作者 | AICon 全球人工智能開發(fā)與應(yīng)用大會(huì)

策劃 | 李忠良

編輯 | 宇琪

在數(shù)字化浪潮席卷全球的今天，AI 正以前所未有的深度和廣度融入企業(yè)發(fā)展的脈絡(luò)之中，成為驅(qū)動(dòng)創(chuàng)新與增長(zhǎng)的核心引擎。那么，如何通過 AI 技術(shù)發(fā)現(xiàn)新的商業(yè)與增長(zhǎng)機(jī)會(huì)？又如何利用 AI 實(shí)現(xiàn)更高效的用戶拉新、留存與轉(zhuǎn)化呢？

近日 InfoQ《極客有約》X AICon 直播欄目特別邀請(qǐng)值得買科技 CTO 王云峰擔(dān)任主持人，和阿里巴巴高級(jí)技術(shù)專家梁筱武、彩訊股份 AI 產(chǎn)研部總經(jīng)理鄒盼湘一起，在AICon 全球人工智能開發(fā)與應(yīng)用大會(huì) 2025 北京站即將召開之際，共同探討企業(yè) AI 提效實(shí)戰(zhàn)復(fù)盤。

部分精彩觀點(diǎn)如下：

• 如果沒有幻覺，就沒有創(chuàng)造力。我們必須接受這種跳脫，同時(shí)用工程化手段將其控制在合理范圍內(nèi)，才能得到我們需要的結(jié)果。

• 在所有類型的 Agent 中，數(shù)據(jù)治理始終是大模型工程的前置關(guān)鍵環(huán)節(jié)。

• 項(xiàng)目一號(hào)位必須具備將底層 AI 能力包裝成用戶可感知、可理解、可使用的產(chǎn)品功能的能力，并能與業(yè)務(wù)部門溝通、熟悉客戶場(chǎng)景和業(yè)務(wù)流程，從中提出 AI 需求。

在 12 月 19-20 日將于北京舉辦的AICon 全球人工智能開發(fā)與應(yīng)用大會(huì)2025 北京站上，我們特別設(shè)置了 【AI 驅(qū)動(dòng)的提效與增長(zhǎng)實(shí)踐】 專題。該專題將探討面向 AI 場(chǎng)景的技術(shù)適配與架構(gòu)演進(jìn)，展現(xiàn) AI 如何重塑企業(yè)流程、驅(qū)動(dòng)創(chuàng)新與增長(zhǎng)。

查看大會(huì)日程解鎖更多精彩內(nèi)容：

https://aicon.infoq.cn/202512/beijing/schedule

以下內(nèi)容基于直播速記整理，經(jīng) InfoQ 刪減。

當(dāng)“小學(xué)生”遇上“博士生”

王云峰：我們先聊聊“模型使用”。百川的王小川總曾經(jīng)有個(gè)比喻，說現(xiàn)在的頂尖模型（像 GPT-4、Gemini 3）智商已經(jīng)達(dá)到了“博士生”水平。 但我個(gè)人的體感是：模型雖然是博士生，但我們給它搭建的工程環(huán)境、甚至我們給它寫的 Prompt，可能還停留在“小學(xué)生”水平。 這種“ 能力錯(cuò)配 ”，導(dǎo)致我們經(jīng)常覺得 AI 不聽話。在這一年的實(shí)戰(zhàn)中，你們?cè)诠こ躺鲜侨绾伟堰@個(gè)“博士生”的能力真正用好的？有沒有什么共識(shí)性的經(jīng)驗(yàn)？

梁筱武：基于我長(zhǎng)期從事 GUI 自動(dòng)化的背景，以及現(xiàn)在嘗試?yán)?AI 對(duì) GUI 進(jìn)行能力升級(jí)，我總結(jié)出三個(gè)方面的體會(huì)。

第一是要根據(jù)具體場(chǎng)景挑選基礎(chǔ)模型。GUI 操作本質(zhì)上更類似 RPA，它對(duì)視覺的 grounding 與推理方式，與語音或文本任務(wù)具有顯著差異。因此，在基礎(chǔ)模型的選型與組合上，我們做了大量探索，嘗試過國(guó)內(nèi)外多種模型，最終發(fā)現(xiàn)千問 3 在我們 GUI 場(chǎng)景中的推理效果表現(xiàn)較為突出。

第二是 Agent 架構(gòu)的設(shè)計(jì)。AI Agent 的架構(gòu)與傳統(tǒng)微服務(wù)工程體系并不相同，它需要從不確定性逐步收斂，而不是遵循固定流程。因此，如何通過工程化手段讓 AI 模型的輸出在可控范圍內(nèi)，讓這個(gè)“博士生”能夠與我們的系統(tǒng)進(jìn)行可控且有效的交互，是架構(gòu)設(shè)計(jì)的核心。

在 GUI Agent 中，我們采用了引入“裁判”角色的方式，在每一步操作加入裁判判斷，這是模型之外的關(guān)鍵機(jī)制。

第三是上下文工程，即過去所說的 Prompt 工程。由于我們不做基礎(chǔ)模型，頂多只會(huì)開發(fā)一些垂直的小模型，如分析類小模型或局部圖像識(shí)別模型，因此上下文工程成為實(shí)現(xiàn) AI 工程能力的核心。

王云峰：公司前段時(shí)間搞黑客松，很多同事反饋說，如果沒有從頭到尾完整地構(gòu)建過一個(gè) Agent，就不會(huì)真正意識(shí)到上下文工程的核心意義。我們無法把所有知識(shí)一次性塞給模型，但任務(wù)往往需要大量信息，如果上下文工程做不好，模型能力只能發(fā)揮一小部分。

