瑞泊创始人和企业家们如是说：AI重塑商业，在实战中踩过哪些坑？

我们团队参与了国内许多行业超脑及企业大模型的研发及建设项目，发现企业对AI存在三大认知误区：

1、过度依赖自媒体解读（90%+自媒体内容不专业）；

2、纠结细节而忽视趋势（AI是通用技术，每个企业都是必须全面部署或连入的）；

3、低估部署难度（譬如需建设知识库、建立行业搜索、打通企业数据库和开发各专属应用等）。建议企业优先将投资聚焦于企业超脑的基础建设，夯实数字化底座与业务落地能力。

公司正在尝试用 AI 实现非标零部件的自动报价和排产流程。这一技术催生了新的服务模式，比如客户上传图纸后，系统能快速生成报价并自动安排生产。但我们面临两个挑战：一是数据治理难题——平台有 180 万个 SKU，原始数据质量参差不齐，导致流程数字化推进困难；二是行业人才短缺，既懂AI又熟悉制造业的复合型人才非常稀缺。我们计划未来投入更多资源完善数据治理，同时探索如何通过AI工具降低对人工经验的依赖。

通过AI我们可以实现三大突破：一是用视觉识别技术检测商品日期和破损，准确率达99.5%；二是用AI优化分拣机器人路径规划，仓储效率提升3倍，人力节省70%；三是尝试用AI辅助选品和定价决策，某连锁便利店试点中，滞销品率大幅度下降。但我们也发现，员工转型困难——传统码农需学会 “向AI提需求”，产品经理需要从“功能设计”转向“痛点挖掘”。目前，我们正通过内部培训和设立创新奖励机制推动转型。

过去两年，我们在医疗数据结构化和患者随访环节，大规模应用了大语言模型。比如，原本需要400人手工标注的病历数据，现在通过AI算法可自动处理，效率提升80%以上。此外，AI客服系统替代了传统电话随访，数据完整性从60%提升至90%。但我们也面临危机：如果AI进一步发展出独立诊断能力，可能颠覆现有医疗生态——医生处方权可能被AI取代，整个行业价值链将重构。我们正在探索如何将AI技术与医生经验结合，而不是完全替代人类。

AI的未来方向不是通用大模型，而是垂直领域的专业智能体。过去五年，我们与北美团队合作开发了多智能体协作平台，将企业各部门（如研发、生产、营销）的专家知识转化为数学模型。例如，在汽车行业，我们构建了覆盖供应链、工艺设计、质量控制的多智能体系统，实现跨部门实时协作。目前，这类系统在美国军工和制造业已开始落地，而中国企业需要加速构建自己的专业模型，避免被通用大模型同质化。

快递100专注于将大模型通用能力和快递物流具体场景相结合，相继发布了AI查快递、AI寄快递、AI客服等应用，同时集各家大模型之所长，自主开发了「百递云GPT·大模型应用开发平台」，整合公有云闭源大模型和本地化部署开源大模型，将模型路由、流程编排、领域知识库、专有API结合起来，成为大模型落地应用新范式。一个典型的应用是将大模型技术用于解析快递物流轨迹非结构化数据，形成覆盖全网的知识图谱，基于此可实现小时级的时效预测，让快递查询结果从“到哪里了”升级到“什么时候可到”，通过未来的确定性提升生产和生活安排的计划性。在实践中发现AI应用也面临两大困境：一是消费者不愿为新的AI体验额外付费，To C端商业变现不太容易；二是内部习惯改变——引入AI代码工具后只有40%的员工愿意尝试，60% 员工仍不太愿意改变过往工作习惯或对AI仍不信任。

我们曾尝试用AI替代人工传递诊断知识，但发现其缺乏人性化的沟通能力。当前，我的核心疑问是：当AI决策逐渐替代人类时，企业的差异化将何去何从？例如，企业年报若完全依赖AI生成，可能失去创始人的个性化表达；设计师若长期依赖AI创作，可能丧失创新原动力。未来，企业的核心竞争力或将回归价值观层面的感性差异，而非理性数据的比拼。

