撰文  | 吴坤谚

编辑  |   吴先之

1995 年，Gartner 发布技术成熟度曲线 Hype Cycle，试图用时间与社会预期的坐标系，把新技术从诞生到成熟的外部情绪轨迹可视化。

这个模型可以被套用到大多数技术演进上，当预期跑在交付前面，能做什么主导社会预期；当预期回落，讨论才会回到落地与交付。

将 GenAI 置入这个坐标系，最典型的波峰并不难找。大模型能力跃迁带来的演示效应极强，通用助手与通用 Agent 一度成为默认答案。但在消费级市场的实际落地中，却普遍面临着一个尴尬的悖论。

用户能够用自然语言描述目标，系统也能生成看似合理的方案，但当任务进入服务环节，许多通用 Agent 就会变得不那么可靠。缺乏深度的场景闭环，导致服务的交付往往只能停留在信息检索或简单的对话交互层面。当用户提出复杂需求时，往往会因为缺少可控的约束与验收标准，导致最终体验大打折扣。

这也是为什么，产业侧对 Agent 的讨论正在出现一个更明确的转向——从通用能力堆叠转向垂直场景跑通。

也正是在这种祛魅之后，垂直场景的价值才重新被看见：与其做一个万能但不稳定的通用助手，不如把一个高频、可验收、交付链路成熟的场景做专做深。

在出行这个重交付、高频次的领域，滴滴给出了不同的落地思路。其最新全量上线的 AI 出行助手 " 小滴 "，试图证明当 Agent 不再悬浮于空中，而是深入到供给组织与服务交付系统内部时，自然语言才能真正转化为实实在在的、可兑现的服务结果。

为什么是出行？

技术在演示阶段比拼的是能力上限，穿过期望膨胀的峰值，落地阶段比拼的是交付下限。决定分水岭的，往往不是模型是否更聪明，而是系统是否能把自然语言变成可兑现的服务结果。

如前所述，Agent 要进入生产力阶段，必须嵌入交付系统里。模型负责理解，系统负责兑现。通用 Agent 更擅长前者，垂直 Agent 则更有机会补上后者。

自此逻辑出发，不难发现，出行正是最适合验证这套逻辑的行业之一。

出行需求具备天然的明确性与标准化能力。相比于复杂的电商购物或旅游规划，出行的链路极其固定，无非是从出发地到达目的地，闭环的链路为 AI 能力的落地提供了良好的土壤。另一方面，出行需求亦相当高频，据交通运输部数据，全国网约车平台去年 12 月共收到订单信息 9.63 亿单。

在 AI 的世界里，边界越清晰，模型就越能通过精准的标签化处理满足用户的模糊意图。高频特性，则为能力的快速迭代提供了保障。

更重要的是，出行的供需两端均存在可被 AI 优化的痛点。

以当下用户在绝大多数出行平台的出行链条看，其出行基本上分两步走：输入目的地并选择呼叫的车型。为了追求叫车效率，用户体验被压缩在第二步的选型中，仅有价格、舒适、多座等寥寥数个维度可供选择。自用户需求来看，其信息表达无疑是被压缩了。

更多出行过程中的体验偏好，很难在下单前成为可执行条件，只能被挤到事后评价里，体验随机性被放大。

作为头部出行平台，滴滴早在 Agent 改造平台流程前，便有意优化平台能力，例如推出服务质量介于专车与快车之间的 " 轻享 "、宠物出行与包车等。只不过，前置的选择越多，对用户出行效率的影响也越大，直到能准确理解用户意图，并深入调度系统筛选、匹配司乘的 Agent 出现。

AI 在这里的作用，是把更多可用的信号前台化、把更细的约束纳入匹配，让供需在交易发生前就更接近彼此。

种种因素助推下，平台力相对较强的滴滴率先推出 " 小滴 "，并非为了跟风 AI 热潮，而是试图利用 AI 作为用户意图的 " 翻译官 " 和系统的 " 调度员 "，将出行做成更具确定性的服务。

把选择权交还用户

业内外多以 " 开盲盒 " 形容出行体验，与潮玩一般，盲盒体验的本质上是交易前信息不足——用户在确认前看不见交付轮廓，平台在派单时读不懂偏好差异。

小滴的出现，便是要在保障效率的情况下，快速理解用户偏好信息，以此为凭据调度供给。

打开滴滴 App，"AI 叫车 " 按钮位于目的地输入框下方的左侧入口，以滴滴主题色高亮显示。点击进入后，其会识别用户高频目的地，并展示数个用户最为关注的体验选择如 " 特惠 "、" 更舒适 "、" 更平稳 " 等。

如果用户需求不算复杂，在这里便可即点即走——光子星球测试下，点击其中一项体验偏好后，小滴花费大约 8 秒时间完成理解与调度。最终呈现的选项卡中，首先是主题色高亮的百分比显示对需求的满足程度，以及车型、价格等信息，只需要最后点击确认即可派单。

需要注意的是，这些被单独拎出来的需求，均是滴滴自去年 9 月 26 日开放测试小滴后，用户在对话中提到最多、呼声最高的需求。

滴滴相关人士告诉光子星球，大多数用户过去很难在下单环节把更细的体验偏好明确表达出来。现在，用户只需对小滴说出类似 " 更平稳一些 "" 更舒适一些 " 等需求，AI 便能在供给侧进行更精准的筛选与匹配，将更贴近偏好的车辆与服务呈现给用户确认。

