很聰明但還不夠好用：企業跨越AI“最后一公里”需做好這兩件事

AI技術突飛猛進，在各類測試中屢創佳績，但走出實驗室步入商業場景后，其實際提升效率的表現卻遠遜于技術演示。面對“AI雖聰明但不好用”的落地難題，如何跨越這關鍵的“最后一公里”？長江商學院滕斌圣教授在發表于第一財經的署名文章中指出，AI“下半場”需“內外兼修”，對外要從被動響應轉向主動連接，對內則要始于小切口、精準補位，深耕垂直場景，從而真正實現技術扎根千行百業。

CKGSB

作者 | 滕斌圣、曹欣蓓

來源 | 第一財經

滕斌圣

長江商學院戰略學教授

戰略研究副院長

新生代獨角獸全球生態體系研究中心主任

AI發展面臨一項悖論：技術層面，AI交出了令人驚嘆的成績單，在SAT、律師資格考試等標準化測試中連創佳績，戰勝了棋類的世界冠軍，甚至獨立完成科研核心任務……可當走出實驗室，進入真實商業場景，AI對企業生產效率的實際提升，遠落后于技術演示所展現的能力。換句話說，AI已經很聰明，但還不夠好用。

AI“下半場”正在進入應用場景為王的時代，要更好實現這一愿景需要“內外兼修”。對內，要持續完善大模型的基礎能力；對外，要助力AI落地，讓技術真正扎根于千行百業。AI行業的“最后一公里”往往具備兩個顯著特征：主動連接與始于小切口。

主動連接：從被動響應到主動服務

AI的能力邊界，正在從被動響應走向主動連接。

2025年9月底，OpenAI推出了ChatGPT的全新功能Pulse，傳統大模型采用的是被動問答模式——用戶提問，AI回答，用戶追問，AI繼續，周而復始直至對話終止。而Pulse的創新在于賦予AI主動性：無需用戶發起請求，系統會在夜間用戶休息時自動進行研究和信息整合，并在清晨以個性化主題卡片的形式推送定制化內容。

這些內容不是隨機生成，而是基于用戶過往的聊天記錄、反饋偏好、對回答點贊與踩的行為，并支持Gmail和谷歌日歷的數據集成。Pulse通過AI的異步思考能力，在用戶休息時持續工作，這種先于需求的服務模式，讓AI從被動的信息檢索工具，轉變為主動的智能助手。

從發展趨勢看，AI與人類的主動連接是技術演進的必然方向。隨著大模型能力的持續增強和用戶數據的不斷積累，AI逐步從被動響應轉向主動服務，意味著其正加速融入人類生活的深層結構。

從影響層面看，主動連接正在重塑信息獲取的邏輯。傳統搜索引擎時代，用戶需要主動輸入關鍵詞查找信息；大模型的普及讓用戶可以通過對話方式獲取信息，這已經是一次進化；而Pulse等主動功能則更進一步，將信息獲取從“我找信息”轉變為“信息找我”。

這種范式轉變可能對互聯網生態產生深遠沖擊，尤其是對社交媒體和內容平臺。小紅書、抖音等平臺的核心價值在于通過算法推薦精準匹配用戶興趣，但AI不僅能實現類似推薦，還能提供更具個性化和實用價值的內容。

從娛樂資訊到生活建議，AI能夠覆蓋多元場景，并以定時推送的方式，在最佳時機將碎片化信息整合為結構化知識。一旦這種“高時效性+高個性化+高質量”的內容組合推送，可能顯著分流其他內容平臺的用戶時長和流量。

國內市場也在加速彌合AI與用戶之間的“最后一公里”。例如，用戶可將元寶添加為微信好友，在熟悉的聊天界面中與AI互動，整個過程無需跳轉到網頁或獨立客戶端，雖然尚未實現完全的主動觸達，但同樣是AI向用戶靠近的重要一步。

在主動連接的維度上，中國市場憑借獨特的生態優勢展現出巨大潛力。微信、支付寶等平臺不僅是通信或支付工具，更是覆蓋消費、出行、社交、健康、教育、娛樂等多個維度的超級生態系統。這些平臺積累的多維度、高顆粒度數據，使AI構建更精準、立體的用戶畫像，從而實現更智能的個性化推薦。依托龐大的數據優勢，中國AI應用有望在主動服務的精準度和實用性上形成差異化競爭力。

