2025 年的商业世界正站在新旧转换的十字路口。在商业叙事重构、科技浪潮席卷的当下，WISE2025 商业之王大会以 " 风景这边独好 " 为基调，试图在不确定中锚定中国商业的确定性的未来。我们在此记录这场思想盛宴的开篇，捕捉那些在变局中依然坚定前行的声音。
11 月 27-28 日，被誉为 " 年度科技与商业风向标 " 的 36 氪 WISE2025 商业之王大会，在北京 798 艺术区传导空间落地。
今年的 WISE 不再是一场传统意义上的行业峰会，而是一次以 " 科技爽文短剧 " 为载体的沉浸式体验。从 AI 重塑硬件边界，到具身智能叩响真实世界的大门；从出海浪潮中的品牌全球化，到传统行业装上 " 赛博义肢 " ——我们还原的不仅是趋势，更是在捕捉在无数次商业实践中磨炼出的真知。
我们将在接下来的内容中，逐帧拆解这些 " 爽剧 " 背后的真实逻辑，一起看尽 2025 年商业的 " 风景独好 "。
以下为货拉拉 CTO 张浩的演讲实录，经编辑：
大家下午好！我叫张浩，是货拉拉的 CTO。
刚才圆桌环节，有讨论到 AI 今时今刻对哪个行业会有深刻的影响，地瓜机器人的秦总回答是还看不见。
接下来我给大家分享一下 AI 在货拉拉的应用落地，我先不讲将来，只讲我们过去两年的发展路径。讲完之后，请大家再做一个判断，看今时今刻的 AI，对行业影响到底有多大？
大家在大街上应该都可以看到货拉拉的车，所以我不再赘述我们的业务场景。我们最早成立于香港，2014 年进入到中国内地，到现在已经有 12 年的历史了。除了中国之外，我们在东南亚、南美洲等一共 400 多个城市和地区也有提供服务，月均有近 2000 万的活跃用户，200 万的活跃司机。对于我们这样的业务撮合平台，最重要的事情就是撮合货主和司机之间的交易。所以运营的效率和用户的体验是货拉拉的核心能力，也是我们最需要 AI 能够拿下的两个核心方向。
每家公司的业务场景和落地阶段是不一样的。两年前，随着 ChatGPT 的横空出世，我们也开始在做这方面的研究。首先要解决的问题就是，在我们这样的行业和公司结构里，AI 在哪些领域是能够起到最大作用的呢？
我们参考高盛 2023 年 AI 研报的评估方法，通过岗位调研、任务拆解、自动化难度评级，量化 AI 提效潜力。生成式 AI 将率先在高数据密度、人力密集型领域引发生产力革命，所以我们选择了业务安全、研发、产品、运营等场景作为高优先级落地，而在一些确定性要求高、容错率低的场景，比如数据分析，我们认为还不到时机。
确定了发展方向之后，接下来就是技术落地的路径问题。
跟所有科技公司一样，2023 年最开始做的时候，我们也是想做行业内的垂类大模型。所以我们投入资源去做货运的行业大模型，花了很多的精力。
最后，我们用钱和时间买回来了两个结论：
第一点，基础大模型本身日新月异，在基础大模型里面花很多时间，还不如把我们整体行业里的数字资产、业务的 API、行业的 know-how 落地做好。
第二点是，做我们自己的 AI 应用平台是比做基础大模型更重要的事，随着基础大模型的提高，我们自己的 AI 应用，也会自动地发挥更多效率。
有这两个认知之后，我们也开始调转重心，不再纠结于基础大模型。于是我们花了大概一年多的时间打造了很完整的三个平台应用，海豚平台、悟空平台和评测标注平台。
我简短地给大家讲一下我们这三个平台。
悟空平台的目的，是希望一个非专业人士，能够在 5 分钟之内，在公司内部搭建起一个初级的企业智能体应用。
所以它有三个比较大的特点：
一是可视化的流程编排，拖拖拽拽，就能把公司各种数据资产的 API 接口都拽在一起。
二是 0 代码的智能构建，通过自然语言就可以构建一些基本的智能体。
三是能建设企业级的工具库和 MCP，就像刚才所说的，我们能够做的不是在技术层面去竞争，而是要把企业的数字化资产做到很好。
