模型越来越强，企业AI为什么还卡在「最后一公里」？

编辑｜Youli

过去两年，大模型快速跃迁。

从百亿级参数模型，到复杂逻辑推理、多模态理解，到自主 Agent，技术边界不断突破，一切似乎都在宣告：AI 已经准备好接管一切。

然而，如果把视线从实验室拉回产业一线，一个反差正在出现：大量企业的 AI 探索仍停留在试点和演示阶段，并没有真正进入业务流程。

麦肯锡的研究曾指出，企业数字化转型长期面临「试点容易、规模化难」的挑战。

问题随之浮现：为什么一个能够完成复杂任务的 AI，进入企业之后却依然「不好用」？

答案可能并不在模型本身，而在企业固有的「顽疾」：数据丰富，却分散在不同系统和业务环节中；AI 应用能解决单点任务，却无法连接完整流程；老旧系统改造成本高；企业还要考虑安全、合规等现实约束……

最终指向同一个结论：企业 AI 的核心矛盾，正在从「有没有 AI 能力」，转向「AI 能不能低成本、低风险、高效率地嵌入现有业务流」。

而在这场转变中，有一个长期被低估的入口正在浮现 ——「通信」。

原因在于，企业大量业务围绕「沟通」展开，但电话中的需求、反馈和经验，过去往往随着通话结束而被留在线下交互中，难以进入业务流，也难以被 AI 理解和复用。

因此，相比推动企业进行大规模系统重构，当前更现实的路径是在已有业务体系之上，引入能够快速融合的轻量化 AI 能力，让智能化逐步渗透到真实业务现场。

基于这一判断，中国联通推出了联通云犀工作流智能体。它从企业每天已经发生的通信场景切入，将过去难以利用的沟通信息转化为可以被 AI 理解和使用的数据，让 AI 真正进入业务流程。

三个行业场景的真实卡顿：「通信数据正在沉睡」

理解通信为何会成为企业 AI 落地的重要入口，需要先回到真实业务现场。

在物流、金融保险、汽车销售等行业中，电话是连接企业与客户的重要方式，大量关键业务判断，就发生在一次次沟通之中。

首先是快递物流行业：看得到轨迹，却看不到问题原因

其实物流行业已经完成大量数字化建设，GPS 定位、电子面单、智能分拣等能力，让企业能够实时掌握包裹状态。但实际运营中仍存在核心痛点：站点失败揽收原因不明、投递成功率波动无法追溯。

原因在于，快递员每天与客户大量通话，沟通细节在挂断后全部流失。出现异常时，管理者只能看到抽象结果，既无法查明现场症结，更无法指导精细化运营。因此，企业真正需要的是通过大模型解析通话，定位问题根因，并辅助优化运营。

类似难题在金融保险行业也同样存在：「盲打式」外呼的转化困局。

金融保险行业每天产生海量外呼电话，但从触达客户，到理解需求，再到完成转化，中间仍存在效率瓶颈。

数据显示，相关案例中，企业人均每日外呼超过 120 通，但有效转化率不足 5%。大量时间耗费在空号拨测与机械重复上。销冠的应对策略无法被组织沉淀，而客户在通话中透露的预算、偏好等高价值通信数据随着通话结束而流失，导致新人培训长达数周，成单效率难以为继。

汽车销售也是典型场景：个人经验无法变成组织能力。

汽车销售高度依赖沟通判断，销售顾问需要快速判断客户预算、竞品关注和购买意向，并据此调整邀约策略，而这些能力往往来自长期经验积累。但经验难以复制，新人成长周期长。而市面上的 AI 工具往往要求额外手动操作或事后上传，容易打断原有沟通节奏，难以在销售发生的第一现场将个人经验转化为组织能力。

总的来看，三个行业，三个场景，却都指向同一个问题：通信数据持续产生，却没有进入业务闭环；AI 具备理解能力，却缺少连接业务动作的入口；员工积累了经验，却难以沉淀为组织资产。

但解决这些问题，并不意味着要重建一套全新数字化体系，经过多年数字化建设，企业已经形成复杂的系统和业务流程，大规模改造成本高、周期长。

因此，企业 AI 的「最后一公里」，需要一种更加轻量化的方式：如何在不改变原有业务方式的前提下，让 AI 理解通信数据，并自然融入下一步业务决策。

重新定义标准：轻量化 AI 平台至少要过这五道关

既然问题在于系统割裂、数据孤岛和流程脱节，那么解决方式就不应该只是增加更多孤立的 AI 工具，企业需要的是能够融入现有工作流的智能平台。

而在联通云犀看来，一套真正进入企业现场的轻量化 AI 平台，需要迈过五道核心门槛：

• 数据整合能力：连接企业已有系统和通信数据，为 AI 理解业务提供完整上下文，不需要像「推土机」一样推倒重建；
• 智能数析能力：通过大模型理解语音、文本等非结构化数据，将沟通内容转化为业务洞察，让沉睡的通信数据从「噪音」变为可分析的业务「信号」；
• 内容生成能力：根据业务场景生成标签、建议、报告和行动指引，让 AI 从理解走向辅助决策；
• 场景嵌入能力：低成本、免二次开发为目标，以底层通信为天然入口，在不改变员工操作习惯的前提下，将 AI「无感」内嵌到员工已有工作流程；
• 安全可控能力：满足企业对于数据安全、合规和规模化部署的要求。