對于非AI企業而言，該轉變也給企業帶來了新的流量競爭規則。過去，SEO（搜索引擎優化）與SEM（搜索引擎營銷）是企業爭奪流量、搶占搜索結果前排的重要戰場。企業投入大量資源優化關鍵詞、購買廣告位，力爭在用戶搜索時出現位置更靠前。

然而，隨著搜索邏輯的變遷，如今企業還需要關注的是GEO（生成式引擎優化），確保產品能被AI模型優先推薦。那些率先適應GEO規則的企業，將在這場流量重構中占據先機。

始于小切口：精準補位策略

AI應用的重要課題是如何嵌入實際業務流程，實現穩定的商業價值輸出，同時控制錯誤成本與合規風險。小公司難以自研大模型，面對基礎能力的差距，一個避不開的話題是如何基于大模型進行調整和改進。

被稱為“套殼之王”的AI搜索獨角獸Perplexity，最初正是基于OpenAI的GPT-3.5模型。2022年12月，ChatGPT推出僅七天后，Perplexity就上線了產品——一個簡單的輕量搜索問答框。

但Perplexity抓住了一個關鍵窗口：當ChatGPT還無法聯網搜索時，它率先實現了聯網功能，并為每個答案附上引用來源。即使最初版本的答案生成時間長達7秒，并且存在不可避免的AI幻覺，產品體驗遠算不上完美，但依然憑借這兩大差異化優勢迅速出圈。

產品發布后僅兩個月，就獲得了1000萬次訪問和200萬獨立用戶。在驗證了商業模式后，Perplexity開啟了一系列更具雄心的迭代，近期更是推出瀏覽器Comet叫板谷歌。

如果說Perplexity是橫向補齊功能，Jasper則是縱向深耕場景。它從GPT-3“套殼”起步，鎖定營銷人員痛點，打造AI驅動的廣告文案工具。

Jasper的核心洞察是品牌傳播的高度情境依賴。例如同一產品信息在新聞稿需嚴謹正式，在社交媒體則需活潑互動，且全程須保持品牌聲調一致，但通用大模型難以實現個中語句的微妙調整。Jasper的解決方案助力其在成立18個月內成為獨角獸，估值一度飆升至15億美元。盡管此后ChatGPT的開放生態對Jasper構成沖擊，倒逼企業進行一系列變革，但不可否認，其起家始于對于營銷痛點的深刻洞察。

“始于小切口”即在巨頭模型基礎上鎖定高頻痛點，快速迭代最小可行產品，驗證商業閉環。誠然，Perplexity和Jasper如今都有各自的新挑戰，且Jasper在模式上面臨更大的壓力，但這不能抹殺它們崛起時對于時機與切入點的精準把握，若非當初的精準一擊，就不會有今天被持續討論的Perplexity與Jasper。

對于小公司而言，比起全棧自研，通過精準“功能補位”實現單點突破顯然更具可行性，而這兩家早期的策略正是值得借鑒的范本。

小切口的四大實踐法則

始于小切口并非易事。要想成功落地，需要把握四個關鍵要點。

首先，搶占時間窗口，實現差異化突破。

應用創新以大模型為基底，一旦大模型補齊短板，便可能直接顛覆應用產品。因此，企業必須搶在大模型前面，鎖定其暫時缺失的功能缺口。舉例而言，當用戶仍在使用ChatGPT的靜態數據時，Perplexity已率先實現聯網搜索功能。時間窗口作為稀缺資源，其先發優勢往往成為決定成敗的關鍵因素。

值得注意的是，在AI領域，先發優勢不等于勝勢，持續變革才是常態。以Jasper為例，ChatGPT的出現對Jasper造成重大沖擊：ChatGPT的對話式交互遠比Jasper的模板生成更靈活，且ChatGPT免費與相對低價策略迅速動搖了Jasper的付費基礎。

