10个人加一套AI软件，做出100个人的增长：AI 时代企业服务的算账逻辑

“在我们的世界里，感受到的反而不是 AI 太厉害了，而是 AI 现在还不够聪明。”

硅谷最近在为一件事吵架：AI 是不是跑得太快了，要不要让它慢下来。有人甚至在讨论 RSI，递归自我改进，也就是 AI 参与研发下一代 AI。

我把这个问题抛给黄晓南的时候，她的回答和硅谷的焦虑完全反着来。

“在我们的世界里，感受到的反而不是 AI 太厉害了，而是 AI 现在还不够聪明。”

黄晓南是深演智能的创始人兼 CEO。这家公司 2009 年成立，做的是企业决策 AI 智能体，今年刚在港股上市，公司定位为港股“企业决策 AI 智能体第一股”。

她 2008 年写商业计划书时就放下一句话：未来，大数据和算法会改变营销。那是十八年前，OpenAI 还不存在。

我问她，如果通用人工智能满分 100 分，现在的 AI 能打多少。她说要分两块：日常生活和学习，90 分甚至更高；但企业级场景是另一回事。

这个比喻后来贯穿了整场对话。企业 AI 落地的几乎所有麻烦，都能从“涉世未深”这四个字里长出来。

FDE 这个概念最近很火，Forward Deployed Engineer，前线部署工程师，Palantir 带火的。简单说，就是把懂技术的人前置到客户的业务现场。

很多公司把它理解成了定制开发：工程师驻场，客户要什么就做什么。黄晓南说这是个误区。

转化成产品，就意味着要有标准化、要有复用性。所以 FDE 真正难的地方，是在“把问题抽象成产品”和“解决这个客户的具体问题”之间反复找平衡。会写代码远远不够。

国外一个厉害的 FDE 可能一个人就把这些事全干了。但她的实践是，在国内得拆成两个角色：一个 AI 产品经理，一个 AI 工程师，两个人搭档才顶得上。

为什么？因为 AI 时代客户的需求变了。过去客户能说清楚“我要一个 CRM，要这几个功能”，现在客户只能告诉你“我有这个痛点”。

从痛点到产品，中间隔着识别真假痛点、判断能不能产品化、再变成产品设计。这一条链路，靠一个驻场程序员是走不完的。

那懂业务的人和懂 AI 的人，谁更重要？她的答案没有一点犹豫：懂业务的人最重要。

“我们今天最大的输入方不再是技术。”过去做产品总要问架构师能不能实现，现在这类问题大幅减少，瓶颈全在业务理解上。她的量化是：业务理解占 60% 到 70% 的权重，AI 认知可能只占 30%。

顺着这个话题，她接着给了另一个判断。现在市面上有很多 OPC，也就是一个人借助 AI 干全活的“一人公司”，不少也挂着 FDE 的名号。她的看法是：

“至少在复杂 To B 场景中，单纯依赖技术能力的 OPC 模式可能难以长期成立。”

理由很直接：真正战斗力强的，是懂业务、有产品意识、对 AI 有一定认知的人，而不是只懂技术的人。

技术出身的 OPC，回到有真实业务场景、有业务专家和产品经理配合的环境里，战斗力会大幅上升。至少在企业服务这个市场，单打独斗解决不了问题。

我问她对 To B 创业者的建议时她说：

一个把 To B 做到上市的人说这话，得认真听。她的账算得很清楚：To B 服务的是中大型客户，门槛是一层一层的，数据合规能力、团队、有影响力的产品，而且大客户基本走招标，招标就意味着激烈的价格竞争。

这是“老兵”的游戏，吃的是多年积累的客户资源和行业信用。

那新人去哪？她说如果今天重新创业，她可能会选更 To C 的方向，比如短剧，或者用 AI 做面向消费者、能快速付费的产品。

这个判断值得所有想在 AI 时代创业的人抄下来：To B 的红利属于有积累的老兵，新人的机会在离钱更近的地方。

这两年 SaaS 公司集体焦虑，因为流行一种说法：AI 来了，软件不需要了，人人都能“手搓”一个自己要的工具。

黄晓南没有顺着焦虑走，她先把“软件”拆开了。过去的软件大概率就两个功能：一是固化流程，SAP、ERP、OA 都是把最佳实践沉淀成流程；二是让数据可见，各种 BI 和 Dashboard。

她认为过去 99% 的软件都能归到这两类里。

而她的判断是：这两类都会被 AI 重写。

他们这两年提出的叫法是 Agentic Software，智能体软件。它不靠把人的经验固化成流程，会自己形成打法、自己吸收数据、根据业务结果的反馈调整下一轮策略。

Dashboard 是让你“看”，Agentic Software 是直接给出洞察、指导行动，甚至去操作其他系统。

“未来的智能体软件就像一个看不见的机器人。”

但它依然是软件，因为它还干着软件的底层活儿：连接企业数据、连接系统之间的流程、管数据权限和用户体系。CRM 里记录会员和交易的 System of Record，这个底座不会因为 AI 消失。

会变的是上面的决策层：过去“什么时间给哪个会员发什么券”靠人配置规则，以后这件事由系统自己决策，再根据核销结果持续优化。

所以“AI 吃掉软件”这个说法只对了一半。软件这个形态不会死，会被淘汰的是“固化流程加看板”这一种软件。

模型能力还在涨，这是事实。那模型会不会把企业服务商的活儿也吃掉？

她的答案是不会，因为有三样东西大模型天然拿不到：企业自己的数据、企业内部的知识、企业真实的工作方式和工作流。

没有这三样，那个“博士生”放到重要岗位上会怎样？她的原话是：一本正经地胡说八道。

幻觉是企业 AI 最大的问题之一。她举了个例子，他们有个分析用户反馈的产品，最基础的工作是给海量评论打标签，有的客户一天上百万条数据，光靠保证标签准确，就得多模型、多智能体配合着干。

这个基础打不牢，上面的业务决策全是空中楼阁。

数据怎么给模型也是门手艺。她的做法是不把原始数据直接透传给大模型，而是给元数据、数据结构和加工后的上下文。这样既用上最强模型的能力，又把企业的核心数据留在自己手里。

专门私有化部署一个能力更弱的小模型，她明确不鼓励：先把基础能力削弱了，整套应用就不可能做到最好。

至于那些沉淀在“老师傅”脑子里的经验，比如金牌销售的话术，大多数企业根本还没整理出来。她给了一个对比：最好的销售和最差的销售，话术差异可能带来成倍的业绩差距。

把这些话术抽象出来，他们在 FDE 前面还配了业务顾问，专门干这件事。知识散落在 PPT、视频、Excel 里，把它们抽出来、连起来，本身就是一个庞大的工程。

“大家对 AI 在企业落地这件事还是要有敬畏。它不是简单‘手搓’一下，或者问大模型几个问题，就能得到企业真正要的东西。”

