AI落地的物流樣本

撰文| 吳先之

編輯| 王 潘

站在2026年，回望剛剛過去的2025年，幾乎所有人都認(rèn)同這是AI在B端落地的大年。

“ToB的生意跟ToC完全不一樣，C端會有波動和起伏，而B端只要增長會一直增長，既不可能說用就用，也不可能用了之后立馬棄用，有很高的粘性。”阿里云一位從事B端業(yè)務(wù)多年的老兵表示。

一位飛書客戶成功經(jīng)理提到，2023年到2024年上半年，飛書跟客戶共創(chuàng)了大概1500個場景，實際有用的不超過20個。可到了2025年，光是飛書AI效率先鋒大賽，便涌現(xiàn)了230個真實業(yè)務(wù)場景案例。

AI不僅在生產(chǎn)資料上重構(gòu)著企業(yè)業(yè)務(wù)，還改變著企業(yè)更深層次的組織肌理。上述阿里云人士表示，“企業(yè)上云時代，我們主要對接企業(yè)IT部門，而在AI大規(guī)模落地時，目前有約三成不再是IT部門。”

AI與IT部門的交融，大約有三種形態(tài)，較為激進的企業(yè)，會單獨成立一級AI部門；第二種是循序漸進，將AI團隊融入到既有的IT部門中；第三種較為特殊，成立由企業(yè)一把手直管的辦公室，扮演著中臺角色，雖然建制不大，但優(yōu)先級很高。

當(dāng)企業(yè)客戶從內(nèi)到外開始變化，云與AI大廠的策略也在逐漸發(fā)生變化。

前述阿里云人士表示，“IT和云的目標(biāo)是走進運維，現(xiàn)在AI需要走進業(yè)務(wù)。”

這一觀點與飛書不謀而合。“過去IT或是云采購大部分是自上而下的，而AI的落地則是自下而上，業(yè)務(wù)一線的工作人員在自己的工作流程中把AI工具用好，實踐做出來。”

可以看到，無論是擁有全棧AI技術(shù)體系的阿里云，還是完成了從SaaS轉(zhuǎn)型為PaaS的飛書，都意識到了AI正在改變toB生意的邏輯。

我們試圖從極兔這家物流企業(yè)的角度，窺探企業(yè)AI落地背后的選擇與考量。

AI云廠商做元器件，企業(yè)做集成

與廠商期待AI加速落地不同，企業(yè)在實際運作中，更傾向于漸進式。“我們不是一次性地全量投入，而是漸進式，在一個階段內(nèi)找最重點、最急迫的問題，然后試點、打磨、升級、推廣。”極兔AI團隊表示。

極兔同許多大公司一樣，內(nèi)部系統(tǒng)無外乎外采與自研兩種，而判斷外采與自研，主要取決于投入成本、實際場景，以及是否關(guān)系到企業(yè)核心競爭力。作為全球化企業(yè)，極兔對于核心系統(tǒng)和應(yīng)用都會傾向于自主研發(fā)，而在底層通用大模型服務(wù)上會更多依賴于外采。

在企業(yè)實際運作中，外采與自研的邊界并不是那么涇渭分明，更多時候是以集成的形態(tài)出現(xiàn)。例如自動化設(shè)備的集成程度便很高。“物流行業(yè)發(fā)展很多年，自動化設(shè)備比較成熟，如條碼、分揀、存取、GPS跟蹤等系統(tǒng)，不同企業(yè)都會做一定程度的集成”。一位極兔人士表示。快遞企業(yè)在成熟解決方案面前，沒有必要“重復(fù)造輪子”。

而另一部分涉及到企業(yè)核心競爭力，或是市面上沒有的系統(tǒng)，企業(yè)只能自研。一位極兔人士提到，“只是底層很多原子化能力會采用外部成熟方案。”這也是不少toB廠商強調(diào)“被集成”的根本動因。

例如影響快遞公司效率的異常件識別系統(tǒng)，極兔通過自研或外采成熟的圖像識別、OCR（光學(xué)字符識別）、人臉識別等方案，集成到自己的物流系統(tǒng)之中。再比如，涉及到核心關(guān)鍵的物流相關(guān)模型，尤其是垂域大模型，進行場景化的微調(diào)，亦是如此。

值得一提的是，企業(yè)對于一些高度集成后的PaaS產(chǎn)品，表現(xiàn)出了很高的興趣。

過去幾年，生成式AI吸引了不少企業(yè)關(guān)注，其中就包括市場營銷部門。不論廠商將故事講得多么美好，生成式AI在企業(yè)級市場中，仍然算不上盡善盡美。

一位極兔速遞中國市場營銷部編導(dǎo)表示，“在企業(yè)流程中我們要的是確定性，不管是生產(chǎn)場景，還是輸出一個企業(yè)級宣傳片，確定性對于企業(yè)來說是最重要的。”即便模型再好用，使用者Prompt能力再強，最后輸出的片子仍有很大概率不可用。

