K+Talk100期特别版| AI在企业软件领域的应用实践洞察

K+Talk是由 “AiDD峰会” 和“K+峰会”独家冠名播出的一档对话节目，不定期邀请行业大咖共话热点话题。本期是K+Talk第100期特别版，特邀《决胜B端》作者、B端产品专家杨堃与致趣百川联合创始人于雷围绕 AI 在企业软件应用领域的热点话题展开深入探讨，从行业变革、实际应用到未来趋势，分享了各自的洞察与实践经验。以下是本次访谈的完整内容整理。

Talk焦点：

1.聚焦 AI 对企业软件的真实影响：微观见效快、中观有辅助、宏观待突破

2.AI 在营销自动化与流程重构中的应用边界

3.人机交互：CUI 与 GUI 的协同而非替代

4.AI 落地企业的真实图景：不神化，不贬低，重协同

5.突破认知束缚，拥抱人机协同

6.快问快答：降本赋能、岗位影响、学习路径

— 1 —

聚焦 AI 对企业软件的真实影响：微观见效快、中观有辅助、宏观待突破

杨堃：

大家晚上好！非常高兴能和于雷老师一起做客 K+Talk，聊聊 AI 在企业应用方面的洞察。

致趣百川作为国内领先的营销自动化 SaaS 企业，多年来深耕这一领域。而营销自动化，作为 CRM 的重要分支，近年来在 AI 技术的驱动下，正经历着一系列突破性的变革。

今天，我们将围绕 AI 在企业软件领域的应用展开深入对话。首先想请教于老师：以大语言模型为代表的新一轮AI 浪潮，正在深刻影响企业软件的发展。从您的视角来看，这一轮技术变革在企业级应用中带来了哪些最核心的观察和整体感受？

于雷：

其实早在 2022 年底到 2023 年初，我们就敏锐地意识到 AI 对企业软件可能带来的深远影响。长期以来，中国的企业软件发展与行业预期之间始终存在不小差距。以 CRM 领域为例：国际巨头 Salesforce 的市值已突破 2000 亿美元，而中国同类产品的整体市场规模还不到其十分之一。

问题的核心在于，许多传统管理软件的设计本质上“反人性”——比如强制要求销售人员花费大量时间认真填写 CRM 数据。这种违背一线工作习惯的强制操作，在实际落地中执行难度极高，导致数据采集效率低下，最终让管理软件陷入“无数据可管”的尴尬境地。

而大语言模型的出现，正在给企业软件行业带来三个关键性的变革：

第一，把“反人性”的操作转变为“顺人性”的体验。

过去，软件往往强制用户手动填写数据——比如要求销售在忙碌的业务间隙中认真录入客户信息，这在实际执行中阻力极大，也直接导致了“无数据可用”的核心痛点。如今，AI 能够主动采集、整合、结构化相关信息，从源头上缓解数据缺失问题，让软件真正变得好用、愿意被用。

第二，深度赋能营销内容创作。

回想十年前我在市场部工作时，大量精力都花在内容生产上。但回过头看，很多这类工作本质上是“屎上雕花”——把既有的业务洞察，反复翻译成不同形式的文案、海报或邮件。这类高度重复的内容生成任务，恰恰是 AI 的强项。就像翻译工具的普及大幅压缩了基础人工翻译的需求一样，AI 正在系统性替代营销领域中的基础内容创作环节。

第三，显著降低软件研发成本，助力 ToB 企业实现可持续盈利。

过去，中国 ToC 互联网的高薪竞争推高了开发人力成本，导致 ToB 软件长期陷入“高买低卖”的困境：企业从一线城市高薪聘请工程师，研发出的软件却要面向全国购买力有限的客户销售，盈利极其艰难。而如今，AI 能高效完成大量将业务需求“翻译”为程序代码的重复性开发工作，大幅减少人力投入。我们公司正是受益于此——去年已实现健康、可持续的盈利。