聊了这么多乙方的难处，我问她现在最大的卡点是什么。她的答案指向了甲方。

第一个卡点，是客户能不能把自己的痛点讲清楚。很多人能讲出痛点，但讲不清这个痛点解决了到底能带来多大变化。

她经常跟甲方说：“今天你不需要很懂 AI，但你要足够懂自己的生意。”然后她会追问一句：把生意切成 100 份，你能不能准确挑出其中最重要的 5 份？

就是那 5 份一旦提升、整个生意都会变的部分。这件事得跟 C-level 聊，跟能看全局的人聊。

她举了个例子：一家增长很快的零售企业，店员效率已经很高，他们真正想要的是让 HR 和财务更快地回答内部员工的问题，因为公司在大量招人。

换一家车企，答案又完全不同，对方只想卖车。每个企业都得自己找到 AI 能真正发力的那个点。

还有一种甲方更难办：内部人的主要工作是管理代理商，自己不作业，就很难知道 AI 该用在哪。她有个说法，叫“谁作业，谁发言”。长期把活儿外包出去的企业，至少要在策略层面重建自己用 AI 做判断的能力。

AI 时代人要保留什么能力？她列了三件：判断，分得清 AI 给的东西好不好；taste，有足够高的标准告诉 AI 什么叫好；take risk，AI 能给选项，但永远不会替你承担后果。

这三件事，本质上都是一种决策能力。

关于“AI 会不会取代人”，她的表述很干脆：AI 不会替代企业里绝大多数人，但“会用 AI 的人替代不会用 AI 的人”，这件事已经非常明显。

她公司的工程师不会因为 AI 能写代码就被淘汰，但团队会越来越偏向擅长用 AI 的工程师。

她还补了一个视角：AI 落地天然是“一号位工程”。普通员工最关心的不是企业效率提高了多少，而是“用了 AI 对我有什么影响”，能让他业绩更好就欢迎，让他觉得饭碗危险就抵触。

这个结，只有一号位能解。所以那些落地比较成功的公司，基本都是创始人和一把手亲自扎进去，而不是吩咐下面的人“去用一下”。

最后聊到商业模式，这部分她谈钱谈得毫不遮掩。

企业为两类东西付钱：产品和服务。AI 公司的机会是两头都做，他们内部叫 Agentic Software 和 Agentic Service。

客户想买软件自己用，就卖软件；客户说“我不想买软件，你直接给我结果”，就用自己的软件把服务交付掉。

AI 让这件事变得顺理成章。过去交付一个搜索营销服务可能要招 200 个人，现在用一串连起来的智能体，也许十分之一的人就能干完，而且考核的 KPI 应该比过去 100 个人做得更好。

用她的话说：“过去需要 100 个人，现在可能只要 10 个人，因为剩下 90 个人做的很多工作已经由智能体软件完成了。”

软件怎么收费？License 加训练实施费，而且训练实施那部分通常更高。原因是标准产品做出来最多 70 分，落到每个客户那里还有另外 30 分：数据不一样、标签体系不一样、要连接的系统不一样，这 30% 必须在客户现场完成。

FDE 的工作因此是双向的，一边把产品落到客户，一边从客户嘴里聊出新需求，反哺产品。

她判断一个产品值不值得做，标准就两条：要么把原来 60 分的事做到 100 分，要么做原来从 0 到 1 做不了的事。

还有一个定位上的取舍。他们的口号叫 AI for Growth，理由是：如果企业用 AI 只是为了省人，省 10 个人一年省 1000 万，价值到这就封顶了。但帮企业增长，上限是不封顶的。

而且她反复强调，提效要提到刀刃上，让 60 分的人变 80 分之外，一定要让 100 分的人做到 120 分。否则最有产能的那批人不会买账。

如果今天是一个没有客户资源、没有组织的创业者，最该想清楚什么。

“你做的事情不能轻易被大模型吞噬。”

过去几年有无数公司融到钱、发展也不错，但做的事一旦被大模型的能力直接覆盖，就很难走下去。

判断的方法她给了一个说法：要找到和大模型的垂直关系，而不是平行关系。大模型变强，你就水涨船高；它变强就把你盖过去，那是站错了方向。

这个道理，其实也是对整场对话的收束。AI 很强，但在企业里它依然涉世未深。能填上这个落差的，是懂业务的人、整理好的数据和知识、还有愿意给你真实场景和反馈的客户。模型的强弱，反而排在后面。

她自己给这种心态起了个名字：

她公司 2024 年决定 All in AI 智能体，那时候 DeepSeek 还没出现。为什么叫信仰？因为落地过程中幻觉、能力锯齿，也就是有些地方很强、有些地方很弱，都是家常便饭，很多企业试了一把智能体，发现问题一堆，就直接下结论“不行”。

可大模型的能力一直在迭代，上周还觉得做不了的事，这周可能突然就成立了。用两周前的结论给 AI 判死刑，是今天企业最容易犯的错误。

只是信仰不能当饭吃。

信仰加账本，才可以。

嘉宾

深演智能创始人兼 CEO 黄晓南 Grace

对谈

吴畏

吴畏：最近有个讨论挺热：AI 发展是不是太快了，甚至有人开始讨论 RSI，也就是递归自我改进——AI 参与研发下一代 AI。硅谷也有一些声音认为应该稍微慢下来。Grace 有留意这些讨论吗？

黄晓南 Grace：其实生成式 AI 这一波从出现开始，就一直伴随着这样的担心和讨论。因为我们是做企业级 AI 的，企业级 AI 一直强调安全、各种防护，以及数据的私密和加密保护。所以在我们的世界里，感受到的反而不是 AI 太厉害了，而是 AI 现在还不够聪明。

吴畏：如果假定通用人工智能是一个 bar，满分大概是 100 分，你觉得现在 AI 的水平大概是多少分？

黄晓南 Grace：我觉得要分两块。如果是日常生活、学习，我觉得 AI 确实已经可以达到 90 分，甚至 90 分以上。但是在企业级场景里，我经常用一个比喻：今天的 AI 相当于一个刚毕业的博士，无所不知，也很聪明，但是涉世未深，干什么事儿可能都差点意思。这是我对它的定义。

吴畏：FDE 这个概念最早是被 Palantir 带火的。它是 Forward Deployed Engineer，通常翻译成前线部署工程师。我的理解是，把一个懂 AI、懂技术的人前置到客户业务场景里。为什么现在 FDE 会变成企业 AI 落地的一个重要切入口？

黄晓南 Grace：对，F 就是 Forward，就是前置。最近确实很多公司都在找 FDE。先讲 Palantir 比较官方的逻辑。

Palantir 早期服务国防、政府等高安全要求场景，很多内部数据不能离开客户环境。我们公司过去服务大型企业时也遇到过类似要求：数据不能离开客户环境。这是 FDE 出现的一个前置条件。

