 吴先之

编辑| 王 潘

站在2026年，回望刚刚过去的2025年，几乎所有人都认同这是AI在B端落地的大年。

“ToB的生意跟ToC完全不一样，C端会有波动和起伏，而B端只要增长会一直增长，既不可能说用就用，也不可能用了之后立马弃用，有很高的粘性。”阿里云一位从事B端业务多年的老兵表示。

一位飞书客户成功经理提到，2023年到2024年上半年，飞书跟客户共创了大概1500个场景，实际有用的不超过20个。可到了2025年，光是飞书AI效率先锋大赛，便涌现了230个真实业务场景案例。

AI不仅在生产资料上重构着企业业务，还改变着企业更深层次的组织肌理。上述阿里云人士表示，“企业上云时代，我们主要对接企业IT部门，而在AI大规模落地时，目前有约三成不再是IT部门。”

AI与IT部门的交融，大约有三种形态，较为激进的企业，会单独成立一级AI部门；第二种是循序渐进，将AI团队融入到既有的IT部门中；第三种较为特殊，成立由企业一把手直管的办公室，扮演着中台角色，虽然建制不大，但优先级很高。

当企业客户从内到外开始变化，云与AI大厂的策略也在逐渐发生变化。

前述阿里云人士表示，“IT和云的目标是走进运维，现在AI需要走进业务。”

这一观点与飞书不谋而合。“过去IT或是云采购大部分是自上而下的，而AI的落地则是自下而上，业务一线的工作人员在自己的工作流程中把AI工具用好，实践做出来。”

可以看到，无论是拥有全栈AI技术体系的阿里云，还是完成了从SaaS转型为PaaS的飞书，都意识到了AI正在改变toB生意的逻辑。

我们试图从极兔这家物流企业的角度，窥探企业AI落地背后的选择与考量。

AI云厂商做元器件，企业做集成

与厂商期待AI加速落地不同，企业在实际运作中，更倾向于渐进式。“我们不是一次性地全量投入，而是渐进式，在一个阶段内找最重点、最急迫的问题，然后试点、打磨、升级、推广。”极兔AI团队表示。

极兔同许多大公司一样，内部系统无外乎外采与自研两种，而判断外采与自研，主要取决于投入成本、实际场景，以及是否关系到企业核心竞争力。作为全球化企业，极兔对于核心系统和应用都会倾向于自主研发，而在底层通用大模型服务上会更多依赖于外采。

在企业实际运作中，外采与自研的边界并不是那么泾渭分明，更多时候是以集成的形态出现。例如自动化设备的集成程度便很高。“物流行业发展很多年，自动化设备比较成熟，如条码、分拣、存取、GPS跟踪等系统，不同企业都会做一定程度的集成”。一位极兔人士表示。快递企业在成熟解决方案面前，没有必要“重复造轮子”。

而另一部分涉及到企业核心竞争力，或是市面上没有的系统，企业只能自研。一位极兔人士提到，“只是底层很多原子化能力会采用外部成熟方案。”这也是不少toB厂商强调“被集成”的根本动因。

例如影响快递公司效率的异常件识别系统，极兔通过自研或外采成熟的图像识别、OCR（光学字符识别）、人脸识别等方案，集成到自己的物流系统之中。再比如，涉及到核心关键的物流相关模型，尤其是垂域大模型，进行场景化的微调，亦是如此。

值得一提的是，企业对于一些高度集成后的PaaS产品，表现出了很高的兴趣。

过去几年，生成式AI吸引了不少企业关注，其中就包括市场营销部门。不论厂商将故事讲得多么美好，生成式AI在企业级市场中，仍然算不上尽善尽美。

一位极兔速递中国市场营销部编导表示，“在企业流程中我们要的是确定性，不管是生产场景，还是输出一个企业级宣传片，确定性对于企业来说是最重要的。”即便模型再好用，使用者Prompt能力再强，最后输出的片子仍有很大概率不可用。

视频生成大模型存在一个悖论，既要保持生成物料的审美一致性，同时得根据脚本节奏呈现出差异化特点，即便如此，到最后的商标环节，还是得靠“手搓”，或引入原片。“对于企业来说，商标的色号、形制都不能有丝毫问题。”

团队用拆解工作流的手段，解决了问题。他们将内容生产切割为N个节点，脚本生成、分镜生成、校验故事等环节都有对应的Agent，且调用的模型各不相同。在此基础上，又引入了一套由自己和第三方产品混合的Agent，对生成的物料进行整合。

在整个流程中，团队会根据实际生成效果，调用不同模型，通义、豆包、Deepseek、即梦等，海外市场因合规原因也会使用其他大模型。极兔方面表示，“我们会根据业务场景灵活使用自研AI平台或飞书平台，搭建智能体或工作流应用，引入AI后能让确定性更高。”

在企业上云的时代，不少厂商都使用混合云策略，存在一个体量不小的云下市场。而在AI时代，不少厂商也走向了混合模型，从而让一部分需求可以被Token计算，另一部分则完全无法计算。

一位阿里云资深市场人士测算，占比更高的中小企业主要是在云上训练，这部分能够参考Token消耗。而另一部分企业要么处于合规和安全，要么是企业IT能力强，这部分占比很高的需求情况无法计算，例如私有化部署和云下训练部分，“我们只知道他投入了多少在IaaS，却不知道调用了多少Token”。

