在 AI 快速发展的当下，企业家们最关心的问题首先是战术层面的：我的企业里，哪些业务可以用上 AI？具体该怎么用？成本和收益账怎么算？

　　紧接着，则可能是更加战略性的问题：AI 的崛起将如何重塑行业格局？我们应该切入哪个新环节，甚至开拓哪个新赛道？

　　在“2025 罗汉堂 - 北大国发院数字经济年会”现场，为溪企业家、脉脉创始人兼 CEO 林凡，系统分享了他对这些问题的思考。

　　林凡认为，企业和行业评估 AI 应用需从三个维度入手：规模、场景与技术难度。他以 LinkedIn 和 Meta 为例，剖析了 AI 在不同场景下的应用模式，也探讨了作业帮、Character AI 等前沿公司面临的挑战，并对 AI 驱动的服务业变革做出了前瞻性判断。

　　林凡 2002 年毕业于清华大学计算机系；同年赴马里兰大学攻读数据挖掘与机器学习方向博士学位；次年回国加入搜狗，成为创始团队核心成员；2013 年创办脉脉，将其打造成国内领先的职场社区和招聘平台。

　　林凡：我本人技术出身，早在 2000 年就开始做一些机器学习相关的研究。脉脉作为中国领先的职场社区和招聘平台，有超过 1 亿的活跃职场人。因此，无论是在公司内部实践，还是在行业层面观察，我对 AI 的应用都积累了长期的思考，今天来和大家分享一下。

　　我们看到在这波 AI 浪潮到来的时候，所有企业都是处于一种非常焦虑的状态。不同类型的企业，它们的焦虑又不一样。对于大型企业来说，它们非常担心如果没跟上这一波浪潮，就会失去行业和市场的领导地位。而小型企业焦虑的是自己能不能抓住这波机会发展壮大。对于中型企业来说，因为经营压力和成本居高不下，它们焦虑的是 AI 能不能帮助自己降本增效。

　　实际上，大家对 AI 的最初期待难免过高了。所谓的“盖特纳曲线”（Gartner Hype Cycle）就代表了“短期高估，长期低估”这样一种趋势。目前大多数企业对于 AI 的期望正是处于典型的 “短期高估” 阶段。很多企业希望 AI 能把公司的成本直接砍掉一半，或者带来业务增长的翻倍，又或者带来颠覆式的创新。但过去一两年的经验已经说明，这些目标在短期内是很难实现的。

　　现有的成功案例基本上都是把 AI 应用到了某些能通过优化带来更大价值的关键步骤上。比如我特别要提到的一家知识产权方向的创业公司，它做的具体业务主要是帮企业解决品牌侵权诉讼相关的问题。传统上，在美国准备一封侵权诉讼的律师函，成本大概是 1 万美元。这就导致大部分品牌商只会对少数侵权案例提起诉讼。但有了 AI 之后，收集证据并撰写律师函的过程可以自动化，这就可以把成本从 1 万美元降到两三百美元。这意味着以前只能通过法律途径处理一小部分侵权案件，现在则可以针对所有案例发律师函。这家公司还和律所合作，判断发出律师函后哪些案件有胜诉的可能，再决定律所是否跟进参与。这是一个很有意思的在非常具体的场景下实现 AI 落地应用的创新方式。

　　在这波浪潮里，我认为 AI 带来的生产力提升基本上能让所有的公司都从中受益。比如 AI 对大企业的增收可以是非常有帮助的，尤其是在某些环节上的增收。创业公司也能通过 AI 做一些有突破的事。而所有的公司都能通过 AI 实现提效。比如在编程方面，现在越来越多的公司已经证明 AI 辅助工具能提升程序员 20%-30% 的效率，在部分创业公司甚至提升 4-5 倍效率。

