運(yùn)營效率與用戶體驗(yàn)是貨拉拉的兩大核心。

2025年的商業(yè)世界正處于新舊交替的關(guān)鍵節(jié)點(diǎn)。在商業(yè)敘事重構(gòu)、科技浪潮席卷的當(dāng)下，WISE2025商業(yè)之王大會以“風(fēng)景這邊獨(dú)好”為主題，試圖在不確定性中錨定中國商業(yè)的確定性未來。我們在此記錄這場思想盛宴的開篇，捕捉那些在變局中堅(jiān)定前行的聲音。

11月27-28日，被譽(yù)為“年度科技與商業(yè)風(fēng)向標(biāo)”的36氪WISE2025商業(yè)之王大會在北京798藝術(shù)區(qū)傳導(dǎo)空間舉辦。

今年的WISE不再是傳統(tǒng)意義上的行業(yè)峰會，而是以“科技爽文短劇”為載體的沉浸式體驗(yàn)。從AI重塑硬件邊界，到具身智能叩響真實(shí)世界大門；從出海浪潮中的品牌全球化，到傳統(tǒng)行業(yè)裝上“賽博義肢”——我們還原的不僅是趨勢，更是在無數(shù)商業(yè)實(shí)踐中淬煉出的真知。

我們將在后續(xù)內(nèi)容中，逐幀拆解這些“爽劇”背后的真實(shí)邏輯，一同領(lǐng)略2025年商業(yè)的“風(fēng)景這邊獨(dú)好”。

以下是貨拉拉CTO張浩的演講實(shí)錄，經(jīng)編輯整理：

大家下午好！我是貨拉拉CTO張浩。

剛才的圓桌討論中，談到AI當(dāng)前對哪個(gè)行業(yè)影響深刻，地瓜機(jī)器人的秦總表示暫未看到明顯跡象。

接下來我將分享AI在貨拉拉的應(yīng)用落地情況，先不談未來，只講過去兩年的發(fā)展路徑。講完后，請大家再判斷：當(dāng)前AI對行業(yè)的影響到底有多大？

大家在大街上常能看到貨拉拉的車輛，這里不再贅述業(yè)務(wù)場景。貨拉拉最早成立于香港，2014年進(jìn)入中國內(nèi)地，至今已有12年歷史。除中國外，還在東南亞、南美洲等400多個(gè)城市和地區(qū)提供服務(wù)，月均活躍用戶近2000萬，活躍司機(jī)200萬。作為業(yè)務(wù)撮合平臺，核心是促成貨主與司機(jī)的交易，因此運(yùn)營效率和用戶體驗(yàn)是貨拉拉的核心能力，也是AI需重點(diǎn)突破的兩個(gè)方向。

每家公司的業(yè)務(wù)場景和落地階段不同。2023年ChatGPT橫空出世后，我們也開始相關(guān)研究。首要問題是：在貨拉拉所處行業(yè)及公司結(jié)構(gòu)中，AI在哪些領(lǐng)域能發(fā)揮最大作用？

我們參考高盛2023年AI研報(bào)的評估方法，通過崗位調(diào)研、任務(wù)拆解、自動化難度評級，量化AI提效潛力。生成式AI將率先在高數(shù)據(jù)密度、人力密集型領(lǐng)域引發(fā)生產(chǎn)力革命，因此我們優(yōu)先選擇業(yè)務(wù)安全、研發(fā)、產(chǎn)品、運(yùn)營等場景落地；而對于確定性要求高、容錯率低的場景，如數(shù)據(jù)分析，我們認(rèn)為時(shí)機(jī)尚未成熟。

確定方向后，便是技術(shù)落地路徑問題。

和所有科技公司一樣，2023年初我們也想做貨運(yùn)行業(yè)垂類大模型，投入了不少資源和精力。

最終，我們用時(shí)間和成本換回兩個(gè)結(jié)論：

第一，基礎(chǔ)大模型本身更新迭代極快，與其在基礎(chǔ)大模型上耗費(fèi)大量時(shí)間，不如深耕行業(yè)數(shù)字資產(chǎn)、業(yè)務(wù)API及行業(yè)know-how的落地。

第二，搭建企業(yè)自身的AI應(yīng)用平臺比做基礎(chǔ)大模型更重要，隨著基礎(chǔ)大模型的升級，企業(yè)AI應(yīng)用能自動提升效率。

基于這兩個(gè)認(rèn)知，我們調(diào)整重心，不再糾結(jié)于基礎(chǔ)大模型。隨后用一年多時(shí)間打造了三個(gè)完整的平臺應(yīng)用：海豚平臺、悟空平臺和評測標(biāo)注平臺。