海豚平台则是面向更专业的算法开发者，为了让大家从整个数据训练到模型开发、上线维护、生命周期管理，都能做到一站式的提高效率。
我们想要通过这样一个很好的企业内部平台，为算法工程师们节省在资源、数据、模型开发、检测等等方面的时间。
当然，最重要的是构建了模型并上线之后的评测环节。对此我们推出的标注 AB 试验平台和拉拉智评，提升了我们在模型 PK、AB 试验分流等方面的完善度。
以前大家开玩笑说，" 人工智能就是有多少人工就有多少智能 "，因为很多时候的精力和时间都花在各种标注和评测上面。所以把评测机构做好，才能确保我们每次上线的结果都是真正可靠可重复的。
刚才简单讲了一下我们三个平台，这也是我们觉得比较骄傲的地方。我们用时间买回来一个经验：大模型是需要行业、大厂来提供的公共基础能力，但平台应用只能靠企业自己做好。做到这一点，才能够让我们的腿跑得更快。
接下来，给大家分享一下我们一些应用场景。这些场景里面，坦率说没有哪个是颠覆性的，但我认为是比较值得去推广的，也有一些微创新。
比如 AI 的安全防控。在货运的场景里面，大家如果用到货拉拉的话，一定会发现时不时会有违规的操作，包括违规载人，危险品驾驶，以及危险的驾驶行为等等。
这些是需要我们作为平台方来及时干涉的，但是这个周期很短，整个过程可能也就几分钟。如果这几分钟检测不到，或者没进行干预的话，就可能会发生问题。
基于安全驾驶的实时监测窗口时间很短，以及准确率要求很高的特点，我们通过大模型、通过语音、图像，还有通过整个非结构化数据的去进行实时检测和干预，对整个下单流程进行分层处置。一年多下来，我们危险品运输和违规载人的风险订单量下降了 30%，同时订单提醒率也达到了 100%。
第二点不得不说的是，任何一家科技公司都会使用 AI Coding，必然需要思考的一个问题就是 AI Coding 能不能给产研提效？答案是肯定的。
从一年多以前使用 AI Coding 到今天为止，目前 90% 的个体、团队都用到了 AI Coding。同时，我们整个研发流程的渗透率，从开始的 PRD，到研发、上线、调试、后面的监控，AI Coding 已经覆盖了 60%，所以整体的渗透率是比较高的。
那么必然要说一说不高的地方。我们觉得 AI Coding 今时今刻大概只能提升 10% 的工作效率。
如果在座有工程师的话，会知道程序员并不是每天 8 小时都坐在那里写代码。我们算了一下，工程师每个工作日大概平均花 30% 的时间写代码。假设代码工作中，30% 的是由 AI 生成的，最多就 10% 的上线代码是通过 AI Coding 得到的。这个比例还不算高。
因为我们发现，AI Coding 可以在新的工程以及前端的任务里，大段大段地产生代码。但是，对一些很复杂的业务逻辑，开发者需要通过自然语言进行很多反复的交流，才能让 AI 得出正确的逻辑，同时还不一定能保证这些代码会上线。
也就是说，虽然写代码的时间少了，但你后面检查、纠错、测试的时间却增多了。所以一加一减，最后其实并没有那么高的效果。
接下来还有一些微创新。比如在产品体验方面，新客户可能并不清楚什么样的车适合装什么样的货，也有客户也不知道自己要装的货物有多大多重。所以我们自己做了一个 " 拍货选车 "，用户通过自己的摄像头给货物拍一张照片，AI 就能够通过点云分割，计算体积，在跟我们车库内的车型做自动匹配后，一般仅仅 10 秒钟就做出最合适的推荐。这个功能出来以后，大家使用的效果也是比较好的。
作为一家互联网公司，我们每天会收到成千上万的用户反馈。这些反馈的内容是林林总总的，需要打标、分类、总结，效率是非常低的。所以我们就用大语言模型做了一个用户反馈的分析器，依靠小模型来快速地识别分类，然后再通过大模型进行总结整理。
我们发现这个效果就非常好。比如我们很快就意识到，很多用户反馈我们开发票的效率太低。这种以前很可能会被忽略掉的信息，现在就能被很精准的捕捉到了。