　　第二，“场景”：具体在业务环节的哪个场景切入？这需要拆分工作流，并把 AI 能给工作流关键节点带来的降本增效做量化描述。

　　第三，“技术”：大致判断 AI 技术实现的难度。比如一项 AI 应用涉及到单轮还是多轮交互，是文科还是理科类型，是不是涉及多模态等，对这些都需要有一个基本判断。

　　根据这三个方面的判断，我总结了一个“企业内 AI 落地评估”的表格（下图），给出了一些大概的建议，包括哪些是应该要去做的，哪些是可以去尝试做的，还有哪些是比较难的、要谨慎去做的。

　　在规模、场景和技术这三个方面中，判断规模是相对容易的。比如，我们看到很多公司一上来都是想把 AI 用在所谓的创新体系中，这往往是新兴业务，对它未来的规模有信心，但当前并没有在公司内部或行业内得到验证。而那些比较成功的 AI 应用案例，基本上都是基于已有的大规模业务，只要在某个关键产品上做优化，就能带来显著收益。比如 Meta，它已经有数百亿美元的广告收入，那它只要在一个关键环节实现 AI 优化，就能带来 20~30% 的增效，也就是大约一百亿美金的收益，这就是非常值得去做的。

　　另外，我们需要对技术优化的成本做出判断。很多企业家会希望每一个业务环节都用 AI 去优化。但技术是有成本的。我这里做了一个大致的成本量化估计：对于单轮 “文科” 交互的 AI 应用，大概需要 1~2 个工程师，加上调试和长期维护，每年的成本大概是 100 万；对于多轮的 “文科” 交互或单轮的 “理科” 交互，成本可能会上升到每年 1000 万；对于多模态的技术，成本可能会要达到每年 1 亿。当然，技术的成本每年都在下降，而且是以倍数甚至指数级速度下降。即便如此，我们还是需要一个大概的定量判断，必须把 AI 应用的技术成本和收益都考虑进来，计算出一个合理的 ROI（投资收益）模型，这样才能算的过账来。

　　以 LinkedIn 为例，这是一个在国外有很多用户的平台。我本来以为他们在 AI 方面没有太大的突破，但在接触了解之后，我发现他们做了两件非常简单有效的事。第一件是如何帮助候选人把简历写得更好。他们的数据中有上亿、甚至十亿用户的简历，用 AI 做简历优化其实是单轮的文科型优化，并不困难。但这件事情给他们带来了 12% 的会员收入增长，换算下来是 2 亿美元，具有非常高的投入产出比。第二件事是如何帮助招聘方在移动端发布职位时自动撰写职位描述（JD, job description）。在原来的流程中，招聘方在这一环节的放弃率高达 50%~60%，因为在手机上输入一大段文字太麻烦了。但在用了 AI 后，只需简单勾选几个关键词，就能基于公司以往发布的 JD 历史数据，自动生成新职位的 JD。这样一来，这一环节的放弃率下降到了 30% 左右，也就是通过率提升了将近一倍，从而获得了 3 亿美金的收入增长。

　　我们可以看到，如果从一些很小的关键应用场景切入，只要规模够大、路径选对、技术成本可控，就能带来巨大的收益。Meta 是更典型的例子。他们其实一直在做一件事情，就是如何帮助广告主生成更好的广告创意。广告主对自己的产品和平台是比较了解的，但他们并不了解平台上的用户到底喜欢什么样的文案、图片或视频，所以他们需要通过大量试验，才能找到什么是在这个平台上最合适的投放素材。而 Meta 最清楚的是恰恰是它所有的用户喜欢什么样的广告产品形态和素材。因此，Meta 用 AI 来做广告素材优化这件事，就能将整体广告转化率提升大约 34%，这样就带来 100 亿美金的收入增长。美国的 “七巨头” 一方面在 AI 上不要命地砸钱，其实同时也在不要命地赚钱，所以才能不断砸钱进去。而我们很多企业还没有找到这样的方法和路径，所以在应用 AI 时面临很多挑战。

　　作业帮（Question AI）就是一个例子，它在美国乃至全球都在推出做题类的产品，但它面临的难度就要大很多，原因在于它的整个 K12 教育商业模式在中国是非常赚钱的，但在海外的盈利能力比国内至少低了一个量级以上。与前面提到的两个大厂具有的规模效应相比，作业帮还需要在新的区域和市场中，证明自己的业务所具备的规模。如果成功的话，那么它通过 AI 技术优化能带来的收益，可能会达到千万美金这个量级。