鄒老師，B 端客戶的需求往往很死板，你們是如何通過工程手段（比如思維鏈 CoT），讓模型既發(fā)揮“博士”的智商，又遵守“小學(xué)生”的紀(jì)律？

鄒盼湘：在 B 端場(chǎng)景中，C 端與 B 端在 AI 應(yīng)用上差異很大。先談一個(gè)常被提到的大模型的“幻覺”問題。很多人認(rèn)為幻覺是負(fù)面的，但實(shí)際上正是因?yàn)榛糜X，模型才具備生成能力。如果模型毫無幻覺，它就只是背知識(shí)，無法產(chǎn)生新的內(nèi)容。

因此，我們會(huì)根據(jù)具體場(chǎng)景反推是否需要幻覺。絕對(duì)消除幻覺不可能，但我們可以決定何時(shí)需要降低幻覺。在創(chuàng)作類場(chǎng)景，如視頻營(yíng)銷面向不同用戶群體時(shí)，幻覺有助于生成更具想象力與多樣性的內(nèi)容；但在 B 端業(yè)務(wù)場(chǎng)景，我們通常需要盡量降低幻覺。

降低幻覺需要明確方法：降低的時(shí)機(jī)、方式，以及在降低幻覺的同時(shí)如何保持模型的“博士生”水平。上下文工程在降低幻覺方面至關(guān)重要，我們需要將專家經(jīng)驗(yàn)、工具 API 的執(zhí)行結(jié)果、插件結(jié)果、推理鏈等注入模型，以減少偏離。然而，僅靠上下文工程還不夠，因?yàn)榛糜X問題可能源自多個(gè)環(huán)節(jié)，例如知識(shí)檢索、推理規(guī)劃、工具調(diào)用或意圖識(shí)別等。在 B 端，我們無法接受黑箱式流程，因此我們提出了全流程可觀測(cè)、可控的方法。

可觀測(cè)分為三個(gè)階段。第一是意圖理解，不同用戶的問題清晰度不同，因此我們需要意圖澄清過程，確保獲取真實(shí)需求。澄清后進(jìn)入任務(wù)規(guī)劃階段，每一步的思考過程，包括使用的知識(shí)、調(diào)用的工具等，都需要打印出來，讓用戶看到模型的推理路徑。例如行程規(guī)劃，模型需要反復(fù)詢問時(shí)間、人數(shù)、交通方式、住宿偏好等信息，以確保規(guī)劃符合需求。

上線前，我們通過讓流程可觀測(cè)、打印每一步推理過程、注入上下文等方式，使模型盡量沿著預(yù)期路徑執(zhí)行。上線后，AI 應(yīng)用與傳統(tǒng) IT 應(yīng)用的最大差異在于邊界不明確。IT 系統(tǒng)的輸出是可預(yù)測(cè)的，但 AI 只能做到“預(yù)估”。我們可以把上線時(shí)的水平從 60 分提升到 80 分，但永遠(yuǎn)無法達(dá)到 100 分。上線后需要不斷通過迭代逐步從 80 分提升到 90、95 甚至 99 分，但依然不可能完美。

因此，我們必須通過工程化手段提前注入內(nèi)容、人為干預(yù)或補(bǔ)充等方式，處理模型無法覆蓋的部分。

AI 模型只是整個(gè)系統(tǒng)的一部分，而不是全部。因此，我們會(huì)增加許多配套模塊和管理工具，甚至?xí)谀承﹫?chǎng)景減少模型規(guī)模，降低其泛化能力，以提升可控性。有時(shí)我們會(huì)讓模型先生成規(guī)劃，再由人工校驗(yàn)，最終將規(guī)劃轉(zhuǎn)化為可控的路徑搜索流程。我們?cè)谛袠I(yè)內(nèi)做 Agent 時(shí)踩過很多坑，因此總結(jié)出 AI 落地應(yīng)滿足可觀測(cè)、可迭代、可控、可信、可集成的要求。這些要求也反向推動(dòng)交付團(tuán)隊(duì)與產(chǎn)研團(tuán)隊(duì)開發(fā)相應(yīng)工具與工程能力，從而支撐整體落地。

王云峰：無論 C 端還是 B 端，大家最后的認(rèn)知其實(shí)趨于一致：大模型的“智商”已經(jīng)很高，但僅有一個(gè)高智商的大腦解決不了問題，仍然需要大量知識(shí)及工程化能力的支撐，而許多知識(shí)并不在模型本體中。因此不能期待模型一次給出最終答案，而是需要用工程化手段保證其輸出可控。

模型的創(chuàng)造性、涌現(xiàn)能力來源于多樣性，而多樣性在今天被稱為“幻覺”。如果沒有幻覺，就沒有創(chuàng)造力。我們必須接受這種跳脫，同時(shí)用工程化手段將其控制在合理范圍內(nèi)，才能得到我們需要的結(jié)果。

數(shù)據(jù)的“上下文”缺失

王云峰：聊完模型，咱們聊聊“數(shù)據(jù)”，這是 AI 的燃料。在值得買，我們?yōu)榱俗?AI 做好消費(fèi)決策，必須給它看大量的用戶行為和社區(qū)內(nèi)容。這也是我推動(dòng) MCP（模型上下文協(xié)議） 的核心動(dòng)力：我希望解決 AI 和企業(yè)私有數(shù)據(jù)之間的“上下文”連接問題。但實(shí)話說，這個(gè)過程比想象中艱難。在你們的實(shí)踐中，讓 AI “讀懂”企業(yè)內(nèi)部業(yè)務(wù)邏輯，最大的絆腳石是什么？鄒老師，您在給 B 端客戶交付時(shí)，是不是得花大量時(shí)間幫客戶“洗數(shù)據(jù)”？如果客戶的數(shù)據(jù)爛到根里了，這時(shí)候是強(qiáng)行上 AI，還是勸客戶先把數(shù)字化重做一遍？

