首页 > 分享 > AI下半场，蚂蚁数字蚂力给出答案

AI下半场，蚂蚁数字蚂力给出答案

花匠小妙招
2025-09-17 05:06

2022年ChatGPT横空出世后，人们对AI的期待从未如此迫切。电商公司上线智能客服，银行开始使用投研助手，技术企业借助AI的力量写代码、跑程序，寄望它成为下一个驱动效率与利润的通用技术。

但在拥抱AI的几年间，企业管理者们发现：客服机器人能秒级回复几千条咨询，但它却只会重复自己学过的句式，对人类真实的情绪和语义“毫无感知”。最后还是得转人工，用户体验依旧没有提升；投研助手写报告的速度加快了，但投决流程仍靠人工拍板，业务效率几乎停在原地；研发部门，AI写出的代码逻辑与既有体系脱节，质检与调试难以下手。

这种尴尬也出现在40年前。“你能在任何地方看到计算机，唯独看不到它们出现在生产率统计里。”经济学家罗伯特·索洛在1987年的这句话，曾是IT产业的真实写照。那时，企业已经大规模采购计算机，却没能改变产出数据。直到1995年后，随着流程被重新设计，IT才真正兑现生产力红利。

今天的AI正处在类似的关口。模型的精度与速度不断刷新，但它依旧只是个人提效的工具，并未转化为实实在在的业务增长。许多管理者的心态，也从最初的期待、焦虑，变成了观望。MIT媒体实验室今年7月的一份报告更像是泼了一盆冷水：尽管企业界在生成式AI上投入了300-400亿美元，但95%的企业没有看到任何财务回报。

这就是当下的AI鸿沟：技术进步和业务回报之间，仍隔着一道深不可测的断层。要跨过去，光靠更强的模型并不够，必须有一套能交付结果的新生产关系。

01跨越AI鸿沟：人机融合是解法

在9月11日的外滩大会上，蚂蚁集团副总裁、数字蚂力董事长兼CEO周芸没有谈论模型参数或者算力曲线，而是从企业管理者的角度，解释了为什么AI落地始终难以在财报上兑现。

她指出，症结首先在于流程的脆弱性。企业的业务链条往往冗长而复杂，哪怕单个AI节点的准确率能做到九成，一旦多个节点串联，整体可靠性就会骤然下滑。更深层的障碍来自协同。企业原有的流程设计，本质上是围绕“人和人”的分工而建立，而不是“人和AI”。这让想象中的人机协同始终面临“人机磨合”的尴尬。

而在所有这些问题之上，还悬着治理真空的困境：企业的考核与问责体系只适用于人，当AI与员工共同完成工作时，一旦结果出错，责任究竟该落在谁身上？没有清晰的边界，企业自然不敢让AI进入核心业务。

如果这些问题不解决，AI就只能停留在“锦上添花”的层面。周芸提出的解法，是一种新的组织方式：人机融合模式。它试图一一破解AI落地的难点。在流程端，数字员工处理大规模、标准化的任务，把复杂、个性化、需要共情的部分交给人类兜底，既减少串联误差，也提升整体效率。

在协同时，人与AI不是简单的上下游关系，而是并肩作战的两股力量。以客服为例，原本搭建一个传统客服中心，需要知识运营专家、服务策略、品控质检等十多个职能团队，还需要花费大量时间培训客服。而在人机协同下，完全可以压缩为几个核心Agent角色；研发同理，过去线性推进的研发流程，一旦出错，返工成本极高，而人机融合可让研发过程变成螺旋式的循环：AI 先行尝试，人类判断取舍，再由 AI 优化，二者交替演进，形成“小步快跑、快速试错、持续校正”的迭代。这不仅让组织结构更轻，更让AI真正嵌入流程，而不是外接插件。

更关键的是，这一过程不是静态分工，而是数据驱动的进化飞轮：AI在执行中不断沉淀数据与人类策略逻辑，持续提升能力上限。在营销场景中，一支优秀的营销队伍依赖敏锐的洞察力、丰富的转化经验和持续学习能力，而数字员工既能从内部交互中沉淀“金牌销冠”的话术，也能从社媒与竞品中汲取外部经验，逐渐复刻人类销冠的打法。在售后环节，这种模式还可能释放新的增长潜力：即便是客单价较低的用户，也能拥有一个“专属顾问”，在需要时得到陪伴式服务，从而被转化为新的价值来源。

在新的生产关系下，人与数字员工不再是单独作战，而是组成一支能为业务增长负责的团队。数字蚂力发布的五大数字员工团队——AI 数字客服团队、AI 营销团队、AI 销售教练、AI 督导员与 AI 研发运维团队，覆盖了企业最常见也最头疼的职能，它们并不只是“替人干活”，不仅与人类共同带来增长，还进一步通过业务托管模式，对结果负责。

红杉资本今年在研究中指出，AI正在经历从“工具”到“copilot”，再到“autopilot”的演进。微软在《Work Trend Index 2025》中同样提出，AI 将经历三个阶段：从“人类助手”，到“人-机团队”，再到“人主导、Agent执行”。

国内学界的研究也在印证这一趋势。9月12日，上海交通大学安泰经管学院、中银科技金融学院携手中国太平洋保险集团、欧莱雅中国、乐刻运动、兴业银行和蚂蚁集团，联合发布了业界首个企业应用AI成熟度模型(AI Adoption Maturity Model, AIM2)报告。不同于过往“重技术、轻应用”的评估，这一模型以应用与价值为核心，强调未来组织要从“分工”走向“协同”，打造面向未来的人机融合新型组织。

