在 8 月 12 日，腾讯公布二季度财报，隔天股价就下跌超过 4%，把市值第一的位置让给了长鑫科技。

当然，这份财报其实并不难看，腾讯收入 2048 亿，同比增长 11%，特别是营销服务收入 436 亿，同比增长 22%，成为了增长最快的业务。

腾讯在财报里明确提到，增长背后有着 AI 广告推荐模型跟自动投放系统 AIM+ 的强化。

现在，微信小店商家甚至可以让系统自动挑选适合推广的商品、生成广告素材，再自动竞价投放，也就是 AI 能完成选品、做素材到买流量的一整套流程。

但腾讯的另一张 AI 账，却没这么漂亮。

二季度，在非国际会计准则下，腾讯经营利润是 756 亿，但如果把混元、元宝、WorkBuddy 这些 AI 产品剔除，经营利润会达到 861 亿，这中间相差了 105 亿。

也就是目前腾讯的 AI 产品明显拖累了整体经营利润。

同样是 AI，为什么放进广告里，很快就能看见钱，单独做成 AI 产品，却还在大把烧钱呢？

这背后其实有着一个 AI 商业化非常重要的分界线，AI 有价值，跟 AI 产品能赚钱，不是一回事。

过去两年，我接触不少企业聊到 AI 的时候，会发现一个很有意思的现象。

大家一讲到 AI，很容易直接跳到产品，比如说豆包、DeepSeek，然后思考 " 我们是不是也可以做个企业智能体、我们的行业能不能训练一个大模型？"

背后的潜台词就是，只有把 AI 包装成一个新产品，收一笔新费用，才叫 AI 赚到了钱。

但腾讯这次的财报恰恰说明，AI 的商业化其实存在两条完全不同的路。

第一条路叫：卖 AI。

也就是把 AI 本身变成产品，像腾讯元宝是产品，CodeBuddy 是产品，WorkBuddy 也是产品。

这时候用户购买的就是 AI 能力。

第二条路是：用 AI 卖原来的东西。

也就是把 AI 作为原有业务的发动机。

像广告就是如此，广告主不会跑过来说：" 腾讯，我今天想买 100 万的人工智能。"

他买的还是广告。

只是以前花 100 万，系统可能帮他找到 10 万个潜在客户，现在因为 AI 推荐更加准确，更方便，同样 100 万可以带回来更多成交。

广告主甚至不需要知道背后用了多少参数、什么模型。

他只关心一件事，我的钱是不是花得更值了？

这两种商业化，看起来只差几个字，难度完全不同。

把 AI 做成单独产品，企业要重新解决一整套商业问题，比如说谁是我的目标对象？他为什么要用？为什么要留下？为什么不用免费的替代品？为什么愿意为我掏钱？

模型做出来，只是万里长征第一步。

但把 AI 放进原来已经成立的生意里，情况完全不同。

客户在那里，需求也天然在那里。

你不需要重新发明一门生意，只需要把原来的生意做得更好。

所以，有时候我们看到一家企业大张旗鼓发布了一个 AI 产品，不代表它已经完成 AI 商业化。

反过来，一家企业从来没有向消费者卖过一个叫 "AI" 的东西，但可能已经因为 AI 多赚了很多钱。

理解了这一点，我们再看腾讯广告的增长就会变得非常有意思。

为什么 AI 能极大增强广告这种老生意？

因为广告几乎集齐了 AI 商业化最喜欢的几个条件。

第一是本来就有人付钱。

这是一个经常被忽略的问题，一家企业开发全新的 AI 产品，最大的风险往往不是 AI 不好用，而是没人愿意为它付钱。

我们在研究迭代文思子牙专业营销 AI 系统的时候，测试了今天市面上很多所谓的 AI 产品，说句不客气的话，看上去功能很酷，但用户用免费版的 AI，效果没有什么太大区别。

但广告不存在这个问题。

企业本来就有营销预算，AI 就不需要创造一个新的预算科目，它只要回答，同样一块钱广告费，能不能给我带来更好的效果？

这就比教育客户接受一个全新的 AI 产品，要容易得多。

第二个是高频。

广告系统不是一个月运行一次，而是每一次曝光，系统都要判断这个广告该不该出现？给谁看？什么时候看？出多少钱？

这中间就包含着选品、内容素材、用户兴趣、推荐各个环节。

AI 不需要提高很多，哪怕一次判断只提升 1%，那么，每天那么多广告打出去，这 1% 的提升就会积少成多，带来非常明显的效果。

所以，AI 特别适合进入这种频率非常高的业务。

第三个就是，马上有结果。

这是广告天然适合 AI 的核心。

系统推荐了一条广告，用户看没看？点没点？有没有进入小店？有没有购买？

结果会不断反馈回来，于是快速形成一个推荐—点击—成交—反馈的闭环，而且不断去修正跟优化。

所以，真正能赚钱的 AI，可能恰恰是你看不见的 AI。

以前我们天天看到 DeepSeek、豆包、元宝，是因为这些产品直接站在消费者面前。

我们很自然会觉得，这才是 AI。

但未来真正大量创造商业价值的 AI，可能恰恰是那些消费者根本看不见的东西。

比如说一个工厂的摄像头发现产品表面出现了肉眼看不到的缺陷。

一家公司有 5000 条销售线索，系统判断销售今天先给哪 20 个人打电话。

仓库里有 10 万件货，系统决定明天哪个城市需要提前补货。

一家酒店发现未来房型需求会快速增加，系统开始调整价格。

这些场景有一个共同特点，AI 只要把一个原本已经存在的经营动作稍微用数据改善一点点，收入、成本或者是风险就会马上发生变化。

从这个角度看，AI 真正大规模商业化的条件，不是所有企业都要变成 AI 公司，而是先把 AI 放进一条已经成立的生意里面。

所以，如果今天企业要问，我们到底应该从哪里开始做 AI？

这个答案应该是打开企业的利润表跟业务流程，找到离钱最近跟已经存在的那门生意，然后问几个非常现实的问题。

哪里已经有钱在流动？

不要急着创造一个没人付费的新场景、新产品，先去原来就有预算的地方。

哪里每天重复发生很多次？

如果一个动作一年只做十次，就算 AI 做得再漂亮，价值也有限，但一个动作每天都要做，改善一点点，那都是钱。

哪里能够很快知道结果？

AI 做完以后，是对还是错？多卖了还是少卖了？成本高了还是低了？

如果这些答案要等很久才知道，投入就是无底洞。

我们过去在互联网时代经常讲一句话，不要为了数字化而数字化。

现在其实也一样，不要为了 AI 而 AI。

我们不需要证明公司用了多少 AI，因为客户不会因为我们多用了几个 AI，就愿意给我们更高的价格。

企业最终要证明的还是那几件老事情，卖得更多、卖得更贵、成本更低、交付更快、风险更小。

就像电刚出现的时候，真正改变的并不是所有企业都去卖电机，而是工厂开始用电，把原来的生产线变得更有效率。

互联网出现的时候，也不是每一家企业都要成为互联网公司。

最终真正改变商业世界的，是零售、媒体、银行、制造这些旧行业，一点点被互联网重新改造。

AI 很可能也是一样。

今天我们都在盯着谁会成为 AI 时代的超级 App。

这个问题当然重要。

但对我们绝大多数企业来说，更迫切的问题在于，我们正在做的生意里，哪里最值得先用 AI？哪个环节如果能聪明 10%，就能多赚很多钱？

一项通用新技术所创造的大规模价值，往往不是凭空创造一门新生意，而是让它先进入一门已经存在的生意，让生意做的更好。