鄒盼湘：在實(shí)際落地過程中，許多客戶會(huì)提出疑問：模型已經(jīng)如此強(qiáng)大，為什么仍然需要數(shù)據(jù)？需要什么類型的數(shù)據(jù)？又該如何開展數(shù)據(jù)治理？要回答這些問題，需要從“為什么做數(shù)據(jù)治理”談起。

首先，模型往往無法理解企業(yè)自身的業(yè)務(wù)場(chǎng)景、流程和垂直領(lǐng)域的術(shù)語。例如，在運(yùn)營(yíng)商場(chǎng)景中，“套餐”指的是話費(fèi)套餐，但如果直接詢問模型“幫我定個(gè)套餐”，模型可能會(huì)理解成麥當(dāng)勞或肯德基的套餐。因此，在具體業(yè)務(wù)場(chǎng)景中，我們必須將企業(yè)的私域知識(shí)傳遞給模型，使其理解特定術(shù)語的真實(shí)含義。

此外，數(shù)據(jù)治理還關(guān)系到專家經(jīng)驗(yàn)的顯性化與傳遞。專家經(jīng)驗(yàn)通常體現(xiàn)為問題分析方法和處理流程，而模型依賴的是通用知識(shí)。如果缺乏專業(yè)知識(shí)的輸入，模型無法解決許多場(chǎng)景化問題。

例如在運(yùn)營(yíng)商的 10086 客服場(chǎng)景中，用戶可能咨詢套餐、攜號(hào)轉(zhuǎn)網(wǎng)等業(yè)務(wù)，而攜號(hào)轉(zhuǎn)網(wǎng)有嚴(yán)格的流程和條件要求，無法隨意辦理。過去在線客服往往長(zhǎng)時(shí)間也無法解決，而線下幾分鐘即可完成，就是因?yàn)槠渲猩婕皹I(yè)務(wù)系統(tǒng)調(diào)用、條件校驗(yàn)等信息，這些內(nèi)容若不提供給模型，模型便無法真正理解業(yè)務(wù)。

我們需要明確哪些數(shù)據(jù)需要治理，可以分為兩大類：一類是知識(shí)性數(shù)據(jù)，包括專家經(jīng)驗(yàn)、文檔材料、方案內(nèi)容以及結(jié)構(gòu)化的分析數(shù)據(jù)等。這類數(shù)據(jù)需要顯性化沉淀，通常以 PPT、Word、知識(shí)性數(shù)據(jù)可以通過兩種方式與模型結(jié)合：其一是將數(shù)據(jù)納入知識(shí)庫；其二是用于模型訓(xùn)練。如果用于訓(xùn)練，需要明確模型類型（如多模態(tài)或語言模型）以及訓(xùn)練階段（如 SFT、強(qiáng)化微調(diào)或?qū)R訓(xùn)練），相應(yīng)的數(shù)據(jù)格式、數(shù)據(jù)量與處理工具也不同，需要進(jìn)行清洗、去重、標(biāo)注、脫敏等工作。

如果知識(shí)進(jìn)入知識(shí)庫，則需要考慮數(shù)據(jù)來源、類型、更新機(jī)制、沖突處理與時(shí)效性管理。治理的重點(diǎn)集中在解析入庫、索引與召回階段，確保知識(shí)在被檢索時(shí)一致、有效且準(zhǔn)確。

另一類數(shù)據(jù)是生產(chǎn)過程中的數(shù)據(jù)，包括 API 調(diào)用記錄、系統(tǒng)日志、任務(wù)執(zhí)行鏈路等。這類數(shù)據(jù)有時(shí)會(huì)作為模型強(qiáng)化學(xué)習(xí)的素材，但更多情況下，會(huì)在實(shí)時(shí)推理時(shí)作為上下文提供給模型。在此過程中必須設(shè)置嚴(yán)格的約束，不能將所有數(shù)據(jù)直接暴露給模型，尤其在多 Agent 環(huán)境中，數(shù)據(jù)可能被模型錯(cuò)誤緩存并在不同代理間傳遞，從而造成跨權(quán)限的數(shù)據(jù)泄露風(fēng)險(xiǎn)。

例如，若財(cái)務(wù) Agent 獲取到企業(yè)財(cái)務(wù)數(shù)據(jù)并被模型緩存，而招聘 Agent 又在無權(quán)限的情況下訪問到這些緩存數(shù)據(jù)，就會(huì)引發(fā)嚴(yán)重的安全隱患。因此，在生產(chǎn)數(shù)據(jù)治理中，需要重點(diǎn)關(guān)注賬號(hào)體系、權(quán)限控制、隱私保護(hù)、數(shù)據(jù)脫敏，以及防范外部提示投毒等問題。

完成這些治理措施后，就需要進(jìn)行模型效果評(píng)估。評(píng)估可分為技術(shù)指標(biāo)和業(yè)務(wù)指標(biāo)兩類。技術(shù)評(píng)估包括準(zhǔn)確率、召回率、回答一致性與相關(guān)性等；業(yè)務(wù)評(píng)估則關(guān)注用戶增長(zhǎng)率、客服難進(jìn)率、銷售轉(zhuǎn)化率、用戶活躍度等關(guān)鍵指標(biāo)。這些業(yè)務(wù)數(shù)據(jù)的觀測(cè)與分析，是 Agent 持續(xù)迭代優(yōu)化的基礎(chǔ)。

Agent 能否持續(xù)迭代的核心驅(qū)動(dòng)力是 ROI，因此必須依賴這些上線后的數(shù)據(jù)來評(píng)估收益、定位問題是技術(shù)問題還是業(yè)務(wù)問題。此類數(shù)據(jù)治理屬于上線后的持續(xù)運(yùn)營(yíng)工作，而非 AI ready 階段的前置治理。