簡單介紹這三個(gè)平臺：

悟空平臺旨在讓非專業(yè)人士能在5分鐘內(nèi)搭建初級企業(yè)智能體應(yīng)用。

它有三個(gè)主要特點(diǎn)：

一是可視化流程編排，通過拖拽即可整合公司各類數(shù)據(jù)資產(chǎn)的API接口。

二是0代碼智能構(gòu)建，通過自然語言就能搭建基礎(chǔ)智能體。

三是可建設(shè)企業(yè)級工具庫和MCP，正如之前所說，我們的競爭優(yōu)勢不在技術(shù)層面，而在于做好企業(yè)數(shù)字化資產(chǎn)。

海豚平臺面向?qū)I(yè)算法開發(fā)者，實(shí)現(xiàn)從數(shù)據(jù)訓(xùn)練、模型開發(fā)、上線維護(hù)到生命周期管理的一站式效率提升。

我們希望通過這個(gè)企業(yè)內(nèi)部平臺，為算法工程師節(jié)省在資源、數(shù)據(jù)、模型開發(fā)、檢測等方面的時(shí)間。

當(dāng)然，模型構(gòu)建上線后的評測環(huán)節(jié)至關(guān)重要。為此我們推出標(biāo)注AB試驗(yàn)平臺和拉拉智評，完善模型PK、AB試驗(yàn)分流等環(huán)節(jié)。

過去有個(gè)玩笑說“人工智能就是人工+智能”，因?yàn)榇罅烤ㄔ跇?biāo)注和評測上。做好評測體系，才能確保每次上線的結(jié)果可靠可重復(fù)。

以上是對三個(gè)平臺的簡要介紹，這也是我們引以為傲的成果。我們的經(jīng)驗(yàn)是：大模型是行業(yè)、大廠提供的公共基礎(chǔ)能力，而平臺應(yīng)用需企業(yè)自行打造，這樣才能讓業(yè)務(wù)“跑得更快”。

接下來分享幾個(gè)應(yīng)用場景。這些場景雖無顛覆性突破，但值得推廣且有微創(chuàng)新。

比如AI安全防控。在貨運(yùn)場景中，貨拉拉用戶可能遇到違規(guī)載人、危險(xiǎn)品運(yùn)輸、危險(xiǎn)駕駛等行為。

平臺需及時(shí)干預(yù)，但這類事件處理窗口短（僅幾分鐘），若未及時(shí)檢測干預(yù)，可能引發(fā)問題。

針對安全駕駛實(shí)時(shí)監(jiān)測窗口短、準(zhǔn)確率要求高的特點(diǎn)，我們通過大模型結(jié)合語音、圖像及非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行實(shí)時(shí)檢測干預(yù)，對下單流程分層處置。一年多來，危險(xiǎn)品運(yùn)輸和違規(guī)載人的風(fēng)險(xiǎn)訂單量下降30%，訂單提醒率達(dá)100%。

第二是AI Coding。任何科技公司都會用到AI Coding，核心問題是它能否提升產(chǎn)研效率？答案是肯定的。

從一年多前使用AI Coding至今，90%的個(gè)體和團(tuán)隊(duì)已應(yīng)用。研發(fā)流程滲透率從PRD、研發(fā)、上線、調(diào)試到監(jiān)控，AI Coding覆蓋了60%，整體滲透率較高。

但也存在不足：當(dāng)前AI Coding僅能提升約10%的工作效率。

若在座有工程師會知道，程序員并非每天8小時(shí)都在寫代碼。我們統(tǒng)計(jì)發(fā)現(xiàn)，工程師日均僅30%時(shí)間用于寫代碼；假設(shè)代碼工作中30%由AI生成，最多僅10%的上線代碼來自AI Coding，比例不算高。

原因在于，AI Coding在新工程及前端任務(wù)中能生成大段代碼，但面對復(fù)雜業(yè)務(wù)邏輯，開發(fā)者需與AI反復(fù)用自然語言溝通才能得到正確邏輯，且代碼不一定能上線。

也就是說，寫代碼時(shí)間減少了，但檢查、糾錯、測試的時(shí)間增加了，一增一減后效果并不顯著。

再看一些微創(chuàng)新。在產(chǎn)品體驗(yàn)方面，新用戶可能不清楚哪種車型適合裝貨，也不知道貨物的尺寸重量。為此我們開發(fā)了“拍貨選車”功能：用戶用攝像頭拍攝貨物，AI通過點(diǎn)云分割計(jì)算體積，再與車庫車型自動匹配，10秒內(nèi)即可推薦最合適的車型，使用效果良好。

作為互聯(lián)網(wǎng)公司，我們每天收到大量用戶反饋，這些反饋內(nèi)容繁雜，人工打標(biāo)、分類、總結(jié)效率低下。于是我們用大語言模型打造用戶反饋分析器，通過小模型快速識別分類，再由大模型總結(jié)整理。