杨堃：

总结来看，AI 当前在企业软件中创造的核心价值，主要体现在三个方面：提升一线用户效率、赋能营销内容创作、以及降低研发成本、提高软件交付效率。

如果从企业业务的三个层次进一步展开分析，AI 的影响呈现出明显的“自下而上”特征：

•在最宏观的价值链层级（如产品设计、采购、生产、分销等核心业务流程），AI 尚未实现系统性或颠覆性的重构。目前仅在柔性供应链、柔性制造等少数场景中有所探索。例如，部分企业尝试利用 AI 前置分析市场需求，再动态调整生产计划。但整体来看，这类应用仍处于早期试水阶段，离规模化落地还有距离。

•在中间的业务单元层级（如营销中的获客、转化、复购等环节），AI 能提供有价值的辅助支持——比如智能推荐投放策略、客户分群或内容优化建议。但就业务流程本身的智能化重构与自动化执行而言，AI 的能力仍显有限。其输出更多是参考性建议，企业尚难以完全依赖 AI 来决策或驱动核心业务流程。

• 而在最微观的个人任务层级，AI 的赋能效果最为显著。比如销售人员在客户通话中获取实时话术建议，或在沟通后自动提炼关键信息、生成跟进纪要——这类高频、重复、规则明确的任务，AI 能直接嵌入工作流，切实提升一线员工的执行效率和体验。

整体来看，AI 当前的价值落地呈现出“微观见效快、中观有辅助、宏观尚待突破”的格局。这一判断，也与我们在实际产品设计和客户落地中的观察高度一致。

— 2 —

AI 在营销自动化与流程重构中的应用边界

杨堃：

在营销自动化软件中，用户旅程设计是一个非常核心的功能模块。简单来说，就是针对不同场景下的用户，设计个性化的互动流程——比如：用户浏览了某类内容后，系统应在多久后发送跟进邮件？如果未回复，何时再次推送消息？点击后又该如何引导其完成转化？过去，这类流程完全依赖人工定义明确的规则。

我想请教于老师：目前在你们公司的产品，或者欧美主流的营销自动化平台中，是否已经出现了由 AI 自动生成完整用户旅程的实践案例？更进一步，您认为 AI 设计的用户旅程，在效果上是否可能优于人工设计？

这其实是一个关键的检验场景——大模型能否真正从“内容生成”走向“流程智能”，在业务流程层面实现可落地的智能化。

于雷：

这个问题非常好，我们可以分场景来看。

在 M2L（Marketing to Leads，即从市场获取潜客到转化为销售认可线索）这类流程高度严谨的场景中，AI 目前并不适用。我们服务过很多企业，它们对M2L 流程中的线索分配规则、阶段定义都非常严格——比如哪些线索分给哪个区域的销售、线索需满足哪些条件才能进入下一阶段，都有明确的业务规范。在这种场景下，AI 的“幻觉”特性反而会带来风险，因此必须由人工严格把控。

但在另一类场景中——客户基数大、容错率高——AI 就能发挥显著价值。

比如，当面对海量用户时，即便是经验丰富的运营专家，也难以避免主观判断带来的偏差，这其实也是一种“人类幻觉”。而在这些场景中，像“3 天后还是 7 天后推送消息”“5 天 vs 14天跟进”这类决策，并没有绝对对错，只要业务能接受微小的时间或策略偏差，AI 完全可以胜任，甚至更高效。

我们最近就在开发一个新功能，已有一家上市公司客户提前买单。其核心逻辑是：电话销售完成通话后，AI 会基于通话内容自动生成个性化的用户孵化旅程——比如通话后立即推送什么资料、3 天后发送哪类跟进信息、7 天后是否需要再次电话触达等，整个流程均由 AI 动态定义。目前该功能已在我们内部跑通，初期反馈显示，C 端用户的体验良好，而这类场景下的 AI “幻觉”也在可接受范围内。

杨堃：

那你们这个智能化的用户旅程策略，是完全替代了人工设定，还是采用了人机协同的方式？比如，哪些场景仍然保留人工设定，又有哪些场景已经交给 AI 自主决策？

于雷：

我们肯定不敢把用户旅程完全“甩”给 AI，核心思路是 “人机分工”。

在容错率高、影响有限的场景下，比如电话销售跟进初级的 raw leads（即未经筛选的原始潜客），这类线索对服务精准度要求不高，用户容错率也高，且不属于核心 KA 客户——这类场景就可以全权交给AI 设计用户旅程。