王云峰：梁老師，飛豬的 GUI Agent 是直接看屏幕的，這看起來好像繞過了“數(shù)據(jù)接口”的治理難題。這算不算是一種“逃課”？這種方式對(duì)數(shù)據(jù)的理解深度夠嗎？

梁筱武：在 GUI Agent 中，除了知識(shí)性數(shù)據(jù)，還有一個(gè)顯著的特殊性：圖形數(shù)據(jù)。GUI 的圖像數(shù)據(jù)如果不準(zhǔn)確，就會(huì)導(dǎo)致模型無法找到界面元素的位置。因此，圖像數(shù)據(jù)的質(zhì)量對(duì) GUI Agent 的效果至關(guān)重要。

為此我們做了大量工作。例如，在提供 GUI 數(shù)據(jù)時(shí)，我們必須設(shè)計(jì)大模型能夠理解的格式，這也是上下文工程的一部分。GUI 操作涉及“動(dòng)作空間”，包括點(diǎn)擊、拖拽等事件，而普通非 GUI 場(chǎng)景并不存在動(dòng)作空間的概念。因此，我們需向模型明確這些動(dòng)作的定義，使其能夠正確預(yù)測(cè)下一步動(dòng)作。

此外，在實(shí)際應(yīng)用中，模型的準(zhǔn)確率永遠(yuǎn)無法達(dá)到 100%，尤其在各企業(yè)存在大量非標(biāo)準(zhǔn)化、定制化 UI 的情況下。標(biāo)準(zhǔn)按鈕模型可以輕松識(shí)別，但企業(yè)自定義按鈕或特殊組件往往難以識(shí)別，因此我們必須通過數(shù)據(jù)灌入與示例教學(xué)幫助模型理解。例如，在處理某些上下滑動(dòng)組件時(shí)，我們需要明確告訴模型這是滑動(dòng)結(jié)構(gòu)，提供樣例以便其學(xué)習(xí)，與其他 AI 模型的訓(xùn)練邏輯類似。

同時(shí)，在 GUI Agent 中，我們還會(huì)對(duì)高頻操作場(chǎng)景采用 CAG（緩存式 LAG）等技術(shù)，對(duì)熱點(diǎn)圖形數(shù)據(jù)進(jìn)行專門處理，以提升識(shí)別與操作的穩(wěn)定性。總體而言，圖像數(shù)據(jù)的準(zhǔn)確性直接決定 GUI Agent 的執(zhí)行效果，如果模型無法識(shí)別圖形或進(jìn)行糾錯(cuò)，就無法實(shí)現(xiàn)高精度操作。在所有類型的 Agent 中，數(shù)據(jù)治理始終是大模型工程的前置關(guān)鍵環(huán)節(jié)。

是“真提效”還是“更累了”？

王云峰：老板們都在喊提效，但有時(shí)候一線員工反饋是“更累了”：以前自己寫代碼 / 寫文案，現(xiàn)在要給 AI 寫 Prompt，寫完還得復(fù)核，出了錯(cuò)還得背鍋。在你們的項(xiàng)目上線后，有沒有遇到過這種“越用越累”的情況？你們覺得，真正的“提效”拐點(diǎn)在哪里？

梁筱武：“員工是否感覺不累”，核心在于準(zhǔn)確率。我們?cè)跇?gòu)建 AI Agent 時(shí)始終要面對(duì)準(zhǔn)確率的問題。與傳統(tǒng)確定性的流程式工程不同，AI 是一個(gè)不斷將不確定性收斂的過程。如果準(zhǔn)確率較低，員工會(huì)缺乏信心，會(huì)覺得使用 AI 很累。以我們的 GUI Agent 為例，今年四月份準(zhǔn)確率只有約 40%，員工很難依賴它。

而到了九月份，我們將準(zhǔn)確率提升到 90%–95% 后，團(tuán)隊(duì)對(duì) AI 的信心顯著增強(qiáng)，也真正看到 AI 在提效上的價(jià)值。我們的 C 端業(yè)務(wù)目前已完全由 AI 接管，效率提升非常明顯。

第二個(gè)感受是工程體系和工具體系對(duì)提效的影響。在構(gòu)建 AI 工程時(shí)，需要配套調(diào)試工具、孵化工具、腳手架、Prompt 模板庫等基礎(chǔ)設(shè)施，讓員工能夠直接使用，而不用花時(shí)間處理和 AI 本身無關(guān)的技術(shù)細(xì)節(jié)，這與過去流程式架構(gòu)的工具建設(shè)類似。

如果基礎(chǔ)設(shè)施齊備，整體開發(fā)效率會(huì)顯著提升。此時(shí)員工只需要關(guān)注 AI 的核心部分，如上下文工程、推理能力、圖像識(shí)別質(zhì)量或語言質(zhì)量等。一旦同時(shí)具備足夠高的準(zhǔn)確率和完善的工程工具體系，員工自然愿意使用 AI，也能在實(shí)際業(yè)務(wù)中真正提升效率。

關(guān)于“AI 是提升效率還是讓人更累”這個(gè)問題，我認(rèn)為兩者是并存的。首先，AI 的確顯著提升了效率，包括我個(gè)人在寫材料、做調(diào)研、分析、制定方案、項(xiàng)目管理和會(huì)議記錄等方面，都大量依賴 AI 工具，效率提升非常明顯。

但與此同時(shí)，我們也確實(shí)變得更累了。一方面，整個(gè)行業(yè)正處于技術(shù)轉(zhuǎn)型期，我們必須持續(xù)學(xué)習(xí)新技術(shù)、拓展認(rèn)知、補(bǔ)充知識(shí)，這本身就會(huì)帶來壓力。另一方面，雖然 AI 能替我們處理許多任務(wù)，但我們面對(duì)的整體工作量和復(fù)雜度也顯著提高了。以往做 IT 開發(fā)，需求明確，產(chǎn)出可量化，周期也較為可控。

