说实话，在过去的两年里，国内对于 AI 的应用一直存在着 “ 技术热，落地冷 ” 的情况，尤其是在 B 端，企业有着 AI 焦虑，但是迟迟没办法下手。

一方面是，企业们摸不透现有的各家大模型，该怎么应用到企业的实际业务中。另一方面是在考量要不要招专门的人才，这样的人才到底怎么用。

大家都想不好，所以持观望者多。

前者是行业问题。目前来看，AI 并没有完整的形成一个生态，算力归算力，模型归模型，传统的 SaaS 厂商正想办法将 AI 能力集成到现有的 CRM（客户管理系统）、营销或者 HR 软件里，但想解决具体的大块业务问题，还需要时间。

原因在于这种迭代对传统 SaaS 厂商的挑战也不低，之前反复帮企业开发工具，逻辑在于优化，这是一个工程能力，需求，开发，交付；但是现在客户自己都不一定清楚 AI 到底能解决哪个具体问题，需要 SaaS 和企业一起基于数据和场景进行探索，倏忽间，AI 技术变革日新月异，之前锚定的目标又落后了。

那新的原生于 AI 时代的 SaaS 公司呢？相对较少，前面说到 AI 落地极度依赖于数据和场景，新型的 SaaS 公司更难从 0 到 1，因为你进入不了场景，获得不了数据，想进入，前期必定是先干活，后拿钱，商业模式的可持续性待评估。并且，当行业和资本把大量的投资集中在算力和模型层面，为 B 端客户做定制化提效这件事的吸引力，就没那么大了。

至于人才问题，外部招聘存在着技术专家和业务专家的认知鸿沟，传统企业部门墙又高，数据难打通，要知道传统的组织相当程度上依赖信息差维持管理权威，即使是 AI 时代前的企业数字化转型，也存在着同样的问题，知危曾与服装制造业的 SaaS 企业负责人探讨，当时一些知名服装品牌改革的阻碍就在于人绑定着部门，部门绑定着利益，技术无法打通。

在这样的条件和时间节点下，一种可能的解法是，企业需要的不是领导拍脑袋干什么、怎么干，而是提供一些开放的工具，让一线员工自己生产出 “ AI 生产工具 ”。

当使用自然语言可以达到写代码一样的效果的时候，一线员工要做的就是将问题 “ 翻译 ” 给 AI，并驾驭其输出有用的工具。

比如汽车制造中的尺寸检测，传统流程中，工人需要将数据写在零件上，再抄录到纸上，之后再输入电脑，流程越长，越容易出错，并且耗时。吉利汽车研究院做了个小小的创新，通过自家使用的办公软件的 AI 功能开发了一个智能助手，用 AI 语音识别和实时字幕生成测量值，然后再结合之前做的典型问题模型预置到系统，利用 AI 对 DTS 尺寸测量数据进行分析，单次检测时间从 45 分缩短到 20 分钟以内。

说是小创新，是因为有了工具的加持，技术难度降低，测量员只用了三个周末自己琢磨了一下，就搭建起来了，有那种制造业精益化管理的升级转变的感觉了。

再比如餐饮业的食品效期管理，食品包装上有效期是第一效期，第二效期指的是开封过或者经过粗加工食材的效期，所以后厨写标签贴标签就是一个体力活。亚朵酒店某店的员工做的是，利用 NFC 扫码器，弹出语音识别，后厨员工语音录入就能自动识别品类，限用日期的等信息自动打印标签，通过多维表格整合识别、分析、推荐、测评四个 AI 智能体，系统也会自动推送临期提醒了。一家店光写标签省了半小时。

四维图新是一家研究智能出行的公司，尤其是海外业务，在产品上市前需要进行严格的合规和质量审核，地区不同，各有差异。传统流程依旧是几十位审核专家全程人肉扫描，需要几周时间。审核团队并不会写代码做软件，但是他们用办公软件的 AI 功能结合知识问答和内部知识库，重塑了审核方式。

审核变成 AI 初审，AI 自动读取文档，调用规则，基于提示词分析并输出审核结论，专家进行纠偏，反复提高准确率，AI 承担了 95% 的审核工作，这个产品叫smart QMS。

这些由非技术的业务人员带来的创新案例或许可以引起一些行业的反思，即企业对于内部创造性的忽视，以为 AI 的落地需要成熟的、流程化的、可确定的项目才能够展开，但实际上 AI 带来的技术平权对于个人的创造潜力的激发，是空前的。

前面的案例完全可以进行复用，尺寸检测的系统可以在电子化检具数据输出、检验标准与工程设计方面继续探索；食品效期的智能管理可以复用到布草、洗护用品的消耗品管理；smart QMS 可以不止应用在汽车智能领域，任何需要人工审核合规性的行业都可以推广。

目前阶段，最有价值的 AI 应用一定始于重复劳动的替代，也是一线员工在做个体创新时最有动力解决的部分。

两天前，知危编辑部参加了飞书的 AI 效率先锋全国大赛，在这场长达 4 个半小时的活动中，全部是具体的案例，能看懂的案例，前文提到的案例来自于此。有趣的是，行业取经的场景不断重现，坐在台下的评委锦江酒店集团副总裁频频向亚朵的团队追问细节，海亮集团的轮值总裁找永卓控股的高炉智能体团队约饭线下详聊。

这些由非技术业务人员带来的创新案例，似乎为行业的集体焦虑提供了一个出口，在等待一个成熟的自上而下的 AI 转型方案时，由一线员工驱动的，自下而上的边缘革命正在发生。当然前提是，既有集成的工具，也有合理的激励机制。

企业的挑战在于，一线做 AI 创新的模式，目前只能增效于小的场景。那些更深度的、涉及跨部门流程重构的场景，其复杂度和阻力将越来越大，这种模式可能不再奏效。

但是起码目前，我们确实看到了个体重新在 AI 时代下，涌现出了非凡的的价值。