面對沖擊，公司開啟自救之路，Jasper迅速推出對話功能，將重心從個人用戶轉向企業級營銷團隊，同時通過整合更多模型引擎以擺脫對GPT的單一依賴，并深度嵌入客戶的工作流，將自身改造為一個深度垂直于營銷團隊的整合式工作系統，這份轉型正顯現成效，盡管公司2024年營收從2023年的1.2億美元大幅下降至3500萬美元，但預計2025年收入將回升至8800萬美元。

AI創業的殘酷之處在于，即使18個月登頂的獨角獸，也可能在短時間內被顛覆。其中可貴的是創業者在變化中展現出的快速應變力與韌性，這正是科技浪潮下企業保持前行的原動力。

其次，先獲取用戶，后優化產品。

企業應優先搶占首批種子用戶，而非一味追求首版產品的盡善盡美。隨后，通過持續迭代逐步完善用戶體驗，實現從用戶反饋中快速學習與成長。以Perplexity為例，早期產品雖不完美，但憑借先發優勢積累了一批用戶和口碑。盡管隨著大模型聯網功能的普及，其技術壁壘逐漸稀釋，該用戶基礎已然為其后續發展奠定了堅實根基。

這一策略的有效性，還需結合具體應用場景靈活把握。企業必須根據行業的監管強度、用戶容錯空間和潛在損失程度，制定差異化的產品發布標準。

例如在消費電商等領域，用戶對功能瑕疵的容忍度更高，企業可以采用“邊做邊迭代”的模式，在用戶規模擴張中優化體驗，形成良性增長循環；

但在醫療、金融或航空等高風險領域，必須確保產品上線前達到極高的標準，因為即使是微小的缺陷（如數據泄露、診斷錯誤、系統故障等）也可能引發嚴重的法律問題，進而導致不可逆的信任損失和經濟損失。

再次，聚焦單點突破，打造一塊突出長板。

簡單的“套殼”式應用缺乏專業深度，難以持續發展。企業應聚焦大模型尚未涉足的細分領域，或是找到某一塊勝于大模型的長板，成為該領域的專業解決方案提供者。

面對變化時，企業可在原有優勢領域，繼續尋找新的突破口。例如，Jasper在遭遇ChatGPT沖擊后，并未轉向其他賽道，而是選擇進一步聚焦——重新界定目標客戶、梳理能力邊界，強化自身在營銷內容領域的專業性。

除深耕特定行業外，本土化亦是可行路徑。例如，在能源調度場景中，AI Agent能夠掌握我國不同區域的差異化能源政策，并融會地方用電的峰谷規律等高度專業化、本土化的知識體系，做到對本土能源體系的智能適配。這類深度內化了國情特色和地方專業知識的Agent，得以構筑通用大模型難以匹敵的差異化競爭優勢。

最后，秉持質量優先于速度的用戶價值主張。

盡管大模型廠商普遍將響應速度視為核心競爭要素，但從實際應用場景來看，關鍵問題在于：用戶的真實需求究竟是什么？

舉例而言，盡管Perplexity早期版本的響應時間長達7秒，在追求毫秒級優化的行業環境中顯得過于緩慢，然而用戶依然愿意耐心等待。其原因清晰可見：相較于在競品中反復迭代查詢語句、經歷多輪交互，仍無法獲得有效答案的高時間成本，用戶更愿意以適度的等待時間換取一次性獲得精準、全面、高質量信息的確定性收益。

對企業而言，速度優化固然重要，但應被視為產品走向成熟階段的迭代方向，而非初創期的戰略重心。響應速度需要建立在核心價值交付的基礎之上，否則脫離用戶需求本質的性能提升，終究是舍本逐末。

有人將大模型比作“預制菜”——底料已備，離真正的美味還差“最后一炒”。AI的下半場在于如何將其精工細作，讓模型更主動地連接人，更精準地適配場景。

這條路并不平坦。AI幻覺問題仍未解決，而垂直行業的深耕又離不開高質量數據。

未來屬于那些能夠將“預制菜”精工細作成“私房菜”的企業。

文中圖片來自圖蟲創意，轉載需獲授權。

點擊下方卡片，關注長江商學院