但在 AI 時(shí)代，我們需要花大量時(shí)間驗(yàn)證效果、解釋現(xiàn)象、分析問題、不斷探索。以前開發(fā)一個(gè)頁面三天就能完成，而現(xiàn)在要把 AI 的準(zhǔn)確率從 80% 提升到 95%，所需時(shí)間幾乎無法預(yù)測(cè)。項(xiàng)目在估算成本和投入產(chǎn)出時(shí)的難度也比過去高得多，一旦有某個(gè)點(diǎn)無法突破，投入就會(huì)成倍增加，團(tuán)隊(duì)的壓力也隨之上升。

我認(rèn)為這種“更累”主要出現(xiàn)于當(dāng)前階段。未來，隨著我們對(duì) AI 的認(rèn)知逐漸清晰，業(yè)務(wù)流程被重新梳理，各類改造逐步完善，我們會(huì)逐漸進(jìn)入一個(gè)更輕松的階段。但目前我們?nèi)蕴幱谧钇D難的過渡期，大家都在尋找最優(yōu)路徑、沉淀工具、做好服務(wù)治理和數(shù)據(jù)治理，同時(shí)還要應(yīng)對(duì)算力基礎(chǔ)與模型本身的持續(xù)迭代。

王云峰：我想先引用一下我們?cè)谥辈ラ_場(chǎng)提到的一份報(bào)告，其中有些數(shù)據(jù)非常值得討論。這是 MIT 主導(dǎo)的一項(xiàng)聯(lián)合研究，主要評(píng)估當(dāng)前人工智能技術(shù)能覆蓋美國(guó)經(jīng)濟(jì)中多少勞動(dòng)力任務(wù)。他們提出了一個(gè)概念，叫“Iceberg Index”（冰山指數(shù)），意指我們通常看到的只是水面上的少部分，而大部分價(jià)值都在水下。

研究結(jié)論顯示，目前 AI 技術(shù)能力已可以覆蓋美國(guó)經(jīng)濟(jì)中約 11.7% 的勞動(dòng)力任務(wù)，涉及的薪資規(guī)模高達(dá) 1.2 萬億美元。但其中有一個(gè)反常識(shí)的發(fā)現(xiàn)：那些位于“冰山之上”的技術(shù)圈層任務(wù)，實(shí)際上只占約 2.2% 的勞動(dòng)力。如果只看到這些數(shù)據(jù)，可能會(huì)得出“AI 的沖擊主要集中在技術(shù)行業(yè)”的錯(cuò)誤結(jié)論。

然而，這項(xiàng)研究構(gòu)建了 1.3 萬個(gè)技能，并與 1.3 萬多個(gè) AI 工具進(jìn)行交叉匹配，最終發(fā)現(xiàn)：除了顯而易見的編程和創(chuàng)意類崗位之外，大量認(rèn)知型和行政型任務(wù)在技術(shù)上也已高度可自動(dòng)化。這些任務(wù)并非集中在技術(shù)密集行業(yè)，而是廣泛存在于金融審核、保險(xiǎn)理賠審核、物流協(xié)調(diào)、醫(yī)療行政管理、供應(yīng)鏈監(jiān)控等領(lǐng)域。

這些崗位并非技術(shù)行業(yè)，但卻支撐著現(xiàn)代經(jīng)濟(jì)的基礎(chǔ)。換言之，“冰山之下”的任務(wù)規(guī)模是“冰山之上”的五倍。從這份報(bào)告得出的關(guān)鍵結(jié)論是：真正取代崗位的不是 AI 本身，而是“更會(huì)使用 AI 的人”。

更進(jìn)一步問，隨著 AI 越來越強(qiáng)， 那些原本做基礎(chǔ)工作的人，他們的工作是被 AI 徹底替代了，還是被迫轉(zhuǎn)型了？ 作為技術(shù)管理者，兩位老師現(xiàn)在招人的標(biāo)準(zhǔn)變了嗎？你們更看重候選人的什么能力？

梁筱武：整體來看，AI 確實(shí)在這些領(lǐng)域發(fā)揮了作用，但我認(rèn)為崗位不會(huì)消失，而是會(huì)轉(zhuǎn)變?yōu)榻柚?AI 完成更高效的工作。例如原來做金融科目核對(duì)的人，未來可能會(huì)基于 AI 輸出結(jié)果進(jìn)行更深入的分析。

從技術(shù)研發(fā)的角度看，招聘標(biāo)準(zhǔn)也會(huì)有一些變化，但總體而言，軟件工程的基礎(chǔ)能力、架構(gòu)能力仍是招聘的核心，不會(huì)發(fā)生根本性變化?？赡軙?huì)新增一些加分項(xiàng)，例如具備 AI 工程相關(guān)能力、概率思維能力、效果評(píng)估能力等。與大模型交互的工程從來無法做到 100% 準(zhǔn)確，因此如何理解概率模型、如何讓模型的輸出收斂到更高準(zhǔn)確率，都會(huì)成為重要能力。同時(shí)，像基座模型效果評(píng)估、上下文工程評(píng)估等也都是加分項(xiàng)。

若能快速進(jìn)行評(píng)估、具備工具和方法支撐，自然能提升效率。還有一個(gè)當(dāng)下越來越重要的能力，是從業(yè)務(wù)場(chǎng)景中識(shí)別 AI 價(jià)值的能力。例如金融從業(yè)者需要從對(duì)賬走向數(shù)據(jù)分析，而對(duì)開發(fā)工程師來說，以往只需按照 PRD 完成功能開發(fā)，但今天我們的任務(wù)更像是一個(gè) AI 工程：要理解業(yè)務(wù)場(chǎng)景，找到適用的 AI 技術(shù)，并讓工程能夠與之匹配。如果能成功識(shí)別場(chǎng)景并找到適配技術(shù)，那么無論團(tuán)隊(duì)效率還是個(gè)人效率都會(huì)顯著提升，這也會(huì)讓工程師獲得很強(qiáng)的成就感。