第二件事情，我觉得国内有一个很大的误区，就是把 FDE 理解成定制化：好像工程师去客户那里，给客户量身定做一个东西。其实不是。FDE 很重要的一件事，是把客户的问题转化成产品。

吴畏：转化为产品。

黄晓南 Grace：对，转化成产品。而产品就需要具备一定程度的标准化。所以 FDE 一个非常重要的工作，就是在“把问题泛化、抽象成产品”和“解决客户实际问题”之间不断平衡，这非常难。它不是把过去做定制开发的工程师换个名字叫 FDE。核心要求是把问题转化成产品。

第三件事情，国外对 FDE 的综合素质要求非常高，不是光会写代码就可以。在国内，至少以我们这些年的实践来看，我们现在把它拆成两个职位：一个叫 AI 产品经理，一个叫 AI 工程师。这两个人搭档，才有可能把 FDE 的工作做掉。

所以这是我们对 FDE 的理解，也是我觉得需要先澄清的地方。

吴畏：明白。那所谓的 AI 产品经理做什么，AI 工程师又做什么？

黄晓南 Grace：如果把 FDE 的工作拆一下，第一件事情就是理解真正的业务挑战和业务场景。过去这件事通常由产品经理来做，有些做纯定制的公司会叫需求分析师。但如果是纯定制，需求分析师分析完以后，设计出来的东西就留在客户那里，只能给这一个客户用，对吧？

对。但我刚才讲了，FDE 的使命是把解决问题的方法变成一个产品，所以这个时候需要有产品经理背景的人把它产品化，这是第二步。第三步才是找工程师把它实现。

只不过到了 AI 时代，实现这一段发生了变化。现在大家用 AI、用 vibe coding，解决问题和产出的能力得到了极大的提升。

第二个变化是，客户需求和产品之间的 gap 反而变大了。传统软件时代，客户可以告诉你：我要一个 OA 系统、一个 CRM 系统，我要这个功能、那个功能。但今天 AI 时代，客户往往说不出这些，他只能告诉你：我有什么痛点，我要解决什么问题。所以对 AI 产品经理的要求非常高。

因为它不能简单地把需求变成一个功能。它要真正理解客户的痛点，把真的痛点和假的痛点区分出来；然后基于真的痛点，判断能不能用产品化的方式解决，并把它转换成产品设计。这个过程都是 FDE 要做的事情。

在美国，也许能找到一个很好的 FDE，一个人就把这些事干了；但在中国，至少到目前为止，我们还是比较难找到这样的人才。所以这是我们对 FDE 的理解。

吴畏：我听上去大概有三段：第一段是听懂客户需求，消化并理解；第二段是把它产品化；第三段是把它实现。中间这个产品化已经不像过去的软件定制了。过去可能做完一套代码就交走，是交钥匙工程；但产品化意味着，它似乎还能用到其他客户那里？

黄晓南 Grace：当然。当我们说产品化的时候，就一定意味着它具备复用性。或者说，我们解决的不是这个客户的单一问题，而是一个普遍问题。

我们一直服务大企业，也是做数字产品出身，所以一直在找这个解法：什么样的模式、什么样的人才，能够既不完全定制，又不固守自己的标准产品。这个平衡在 AI 时代更有挑战，但也更重要。所以今天理解 FDE，就很容易理解它存在的必要性。

吴畏：一定程度上，我感觉产品经理这个角色特别关键。那您觉得，懂业务需求的人更重要，还是懂 AI 的人更重要？谁更适合去到客户那里？

黄晓南 Grace：这是一个很好的问题。我们也在不断摸索和试错，到现在为止，我们的结论是：懂业务的人最重要。

因为 AI 时代发生了几个变化。一个是编程和产出解决方案的方式发生了变化；第二个是，我们今天最大的输入方不再是技术。原来做产品，我们经常要问架构师这个能不能实现、那个能不能实现，现在这类问题已经大幅减少了。最大的输入反而来自业务。

但甲方的业务团队通常没有产品意识。他可能会给你很多业务需求、很多场景，可如果你听不懂业务，比如在美妆行业，你连 BA，也就是 Beauty Advisor 的工作是怎么开展的都不理解，那这个产品一定解决不了业务问题。所以这一段在我们今天看来，占 60% 到 70% 的权重。

还有一个很大的挑战是，很多客户会把自己对解决方案的设想也当成需求，比如直接说“你帮我做一个这样的工具”。但这不一定是对的。产品经理还要反过来问，跟他探讨更底层的业务逻辑。如果 AI 产品经理，或者我们这样组合出来的 FDE 团队，不能跟客户讨论底层业务逻辑，这个产品大概率是没有生命力的。

吴畏：它很难把这些东西收敛成一个对的产品，但同时又需要一定程度的可定制。最近我看到全国有很多 OPC，有些 OPC 也把 FDE 当成自己的工作。我自己会有一个问号：一个个体去到企业里，真的能够完整地帮客户解决一个具体问题吗？你怎么看？

黄晓南 Grace：我们公司最近招的一些员工，过去几年也尝试过做 OPC。我们看到，OPC 一般还是技术背景比较多。AI 出现的时候，最兴奋的人往往也是技术人员，会觉得有了 AI，好像无所不能。

但我们现在发现，真正战斗力更强的，是懂业务、又有产品意识，同时对 AI 有一定认知的人。AI 的认知可能占 30%，但业务和产品能力更关键。

所以很多技术出身的 OPC，回到有真实业务场景、有业务专家和 AI 产品经理一起工作的环境里，战斗力会大幅上升。基于这个观察，我个人认为 OPC 这个概念可能是一个短期的、昙花一现的概念。

至少在 To B 市场里，真的要帮企业解决问题，对服务公司的端到端能力要求，其实比过去做软件、做传统 IT 服务高得多。

黄晓南 Grace：为什么我能聊这个话题？因为我们从 2008 年写商业计划书算起已经 18 年，公司是 2009 年成立的。当时我在商业计划书里写过一句话：未来，大数据和算法会改变营销。

大家可以想一想，今天我们说 AI，并不是 2022 年 OpenAI 出现以后，这个世界才有 AI。AI 一直是产业希望使用的一种技术，背后就是用数据和算法改变做事情的方法。

因为我本人的背景是在宝洁和麦肯锡，所以我一直都在用数据解决营销问题、解决企业决策问题，这也决定了公司的基因。2019 年我们升级为深演智能，公司定位叫“AI 赋能决策”，英文名是 DeepZero。这个名字来自 Deep Learning 和 AlphaZero。