伴随小滴的持续迭代，平台将能精准捕捉到更多这些细微的体验痛点。根源在于，小滴并不是在原有流程上简单加一层 AI 聊天框，而是试图把对话变成可执行指令，让自然语言真正进入调度链条。用户只需把需求用一句话说出来，小滴把需求拆解成可执行标签，在后台完成筛选与调度，再把候选结果以卡片形式呈现给用户确认与选择。

需要注意的是，AI 可以把需求拆解并在附近运力池中筛选最接近的候选，但也会受到物理世界供给状况的制约。当周边供给本身不足、或特定偏好在局部时空下难以满足时，小滴并不能凭空 " 变出 " 一辆完全符合要求的车，最终呈现的依旧是对当前可用供给的最优解。

在供给稀缺或需求过于苛刻的场景里，用户仍需要在时间、价格与体验之间做权衡。这意味着，AI 带来的确定性更像是对随机性的压缩。

足够普遍的 " 被前置 " 需求外，光子星球还测试了考验 Agent 理解与后台调度的复杂需求。

我们向小滴发出 " 合家去机场，要平稳，放行李 " 的信息，小滴在初步确认具体机场后，仅花费约 5 秒时间将之拆解成空间、平稳、后备箱大的标签，并提供车型卡片——承接模糊需求的精准供给，是 Agent 在用户侧感知到的 " 智能 " 所在。

除了复杂的场景组合，对于不擅长打字的老年人或输入不便的下沉市场用户，这种对话交互的 " 一句话叫车 " 模式也极大降低了打车的 " 数字门槛 "。

经测试迭代，小滴还将把 AI 能力延伸到更长链路的出行决策里。如历史订单分析会基于用户过往的出行记录，抽取更稳定的偏好与习惯。更贴近履约的延伸则是预约叫车与出行方案对比。

后者本质上是将即时调度拉长为计划调度，牵涉到更早的供给锁定与更强的风险预估。这样 " 先规划再确认 " 的路径，往往比即时叫车更能体现 Agent 的价值——它不只是缩短几步操作，而是在交易发生前把不确定性拆开、量化并呈现出来，让用户在确认之前就能看到一份更完整的出行答案。

小滴的加入，悄然改变了用户下单叫车的 " 顺序 "，变化看似细微，却直指盲盒的根因。用户在出发前，就能提前预见并锁定 " 结果 "，这份确定性，正是 Agent 落地消费级市场的核心溢价。

重塑平台效率

企业级抑或是消费级，效率都是 Agent 的叙事核心之一，这同样也是平台经济的核心能力。所谓平台经济，便是在高度动态的市场里不断压低摩擦成本，让匹配更接近效率前沿。

网约车行业里，效率是用户侧可感知的交付变量，同样一单服务，效率的波动会直接转化为体验的波动；另一方面，效率还是更少的无效路径、错配与事后纠偏。效率越接近最优，用户越少需要用反复操作去对抗不确定性。

小滴的出现，解决的便是交易前信息密度不足造成的效率损失，让平台无需以通用规则覆盖更复杂的差异。而这种程度的深度交付，也离不开滴滴过去十余年深耕出行的 " 厚度 "。

小滴身处滴滴庞大的交付系统内部，其不是在凭空创造好服务，而是把滴滴后台本就存在的、极其颗粒化的运营能力，" 翻译 " 给了普通用户。

小滴对接的是实时运力与调度体系。用户用一句话把需求说清楚后，系统会在附近可用车辆中做更贴近需求的匹配，并呈现给用户确认。相比过去主要靠固定选项下单，小滴更像把叫车变成用户个性化表达与确认的过程。

当然，平台基础的前提下，小滴还需要具备强大的需求拆解与映射能力。如前光子星球测试的机场出行，AI 需要听懂这不仅仅是一个目的地信息，还隐含了对 " 准时 " 和 " 大空间 " 的刚需。小滴背后的算法能力，能将这些模糊的语言快速映射到平台的供给标签上，从而寻找合适的车辆供挑选。

这种 " 所见即所得 " 的实时性，是服务型 Agent 的生命线，亦是 Hype Cycle 坐标系中对应的 " 启蒙坡道 " ——技术不再依赖宏大叙事维持热度，而是靠一连串可被感知、可被复用的增量价值，逐步建立稳定预期。

用户看到的是更确定的叫车结果，平台拿到的是可用的偏好标签与更清晰的约束条件，进而在同样的运力池里做出更贴近需求的分配。

当这种机制跑顺，效率的提升会以更温和、更持续的方式显现出来。这种 " 以服务促增长 " 的逻辑，正是 AI 回归业务本质的最好体现。

目前，AI 小滴仍处于测试阶段。除了叫车，滴滴还为它加入了更多趣味性和互动性的元素。例如 " 逗逗小滴 " 功能，让 AI 不再只是一个冰冷的下单工具，而是可以在行程中陪你聊天解闷、甚至随机触发彩蛋领取优惠的伙伴。

在消费级 AI 的角逐中，市场已经渡过了拼参数的阶段，焦点回落到解决 " 最后一公里 " 的真实痛点。

滴滴的小滴提供了一个极具参考意义的范式：AI 不应该悬浮于业务之上，而应该沉淀于流程之中。它不必追求大而全，但一定要在用户最需要 " 确定性 " 的瞬间，交付那个足够精准的结果。

微信号｜TMTweb

公众号｜光子星球

  别忘了扫码关注我们！