　　我们再看一家非常著名的公司 Character AI。放在同样的分析框架下，它其实在好几个方向上都面临挑战。我并不是说它的业务一定做不成，而是说需要的时间和周期会非常长。首先是在规模上，“AI 与人聊天” 这事在全球范围内都还没有形成规模化的商业模式，是一个从零到一的探索过程。同时，它的技术难度非常高，涉及到多轮甚至是多模态的交流，需要长期的技术投入。因此，它的市场本身不够清晰明确，投入又是巨大的，这样它可能会通过被一家更大的公司收购来继续做下去。

　　如果我们把评估 AI 在企业中应用的方法，用来看待整个行业层面的 AI 应用的话，会发生什么变化？其实核心的判断要素并不会变，依然是规模、场景和技术；但衡量的方式和看问题的角度会有所升维。

　　比如，我前面提到的规模是看企业k8凯发官网层面的业务规模，现在则需要看一个行业在社会中创造的整体价值有多大。我们经常听到有人说，AI 可以应用到心理咨询行业。但心理咨询这个行业，它整体就是一个百亿级的市场规模。而像汽车服务，它可能就是一个万亿级规模的行业。那么，在心理咨询行业里做到 100% 的 AI 优化，也只是 100 亿的市场；而在汽车服务行业里，只要优化 1% 的环节就是 100 亿了。所以 AI 在哪个行业落地，首先必须考虑行业本身的市场规模。

　　场景方面，在企业中我们分析的是工作流，并找到其中的关键环节，在行业中我们要去看行业的价值链，并找到真正创造比较大价值的职能。比如，销售就是汽车产业链中典型的高价值职能，因此汽车销售就能拿到比较高的提成。当然，销售也可以进一步细分成是针对 “诱导需求” 的还是针对 “固有需求” 的。保险销售更多是针对诱导性需求：很多时候客户本来没这个需求，但聊着聊着就决定买了。而汽车销售通常针对固有需求：如果客户本来没有买车需求的话，不太可能聊着聊着突然就决定买了。那么单从职能来看，AI 用在保险销售上创造的价值可能要比用在汽车销售上大得多。这就是要看到一个工种或职能创造的价值在整个行业价值链中所占的比例。

　　技术方面，在行业的维度上有一个关键指标是对错误的容忍度。比如，今天大家经常说教育和医疗是 AI 大有可为的领域。但我们容易忽略的一点是，其实这些领域的容错度非常低，不能出错。而像销售就属于高容错的职能岗位，哪怕 AI 作为销售吹的天花乱坠，也不太会造成无法挽回的结果。所以，不同行业和不同场景的容错性，会对 AI 落地的技术判断形成重要的影响。

　　关于行业层面的 AI 落地评估，我也整理了一个表格（上图）。“必须做” 的领域就是市场规模很大的行业中那些关键的创收职能，如果能找到技术难度相对低的方式去做 AI 应用，那就是非常值得做的。当然，这种情况通常会由大厂直接下场来做。而真正比较适合其他企业去做的，是千亿规模行业中的辅助创收职能，有一定的技术难度，这对于创新或创业团队来说是比较有机会做成的。

　　用这个分析框架，我们也可以看几个例子。比如，教育行业中的班主任是相对低难度的，现在大量的 K12 班主任已经被 AI 替代。原来一个班主任只能带几百个学生，现在可以带上千个学生。再比如，医疗行业中的轻问诊，对 AI 的容错度就比较低，但仍然需要确定 AI 的职能究竟是医生还是导诊，这是一个关键的选择。还有养老行业，是一个巨大的市场，但目前的行业关注主要还是在硬件方面，而很少关注老年人的精神诉求。这也是一个有挑战但很有价值的领域。