今年我们也登陆港股，成为我们所说的“企业决策 AI 智能体第一股”。这也很准确地反映了我们对这一波生成式 AI 的认知：有了 Agent 这样的能力，再结合之前的数据和算法能力，我们能够更好地赋能企业的营销和销售决策。简单来说，这就是我们十几年的发展史。

现在刚好是 AI 智能体、或者说 AI 应用在企业商业化的一个很大的窗口期。我们也算赶上了这一波，当然压力也很大，要不断发展自己的业务。

但现在确实能感觉到一种供不应求的需求局面：所有企业都非常希望找到用 AI 赋能自己、提升经营能力，甚至实现弯道超车的方式。所以过去几年，我们一直在用 Agent 帮企业落地，也踩了很多坑，积累了很多实践。

这个基因就在这里。我一直在说，做 AI 的公司，必须在某一个领域里有专业积累。到了 AI 时代，这一点我觉得变得比单纯的技术积累更重要。

吴畏：这两年也有很多新公司因为生成式 AI 进入 To B。站在一个做了很多年企业服务的公司的角度，你怎么看今天再创业做 To B 这件事？

黄晓南 Grace：如果是现在重新创业，我其实会建议尽量避开 To B 赛道。因为 To B 有几个特点。第一，我们服务的都是中大型客户。

中国优质的大客户很多，但服务门槛也非常高：要有数据合规能力，要有很强的团队，要有有影响力的产品，而且很多客户基本都是通过招标完成采购，这里面还有非常重要的价格竞争。

所以如果我今天重新创业，我可能会选择更 To C 的方向，比如短剧，或者用 AI 做一些面向消费者、能够快速付费的产品。To B 反而更适合我们这些“老兵”，利用已经积累的客户资源、数据能力和产品能力，把这一波 AI 红利吃得更透一点。

吴畏：这几年很多以前做 SaaS、做大数据的公司其实都挺焦虑。因为有一种说法是，AI 来了以后软件不需要了，软件界面变了，软件的生产方式也变了。

现在大家讲“手搓时代”，好像人人都能手搓一个自己需要的软件。如果是这样，无论 SaaS 还是传统软件都会迷茫。其实 AI To B 最后可能还是一种软件，对吧？

那国内做 To B 到底还有没有机会？会不会未来被大模型直接吃掉？以前我们说“软件吃掉世界”，现在有点像“大模型吃掉软件”。

黄晓南 Grace：这个说法已经出现很久了，比如“AI 时代 SaaS 已死”“软件已死”。我们自己的实践下来是这样。

首先要看怎么定义软件。过去的软件，我觉得大概率有两个特点。第一个是固化流程。如果你看 SAP、ERP、OA 系统，它们很重要的作用就是固化流程。第二个是让数据可见，所以会有 BI、Dashboard 这些可视化。

我觉得过去 99% 的软件，大概率可以分到这两类。因为我们是做决策 AI 的，所以我们的判断是：这两类软件未来都会被颠覆，都会被 AI 重写。

我们这两年实践下来提出了一个叫法：Agentic Software，也就是智能体软件。为什么还叫“软件”？因为在企业里，软件承担的是连接企业数据、连接不同软件之间的流程，同时还有数据权限和用户体系。所以从这个角度看，“软件”这个形态会继续存在。

但刚才说的可视化，我认为未来大家一定不会满足于可视化。我们现在做的 Agentic Software，是直接给出洞察、直接指导行动，甚至直接去操作其他系统。这件事情会发生非常大的变化。

第二件事情是固化流程。举个例子，我们原来做过一个很重要的数字化营销软件，叫 Marketing Automation。过去做这个软件，是让一个有经验的 CRM 运营人员把营销打法固化到软件里。过去的软件是给人用的，是把人的最佳实践沉淀下来。

但未来的 Agentic Software 不是这样。它会自己形成一个打法，自己吸收数据，再根据业务结果的反馈去调整下一轮策略。在这个过程中，它像一个自己会工作的机器人，帮企业的营销部门完成一部分工作。

所以在我们心目中，未来的智能体软件就像一个看不见的机器人。它依旧是一个系统，也依旧需要人给它输入目标、做确认、做审核，但它不再只是把人的想法和流程固化下来。它汲取了软件的重要特点，同时又变成了一个会行动的系统。这是我们认为 AI 重写软件的一种落地形式。

吴畏：我稍微消化一下。过去软件主要有两个功能：一个是流程固化。我们购买一套好的软件，某种意义上是在购买它沉淀的最佳实践，它告诉你这个事情应该怎么做，并把流程固化下来。

第二个是可视化，让管理者能够一目了然地看到数据。但 Agentic Software 不一样，它可以自我学习、自我迭代，不再是一个固化流程，而是一个柔性的系统，可以根据企业需求和实际反馈不断优化。Dashboard 更多只是“看”，Agentic Software 是可以直接 Action，对吧？

黄晓南 Grace：它可以直接从数据到洞察。

吴畏：再从洞察到行动。没有数据就没有洞察，没有洞察就无法行动。

黄晓南 Grace：这里面还有一层是 System of Record，也就是记录基础数据的系统。比如 CRM 里记录会员注册、交易等基础数据，这一层不会因为 AI 就消失，因为它是底座。

但“应该在什么时间给哪个会员发什么券”，过去是 CRM 给人提供工具让人配置，以后 Agentic Software 应该自己做决策，并且根据用户有没有核销持续优化。所以数据记录层还是底座，但上面的决策层不会再主要靠看板和固化流程。

吴畏：明白。那企业引入 Agentic Software 时，应该怎么处理原有的软件？有些系统是做数据底座的，肯定要保留，因为没有数据就无法洞察。但如果是在数据之上、过去用来固化流程的那些软件，比如营销自动化、CRM 里的很多决策流程，可能就需要用新的方式重写。

黄晓南 Grace：举个例子，我们现在做销售赋能，像奢侈品 SA 会用到 clienteling 工具，包括 CRM 工具；在 To B 里，快消销售拜访客户会用 SFA 系统。这些上层的业务软件都会被 AI 重写。我们现在已经非常明显地看到这件事在发生。

吴畏：企业里确实有很多数据和知识，大模型天然接触不到。随着模型越来越强，它会不会把这些能力也逐步吃掉？

黄晓南 Grace：我觉得不会。最近硅谷也在讲“主权 AI”。核心理念就是：企业自己的数据、自己的知识要留在企业内部，模型负责利用这些数据和知识做推理。模型更像一个外脑，但数据和知识本身可以留在企业里。我们也不鼓励企业为了私有化，专门部署一个能力更弱的小模型。

因为那样相当于先把基础能力削弱了，整套 AI 应用能力就不可能做到最好。我们现在的做法是，尽量不把数据本身直接透传给大模型，而是把必要的数据结构、元数据或经过加工的上下文提供给模型。这样可以最大化利用模型能力，同时保护企业独有的数据。