視頻生成大模型存在一個悖論，既要保持生成物料的審美一致性，同時得根據(jù)腳本節(jié)奏呈現(xiàn)出差異化特點，即便如此，到最后的商標(biāo)環(huán)節(jié)，還是得靠“手搓”，或引入原片。“對于企業(yè)來說，商標(biāo)的色號、形制都不能有絲毫問題。”

團隊用拆解工作流的手段，解決了問題。他們將內(nèi)容生產(chǎn)切割為N個節(jié)點，腳本生成、分鏡生成、校驗故事等環(huán)節(jié)都有對應(yīng)的Agent，且調(diào)用的模型各不相同。在此基礎(chǔ)上，又引入了一套由自己和第三方產(chǎn)品混合的Agent，對生成的物料進行整合。

在整個流程中，團隊會根據(jù)實際生成效果，調(diào)用不同模型，通義、豆包、Deepseek、即夢等，海外市場因合規(guī)原因也會使用其他大模型。極兔方面表示，“我們會根據(jù)業(yè)務(wù)場景靈活使用自研AI平臺或飛書平臺，搭建智能體或工作流應(yīng)用，引入AI后能讓確定性更高。”

在企業(yè)上云的時代，不少廠商都使用混合云策略，存在一個體量不小的云下市場。而在AI時代，不少廠商也走向了混合模型，從而讓一部分需求可以被Token計算，另一部分則完全無法計算。

一位阿里云資深市場人士測算，占比更高的中小企業(yè)主要是在云上訓(xùn)練，這部分能夠參考Token消耗。而另一部分企業(yè)要么處于合規(guī)和安全，要么是企業(yè)IT能力強，這部分占比很高的需求情況無法計算，例如私有化部署和云下訓(xùn)練部分，“我們只知道他投入了多少在IaaS，卻不知道調(diào)用了多少Token”。

無法被預(yù)計的部分確實在極兔的案例中頻頻出現(xiàn)。一位極兔人士告訴光子星球，公司在AI應(yīng)用上采用混合技術(shù)策略。最終服務(wù)端的高頻Token消耗，主要來自行業(yè)主流的模型調(diào)用，以滿足大量通用需求。然而，在追求核心業(yè)務(wù)場景的定制化效果時，極兔的研發(fā)中心放在了基于可微調(diào)基座模型，進行自主的模型精調(diào)與后訓(xùn)練。

通過這種方式，極兔得以構(gòu)建私有化的專屬模型，而非僅僅依賴商業(yè)API調(diào)用。

AI落地的KPI：性能、效果、成本

去年年中，世界人工智能大會公布了一組數(shù)據(jù)，截至去年7月，全球已發(fā)布大模型3755個，其中1509個來自國內(nèi)公司。

以生成式AI為代表的大模型，處于超供給的情況下，在需求側(cè)卻出現(xiàn)了以決策式AI為代表的中小模型短缺。根據(jù)極兔方面的實踐來看，當(dāng)前階段，企業(yè)對于中小模型的需求高于大模型。一部分原因是通用模型無法解決垂直場景中的問題，企業(yè)需要在垂直場景中能用的AI。

“一些核心場景的延遲要求很苛刻，可能要20毫秒以內(nèi)，且調(diào)用非常大，現(xiàn)階段只能用小模型來解決。”極兔方面提到，在下單時生成電子面單必須依賴小模型，而使用大模型的場景主要集中在對延遲要求沒有那么高，涉及到語義理解的場景，像AI助手、智能客服、經(jīng)營分析等。

實踐不僅讓極兔很早就意識到了大模型與中小模型的差異化，甚至在不斷積累之下，已在使用AI改造自己的核心能力。

據(jù)悉，集團正在構(gòu)建物流AI決策大腦，該系統(tǒng)的目的是整合攬收、中心操作、運輸、末端、客服等原本獨立性相對較強的環(huán)節(jié)，提升環(huán)節(jié)間的協(xié)作能力，從而為集團整體提效。而在這個過程中，極兔自然而然地很清楚，到底在如此多的模型中，自己應(yīng)該用什么模型。

評估模型，企業(yè)不會關(guān)注模型廠商的參數(shù)，而是看業(yè)務(wù)反饋。具體流程是業(yè)務(wù)部門提出需求，然后極兔技術(shù)團隊會基于業(yè)務(wù)場景和需求做調(diào)研與測算，評估ROI。評估通過之后，需求部門和產(chǎn)研部門會對齊。

整個過程中，有三個核心評估指標(biāo)，分別是效果（準(zhǔn)確性）、性能（響應(yīng)時間）、成本（價格）。

以知識問答為例。極兔會首先測試不同模型的性能，關(guān)鍵信息抽取準(zhǔn)確性，例如全球各地的地理實體、人名、郵編。這是一個剛性指標(biāo)，通常要求高于95%以上才能入候選池。