　　我还想借这个机会聊一聊关于技术变革的大趋势。以往的工业革命，基本上都是通过规模化的生产，大幅降低商品的价格。于是，越来越多的人都能享受到越来越丰富的物质生活。信息革命则是大幅降低信息生产的成本，从以前只有记者、咨询师这些专家才能生产信息，到今天每一个普通人都能生产和消费信息。而这一次的AI 革命会大幅降低服务的生产成本。以前只有富人才能享受到个性化的服务，但在未来的十到二十年里，每一个普通人也将能享受到各种个性化的服务。我认为这是一个必然的趋势。

　　另一个趋势是企业的规模。在互联网和移动互联网时代，早期涌现出很多几个人、几十个人的创业公司。但是发展到今天，最终还是巨头越做越大，小公司的生存空间越来越小。为什么？因为规模效应。在工业革命时代，机器带来了生产力的规模效应。在信息时代，信息生产的规模效应在小红书、抖音等平台上不断放大。几百年以来，服务一直没有形成规模效应，是因为对服务的管理是反规模化。但在 AI 时代，服务也会形成规模效应。

　　规模效应一定会缔造出大公司。现在有很多小公司和所谓 “一个人的公司”，是因为服务行业还没有达到充分竞争状态。若干年后，当服务形成规模效应之后，小公司的生存空间也同样会越来越小。今天在蓝领服务上已经能看到这种趋势，比如美团的外卖、滴滴的打车，它让很多蓝领服务具备了规模效应。而白领服务 —— 比如猎头、导游、程序员、设计师等 —— 目前还没有规模化，但未来这些脑力服务也一定会被 AI 带来的规模效应改造。

　　从另一个角度来讲，其实一个企业的规模，最终是由需求结构决定的。过去很多小公司之所以存在，是因为有很多细分、小众的需求，大公司做这些事效率不高。但为什么今天的信息时代，美国七大科技公司能覆盖那么多领域？因为算法让他们连很小、很个性化的需求也都能满足了。服务行业也是这样。小公司确实是为一些非常具体的细化需求存在的。但当 AI 的能力普适化，可以一下子解决各种不同的需求时，小公司存在的意义就被削弱了。所以，从满足需求的角度来说，未来也会是大公司越来越强，小公司越来越弱。当大公司拿走了 80%-90% 的市场份额时，小公司就不再是关键力量。这是我的一个核心判断。

　　我还有一个有待验证的观点：服务的整个商业模式会被重构。今天，大部分服务是按时长计费的，比如广告行业早期的 CPT（cost per time）计费模式是这样，在律师、程序员和设计师等行业，很多时候也是按服务时长来收费，这样才好衡量价格。这是为 “过程” 付费。但是到了服务能真正被规模化了之后，我觉得计费模式一定会变成按 “结果” 计费。比如，我们脉脉今天提供的很多招聘服务是按照账号收费的，但未来肯定会更像猎头那样，按交付结果计费。为什么美国的 SaaS 服务比较好？一个重要的原因就是它的结果可以标准化、可以被衡量，可以让企业知道花 2~3% 的成本能换来 10% 的效率提升。但在中国，企业很难衡量那个 10% 的效率提升。比如，我们公司在内部推广 “飞书” 的时候，很多同事问为什么要从 “企业微信” 换到 “飞书”。我们说这能提升 5~10% 的效率，但没人能讲清楚。最后还是 CEO 拍板说用 “飞书”，这才推动起来。

　　结果导向是提供服务的更好方式。未来，不仅是招聘服务和 SaaS 类服务，所有服务类行业都会转向按结果付费。AI 革命会继工业革命和信息革命之后，把服务的成本也降得极低，并带来一场全新的商业模式变革。而商业模式的变革又会进一步将技术的作用发扬光大。在过去的十几二十年中，广告行业的技术能力迭代就让广告市场的规模从几百亿增长到几万亿，这是非常巨大的空间和机会。

　　所以，我对未来有两个判断：第一，未来的白领服务也会出现像滴滴、美团那样的规模化平台；第二，服务的商业模式会从按时长计费转向按结果计费，从而大幅提升整个社会的协作效率。