吴畏：这个本质上就是企业对自己数据安全和权限的把控。

黄晓南 Grace：我觉得太重要了。

吴畏：非常重要。因为企业使用 AI 的时候，如果不给模型足够的上下文，它也帮不到你；但如果为了效果把原始数据全部交给外部模型，企业又会非常担心数据安全。

另一方面，私有化部署一个能力比较弱的开源模型，和调用一个能力很强的模型，效果差异又可能非常大。所以关键是，能不能既利用优质模型的能力，又不让它真正拿到企业的原始数据。

黄晓南 Grace：对，这是企业利用 AI 非常重要的一种方式。

吴畏：那我们再往下深究一下：现在在 To B 场景里，到底有哪些东西是大模型本身不具备的？

黄晓南 Grace：我们现在看，大模型自己，或者仅靠大模型加 FDE 团队，仍然有三类东西是做不到的。第一是企业自己的数据。绝大多数企业数据不能直接被大模型使用，哪些数据可以用、以什么方式给模型，都需要做处理。我们给大模型的很多时候是元数据，也就是对数据的描述，而不是把原始数据直接扔进去。

第二是企业内部的知识。很多知识也要先加工，再作为 context 给到大模型，模型输出以后还要再提取和校验。第三是企业真实的业务工作方式和工作流。这些都不是大模型天然拥有的。

吴畏：最大的问题就是幻觉。

黄晓南 Grace：所以企业 AI 里最大的问题之一就是幻觉。它没有这三件事情，就像我最早讲的那个比喻：一个涉世未深、从来没有工作过的博士生。你把他放到重要岗位，他就可能一本正经地胡说八道。

今天企业里要做的，就是约束 AI，让它利用好数据、知识和真实的工作方式。Agentic Software 就是在干这一层，大模型只是它调用的一个能力。

吴畏：所以我们跟大模型交互时，不是简单把企业的裸数据、原始表格直接给它，而是给它经过处理的数据描述和必要上下文，再把结果拿回来进入下一步。

黄晓南 Grace：对。而且今天所有 AI 出来的东西，都要经过不断的校验和审核，才能确保可用。

举个例子，我们有一个“用户之声”的 AI 产品 DeepVOC，用大量用户反馈来提炼产品改进、服务优化的方案。它第一个基础工作就是给海量数据打标签：这句话在说什么产品、什么问题，是正向还是负向等等。

光是保证标签准确性，我们就需要多个模型、多个智能体一起工作。因为有些客户一天有上百万条数据，不可能让人一条条检查。怎么控制幻觉、怎么保证这个基础之上还能继续承载业务决策，难度非常大。

所以我觉得，大家对 AI 在企业落地这件事还是要有敬畏。它不是简单“手搓”一下，或者问大模型几个问题，就能得到企业真正要的东西。这是不可能的。

吴畏：你说 VOC 这个场景我很有感触。十几年前就有“Voice of Customer”的概念，那时更多是用机器学习去识别评论是正向、中性还是负向，再判断品牌、品类、型号。现在 AI 可以把标签打得更准、更细，有了更好的数据加工，后面的洞察才有可能真正指导决策。

黄晓南 Grace：而且可以直接连工单系统。DeepVOC 出来的结果可以直接推动门店改善服务、改善商品，也可以让质量部门看到哪些配方可能需要调整。如果做对了，这件事是很强大的。

吴畏：所以大模型天然没有的，大概就是三类东西：企业自己的结构化数据，企业内部以知识形态存在的非结构化信息，还有大量沉淀在业务里的流程和经验。前两类可能已经以某种形式存储，但第三类经常掌握在老师傅、Top Sales 这些人的脑子里。怎么把它变成 AI 能学习和理解的东西？

黄晓南 Grace：其实第二类知识和第三类经验、流程，大部分企业都还没有真正整理好。

只有结构化数据，大部分企业可能是有的。所以这里又会提到 Palantir 经常讲的 Ontology，也就是本体的概念。

这里面有两件很重要的事。第一，要用本体的方式把知识节点连接起来。比如商品、品牌、场景知识，怎么把不同知识体系连起来；同时还要从各种散落的文档里把知识抽出来。有的在 PPT 里，有的在视频里，有的在 Excel 表里，它们以各种方式存在，这本身就是一个很大的工程。

第二，有一些知识就在“老师傅”身上。比如销售，最好的销售和最差的销售，话术差异可能就会带来成倍的业绩差距。

所以怎么把金牌销售的话术抽象出来，也非常重要。我们在 FDE 前面其实还有业务顾问，业务顾问会跟 FDE 里的产品经理一起，把这些东西抽象出来。这是很庞大的工作。

吴畏：这让我想到，最开始做数字化时，有些企业连信息化都没做好，更谈不上数字化。现在要做 Enterprise AI，如果前面的数据、知识、流程都没 ready，后面的工作也无从进行。

那把这些经验抽出来时，会不会卡在人这里？比如一个 Top Sales 原来一直靠自己的经验拿很高佣金，现在把话术沉淀下来，让 60 分的销售也能做到八九十分，他会不会觉得自己的竞争力下降？

黄晓南 Grace：到现在为止，我觉得大家更多关心的是：你做出来这个东西以后，对我有什么帮助。对 Top Sales 来说，他更关心的是自己能不能也通过 AI 产品受益。

企业里做 AI，一方面是让 60 分的人变成 80 分；另一方面也一定要让原来 100 分的人做到 120 分。这两种需求都要满足，产品才有生命力。

比如我们给奢侈品行业的 SA 做赋能。对 Top Sales 来说，我们做的产品首先是提高效率。接待完客人以后，他可以马上录一个 voice memo，把刚才见客户的过程记录下来，我们快速把它转换成客户跟进策略和客户可能感兴趣的东西，让他下次沟通更有针对性。

这样的产品能让 100 分的销售变成 120 分，而不只是让 60 分变成 80 分。

吴畏：它可以帮 Top Sales 节约时间，让他把更多时间放到更高价值、更可规模化的事情上。你刚才说到这个场景，我插一句：你们会用电子工牌之类的设备吗？

黄晓南 Grace：电子工牌在一些场景下会涉及隐私敏感。像汽车、医药这类拜访场景，不方便用工牌时，可以在拜访结束以后，让销售自己用录音把会谈记录下来，也能大幅提高效率。AI 很强，但不代表一定要用某一种方式获取数据，关键是用最合规的方式。

吴畏：然后这些信息还可以再录入 CRM。

黄晓南 Grace：是的，这就又回到刚才说的：整个链路还要跟其他系统打通。Agent 只有连到这些系统里，才能产生更大的价值。

吴畏：听上去这条链路已经比较顺了。那现在最大的卡点是什么？

黄晓南 Grace：我现在觉得最大的卡点有两个。第一个，就是客户能不能把自己的痛点讲清楚、准确描述；同时 FDE 里的 AI 产品经理能不能准确理解。这一段的人才和能力，是非常明显的卡点。