由于調(diào)用量往往會非常大，因而還會增加響應(yīng)時間。極兔AI團隊表示，“DeepSeek的準(zhǔn)確性非常好，但因為太慢了，所以在這個環(huán)節(jié)上可用性較低。”

效果與性能在整個評估環(huán)節(jié)中起決定作用，能覆蓋兩個核心需求，且領(lǐng)先其他模型，便會最終應(yīng)用。照理來說，微利的快遞物流行業(yè)會非常關(guān)注成本，但因為2024年以來，Token價格持續(xù)下跌，成本在決策天平上的權(quán)重已讓位于性能與效果，企業(yè)對于成本的首要顧慮得以緩解，從而更傾向于應(yīng)用領(lǐng)先的技術(shù)模型。

從該案例可以看到，企業(yè)對于模型的選用帶有典型的“可插拔”特點，隨著業(yè)務(wù)變化而隨時更換。

盡管極兔對于AI落地持漸進式思維，但集團對于AI的投入力度很大，面對業(yè)務(wù)與技術(shù)同時處于頻繁迭代的現(xiàn)狀，企業(yè)預(yù)算隨之變得較為彈性。

以2025年預(yù)算為例，集團按照物流AI決策大腦的藍(lán)圖，為十余個業(yè)務(wù)制定了對應(yīng)的預(yù)算規(guī)劃。與此同時，還設(shè)置了一個或季度，或半年度的滾動機制。當(dāng)突然發(fā)現(xiàn)新需求，或是新技術(shù)后，集團內(nèi)便會立即調(diào)研、測試，將前述流程跑一遍，只要符合流程便會立即上報。

廠商包不圓的異構(gòu)

去年年底，海外谷歌Gemini 3、GPT 5.2陸續(xù)發(fā)布，國內(nèi)如火山引擎發(fā)布了豆包大模型1.8，阿里通義大模型體系持續(xù)迭代，企業(yè)在實際應(yīng)用中其實比模型廠商有更多有效反饋。

“年底這一輪迭代后，模型的數(shù)學(xué)推理能力急劇增強，但是存在過擬合的問題。”極兔AI團隊表示，過分追求測試集的評測，導(dǎo)致企業(yè)在落地過程中發(fā)現(xiàn)了比較嚴(yán)重的幻覺和不準(zhǔn)確的問題。因此，企業(yè)不得不將更多精力放在基于文檔的知識問答、通過工程化手段提升準(zhǔn)確性，以及基于上下文的任務(wù)規(guī)劃能力上。

某云廠商人士承認(rèn)，雖然模型廠商都號稱百萬級，但各種原因使得實際上給企業(yè)的文本上限不過3萬，限制了AI在廠商業(yè)務(wù)中的落地情況。

Manus在2025年嶄露頭角，只因做了任務(wù)規(guī)劃這一件核心事情，借助大模型的任務(wù)規(guī)劃能力去精準(zhǔn)調(diào)用各個工具。但是再好的解決方案，在3萬的Token上限面前，仍是“巧婦難為無米之炊”。

上下文的限制，不僅是企業(yè)當(dāng)下最頭疼的問題，也是導(dǎo)致以決策式AI為代表的小模型盛行，而以生成式AI為代表的大模型產(chǎn)品在B端遇冷的一個重要原因。從這個角度來講，飛書這類協(xié)同工具在去年吃到的紅利，或多或少便是給了企業(yè)一個大模型難以垂直應(yīng)用的解決方案。

技術(shù)路線再是美好，真正落到現(xiàn)實情況中總會走樣。

“我們用的云服務(wù)和模型比較多，各個廠商都會有銷售代表或解決方案代表常駐企業(yè)，而且不光是大模型，還有云基礎(chǔ)設(shè)施的存儲計算廠商。”一位極兔人士在閑聊中透露出的信息，揭示了混合云與混合模型業(yè)態(tài)下的眾生相。

從極兔這個案例可以肯定的是，單一的云服務(wù)和AI廠商不可能將一家企業(yè)包圓。這既有技術(shù)、服務(wù)能力的考量，也有安全與合規(guī)的因素，現(xiàn)實之所以與理想有差異，原因便在于理想的動因只有技術(shù)，而現(xiàn)實的動因千萬個。

大廠們真正需要思考的問題是，企業(yè)級應(yīng)用的混合模型趨勢，導(dǎo)致IaaS、PaaS、MaaS層將長期處于異構(gòu)情況下，如何為企業(yè)創(chuàng)造真實價值。

異構(gòu)的不止是技術(shù)，商業(yè)世界中從來如此。

微信號｜TMTweb

公眾號｜光子星球

別忘了掃碼關(guān)注我們！