鄒盼湘：我們面向 B 端，同時(shí)配置研發(fā)和交互團(tuán)隊(duì)，過去幾年也經(jīng)歷了多輪陣痛，因此在人員要求上做出了較大的調(diào)整。過去從需求、方案設(shè)計(jì)、開發(fā)到測(cè)試上線，流程清晰，但現(xiàn)在客戶往往不清楚從哪些場(chǎng)景切入、哪些值得做、做完需要怎樣的環(huán)境以及能達(dá)到什么效果，整體預(yù)期并不明確。因此，我們將項(xiàng)目的“一號(hào)位”從項(xiàng)目經(jīng)理調(diào)整為兼顧項(xiàng)目管理與產(chǎn)品設(shè)計(jì)的角色。他必須既理解業(yè)務(wù)、具備產(chǎn)品思維，又要懂戰(zhàn)略規(guī)劃，并掌握一定的 AI 基礎(chǔ)技術(shù)。

我們發(fā)現(xiàn)很多傳統(tǒng)項(xiàng)目經(jīng)理難以承擔(dān) AI 項(xiàng)目，因?yàn)樗麄兊墓ぷ鬟壿嫼茈y轉(zhuǎn)變。面對(duì)客戶提出的問題，他們往往不知道如何判斷需求是否合理，也缺乏對(duì)目標(biāo)、時(shí)間和成本的評(píng)估意識(shí)，容易導(dǎo)致團(tuán)隊(duì)內(nèi)部出現(xiàn)大量溝通與執(zhí)行層面的內(nèi)耗。

因此，我們要求項(xiàng)目一號(hào)位必須具備將底層 AI 能力包裝成用戶可感知、可理解、可使用的產(chǎn)品功能的能力，并能與業(yè)務(wù)部門溝通、熟悉客戶場(chǎng)景和業(yè)務(wù)流程，從中提出 AI 需求。同時(shí)，他還需理解主流 AI 技術(shù)，特別是 RAG 和 Agent，對(duì)其原理、能力邊界、適用場(chǎng)景及可達(dá)上限有清晰判斷，以確保項(xiàng)目能夠有序、高質(zhì)量地交付。

另一個(gè)關(guān)鍵崗位是測(cè)試工程師。傳統(tǒng)測(cè)試只需驗(yàn)證功能是否正確、能否跑通、是否有 bug，而現(xiàn)在測(cè)試必須具備業(yè)務(wù)理解和產(chǎn)品思維，參與全流程的質(zhì)量保障。從真實(shí)使用場(chǎng)景出發(fā)設(shè)計(jì)端到端測(cè)試用例及邊緣場(chǎng)景測(cè)試，不再局限于單個(gè) API 的驗(yàn)證。同時(shí)，他要站在用戶視角評(píng)估產(chǎn)品質(zhì)量與體驗(yàn)，能識(shí)別整體產(chǎn)品問題并提出優(yōu)化建議。

測(cè)試人員還需要具備風(fēng)險(xiǎn)意識(shí)，識(shí)別 AI 系統(tǒng)在特定業(yè)務(wù)場(chǎng)景下可能存在的風(fēng)險(xiǎn)，如隱私泄露、決策錯(cuò)誤及其他不可控問題。這些風(fēng)險(xiǎn)可能需要通過產(chǎn)品功能完善、架構(gòu)優(yōu)化或代碼設(shè)計(jì)調(diào)整來解決。此外，測(cè)試也必須具備良好的協(xié)作與學(xué)習(xí)能力，能與算法、開發(fā)和產(chǎn)品團(tuán)隊(duì)就缺陷及質(zhì)量風(fēng)險(xiǎn)達(dá)成共識(shí)。

在學(xué)習(xí)能力方面，我們要求公司全員具備 AI 能力，包括銷售、解決方案、交付和研發(fā)線條。公司為各類崗位提供了 AI 培訓(xùn)路線、學(xué)習(xí)資料與評(píng)估指標(biāo)。例如，測(cè)試人員需學(xué)習(xí)對(duì)抗性攻擊、大模型評(píng)測(cè)基準(zhǔn)、Agent 評(píng)測(cè)標(biāo)準(zhǔn)等，以補(bǔ)齊過去無法評(píng)價(jià) Agent 效果的短板。

對(duì)于前端崗位，過去只需根據(jù) UI 完成功能開發(fā)，而現(xiàn)在他們需要參與交互界面設(shè)計(jì)，提出創(chuàng)新的用戶體驗(yàn)，包括流式響應(yīng)、多模態(tài)交互、可溯源結(jié)果呈現(xiàn)等。在 AI 時(shí)代，許多產(chǎn)品界面將大幅簡(jiǎn)化，甚至可能只有一個(gè)對(duì)話框，交互在任務(wù)執(zhí)行過程中實(shí)時(shí)觸發(fā)。因此，前端需要思考何時(shí)呈現(xiàn)信息、以何種形式呈現(xiàn)、如何處理多任務(wù)并行等問題。

王云峰：AI 產(chǎn)品的開發(fā)與傳統(tǒng)開發(fā)在范式上有明顯差異，思路也完全不同。我們?cè)?jīng)遇到的問題是，如果研發(fā)人員缺乏強(qiáng)學(xué)習(xí)能力或?qū)π率挛锏慕邮苣芰?，無法判斷 AI 的優(yōu)勢(shì)與局限，而繼續(xù)沿用傳統(tǒng)確定性技術(shù)的思路進(jìn)行設(shè)計(jì)，往往無法勝任，甚至可能無法通過試用期。