吴畏：所以企业内部的业务人员也很关键？

黄晓南 Grace：现在甲方内部最大的卡点之一，是有没有人能把自己的 wish list，也就是愿望清单讲清楚。很多人讲出来的是痛点，但他不一定能想清楚：这个痛点如果解决了，到底能带来多大的变化。

我经常跟甲方说，今天你不需要很懂 AI，但你要足够懂自己的生意。把生意切成 100 份，你能不能准确挑出其中最重要的 5 份——一旦提高，就能让整个生意发生巨大变化的那 5 份？这很考验业务负责人。

还有一种情况，我们叫“不作业”。很多企业尤其是外企，内部人的工作主要是管理代理商，他不需要自己设计内容、不需要自己做广告投放，也不需要亲自设计活动。他自己不作业，就很难知道 AI 究竟用在哪个地方，能对生意产生什么影响。

吴畏：这个挺值得深入聊一下。也就是说，企业内部的业务专家即使已经做了很多年，也可能很难把自己的问题准确描述清楚，甚至不知道生意真正的卡点在哪里。那你们通常会跟企业里的什么层级来聊？

黄晓南 Grace：一般要聊到 C-level，至少是能够看全局的人。

比如 CDO、CIO，或者真正负责经营结果的业务负责人。

而且 AI 有一个特点：今天它解决的很多问题首先表现为效率问题。但仅仅解决效率，对企业老板来说往往不够。需要有人识别出来，这个效率问题解决以后，能不能显著提高产出、带来增长。这件事很难。

举个例子，我们最近跟一个很大的零售企业聊。他们生意很好，我们问能不能用 AI 让店员销售效率更高。对方说，我们店员效率已经很高了，人也压得很少，这不是最重要的。反而他们问，能不能让 HR 和财务回答内部员工问题的效率更高。

这其实就是内部知识问答。对别的企业来说可能不是优先级，但对他们就是，因为他们增长很快、在大量招员工。换到另一家车企，对方可能会说我根本不关心这个，我现在就要卖车。所以每个企业都要准确找到：AI 到底在哪个点能产生真正的动能。我们经常碰到客户，聊完以后发现哪里都能做，但找不到哪个点最重要。

吴畏：所以，找到那个真正的问题特别重要。

黄晓南 Grace：我认为甲方在 AI 时代，比拼的就是这个能力。

吴畏：我们推进项目时，更多会跟业务线总经理、C-level 去聊。同时企业里还有一股力量是 IT。IT 在这里面是什么角色？

黄晓南 Grace：我们一般会跟 IT 团队一起去跟业务聊。我们服务的很多也是 CIO，所以 CIO 和我们都很关心这个问题。

吴畏：明白，因为最终还是要进入企业的 IT 体系，也要跟原有的数据和系统打通。还有一个情况：有些公司内部更像品牌管理公司，大量具体工作都交给 agency。这样的企业做 AI，会不会有不同？

黄晓南 Grace：会。包括我以前在宝洁的时候，我们也是找各种 agency 帮我们做很多事情。所以我经常想，如果回到那个年代，现在问我 AI 到底怎么帮品牌营销，我可能也需要重新思考。

我有一个说法叫“谁作业，谁发言”。如果企业长期依赖代理商开展具体工作，那至少在策略层面，企业自己要建立利用 AI 做判断和选择的能力。本土很多民营企业愿意自己下场做，相对更容易感受到 AI 的动能。

吴畏：现在一些 Agentic Software 已经开始替代一部分过去外包出去的工作。比如自动做 KOL/KOC 营销、自动做客服。原来可以外包的很多事情，未来可能会被智能体软件重新承接。

黄晓南 Grace：当然。就拿选 K，或者整个 KOL/KOC 营销来说，里面很多环节都可以被 AI 赋能。但对甲方企业来说，如果过去自己根本不做这件事，他就很难判断 AI 出来的东西到底够不够好。所以 AI 时代，对甲方尤其是营销人员的能力要求也会发生变化。

我经常说，AI 时代人要做三件事情。第一件叫判断，你要判断 AI 给你的东西好还是不好。第二叫 taste，你得有足够好的品味和标准，才能告诉 AI 什么叫好、什么叫高标准。

第三件事情叫 take risk，也就是敢冒险。AI 可以给出很多选项，但 AI 不会替你承担风险。很多新的东西，最后一定要有人去做选择、去承担。所以我觉得未来人在营销里最重要的，就是判断、taste 和 take risk。

对，本质上是一种决策能力。这三件事情，我觉得是很难被 AI 替代的。

第二个卡点，就是我们作为乙方，能不能真的把业务深度理解清楚。这件事情也很难。

吴畏：挺难。还有一类公司，大量工作长期外包出去以后，自己对具体业务就没有那么熟悉了。那它在应用 AI 时，可能连该从哪里下手都不太清楚。

黄晓南 Grace：对。它一旦不了解业务，我刚才说的三种能力都可能出现问题。过去它可以高度信任代理公司，但现在真要自己做判断、建立 Taste、做决策并承担风险，这些能力就可能成为短板。所以对于这类甲方企业，我觉得需要重塑自己这方面的能力。

吴畏：前面我们拆了 FDE、Enterprise AI 的落地过程：前面有业务顾问，中间有产品经理，后面有实施和工程师。这里面又像咨询、软件和服务三种生意。未来这三类公司会怎么分工？还是边界会越来越模糊？

黄晓南 Grace：至少在可见的未来，我觉得生态不会发生翻天覆地的变化。你现在已经能看到，大模型公司会跟咨询公司合作。

像我们这样的 AI 公司，会同时讲 Agentic Software 和 Agentic Service。站在客户支出的角度，企业一直就在为两类东西付钱：一类是产品，软件也好、硬件也好；另一类是服务，也就是你直接给我交付结果。这两类支出在过去几十年没有本质变化。

AI 出现以后，确实会发生一些融合。像我们这样的公司，既提供 Software，也提供 Service，因为我们的人可以用软件直接交付服务结果。比如广告投放，过去我们有一套系统，可以把软件卖给客户；但客户也可能说，我不想买软件自己做，你直接给我结果。那我们就用自己的软件交付结果。

有了 AI 以后，这件事情更顺理成章。因为很多服务内容可以由 AI 完成。比如过去让我提供一个搜索营销服务，我可能要招 200 个人；现在我打造很多搜索营销的智能体软件，把多个 Agent 连起来，也许只需要原来十分之一的人，就能完成过去 100 个人做的服务结果。