从红杉到微软，再到AIM2，不同的研究从资本、企业、学界的角度指向同一个趋势：只有当人机关系被重新设计，AI才可能从工具跃迁为生产力。

02企业要的不是AI工具，而是确定性的业务结果

真正让数字蚂力区别于大多数AI厂商的，不是工具本身，而是它敢于对增长负责。

传统模式下，企业买到的往往是一套“工具箱”：要采购模型，还要投入时间改造流程、培训员工，甚至要承担试错的成本。这对大企业来说已经是一笔巨大开支，对人手有限的创业公司而言，更无异于奢侈品。

托管模式正是解决这一矛盾的“普惠解法”。在这种模式下，企业无需自建算法团队和庞大的中台，只需定义业务目标(例如，GMV提升10%)，剩下的模型训练、流程重构、人机调度全部由数字蚂力打包搞定。

这种模式的可行性，来自于一整套“专家级”的数字员工团队。其中，AI数字客服团队，可以释放70%的人效，帮助中小企业降本35%，其中AI开发运维团队一分钟便能搭建网站，能让企业节省近40%的成本。AI营销团队试驾到店率为32%，节省成本46%。再比如AI督导员能提升15倍的巡检人效，优化商品布局和服务流程，将门店销售转化率提升20%等等。

截至目前，数字蚂力已与近百家行业头部客户合作，平均帮助电商企业实现超过10%的GMV增长。

乐刻运动作为中国领先的健身产业互联网平台，是这一模式的尝鲜者。乐刻运动在全国拥有2000家门店和1400万注册用户，快速扩张的背后，让乐刻面临“规模与服务质量”的持续张力，人工处理模式效率低下且难以标准化。

在引入数字蚂力的两大数字员工团队后，“AI客服”能对客高效沟通并解决实际业务问题，解决率超过85%；“AI督导员”利用视觉识别替代人工巡店，实时发现潜在风险，对比传统的人工抽检，大幅提升了门店巡检效率！

乐刻通过把“数字员工”融入企业的业务流程，最终收获的不是零散的效率提升，而是确定性的业务结果：更高的利用率、更低的获客成本、更长的用户生命周期。

这种承诺式交付，对中小企业而言，远比任何炫目的功能更具吸引力。这也是托管模式的普惠价值所在：原本只有大企业才能负担的AI应用，现在中小企业也能“开箱即用”。技术普惠也不再是口号，而是具体可见的商业现实。

03为什么数字蚂力敢为结果背书？

“为结果付费”听上去诱人，但对任何一家企业服务商而言，这几乎是最沉重的承诺。在一个容错率极低、流程高度复杂的企业环境里，任何失误都可能导致客户流失或合规风险。多数厂商宁愿大谈模型参数，也绝口不提“结果保证”。为什么数字蚂力敢走这一步？

答案藏在它二十年的场景积累和能力厚度里——金融级的服务经验、电商级的高压环境，以及遍布全国的分布式服务资源网络。正是这些，让它在行业少见地具备了承诺结果的底气。

蚂蚁过去二十年的金融与电商服务经验，本身就是最好的训练场。在金融领域，极低的容错率要求数字蚂力必须在安全合规与用户体验之间找到平衡，哪怕在高风险、高复杂度的流程中，也能提供稳定可靠的服务；在电商大促这样的极端场景中，数以亿计的交易请求需要在秒级完成，支付、物流、客服三端同时承压，数字蚂力则可以通过人机融合的方式，确保在高峰时刻依旧能维持良好的服务体验。

此外，与依赖开源语料或行业二次加工的厂商不同，蚂蚁掌握着覆盖金融、支付、电商、客服等多维度的原生语料。这些语料不仅是数据，更是行业 know-how 的沉淀。它们帮助数字蚂力形成了对业务逻辑、服务策略、用户习惯的深刻理解，使得AI数字员工不只是“会回答”，而是能够基于上下文提供更合理的服务策略，识别用户的真实需求，并给出更贴合的解决方案。

此外，数字蚂力背后还有一张由53w专业团队组成的分布式服务资源网络。当AI难以解决的长尾、复杂、情绪化的场景出现，它能让AI的交付变成“有保障的托管”：AI负责规模化执行，人类兜底复杂性，最终企业获得的是一个可承诺结果的闭环。

这三层积累，决定了数字蚂力与其它厂商的差异。微软、谷歌、Salesforce等海外巨头长于做“工具”和“平台”，但鲜少有机会直接面对电商大促、金融风控这类复杂场景。而国内同行则更多在单岗位上发力——客服、报账、内容生成，替代一个人，而不是重塑一个团队。而数字蚂力是直接把AI拉进组织内部，成为真正的生产力。

AI的故事，正在悄然进入下半场。“在下一波 AI 浪潮中，你卖的不是工具，而是结果。”红杉资本的判断正在成为产业共识。IDC的数据也印证了这一转向：到2027年，全球超过四成的AI支出将流向“结果导向的托管服务”。

当企业决策者不再问“你的AI有多强”，而是问“你的AI能为我的财报带来多少”时，产业的分水岭已经出现：AI的竞争力不在模型参数，而在能否把结果写进财报。