因此，我們非?？粗氐囊稽c(diǎn)是候選人是否真正愿意使用 AI，并且在日常中頻繁使用 AI、具備一定判斷力，能形成真實(shí)的體感。只有這樣，在產(chǎn)品設(shè)計(jì)或開發(fā)過程中才能把握 AI 的特性與行為規(guī)律。其他崗位也同樣如此，廣泛使用 AI 對(duì)提升工作效率具有非常顯著的作用。

價(jià)值與終局——算賬與未來

王云峰：咱們俗一點(diǎn)，算算賬?，F(xiàn)在的 Token 成本、推理成本依然不低 。如果讓您給企業(yè)老板一個(gè)建議：什么樣的業(yè)務(wù)場(chǎng)景，是現(xiàn)在立刻、馬上就應(yīng)該用 AI 重構(gòu)的？什么樣的場(chǎng)景，建議“再等等”？

鄒盼湘：我認(rèn)為當(dāng)前的核心痛點(diǎn)主要集中在場(chǎng)景選擇與價(jià)值衡量。做場(chǎng)景選擇時(shí)要避免兩個(gè)極端：一是好高騖遠(yuǎn)，即在探索階段就嘗試對(duì)核心系統(tǒng)進(jìn)行 AI 化升級(jí)；一旦出現(xiàn)問題，后果難以承受。二是隔靴搔癢，即選擇極低頻的邊緣場(chǎng)景，雖然安全，但無法產(chǎn)生實(shí)際業(yè)務(wù)價(jià)值。

在場(chǎng)景選擇上，我們采用幾個(gè)評(píng)估原則。首先從業(yè)務(wù)價(jià)值出發(fā)，理想場(chǎng)景應(yīng)具備高頻、剛需和明確的付費(fèi)方。其次從數(shù)據(jù)就緒度評(píng)估數(shù)字化程度、知識(shí)結(jié)構(gòu)化程度及相關(guān)文檔沉淀情況。理想狀態(tài)下，數(shù)據(jù)已準(zhǔn)備充分，具備 AI 升級(jí)改造的基礎(chǔ)。

此外，還需關(guān)注容錯(cuò)空間，通過引入 human-in-the-loop 的人機(jī)協(xié)同模式，將錯(cuò)誤率控制在可接受范圍內(nèi)。如果某個(gè)場(chǎng)景既無人監(jiān)管，又屬于核心業(yè)務(wù)，則不宜在早期觸碰。

場(chǎng)景確定后，需要進(jìn)一步評(píng)估其價(jià)值。我們通常從兩方面衡量：一是總擁有成本，包括顯性成本（如 GPU 等硬件投入、Token 費(fèi)用）和隱性成本（如人力運(yùn)維、合規(guī)與風(fēng)險(xiǎn)成本）；二是價(jià)值機(jī)會(huì)，包括效率提升、體驗(yàn)改善和決策優(yōu)化。效率提升對(duì)應(yīng)降本省人，體驗(yàn)改善可能帶來提價(jià)或留存，決策優(yōu)化有助于規(guī)避風(fēng)險(xiǎn)。當(dāng)價(jià)值機(jī)會(huì)減去總擁有成本為正時(shí)，從 ROI 角度看，這個(gè)場(chǎng)景就值得投入。

梁筱武：目前還沒有一個(gè)能適用所有行業(yè)的通用方法來判斷“AI 該在哪個(gè)場(chǎng)景落地”。無論是 C 端、B 端、App 端還是機(jī)器人，各行業(yè)國(guó)內(nèi)外都在試驗(yàn)，各類應(yīng)用場(chǎng)景正處于“遍地開花”的探索階段。我的建議是采用快速迭代方式，小規(guī)模試點(diǎn)、小流量驗(yàn)證，持續(xù)大膽嘗試。

同時(shí)，企業(yè)需要具備與大模型類似的“快速反思能力”。在任何項(xiàng)目與產(chǎn)品實(shí)踐中，如果發(fā)現(xiàn)方向不對(duì)，要能迅速糾偏并切換到新的場(chǎng)景繼續(xù)驗(yàn)證。

從當(dāng)前的實(shí)踐來看，在“效率提升”這一方向已有大量成功案例。大模型在效率層面的優(yōu)勢(shì)非常明顯，商業(yè)效果則因應(yīng)用成本和場(chǎng)景不同而存在差異。在企業(yè)內(nèi)部，從簡(jiǎn)單任務(wù)開始試驗(yàn)通常最為穩(wěn)妥，例如使用數(shù)據(jù)分析類 AI 自動(dòng)生成日?qǐng)?bào)和周報(bào)，以替代重復(fù)性的文本整理工作，這類改造通常能取得不錯(cuò)的效果。

在更復(fù)雜的效果型場(chǎng)景，如 Agent 的探索方面，各家公司仍在不斷試驗(yàn)，目前還很難總結(jié)出普適的套路。但我認(rèn)為，可以大膽嘗試，并盡量貼近大模型的思維方式，將自身產(chǎn)品體系與底層模型能力深度融合。當(dāng) Agent 產(chǎn)品與大模型在認(rèn)知模式和工作方式上實(shí)現(xiàn)對(duì)齊后，其整體速度和迭代效率將顯著提升。

觀眾：如何精確匹配個(gè)人對(duì)商品的需求和商品信息？

王云峰：傳統(tǒng)搜索中，用戶輸入 query，系統(tǒng)從原始商品信息中進(jìn)行匹配，再由用戶判斷結(jié)果是否相關(guān)。后來出現(xiàn)推薦算法，通過用戶行為進(jìn)行預(yù)測(cè)，但這也容易形成“信息繭房”，因?yàn)橄到y(tǒng)會(huì)不斷強(qiáng)化用戶過往行為，使其接收越來越同質(zhì)化的信息。我們認(rèn)為，如果利用 AI 對(duì)全網(wǎng)數(shù)據(jù)進(jìn)行結(jié)構(gòu)化整理，可以打破這種局限。