但到了关键业务场景，比如大客户的年度大会、高投入的核心营销活动（campaign），这些项目资源投入大、结果要求严苛，依然需要人工主导，进行精细化的策略策划、规则设定与效果校准。

杨堃：

刚刚有位同学提了一个非常好的问题：怎么评估人工设定的策略和 AI 自动生成的策略，到底哪个效果更好？

于雷：

答案其实很简单：AB 测试。

在相同场景下，使用相同的线索变量，一组采用人工设定的固定策略，另一组采用 AI 自动生成的策略，通过对比转化率、用户反馈、互动深度等关键指标，就能清晰判断两者的优劣。

事实上，AB 测试在 AI 应用中非常普遍。比如过去我们会让电话销售自己撰写跟进邮件，同时让 AI 生成一封——对比结果发现，AI 产出的内容往往比初级销售写的更专业、更有针对性。这一点，已经在实际业务中得到了验证。

杨堃：

我想再深入追问一点：邮件生成毕竟是一个相对封闭、可控的场景，AI 表现好并不意外。

但我更关心的是——AI 在决定推送时点（比如3天还是5天）、跟进方式（邮件还是电话）这类涉及用户旅程流程设计和多任务节点组合的决策上，是否已经通过实际验证，证明其效果优于人工策略？

于雷：

目前来看，AI 在流程节点决策上还没有被证明整体优于人工。

我们已经验证的是：在内容生成层面，比如撰写邮件、提炼话术，AI 确实普遍优于普通销售；

但在推送时机、触达方式、任务序列组合等涉及用户旅程结构的决策上，AI 还需要在人类设定的业务框架内进行微调和优化。

即便是当前最先进的大模型，如果让它完全自主设计一个复杂的用户旅程，输出的结果往往会过于笼统、缺乏实操性。

这背后的核心原因，并不是 AI 不够“聪明”，而是每个行业的业务逻辑、规则约束和垂直知识都需要提前注入。一旦我们将这些垂直领域知识明确“喂”给模型，AI 在既定框架内的表现就会非常出色；但一旦脱离人类设定的框架，它还难以独立承担端到端的流程设计任务。

杨堃：

所以本质上，AI 在流程类的智能化处理中，更多是作为人的辅助和增效工具，而非替代者。

于雷：

没错，AI 不是替代人，而是让善用 AI 的人变得更高效。

比如在写邮件这类场景中，AI 确实可以直接替代销售的基础写作任务；

但在复杂流程设计上，AI 的角色更多是辅助人工优化细节、提升执行效率，而非完全取代人工决策。

整体的流程框架依然需要由人来搭建，而 AI 则专注于在既定框架内填充策略细节、自动化执行和持续迭代。

— 3 —

人机交互：CUI 与 GUI 的协同而非替代

杨堃：

目前行业内有一种比较流行的做法：将 AI 以侧边栏对话式智能体（Agent）的形式嵌入产品，用户可以通过自然语言对话下达指令、获取建议，许多策略配置和操作都能直接在侧边栏完成。

我想请教一下，致趣百川在这方面是如何布局的？

另外，您如何看待对话式用户界面（CUI，Conversational User Interface）与传统图形用户界面（GUI，Graphical User Interface）的关系？

CUI 未来会取代 GUI 吗？还是说，两者会以某种方式长期共存？如果共存，又会是怎样的形态？

于雷：

杨总果然是产品专家，一下就问到了关键点。

我们目前在部分模块引入了侧边栏式的对话交互功能。

比如，当 SDR（Sales Development Representative，销售开发代表，主要负责线索清洗与商机挖掘）在平台上操作时，点击某个线索，侧边栏会自动弹出该客户的AI 生成画像和背景摘要——这些信息过去需要 SDR 自己去外部网站搜索、整理，现在 AI 已经提前完成聚合与提炼。

再比如，电话沟通结束后，AI 能自动分析语音记录，提取关键信息并生成结构化跟进纪要，大幅节省了SDR 的手工录入时间。

此外，我们的系统本质上是 SL（线索管理系统）与 CDP（客户数据平台）的深度融合，AI 也在多个 SL 场景中提升了用户体验。我们会在 CDP 层逐步嵌入一些轻量级的 AI 功能，比如：

