一隆:下半场真正的优势,第一是私有数据。市面上很少有像我们这种基座型的商业经营体,能够拿到海量甚至货通全球的中国制造的数据。其次是私有的场景和工具。比如我们做 AI 生图,这有巨大的工程量,有规模效应,不是谁都能干的。而且,我们认为未来不能只是把传统员工的每一段职能都 AI 化,比如 AI 美工、AI 买手、AI 客服,它一定是端到端的 AI,而不是 AI 员工的求和。
张鹏:这种 Agent 的能力,今天的成熟度怎么样?
一隆:我觉得 Agent ready 的程度是超乎你想象的,它不是很遥远的未来,可能 3-6 个月就 OK。像基于 research 生成选品报告,多语言翻译,多模态素材生成,这些过去一年已经被解答得很好了。这个变化来临的周期,会比我们想象的快得多。
03
反常识的细节里,
藏着「做生意」的真常识
张鹏:听下来我发现,要证明一个 AI 是不是真的「懂生意」,不能只看它推出了多少功能,更要看它在关键时刻怎么做判断和取舍。这里面有很多细节,可能不符合通用的产品逻辑,但却很符合「生意人的常识」。
齐晓宁:没错。比如老板下了一个指令:「这个月必须把这批库存清了。」一个通用的 AI 工具可能会给你上百种营销技巧让你自己试。但我们的「数字员工店长」会直接为商家生成几套具体的、可执行的方案,清晰列出每套方案的投入费用、预计完成时间,以及能带来的 GMV。
商家只需要根据自己的情况选择一个,然后交给 AI 团队去执行。在商机瞬息万变的时候,商家需要的不是一个选项繁多的工具箱,而是一个能提供确定性、能承担责任的合作伙伴。
张鹏:这个思路很有意思。另一个常见的 AI 应用是推荐「爆款」,但这在 B2B 领域,尤其对工厂来说,好像是个陷阱
霍承富:是的,因为算法鼓励所有人去生产同质化的产品,最终结果就是「追共识就只能卷价格了」。一个懂生意的 AI 应该明白,工厂真正的核心竞争力,不是模仿爆款,而是它独特的、非结构化的生产能力——可能是某种特殊工艺,可能是对材料的深度理解。但工厂的痛点在于,很难把这些「内功」精准地翻译给买家。