華創資本： DeepSeek 出來之後，國內企業客戶使用 AI 的熱情被前所未有的點燃了。在你看來，當前生成式 AI 在企業軟件領域的落地進展
，是仍處於概念驗證階段，還是已經深入業務場景在發揮價值了呢
？

徐平俊：DeepSeek 帶來的這一波變化確實非常快，我記得2025年上半年時，客戶雖然有很多智能審批、知識庫搜索等AI相關的場景需求，但至於審批和公司的製度是否相違背？知識庫的搜索準確率是多少？當時很多人並不是太在意。

然而到了下半年
，變化開始顯現
，很多客戶開始尋找真實或有價值的場景。比如有律所希望打造“智慧律所”
，將法律文案的撰寫等環節AI化；電商企業也開始基於自己的數據做選品決策······大家對於AI的落地變得更務實了。

華創資本：據你觀察，AI 在企業落地過程中
，最容易卡在哪個工程節點
？是認知問題還是需求端本身不清晰
？

徐平俊：坦率說，現在這些問題都存在。 看起來 AI 似乎什麼都能做，但具體能做到什麼程度？需要付出多大的代價
？還尚未有答案。所以很多企業認為應該+AI
，但實際找場景時
，卻無處下手。

問題主要集中在兩個維度：第一
，這個場景到底能實現到什麼精度？它到底需要多大的代價

？這是目前最大的問題
，會把企業直接卡在門外。

第二，工程化進度。如果AI 要落地

，那和原有數據的整合、工程化流程
、數據之間關聯的整理，包括和企業係統的集成權限、原始數據的場景結合等等，這些因素一旦疊加
，整個AI落地過程會變得極其複雜，具有很大挑戰性。

因此

，問題的核心還是在於是否有能識別場景的人才
，如果明白付出多少代價能達到ROI，問題自然會得到解決。再加上有像奧哲這樣能解決環境和數據問題的企業級AI平台，相信能加速AI在企業的落地。

華創資本：這樣看來，企業使用 AI 的成本有可能遠超自己的想象
，這個“成本”具體有哪些？

徐平俊：核心還是一個場景所需要的精度是什麼樣？同樣一個場景，比如最簡單的用 RAG做售後，如果一個基礎問題的命中率達到百分之六七十
，那很容易實現。但要做到95%以上，甚至99%的準確率，就完全不一樣了，所以成本的核心在於對場景的識別定位。

此外
，這裏麵還容易出現浪費成本的問題。因為準確率達到99%，成本可能要比95%高出十倍。但其實很多場景，目前並不需要做到99%。

所以我們服務客戶時，第一步就是確認對方AI場景所需的價值
、目標，再去選擇匹配他們的技術方案。

分享到：