联通云犀平台正是围绕这些需求打造。按照其系统架构设计，联通云犀以通信能力为入口，以数据能力为中枢，以场景化应用为载体，连接线上线下营销与服务流程，并进一步连接数据服务和业务系统。

换句话说，联通云犀不是为了「让通话声音更清楚」，而是进一步挖掘通话背后的业务价值，让每一通电话「对企业更有用」。

目前，联通云犀重点布局三类核心 AI 应用：

• AI 数析：帮助企业分析过去难以利用的通信数据。

通过大模型分析通信数据，提取用户需求、服务质量、业务趋势等信息，帮助企业从海量沟通中发现业务增长点。

• AI 助销：帮助销售人员提升成交率。

通过实时语音转写、知识推荐、客户标签识别等能力，让销售经验能够被沉淀和复制，并辅助后续营销跟进。

• AI 助手：帮助企业员工降低信息整理成本。

对企业员工提供通话、摘要、现场速记三类音频智能转写纪要与待办，一键串联生成事件，形成个人知识库，全面提升企业员工工作效率。

可以看出，从架构标准到产品矩阵，联通云犀探索的核心问题始终是：如何让通信数据进入企业业务流程。

而这套轻量化逻辑能否真正产生价值，还需要回到真实业务中验证。下面，就通过两个真实案例来展示联通云犀的轻量化思路是如何落地的。

落地验证，当「通话」成为数据起点

首先是快递物流行业，实现从「结果分析」到「原因定位」。

针对快递物流行业的核心痛点，联通云犀平台通过采集快递员与客户之间的沟通信息，帮助企业进一步理解业务现场。

通过大模型进行语义分析，企业可以发现失败揽收背后的原因、影响投递成功率的关键因素、客户反馈集中的服务问题等，并将分析结果实时推送至站点管理员，从而，过去隐藏在电话里的信息，开始成为运营优化的重要依据。

数据显示，某头部快递品牌在采用联通云犀的「AI 数析」方案后，签收类投诉显著下降，异常件响应时长从小时级压缩至分钟级。

在金融保险行业，则实现从「盲打」到「精准触达」。

针对外呼效率低、新人成长慢、客户意向判断依赖经验等问题，联通云犀围绕外呼前、中、后三个环节提供辅助：

• 外呼前：快速回顾历史沟通记录，给出沟通建议和开口话术，分析客户价值；
• 外呼中：AI 实时推荐话术节点，根据客户应答动态调整策略；
• 外呼后：自动生成「客户意向标签」。

数据显示，某团队人均转化率提升 2.3 倍，新人培训周期从 2 周缩短至 3 天。更关键的是，销售人员没有改变原有工作方式，AI 是在原有流程中提供辅助。

两个案例共同说明：企业 AI 落地的关键，并不是增加一个新的工具，而是在已有业务流程中找到 AI 真正能够发挥作用的位置。

企业 AI 真正进入深水区，拼的是「最后一公里」

如果把视野从具体的行业案例，拉长到整个商业数字化演进的纵深历程来看，中国企业的技术升级正在经历一场根本性的范式跃迁。

过去，企业数字化的核心命题是「业务有没有进入系统」，而在大模型快速发展、落地的当下，企业 AI 的命题已演变为「AI 能不能顺畅进入业务」。

模型能力继续提升当然重要，更大的模型、更强的推理能力，无疑会推动 AI 向前发展。但对于企业来说，更关键的问题是，AI 是否真正减少重复劳动？是否帮助员工提升效率？是否让经验可以复制？是否让管理更加精准……

而联通云犀探索的方向，正是将通信数据、AI 与业务流程连接起来，让 AI 从一个独立工具，成为企业工作流的一部分。

过去，通话是通信的终点。现在，通话是数据的起点。

当每一次通话都能被正确的解读和分析，成为推动业务决策的重要依据，通信就不再只是连接工具，而成为企业智能化的重要入口。

数据显示，历经 5 年系统化技术打磨，联通云犀服务超 6 万家企业、800 万用户。这一实践无疑表明：不依赖大规模系统重构，而是在真实业务现场中以轻量化方式引入 AI，正在成为企业选择用大模型提升价值的重要路径。

AI 时代，联通云犀想重新定义「打电话」这件事……