随着AI技术的快速发展，越来越多的企业和从业者开始探索其在实际业务中的应用落地。然而，AI的落地并非一帆风顺，许多企业在实践中面临着诸多挑战和困惑。本文作者结合一年的AI应用实践，分享了在售前售后数字员工、GEO、AIGC、运营数据清洗等垂直领域的经验与思考。

从 24 年中旬开始接触和思考AI 在具体场景中的落地可能。经过一年左右的实践，售前售后的数字员工、GEO、AIGC、运营内数据清洗和分析 的产品我们也都在垂直领域里小有成绩。

今年春季后不断迭代的大模型产品也让整个市场对于 AI 的热情更加升温，每天都会有科技媒体人推送最新的产品更新和试用体验，他们作为舆论宣传的节点将这些信息扩散给国内的大多数科技爱好者和互联网从业人员，这也催生了这些从业者的 AI 焦虑。在AI真正落地的环节，很多企业还处于观望和兴趣阶段，AI 很好，AI 不好控制，到底 AI 和我的行业/业务如何结合 又成了新的问题，国内市场一众解决方案提供商也在兜售着各自的 AI 解决方案，孰好孰坏，难辨真伪。

所以这一年沉淀下的思考也在这里分享下，看看未来更多的实践尝试是否会有更新的认知。

AI  Agent 适合准确率和效率 高容错的服务场景

AI 终归是一种技术手段，解决具体场景的问题才是 AI 与业务相结合要思考的关键问题。那么 AI 的随机性与个性化究竟能做什么，不能做什么呢？在这一年的实践中，我们发现，AI 最适合解决问题的场景在于对于服务的效率与准确率容错率都很高的场景。

什么是准确率高容错？

如果只是效率高容错率就够了吗？也不是，对于社会中约定俗成的大量信息目前还无法被大模型内化，比如 1+1 =2，比如俄罗斯方块的游戏就应该是那个样子。这些我们已经内心熟知的答案 Agent 的随机性是很难控制的，这些表现不如传统的编码方式更稳定。再举一个例子，你用扣子空间或者 Manus 处理一件你很熟悉的领域的报告，产出的内容你觉得乏善可陈，而对于你不熟悉的领域，产出的报告你会觉得质量更高也是这个原因。因此准确率的高容错率是 Agent 应用场景的必要条件之一。

什么是效率高容错？

如果这件事你期望实时回复，比如电话场景，比如政府事务的投诉问题，目前大部分的 Agent 都不是由模型直接提供的服务，而是要依赖 RAG、PE 来提供服务，秒级别的响应时间是无法很好的满足用户的期望。因此，AI Agent更适合在效率高容错率的场景中应用，比如在线咨询，或者调研报告的生成等等。如果你的大客户在面前表达了某个问题，你却告诉他请耐心等候时，不知道这个大客户的耐心还剩多少。像国内的飞书，很多销售还是人工的方式在应对大客户的咨询，AI 在其中更多的是效率辅助角色，提高销售的管理宽幅。

AI 给了非标服务提供者规模化的交付能力，新机会正在酝酿之中

AI与传统编码最大的优势在于随机性与个性化。

这一波技术红利除了在企业内部和个人内容生产上带来新的效率革命，更会在传统个性化的服务场景里产生新的需求满足方式。如果在某个领域你有很好的 RAG 积累和 PE 的优化能力，那么 AI 技术能给传统非标准、个性化的服务提供规模交付的能力，提升企业组织的服务宽幅，降低了规模化运营的边际成本，像心理咨询、医生问诊、求职培训等咨询类服务也会在这一波技术发展下，存在诞生平台公司的可能性。

大模型即产品，未来的推荐基于信息而不是人设

大模型的能力在这半年持续的提升，文字、图片、音频、视频等内容形式在逐步被大模型内化，而去年下半年那些早期的 AIGC 产品很多已经消失或者无人问津。从个人角度也越来越支持 大模型即产品的演进思路，未来 aigc 的工具型产品除非依托大模型的公司，独立企业将难以为继。

现有的社媒推荐逻辑里，账号的人设和内容的垂直度是极其重要的因素，通过内容和账号的双层关系推荐给消费的人群。而最近 X 上马斯克正在推进 Grok 重塑 X 信息流的项目，Grok 会完全基于内容本身的信息进行推荐。所谓现在的养号经验可能会被彻底颠覆，每个人，只要你的内容信息足够吸引人，就会被更多人消费和看见。这一重塑，有可能会改变人们筛选信息的效率，跳出现有推荐逻辑“圈层”的束缚，让“有用”（社会价值观定义？）的信息被更多人看到。