•AI 自动生成个性化邮件

•AI 辅助设计营销落地页

• AI 实时推荐电销话术

这些能力以“小插件”的形式集成到现有工作流中，用户在需要时随时调用，无需切换界面，真正做到用得上、用得顺。

至于对话式交互（CUI）是否会替代传统图形界面（GUI）？

我们目前持观望态度，尚未在全系统推行对话式侧边栏。

核心原因在于：我们的客户最关心的是 ROI（投资回报率）——他们采购营销自动化软件，不是为了尝鲜某种交互形式，而是为了获取更多高质量线索、提升销售转化、最终驱动营收增长。

对他们而言，降本增效是结果，不是目的。因此，这类偏重交互形式创新的功能，当前的业务优先级并不高。

当然，如果未来行业趋势明确，大多数客户真正需要并愿意为 CUI 买单，我们会第一时间跟进。但在那之前，我们更倾向于把 AI 能力精准嵌入高价值场景，而不是为“智能”而“智能”。

杨堃：

我可以分享一个国外的案例：比如 Shopify 的侧边栏就集成了智能建议功能。

如果将类似能力应用到营销自动化软件中，理想场景可能是——用户在侧边栏输入：

“帮我分析最近营销计划的问题，并给出优化建议，确认后直接执行。”

背后的 AI 就能自动诊断当前营销方案的潜在漏洞，生成具体、可操作的优化建议，并在用户确认后，自动将调整固化到系统流程中。

我想问问，你们有没有考虑过将这种“分析—建议—执行”一体化的智能能力融入产品？

是目前 AI 生成的建议尚未达到可用或可信的程度，还是出于其他产品或客户层面的考量？

于雷：

我们的整体策略是：“跟随为主，垂直场景突破”。

在通用型的智能建议能力上，比如全局营销策略的自动诊断与执行，我们会持续观察行业趋势——等技术更成熟、市场需求更明确后再跟进，避免过早投入带来体验或信任风险。

但在高价值的垂直场景中，我们已经在积极落地相关能力。

例如，当客户上传会议海报或转化落地页时，即使是经验丰富的营销人员，也可能忽略一些影响转化率的关键细节——有时候，一句话的措辞调整，或一个按钮位置的优化，就能带来转化率的显著提升。

在这些场景下，我们会让 AI 自动分析页面内容，识别潜在问题并给出具体、可执行的优化建议，这已经体现出非常实在的业务价值。

再比如，当客户的广告素材或投放策略可能推高 CPA（单次获客成本）时，AI 也能基于历史数据和行业基准，主动提示调整方向，帮助客户降本增效。

这些功能不是为了“炫技”，而是聚焦在客户真正会为结果买单的环节——这也是我们推进 AI 能力的核心原则。

杨堃：

我注意到，你们的客户普遍非常理性，更关注实际业务效果，而非交互形式或表面的“创新感”。但在中国市场，确实存在一个比较尴尬的现象：有些甲方企业的决策者更看重“噱头”——他们希望软件在形态上看起来“与众不同”，以此彰显企业的创新形象，哪怕这些功能用传统方式也能实现。不少乙方公司为了拿单，也不得不迎合这类需求，做出一些“花活”式的功能。我想请教，致趣百川是如何平衡“真实价值”与这类“形式创新”诉求之间的矛盾的？

于雷：

我们的原则很明确：“前端可炫，后端严谨”。

在涉及 M2L（市场到销售线索）、CDP 数据对接等核心业务流程时，我们始终坚持稳定性、准确性和可审计性，绝不为了迎合“创新”噱头而牺牲系统严谨性。

但在前端展示层，比如客户希望在微站、官网等触点加入一些“有科技感”的功能——像 AI 智能客服、AI 驱动的内容推荐、动态个性化展示等——我们完全可以灵活支持。这些功能既能满足甲方对“创新形象”的诉求，又不会干扰后端业务逻辑。