這一功能效果顯著，比如我們很快發(fā)現(xiàn)用戶反饋開發(fā)票效率低的問題，這類信息以前很容易被忽略，現(xiàn)在能精準(zhǔn)捕捉。

同樣，同事離職、產(chǎn)品迭代后，可能出現(xiàn)“知識死角”：幾個(gè)月或幾年后，沒人知道某個(gè)功能是誰做的、為何這么做。

針對這一問題，我們用大語言模型整合公司所有PRD文檔、代碼倉庫、配置等資料，通過數(shù)據(jù)分析打造了AI產(chǎn)品知識專家，能解決歷史問題，尤其是知識冗余和跨部門協(xié)作問題。

業(yè)務(wù)流程中存在大量給用戶發(fā)短信的需求，短信成本不低，其中有不少節(jié)省空間。

短信內(nèi)容由人工撰寫，存在優(yōu)化空間，大語言模型天然適合這項(xiàng)工作。通過智能優(yōu)化分析，我們簡化、優(yōu)化了以往表達(dá)不準(zhǔn)確、過于冗長的短信內(nèi)容，一年節(jié)省約12%的短信成本。

此外還有潛在收益：風(fēng)險(xiǎn)防范。一條短信可能發(fā)送給數(shù)百萬用戶，大語言模型能提前預(yù)測用詞和內(nèi)容的合規(guī)風(fēng)險(xiǎn)，便于及時(shí)干預(yù)。

如今AGI技術(shù)讓數(shù)字人無處不在。以前純文本或語音助理缺乏人物形象，現(xiàn)在我們用真實(shí)AI數(shù)字人作為業(yè)務(wù)伙伴，在公司內(nèi)部和外部場景都得到了良好應(yīng)用。

比如我們的AI應(yīng)用專家在通話時(shí)，曾出現(xiàn)方言聽不懂、答非所問的情況；與外部交流時(shí)，即便答對，用戶因知道是AI也可能不信任。

為此我們構(gòu)建了AI+ASR+LDM+TTS的三維串聯(lián)體系。

ASR通過獨(dú)創(chuàng)熱詞運(yùn)營及與第三方合作優(yōu)化聲學(xué)模型，語義識別準(zhǔn)確率達(dá)94%。

重要的是，我們發(fā)現(xiàn)帶方言的AI業(yè)務(wù)伙伴更具真實(shí)感，于是調(diào)整了口音音色，使AI真人度達(dá)92%，效果不錯。

另外，在線場景中用戶常帶有情緒（如焦急、生氣），此時(shí)需及時(shí)安撫并引導(dǎo)至不同場景。我們通過大語言模型實(shí)現(xiàn)問題改寫、場景路由及Multi-Agent模式，大幅提升問題解決率和準(zhǔn)確率。

最后回到開頭的問題：當(dāng)前AI在服務(wù)類業(yè)務(wù)場景中主要做兩件事——增收和降本。

不同行業(yè)特點(diǎn)不同，像貨拉拉所處的O2O行業(yè)（無論是電商還是貨運(yùn)）本質(zhì)仍是服務(wù)行業(yè)，核心價(jià)值還是服務(wù)本身，這一點(diǎn)不會被AI取代。未來若無人駕駛+具身智能完全普及，AI或許能勝任服務(wù)工作，但目前還不行。

AI在貨拉拉這類行業(yè)中，提效作用相對邊緣，約5%-10%。部分崗位受影響較大，但總體仍是提效、防風(fēng)險(xiǎn)和降成本的渠道。

不過我們?nèi)孕璞３謽酚^。首先，基礎(chǔ)大模型演進(jìn)日新月異，呈指數(shù)級發(fā)展，今天的問題可能三個(gè)月后就不再是問題。

具體落地方面，我們將向多模態(tài)模型方案推進(jìn)。剛才提到的AI業(yè)務(wù)伙伴分ASR、LLM和TTS三個(gè)階段，但維持準(zhǔn)確率和時(shí)延仍有困難。

因此，單個(gè)模型整合端到端三個(gè)模塊是未來方向。目前我們單個(gè)數(shù)字人做得較好，未來希望從上游到下游全打通，用多個(gè)數(shù)字人整體提升企業(yè)流程效率。

當(dāng)然，用戶體驗(yàn)是重中之重，目前AI在這方面作用相對較小。但隨著AI能力提升，未來有望通過端到端大模型助手，在智能選車、智能填單、內(nèi)部運(yùn)營答疑等方面實(shí)現(xiàn)提效。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請?jiān)谖闹凶⒚鱽碓醇白髡呙帧?/p>

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時(shí)與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com