同样的，大家肯定都经历过同事的离职和产品迭代，可能几个月几年之后，就再也不知道某个东西是谁做的，这个东西当时为什么这么做，于是存在大量的知识死角。
那这个怎么办呢？我们也用大语言模型，把我们公司所有的 PRD 文档、代码仓库、配置等等抓到一起。通过数据分析，我们得到了一个 AI 产品知识专家，这个专家就可以帮大家解决很多历史性的问题，尤其是很多知识垃圾和跨部门协作的问题。
在我们业务流程里，会有大量的、给用户发短信的需求。短信也是不便宜的，这个成本里有没有可以节省的部分呢？其实是很多的。
因为短信的内容其实是人写的，人写的就有提高的空间，所以大语言模型天然就很适合这个事情。通过智能的优化和分析，我们能够简化、优化以前表达不准确、过于冗长的短信内容，这帮我们在短信方面一年节省了大概 12% 左右的成本。
当然也有一个潜在的收益，就是风险防范。因为一条短信发出，可能就会送至几百万上千万用户。大语言模型能够对一些用词和内容的风险合规问题提前预测，使我们能够及时干预问题。
而且，今天 AGI 的技术已经让数字人无处不在了。以前纯粹文本或者是语音的助理缺乏人物形象，我们现在使用真实的 AI 数字人作为业务伙伴。这在无论是公司的内部场景里，还是外部场景里，都得到了非常好的应用。
比如我们的 AI 应用专家在通话时候，以前会出现方言听不懂、问题答非所问的现象。而且，在和外部做交流时，即使答对了，人有时候也不太信任，因为知道回答者是 AI。
那怎么办呢？所以我们就做了一个 AI+ASR+LDM+TTS 的三维串联机构。
ASR 通过我们自己独创的热词运营，还有一些跟第三方合作商供应的声学模型优化，使语义识别准确率达到 94%。
同时比较重要的是，我们发现如果 AI 业务伙伴能带有一定的方言，往往会更有真实感。所以我们做了带口音音色的调整，让 AI 的真人度能够达到 92%，也是做得不错的。
另外一点，很多时候，在线场景中，使用者往往带有情绪，比如问 AI 客服时，会带有焦急、生气的情绪。这种情况下，我们需要及时进行安抚，然后把使用者引流到不同的场景里面去，于是我们通过大语言模型做的问题改写、场景路由以及 Multi-Agent 的方式，让问题的解决率、准确率大幅提升。
说到最后，也闭环一下前面自己提的问题。我们觉得，今天的 AI 在很多以服务为主体的业务场景里，无非就是做两件事情：一是增收，二个就是降本。
每个行业不一样，像我们 O2O 行业里，不管是电商还是货运，它的本质还是服务行业，核心的价值依然是服务本身，这一点是不会被 AI 所取代的。未来如果无人驾驶 + 具身智能能够 100% 普及，这个工作也许 AI 能胜任，到今天为止还不是。
AI 在我们这样的行业，或者是类似的行业中，提效的能力还是有些边缘的，大概在 5%-10%。中间可能有的岗位会被影响得多一些，但总的来说还是一个提效、防风险和降成本的渠道。
接下来，当然我们还是要乐观。我觉得，首先，基础大模型的演进是日新月异的，它具有指数级的发展。所以很多在今天是问题的问题，可能三个月之后就不再是任何问题。
具体的落地方面，我们希望接下来还是朝多模态模型方案去进展。刚才提到了我们的 AI 业务伙伴，还是分三个阶段：ASR、LLM和TTS。但这个整体在维持它的准确率和时延上，我们还是比较困难的。
所以接下来，单个模型整合、端到端三个模块，将会是我们未来的一个方向。我们现在单个的数字人做得比较好，但未来我们希望从上游到下游，全部打通，用多个数字人整体提高企业的流程效率。
当然最重要的是用户体验，刚才提得比较少，因为确实现在我们觉得能够起到的作用还相对比较小。但是未来，我们希望随着 AI 能力的提高，将可以通过端到端的大模型助手，对智能选车、智能填单等，以及内部运营、答疑等带来提效。