简单来说：CDP 之前的前端场景，我们可以提供各种“花活”来满足客户的创新展示需求；而 CDP 之后的核心数据流与业务流程，我们坚决守住严谨底线，不做无实质价值的形式创新。

— 4 —

AI 落地企业的真实图景：不神化，不贬低，重协同 

杨堃：

前面我们聊了很多 AI 在企业软件中的赋能价值，接下来我想转向一个更艰巨的话题——AI 的局限性，也就是它目前还做不到什么。于老师，您先来分享一下您的观察和思考？

于雷：

我还是从一个核心判断标准来谈：“是否能容忍幻觉”。

在完全不能容错的场景中，AI 的表现往往会非常拉胯。举个例子，我们公司内部部署了一套 AI 会议系统，能自动上传录音并生成会议纪要。但实际使用中发现，AI 最危险的错误是篡改关键数字——比如客户报价是100万，它可能写成1000万；或者把10万错写成1万。这类错误在商务沟通中是致命的。因此，在涉及报价、合同条款、核心数据统计等对准确性要求极高的场景，我们绝不敢直接依赖 AI 输出，必须由人工逐项核对。

此外，AI 还面临一个根本性挑战：无法做到 100% 可复现。即使同一个指令，AI 可能在 99 次都给出正确结果，但第 100 次突然出错——而对企业软件来说，一次错误就可能带来巨大风险。比如，如果让 AI 批量生成 1 万封个性化邮件，哪怕只有 1 封出现了敏感信息偏差或内容失误，而这封恰好发给了核心大客户，就可能引发严重的商业后果。正因如此，在这些关键场景中，AI 只能作为辅助工具，绝不能替代人工主导决策和执行。

杨堃：

我非常认同您的观点。我想从管理逻辑的角度再补充一点。

AI 最本质的特征之一，就是不可预测性。它的决策源于海量数据和复杂的神经网络，很多时候连开发者都无法清晰解释“为什么它会给出这个结论”。这种“黑箱”特性，既是优势——可能突破人类固有的思维定式；也是它在企业管理体系中落地的最大障碍。因为传统的企业现代化管理，核心建立在确定性之上：通过明确的流程、制度和机制，约束行为、控制风险、确保结果可预期。而AI的内在不确定性，恰恰与这套确定性逻辑相冲突。

如果未来真要让 AI 深度参与甚至重塑企业经营运作，恐怕不仅需要技术升级，更需要管理思想的根本性变革——企业得学会在可控范围内接纳不确定性，并将其转化为创新的驱动力。但说实话，如何实现这种融合，目前我也没有清晰的答案。这或许正是 AI 在企业级应用中面临的最深层挑战。

除此之外，还有道德风险与责任归属的问题。比如，当 AI 的错误决策导致企业重大损失，责任该由谁承担？是软件供应商？企业管理者？还是使用AI 的一线员工？目前行业普遍的共识是：所有 AI 输出都必须经过人工确认，本质上仍是“AI 建议，人类决策”。这也在一定程度上限制了 AI 的自动化潜力和效率价值。

——正因如此，我们今天讨论的“赋能”，始终是在人机协同、人为主导的前提下的赋能。

Q：AI 在隐私保护方面有哪些措施？

A：（杨堃）

我可以分享一下 Salesforce 的做法。他们在企业级 AI 应用与数据安全防护上相对成熟，构建了一套完整的 Security Layer 安全框架，对所有企业应用 AI 都具有很强的参考意义：

第一，防御提示词注入攻击（Prompt Injection）

对输入大模型的提示内容进行严格过滤和反注入检测，防止恶意指令绕过系统、操控模型行为。

第二，延续细粒度的数据权限控制

沿用传统业务系统的权限体系——员工只能访问其职责范围内的数据，无法触及其他部门或核心敏感信息，确保 AI 处理的数据边界与企业既有权限策略一致。

第三，强制个人信息脱敏

在数据传给大模型前，自动对手机号、身份证号、邮箱等个人敏感信息进行编码或转义；模型处理完成后，再在安全环境下解码还原。整个过程确保原始隐私信息不直接暴露给模型。

第四，通过商业合同约束第三方

Salesforce 与所合作的大语言模型厂商均签订专项协议，明确规定：模型厂商不得保留客户数据，且所有数据必须在约定时效到期后彻底删除，防止数据被长期存储或滥用。