在帮助企业落地AI与SAP结合的过程中，我们发现关键成功要素是 “数据资产化”。例如，某汽车零部件企业通过整合ERP、CRM 和设备数据，训练出需求预测模型，库存周转率提升 25%。但数据孤岛问题普遍——70%企业存在部门间数据格式不统一。我们建议企业分三步实施：

1、整理历史数据；

2、构建行业知识图谱；

3、开发轻量化AI应用（如员工问答机器人）。

在AI技术迅猛发展的今天，企业亟需高效、安全地应用大模型提升业务竞争力。我们推出“天璇”系列AI工具，致力于为企业提供一站式、全链路的大模型应用解决方案，助力AI真正成为增长引擎。

天璇AutoAgent企业智能体编排平台：无需编码，通过可视化拖拽即可快速构建和部署智能体，实现报告生成、流程自动化等多种业务需求，推动AI从“技术特权”走向“全员共创”。

天璇RAG Plus企业知识中台：基于检索增强生成技术，将企业文档、数据和经验整合为智能知识中枢，支持员工高效获取信息、辅助决策，释放“沉睡知识”的价值。

天璇AI Connect企业大模型聚合平台：统一接入多种主流大模型，结合权限控制、成本监控与效能分析，实现资源按需调用与精细运营，保障数据安全并提升使用效率。

天璇系列工具协同助力企业实现三大目标：快速构建AI应用、提升业务效率、保障数据安全合规。从开发到管理，从数据到决策，我们不仅提供工具，更打造让AI深度融入业务的能力基础，推动企业实现智能化跃迁。

我们正在积极思考并布局AI在诊断、制药等方向上的应用。我们注意到，生物学前沿已与AI、软硬件等深度融合。生命科学、信息科学、材料科学，上述三个方向的叠加及技术交叉点上，将创造出巨大的行业产业机会。以BioAgent，脑机接口、外骨骼机器人等为代表的技术创新，将重塑整个医疗场景和健康管理。

我们公司正通过AI实现三大协同：

1、内部知识沉淀——将30年行业经验转化为问答库，新员工培训周期缩短 50%；

2、设备互联——用AI分析摄像头和GPR数据，仓库异常事件响应速度提升60%；

3、客户服务——AI自动生成物流方案，人工仅需审核。但我们强调“人机互补”：例如，AI负责数据计算，人类负责客户情感沟通。

作为制造业企业，我们在电池CCS数据采集中引入AI算法，不良品率下降 12%。但我们警惕同质化风险：如果全行业都使用类似AI工具，核心竞争力将转向数据质量和场景化创新。例如，我们正在探索将AI与工艺参数优化结合，开发独家生产模型。同时，通过轮岗制培养“AI+工程师”复合型人才。

AI是一场生产力革命，但需要避免重蹈2000年互联网泡沫的覆辙。基础设施（大模型、算力、芯片）的投入必须与落地场景结合，我认为，当前企业需关注三点：首先，基础设施与落地应用需平衡，AI的价值不仅在于技术本身，更在于解决实际问题。例如，2000年互联网泡沫源于过度投资基础设施而缺乏应用场景，如今企业需警惕类似风险。其次，数据治理是AI落地的核心前提，数据是AI的 “营养”，若企业信息化不足，AI难以发挥价值。最后，组织变革是AI落地的最大挑战，中层管理者的抵触是关键障碍，需通过“一把手工程”和全员参与推动。

企业应将AI视为“数字人才”，需提供高质量数据和知识，把它真正当成一个人来培养。AI不是选择题，而是必答题。企业需以数据治理为根基，以组织变革为抓手，既要脚踏实地解决当下痛点，也要抬头看清未来方向——这是一场没有终点的赛跑。