AI 能理解用戶行為背后的真實(shí)需求。如果用戶提出一個(gè)意圖，我們應(yīng)充分利用其相關(guān)的身份信息去推斷更真實(shí)的需求。此外，商品信息往往并不完整，因此需要結(jié)合大量用戶描述、社交媒體內(nèi)容和公開資料，構(gòu)建對(duì)商品的完整表述，以判斷商品適用的場(chǎng)景。用戶的購(gòu)物需求本質(zhì)上是特定場(chǎng)景與商品適配性的匹配，通過完善商品與場(chǎng)景的描述，才能更好地實(shí)現(xiàn)人與商品之間的精準(zhǔn)匹配。

但現(xiàn)有數(shù)據(jù)質(zhì)量無法完全滿足這一需求，因此必須在前期進(jìn)行充分的數(shù)據(jù)預(yù)處理與治理，只有把數(shù)據(jù)打好底子，后續(xù)的匹配效果才能得到保證。

觀眾：鄒老師，您在給企業(yè)做 AI 應(yīng)用落地的過程中遇到的最難環(huán)節(jié)是什么？

鄒盼湘：這個(gè)問題很難回答，因?yàn)閺恼w架構(gòu)構(gòu)建、數(shù)據(jù)治理到賬號(hào)權(quán)限、安全等模塊都不容易。但如果一定要選最難的環(huán)節(jié)，我認(rèn)為是服務(wù)治理。B 端場(chǎng)景不是從零構(gòu)建新產(chǎn)品，而是要把 AI 與企業(yè)現(xiàn)有業(yè)務(wù)流程、業(yè)務(wù)系統(tǒng)和業(yè)務(wù)數(shù)據(jù)深度融合。過去我們做 IT 時(shí)，是物理世界與 IT 世界的融合；現(xiàn)在是 AI 與 IT 世界的融合。以我們?cè)谀暇W(wǎng)的智能問訴項(xiàng)目為例，過去制作數(shù)據(jù)看板和分析流程時(shí)，每一步都是人編碼定義，而現(xiàn)在需要實(shí)時(shí)動(dòng)態(tài)構(gòu)建，因此必須把原有流程知識(shí)化。過去系統(tǒng)由人操作，現(xiàn)在要實(shí)現(xiàn)人機(jī)協(xié)同，讓系統(tǒng)具備一定的思考能力，需要設(shè)計(jì)好人與系統(tǒng)共生的方式。

在企業(yè)項(xiàng)目中還會(huì)遇到系統(tǒng)數(shù)量龐大的問題。例如在線公司有十幾個(gè)業(yè)務(wù)系統(tǒng)、超過四萬個(gè) API。如何將這些 API 轉(zhuǎn)化為模型可調(diào)度的插件或 MCP 服務(wù)，并保證它們的性能、管理、注冊(cè)與監(jiān)控，都是服務(wù)治理中的關(guān)鍵難題。任何一個(gè)環(huán)節(jié)處理不好，都可能導(dǎo)致整體系統(tǒng)混亂。

觀眾：Agent 自主操作手機(jī)的模式會(huì)不會(huì)失控，讓設(shè)備擅自行動(dòng)？

梁筱武：如果 Agent 的準(zhǔn)確率和流程控制在可確定范圍內(nèi)，它是不會(huì)失控的。但由于 Agent 天然具有不確定性，不可能做到 100% 準(zhǔn)確。如果準(zhǔn)確率是 95%，那么剩下 5% 的不確定場(chǎng)景就需要通過風(fēng)險(xiǎn)前置方式來處理，包括在產(chǎn)品流程和技術(shù)實(shí)現(xiàn)層面進(jìn)行防護(hù)。例如，在 Agent 需要進(jìn)行規(guī)劃與推理時(shí)，一旦前序步驟出現(xiàn)錯(cuò)誤，我們應(yīng)該能夠快速終止流程，從源頭避免異常擴(kuò)散。

我們還可以在產(chǎn)品端加入流程控制機(jī)制，例如“閥門式”安全措施；在技術(shù)端加入可視化鏈路，甚至引入第三方裁判或監(jiān)督機(jī)制，對(duì)關(guān)鍵步驟進(jìn)行實(shí)時(shí)中斷。通過這些方式，可以有效規(guī)避 Agent 在不確定性場(chǎng)景中的風(fēng)險(xiǎn)。本質(zhì)上，這是關(guān)于如何設(shè)計(jì) AI 產(chǎn)品與技術(shù)體系，使那部分不可避免的不確定性得到妥善處理。

AI 重塑組織的浪潮已至，Agentic 企業(yè)時(shí)代正式開啟！當(dāng) AI 不再是單純的輔助工具，而是深度融入業(yè)務(wù)核心、驅(qū)動(dòng)組織形態(tài)與運(yùn)作邏輯全面革新的核心力量。

把握行業(yè)變革關(guān)鍵節(jié)點(diǎn)，12 月 19 日 - 20 日，AICon 全球人工智能開發(fā)與應(yīng)用大會(huì)（北京站） 即將重磅啟幕！本屆大會(huì)精準(zhǔn)錨定行業(yè)前沿，聚焦大模型訓(xùn)練與推理、AI Agent、研發(fā)新范式與組織革新，邀您共同深入探討：如何構(gòu)建起可信賴、可規(guī)?；?、可商業(yè)化的 Agentic 操作系統(tǒng)，讓 AI 真正成為企業(yè)降本增效、突破增長(zhǎng)天花板的核心引擎。