当然，这套框架的实施成本较高，中小企业可能难以完全照搬。但其中的核心思路——在输入、权限、数据、合约四个层面构建纵深防御——是非常值得借鉴的。企业可根据自身规模和风险等级，分阶段、有重点地落地关键措施，而非追求一步到位。

Q：目前企业对 AI 的认知是两个极端：要么盲目乐观，觉得AI无所不能；要么极度悲观，认为AI根本干不了实事。我们该如何引导业务？

A：（于雷）

这个问题很有意思，真相往往在中间：AI 既不是万能药，也不是无用摆设。关键在于——如何引导业务端建立对 AI 的合理预期？

我们的经验是：不要讲大道理，而是从能让用户“爽”的小场景切入，积累正反馈。

比如，我们公司在推广 AI 时也遇到过阻力。客户成功团队的同事普遍讨厌手动录入 Salesforce——不仅操作繁琐，而且 Salesforce 在国内访问速度慢，大家抵触情绪很强。后来我们做了一个小改进：在AI 会议系统生成的会议链接中嵌入自动数据录入功能。用户点击链接后，关键信息自动同步到 CRM，无需再手动登录、填写。就这么一个微小但精准的优化，让AI会议系统的使用率大幅提升——因为它真正帮员工解决了痛点，“用一次，爽一次”。

再比如我们的 SDR 团队（包括正式员工、管培生和实习生），每人每天要打 50 到 100 多通电话，工作流程高度重复：提前查客户资料、通话后写记录、发跟进邮件……其中80% 的任务其实是机械性劳动，枯燥又耗时。而 AI 能很好地承接这些：

•提前自动整理客户背景

•通话后自动生成结构化纪要

• 按策略定时发送个性化跟进邮件

这些能力让 SDR 的工作从“苦力”变为“策略执行”，体验显著提升。

有位上市公司 CEO 跟我说过一句很精辟的话：“AI 最大的价值，是把‘反人性’的事情变得‘顺人性’。”

比如“按时发送高质量跟进邮件”，只有顶尖销售能长期坚持，但 AI 可以把这种顶尖行为模式规模化赋能给每一个普通销售。

所以我的建议是：推广 AI，切忌追求“大而全”。先聚焦几个高痛点、易落地、见效快的小场景，让用户快速感受到价值；通过真实的正反馈建立信任，再逐步扩展到更复杂的流程。这样，阻力最小，成功率最高。

— 5 —

突破认知束缚，拥抱人机协同

杨堃：

最后，我想和大家做一个互动，也和于老师探讨一个更深层的话题。

AI 正在深刻改变我们的生活习惯。比如，未来去医院看病，医生看完病后，可能不再低头打字，而是对着AI口述：“帮我生成会诊总结，并推荐下一步治疗方案”——全程语音交互，高效流畅。你能接受这种形式吗？

但说实话，我目前还不能完全接受这种形式。这背后其实折射出一个更根本的问题：我们如何突破自身经验和观念的束缚？我今年 40 岁，越来越明显地感受到一种“老登心态”——理性上，我完全认同 AI 能提升效率、优化流程；但感性上，就是难以接受这种新的交互形式。尤其是我们这些在ToB领域摸爬滚打多年的从业者，工作年限越长，越容易依赖过去验证过的成功经验，对新范式天然带有一份警惕和不信任。

这让我反思：当我们讨论“AI的局限性”时，说“AI做不到”，有多少是真的技术边界，又有多少其实是被我们自己的思维定式所限制？如何才能真正以“空杯心态”去接纳AI带来的改变？对像我这样的中年人来说，这或许比技术演进本身，更是一场认知和心态上的挑战。

于雷：

这个问题，其实已经上升到认知与成长的哲学层面了。人最难的，往往不是“知道自己不知道”，而是“不知道自己不知道”。很多时候，哪怕新事物的信号已经非常明显，我们仍会无意识地过滤它、低估它，固守过去的经验路径，最终在不知不觉中错失变革的窗口。