所以我们现在提出两种形态：Agentic Software，也就是智能体软件；Agentic Service，也就是智能体服务。客户的钱，这两部分我都想挣。

吴畏：也就是说，这两部分钱你们都想挣，只是收费方式不一样。

黄晓南 Grace：收费方式当然不一样。但 Agentic Service 本质上是“人用我们的智能体软件交付服务”。过去需要 100 个人，现在可能只要 10 个人，因为剩下 90 个人做的很多工作已经由智能体软件完成了。这就是 AI 出现以后带来的融合。

咨询公司也类似。过去咨询公司主要交付咨询服务，同时也是 Salesforce、SAP 等软件的大型实施方。未来我认为咨询公司也可能交付一些新型软件，因为做软件的成本下降了。但真正复杂的 Agentic Software，他们未必会自己做，所以我们会跟德勤这样的咨询公司合作，各取所需。

传统服务公司也可能打造自己的 AI 工具，提高服务效率。所以未来公司形态的边界会越来越模糊。但我们认为，最核心的还是 Agentic Software 或者智能体能力到底有多强，它决定了其他边界能扩到哪里。

吴畏：所以如果客户要的是一个针对性软件，就卖软件；如果客户要的是服务，就用软件去交付服务。因为智能体在交付过程中能做很多事情，所以需要的人会少很多。

黄晓南 Grace：对。过去一个技术公司要亲自提供大量服务，是很难想象的，因为太依赖人。现在因为 AI 的出现，这个边界确实变模糊了。

吴畏：明白。所以你们现在主要还是围绕最擅长、最领先的场景去切？

黄晓南 Grace：我们公司核心做的是 Marketing 和 Sales，也包括电商运营。我们提了一个口号叫 AI for Growth。一个原因是团队在这些领域有经验；另一个原因是，如果企业用 AI 只是为了节约人的成本，它的价值上限很容易达到。

比如你省十个人，一年省 1000 万，价值到这里就结束了。但如果是 for growth，上限是不封顶的。我们更喜欢帮客户做上不封顶的事情。

如果从产业链看，我们从新品创新、R&D，到渠道销售、广告、GEO、搜索营销，再到会员运营、洞察、市场调研、销售培训、导购、智能客服，这些都做。

我们当然最擅长 To C 的消费品行业，很多头部客户都在这里。To B 里我们会聚焦医药、金融等一些高价值场景。不同产业的作业方式不一样，我们也不会什么都做。

吴畏：听下来，除了生产制造，你们其实覆盖了品牌和产品全生命周期。那有没有哪些行业是你觉得 AI 特别容易找到 sweet spot 的？

黄晓南 Grace：这个很难一概而论。我们覆盖面之所以这么广，就是因为不同行业的 AI 抓手不一样。比如食品饮料，核心抓手往往是新品创新，所以我们的新品创新产品就是跟食品饮料客户一起打造出来的。美妆、酒店这类行业，核心可能是复购和 CRM；很多新品牌则更关注小红书、抖音上的搜索营销。

汽车行业的核心又不一样，它是整个线索处理流程：从线索获取到试驾，再到赋能 4S 店销售、返厂、增换购。整条链路里，AI 能做的东西我们都会做。所以我们现在的 AI 产品看起来很多，但落到每个行业，其实都是组合出最贴合这个行业的场景。

这个过程很有意思，因为不是我们闭门造车出来的。三年前我们还没有 DeepAgent 这样的智能体产品，主要只有两个领域：数字广告智能投放和 CRM。今天能覆盖这么多领域，是因为 AI 极大释放了生产力。

而且这些领域都是跟头部客户一起做出来的。客户有能力告诉我们：什么问题对他们最重要，什么问题一旦解决就是价值连城。我们才能围绕这些问题打造产品。

吴畏：这么说我就更能理解了。如果一个 AI 创业公司只做通用 Agent，或者通用营销 Agent、销售 Agent，没有行业客户和场景，很难真正贴合需求。

一个 OPC 就算很会 vibe coding，跑到企业里也可能一头雾水。行业 Know-how 在这里非常重要。那你们卖软件，还是传统 License 或订阅的方式吗？

黄晓南 Grace：卖法跟软件比较类似，但有一个很大的区别：会多一个“训练”的过程。又回到 FDE，FDE 还有一个很重要的使命，就是把标准产品真正训练、落到每一个客户的场景里。

我们打造一个标准产品以后，这个产品最多达到 70 分。比如 DeepVOC，我们可以把标准产品做得很好，但落到任何一个客户那里，都需要另外 30 分：数据不一样、标签体系不一样、希望提炼的洞察不一样、要连接的系统也不一样。有的要连工单，有的要连客服系统。这 30% 一定要在企业现场完成。

所以收费里会有 License，这是对 70% 标准产品的变现；同时也一定会有一笔比较高的训练和实施费用。

训练实施，就是 FDE 加 AI 产品经理要完成的另一个使命：把 AI 产品真正落到客户中间。所以 FDE 的工作是双向的，一方面把标准产品落到客户，另一方面从客户那里聊出新的需求，再反过来进入产品。

这也是为什么在我们看来，FDE 必须由两个角色一起完成。

吴畏：也就是说，FDE 团队进来以后，不只是接一个接口。企业内部的数据、系统、过去没有结构化的知识和流程，都要做梳理，而且这些沉淀最后还是留在企业内部，对吧？

吴畏：那在一个合同里，License 和训练实施大概是什么比重？

黄晓南 Grace：通常训练和实施这一部分会更高。

光是把标签打准，就要针对每家公司重新适配。每个公司的标签体系不一样，原始语料不一样。智能客服、智能导购也是一样，都要根据客户实际的知识库、语料库和 SOP 去训练。

所以 AI 时代的软件交付，其实跟过去交付一个算法项目有点像。以前我们做广告投放、做 CRM，会用很多算法预测一个人会不会买车、会不会买下一个产品。算法框架可能一样，但客户数据不一样，训练出来的模型也不一样。

今天只是把这个过程放大了：不再是一个小场景，而是在更大的场景里结合大模型和多个智能体。所以交付复杂性依然很高。

吴畏：如果是 Agentic Service 这一块呢？

黄晓南 Grace：服务相对轻一些，因为大概率不需要用企业太多内部数据，更多使用公域数据，比如搜索营销数据、我们沉淀的素材数据。基本上是专家加上 Agentic Software 一起工作。当然也需要客户反馈，但整体会轻一些。

比如搜索营销，我就直接帮客户做完：选达人、出内容、投流，最后交付结果。

可能只用原来十分之一的人，再加上一堆 Software。

这件事情我蛮期待。AI 如果真管用，就应该证明最后的结果比过去 100 个人做得更好。比如我用 10 个人加上一套 Agentic Software，最后客户考核的 KPI 应该比过去更好。

吴畏：所以后面这种更像 AI as a Service，甚至是 Service as a Result，结果相对更好归因；前面的 Software 则是企业买回去自己用。