无法被预计的部分确实在极兔的案例中频频出现。一位极兔人士告诉光子星球，公司在AI应用上采用混合技术策略。最终服务端的高频Token消耗，主要来自行业主流的模型调用，以满足大量通用需求。然而，在追求核心业务场景的定制化效果时，极兔的研发中心放在了基于可微调基座模型，进行自主的模型精调与后训练。

通过这种方式，极兔得以构建私有化的专属模型，而非仅仅依赖商业API调用。

AI落地的KPI：性能、效果、成本

去年年中，世界人工智能大会公布了一组数据，截至去年7月，全球已发布大模型3755个，其中1509个来自国内公司。

以生成式AI为代表的大模型，处于超供给的情况下，在需求侧却出现了以决策式AI为代表的中小模型短缺。根据极兔方面的实践来看，当前阶段，企业对于中小模型的需求高于大模型。一部分原因是通用模型无法解决垂直场景中的问题，企业需要在垂直场景中能用的AI。

“一些核心场景的延迟要求很苛刻，可能要20毫秒以内，且调用非常大，现阶段只能用小模型来解决。”极兔方面提到，在下单时生成电子面单必须依赖小模型，而使用大模型的场景主要集中在对延迟要求没有那么高，涉及到语义理解的场景，像AI助手、智能客服、经营分析等。

实践不仅让极兔很早就意识到了大模型与中小模型的差异化，甚至在不断积累之下，已在使用AI改造自己的核心能力。

据悉，集团正在构建物流AI决策大脑，该系统的目的是整合揽收、中心操作、运输、末端、客服等原本独立性相对较强的环节，提升环节间的协作能力，从而为集团整体提效。而在这个过程中，极兔自然而然地很清楚，到底在如此多的模型中，自己应该用什么模型。

评估模型，企业不会关注模型厂商的参数，而是看业务反馈。具体流程是业务部门提出需求，然后极兔技术团队会基于业务场景和需求做调研与测算，评估ROI。评估通过之后，需求部门和产研部门会对齐。

整个过程中，有三个核心评估指标，分别是效果（准确性）、性能（响应时间）、成本（价格）。

以知识问答为例。极兔会首先测试不同模型的性能，关键信息抽取准确性，例如全球各地的地理实体、人名、邮编。这是一个刚性指标，通常要求高于95%以上才能入候选池。

由于调用量往往会非常大，因而还会增加响应时间。极兔AI团队表示，“DeepSeek的准确性非常好，但因为太慢了，所以在这个环节上可用性较低。”

效果与性能在整个评估环节中起决定作用，能覆盖两个核心需求，且领先其他模型，便会最终应用。照理来说，微利的快递物流行业会非常关注成本，但因为2024年以来，Token价格持续下跌，成本在决策天平上的权重已让位于性能与效果，企业对于成本的首要顾虑得以缓解，从而更倾向于应用领先的技术模型。

从该案例可以看到，企业对于模型的选用带有典型的“可插拔”特点，随着业务变化而随时更换。

尽管极兔对于AI落地持渐进式思维，但集团对于AI的投入力度很大，面对业务与技术同时处于频繁迭代的现状，企业预算随之变得较为弹性。

以2025年预算为例，集团按照物流AI决策大脑的蓝图，为十余个业务制定了对应的预算规划。与此同时，还设置了一个或季度，或半年度的滚动机制。当突然发现新需求，或是新技术后，集团内便会立即调研、测试，将前述流程跑一遍，只要符合流程便会立即上报。

厂商包不圆的异构

去年年底，海外谷歌Gemini 3、GPT 5.2陆续发布，国内如火山引擎发布了豆包大模型1.8，阿里通义大模型体系持续迭代，企业在实际应用中其实比模型厂商有更多有效反馈。

“年底这一轮迭代后，模型的数学推理能力急剧增强，但是存在过拟合的问题。”极兔AI团队表示，过分追求测试集的评测，导致企业在落地过程中发现了比较严重的幻觉和不准确的问题。因此，企业不得不将更多精力放在基于文档的知识问答、通过工程化手段提升准确性，以及基于上下文的任务规划能力上。

某云厂商人士承认，虽然模型厂商都号称百万级，但各种原因使得实际上给企业的文本上限不过3万，限制了AI在厂商业务中的落地情况。

Manus在2025年崭露头角，只因做了任务规划这一件核心事情，借助大模型的任务规划能力去精准调用各个工具。但是再好的解决方案，在3万的Token上限面前，仍是“巧妇难为无米之炊”。

上下文的限制，不仅是企业当下最头疼的问题，也是导致以决策式AI为代表的小模型盛行，而以生成式AI为代表的大模型产品在B端遇冷的一个重要原因。从这个角度来讲，飞书这类协同工具在去年吃到的红利，或多或少便是给了企业一个大模型难以垂直应用的解决方案。

技术路线再是美好，真正落到现实情况中总会走样。

“我们用的云服务和模型比较多，各个厂商都会有销售代表或解决方案代表常驻企业，而且不光是大模型，还有云基础设施的存储计算厂商。”一位极兔人士在闲聊中透露出的信息，揭示了混合云与混合模型业态下的众生相。

从极兔这个案例可以肯定的是，单一的云服务和AI厂商不可能将一家企业包圆。这既有技术、服务能力的考量，也有安全与合规的因素，现实之所以与理想有差异，原因便在于理想的动因只有技术，而现实的动因千万个。

大厂们真正需要思考的问题是，企业级应用的混合模型趋势，导致IaaS、PaaS、MaaS层将长期处于异构情况下，如何为企业创造真实价值。

异构的不止是技术，商业世界中从来如此。

微信号｜TMTweb

公众号｜光子星球

别忘了扫码关注我们！