而 AI 带来的最大改变之一，正是学习效率的指数级提升——过去可能需要十年沉淀的专业能力，如今借助 AI，或许一年就能掌握核心框架。

上周我在做个人复盘时，写了一句话：“未来想要工作更高效，不仅要身边有聪明的人，还要有聪明的 AI。”

当你真正把AI当作平等的工作伙伴，而不是一个“工具”或“噱头”，并用它去解决真实业务问题时，你会发现：

•自己的产出效率显著提升

•对模糊性和不确定性的容忍度也在增强

• 对新事物的接纳，不再靠说服，而是靠体验

杨堃：

确实，过去的成功经验既是财富，也可能成为枷锁。这个问题没有标准答案，但我觉得，保持开放心态、坚持在实践中学习，才是应对不确定时代的核心能力。无论是企业还是个人，在 AI 浪潮中，与其被动抗拒，不如主动拥抱——

在真实场景中，一步步摸索人机协同的最佳节奏与边界。

— 6 —

快问快答：降本赋能、岗位影响、学习路径

Q1.如何降低软件开发成本？

于雷：主要有两个路径：一是通过 Cursor、Trae 等 AI 编程工具提升开发者的个人效率；二是大幅降低概念验证（PoC）——过去验证一个idea通常需要产品、设计、前端、后端 5 人团队投入两个月；现在借助 Google AI Studio 等工具，一个人几天就能快速跑通原型，整体成本降低一半以上。

Q2.AI会促使哪些行业岗位逐渐消失？

杨堃：几乎所有岗位的初级从业者都面临被替代的风险。AI虽然还达不到专家水平，但在执行标准化、重复性强的初级任务上完全没问题——比如基础数据分析、简单UI前端开发等。因此，所有人必须加速向专家级能力进化，否则很容易被AI取代。

Q3.产品经理该如何学习AI？

于雷：首先要具备ToB产品的基础认知和基本的技术架构常识，但更重要的是——亲自上手实践，做一名 “Builder”。比如，用 Gemini 等工具去解决一个真实的业务问题，在实践中理解：哪些逻辑该放在云端，哪些数据适合本地缓存，模型响应延迟如何影响体验……这种动手实践带来的理解，远比单纯看书或看视频深刻得多。

杨堃：我非常认同“实践优先”的理念。学习AI不必深钻纯理论，关键在于摸清AI的能力边界，并找到与业务场景的结合点。遇到新概念，先查英文维基百科建立基础认知，再用大模型解答具体困惑——这套组合拳效率非常高。AI确实能在原型绘制、POC快速验证、文档生成等环节为产品经理大幅提效，但在市场洞察、需求挖掘、方案抽象与架构设计等核心能力上，依然高度依赖人的专业判断和经验积累。所以，善用AI放大优势，但别误以为它可以替代思考。

Q4.AI在市场营销中的其他赋能场景？

于雷：比如在内容生产环节，AI能高效收集客户访谈录音等原始素材，自动搭建从素材整理到内容成稿的工作流，快速产出六七十分水平的初稿，大幅减轻内容团队的启动负担。在投放领域，AI 可以：自动生成 SEO 友好的原创文章、智能调优广告账户参数、优化素材的配色、文案、排版等细节；更重要的是，AI显著降低了营销试错成本。过去企业可能只敢尝试5种营销打法，现在可以低成本并行测试50种组合，极大丰富了营销策略的多样性与灵活性。

Q5.小微企业该如何选择AI方案？

杨堃：一定要优先选择成熟的AI解决方案，切勿自建模型。即便是大企业，我们都通常不建议自研，小微企业就更没必要了——花几千万投入训练的小模型，很可能半个月后就被通用大模型升级超越，完全得不偿失。企业应先明确具体的业务问题，再判断 AI 是否能有效解决，而不是拿着 “AI” 这个榔头找钉子。

本次直播围绕 AI 在企业软件领域的应用展开了全方位探讨，从技术赋能、场景落地到行业挑战、个人成长，干货满满。未来，AI 与企业软件的融合将持续深化，人机协同的模式也将不断迭代，让我们共同期待更多创新与突破。

#AI+产品创新峰会· 2026上海站