黄晓南 Grace：对。Software 我们有两个判断标准。第一，原来能做到 60 分的事，用 AI 做到 100 分。比如 DeepVOC，客户过去也有 VOC，我们并没有创造一个全新的概念，只是把它从过去比较粗的识别和看板，提升到更完整的洞察和行动。

第二种是从 0 到 1：原来做不了的事，现在可以做了。比如刚才讲的导购，过去接待完客户只能靠销售自己记，下次客户再来很容易忘。现在这些信息可以被沉淀、被调用。所以我们的 Agentic Software 基本就按这两个标准判断值不值得做。

吴畏：所以判断一个 Agentic Software 值不值得做，大概就两个标准：要么是过去做不了、现在可以做的新场景；要么是能够明确衡量，相比原有做法有显著提升。

吴畏：最后还有一点时间，想请你分别给两类人一些建议：一类是在实体企业里的业务负责人、高管；另一类是 AI 从业者、OPC 或者创业者。对他们来说，企业 AI 落地真正的“最后一公里”是什么？

黄晓南 Grace：我经常说一句话：AI 是一种信仰。我们公司 2024 年决定 All in AI 智能体，那时候 DeepSeek 都还没有出现。对我们来说，因为一直在解决企业决策问题，所以对新技术必须非常敏感，要始终保持在最前沿去使用它。

我觉得今天 AI 毋庸置疑是一场生产力革命。企业里的高管和业务人员，首先要相信这件事情。我们过去近两年做落地，会碰到各种困难：幻觉、能力锯齿，有些地方很强、有些地方很弱。很多企业一开始尝试智能体，发现问题很多，就会直接得出结论说“不行”。

为什么我说这是一种信仰？因为大模型能力一直在迭代，企业使用 AI 的能力也在演化，不管是人的能力还是工具能力。我们公司过去两年经常出现这种情况：上个月的结论，甚至上周的结论，这周可能就不成立了；上周觉得做不了的事，这周可能突然可行了。所以这是非常重要的一点。

第二，我认为今天 AI 不会替代企业里绝大多数人，除非是特别基础的工作。但一定会出现“会用 AI 的人替代不会用 AI 的人”。这件事情已经非常明显。比如 AI 写代码已经很普遍了，我们不会因为 AI 能写代码就淘汰工程师，但会越来越偏向那些擅长用 AI 的工程师。

因为 AI 是生产力的爆发。企业如果只是想着用 AI 节约两个人、三个人，价值远远不如用 AI 赋能一个本来就有产能的人，让他的产能翻倍。我们自己的实践和帮客户落地的实践都证明了这一点。企业真正该想的是：怎么让最有产能的人产生更大的产能。

最后一点，企业一定要想清楚：AI 时代自己的核心竞争力到底要打造在哪里。这个问题非常关键。如果所谓 AI 应用只是让员工都用豆包、用某个大模型完成工作，那全世界公司都可以这么干，你的竞争对手也都能这么干。显然这不是企业的核心竞争力。

所以企业要思考，自己的数据怎么打造，自己的知识怎么建立，AI 应用怎么真正进入核心流程。作为一家做智能体的公司，我们可以帮助企业回答一部分，但这件事最终必须由企业自己想清楚。

吴畏：我再补充一点。我看现在很多科技大厂，往往是哪家 AI 做得好，跟创始人、一号位到底有多投入高度相关。即使是实体企业、传统企业，我觉得一号位也要 hands-on，真的扎进去，不能只是让下面的人“去用一下”，自己完全不用。

黄晓南 Grace：这个非常重要。我们看到 AI 落地比较成功的公司，基本都是“一号位工程”，因为它天然是一个 Top-down 的事情。

普通员工最关心的往往不是“企业生产力提高了多少”，而是“用了 AI 以后对我有什么影响”。如果能让我业绩更好，我当然 OK；如果让我觉得工作有危险，我肯定不 OK。所以必须由一号位来推动。

吴畏：我也觉得未来可能不会再有“AI 公司”和“传统公司”的严格区分，大家都会具备 AI 能力。

吴畏：企业这一侧说完了。如果是个体、OPC 或者创业者，没有那么大的组织和客户资源，你有什么建议？

黄晓南 Grace：我们最近也在构思一个生态合作计划。公司上市以后，我们接触了很多 AI 创业公司，有很小的，也有稍微大一点的。普遍一个问题就是缺场景。很多团队是技术、产研背景，甚至有科学家，但 AI 今天如果没有场景，就没有用。

所以我们也在想，像我们这样有客户资源和场景的公司，是不是可以搭一个生态，让更多有 AI 能力的人——不管是 OPC 还是创业公司——在更大的范围里接触真实场景，把自己的能力和对 AI 的理解做成真正有商业价值的产品。

中国 To B 的 AI 赛道一定不是一家公司、一个平台就能全部做掉，它一定是一个繁荣生态，大家各司其职，一起把 AI 落地做深。这也是我最近在构思的一件事情。

如果我今天是一个全新的创业者，我觉得最重要的一点是：你做的事情不能轻易被大模型吞掉。这是 AI 时代找创业方向最大的挑战。过去几年有无数公司融到钱、发展也不错，但如果你做的事情最终被大模型能力直接覆盖，就很难走到一个很好的阶段。

吴畏：因为大模型本身就是智能底座。你在它上面做的很多东西，从 Prompt 到 Workflow 到 Skill，它自己也会不断学习和吸收。所以真正要看的是：你做的事情是不是有一层大模型不容易直接吃掉的价值。

黄晓南 Grace：所以 AI 时代创业，我觉得既比过去做软件更容易，也更难。门槛低了，但你面对的竞争力量更多。最好能找到一条真正垂直的线。

像我们做企业营销和销售，大模型能力提高时，我们是水涨船高，因为我们跟大模型是垂直关系，而不是平行关系。它能力越强，我们能做的事越多，而不是它一变强就把我们盖过去。这个方向其实非常难找，我们自己也一直在校准。

吴畏：我们以前讲 AI 应用四要素：算法、算力、数据、场景。现在算法很大程度上就是模型本身，数据是基础，而场景可能越来越重要。

吴畏：对。真正有价值的是已经有客户愿意一起做，有真实行业、真实场景、真实反馈。这里面能容纳的机会其实很大。

黄晓南 Grace：而且场景还有一个很重要的角度。一个 AI 产品最后要利用数据落地，落地以后还要得到反馈，有了反馈你才知道它到底管不管用。它和过去做一个单点软件不一样。所以一个客户愿意给你数据、给你真实场景、再给你验证反馈，这三件事情非常难得。

我经常说，我们的客户愿意给我们钱，还愿意让我们做这件事。对很多创业公司来说，可能你倒给客户钱，客户都不愿意给你数据、场景和验证反馈。所以我还是很希望能整合出一个更大的生态，把企业 AI 落地真正做深。