软积木CEO 刘海峰：AI，是企业进化的性感武器 | 极新企服直播实录

从技术人到布道者：AI落地企业的那些坎与光

收放之间，考验的是心性与眼界。从早期的技术探索者，到如今的企业AI操作系统布道者，软积木CEO刘海峰的转变，可以说是一次彻底的自我重塑。他经历了对效率低下、数据沉睡、创新乏力的深刻体悟，最终将AI操作系统锤炼成企业数字化转型的核心引擎。

少有人走的路，往往走得更动人。刘海峰的成长是剧烈而痛苦的，这正是创始人成长的常态——要么在瓶颈中困顿，要么在突破中蜕变。他选择以AI技术为原点，不断拓自己的边界，不回头地往前冲。

不变的是什么？是那份技术人骨子里带的规划性，是浓烈的理想主义，以及对团队成长的执念——正是这些，让软积木进入了一个全新的发展阶段。

在想要放弃的时刻，在坚持不下去的瞬间，还有人正在突破自我，带领团队拼出一个更好的未来。透过刘海峰的讲述，我们可以看清真实的软积木，也许也能看见自己。

刘海峰，软积木CEO。微软资深MVP，毕业于中科院大学人工智能学院，AIGC北京社区发起人，PEC China发起人。

本文围绕“企业实现AI操作系统的落地与发展”展开讨论，如何培养企业的AI思维，让AI操作系统在企业的土壤里真正长出果实？以下是刘海峰的核心观点与深度分享：

01 站在企业层面考虑问题

“我们的核心竞争力在于，从一开始产品就是针对企业级市场进行定位的。”

在AI 1.0时代，刘海峰对AI的前景是持保留态度的。那时AI主要指的是机器学习，图像识别算热门，但离真正的“智能”差得远。在他看来，AI不应该只局限于现在的ChatGPT，它应该渗透到硬件、材料仿生学、物理学等更多领域。IT技术迭代很快，但像医学材料这样的传统行业，生产周期很长，IT渗透自然也慢。

他有一个理想：让软件开发像搭积木一样简单。从早期的SOP开发到后来的RPA技术，团队一直在朝这个方向努力，但总没达到理想状态。直到ChatGPT出现，这一切开始有了可能——用自然语言发指令，就能实现一系列功能，甚至比搭积木还要简单直观。

决定入局AI时，团队考虑了这几个因素：内部论坛获取了有价值的信息；有幸在早期内测中体验了GPT，那种能力让人惊讶。结合国内外的实际情况，团队判断AI是一个值得重仓的赛道。

当时面临一个选择：做ToC还是ToB。ToC可能快速产生收入，但CTO和合伙人都有ToB背景，倾向于更稳健的经营模式。ToB虽然周期长，但能真正为企业创造价值，客户也愿意为此付费。

第一个产品版本上线后，在市场上进行了验证。2023年3月7日成交了第一个客户，这进一步坚定了团队的信心。随着大模型的持续演进，软积木也不断迭代和打磨系统，一步步走到了今天。

过去18个月，大模型不断涌现。最初以OpenAI为领头羊，随后国内模型、私有模型、开源模型、各类小模型纷纷登场。

去年3月，多数人对大模型还处于好奇阶段——流行的玩法是给大模型出题或讲笑话，比如“林黛玉倒拔垂杨柳”这种段子，用户热衷于“调戏”OpenAI。

在AI 1.0时代，人工智能离普通人很远。AlphaGo很牛，但只局限在围棋领域，没有太多人有机会验证它的能力。那时的AI产品领域窄，像人脸识别、图像识别等，基本只在生产环境里打转，获取成本也高。

到了以GPT-3为代表的AI 2.0时代，AI确实开始像人脑一样思考问题了，但经常驴唇不对马嘴。不过，AI 2.0之后，它才真正开始像人一样回答问题。

推出AI操作系统的初衷，是希望打造一个不同于传统操作系统的产品。传统操作系统（如Windows、Android）围绕硬件CPU构建，而AI操作系统则建立在云计算基础设施之上，更侧重模型的应用与跨模型整合。

在这个系统上，Agent被视作一种新型应用——它们是在大模型上自然生长出来的，能力与使用方式与传统应用有所区别。

一个关键分水岭在于，

除了满足高可靠、高并发的企业级需求，核心优势在于能将企业的模型资源不仅整合，而且实现全面管控。从技术层面介入，到内部权限分配、计费体系等环节，减少了应用压力——比如Agent的生成、插件的处理，员工可以直接使用这些能力。

目前处理的大部分案例涉及企业内部应用。客户分两类：一类是腰部企业，100-3000人规模，通常将应用与OA系统集成，员工通过OA就能方便地访问服务；另一类是几十人的小公司，把服务提供给自己的客户群体或学员社区使用。

在企业内部办公场景中，特别适合人力资源部门使用，也能处理标书合同等场景。软积木的产品不仅是一个工具平台，更是一个能帮助企业创建各种智能助手的系统，每个助手都可以针对特定场景优化。有趣的是，很多企业创造了自己的智能体，有些甚至创造了上百个，用于解决各种各样的问题。这些创新场景往往是企业自己发掘出来的——连产品团队在提供产品时都没想到有这么多应用场景。

02 用具体数字衡量AI的产出？

“站在企业的角度，更愿意看到物有所值。”

无论是数字化还是智能化，核心都是将知识密集型的工作流程各环节引入AI——内部知识管理、问答型应用、合同审查、法律服务等，都可以用AI提升效率。

但AI进入企业有一个过程。很多大模型企业想直接将模型卖给用户，但费用对企业来说很沉重。即便采购了，也很难与实际业务结合。于是有了AI操作系统——通过操作系统，将大模型和业务做了耦合。

目前也遇到了一些挑战：首先是人才需求，大模型与传统IT有区别，新内容需要积极学习。很多行业的客户对模型认知不足。

可以同时接入多个大模型，利用各自特点做不同的事——万一选定的模型突然停止更新，更换成本会很高。

超过100人，对组织管理和数据安全的需求会更迫切。大多数公司都希望员工在使用公司资源和数据时处于监控之下，不允许数据外流。只要公司达到一定规模，就有接入AI管理系统的需求。

社群运营或培训机构这类企业的需求，在于将分散的用户或会员行为整合起来，与核心业务产生关联。通过平台，企业可以控制所有资源和行为——使用额度、分发权限、使用频率，都由企业主掌控。这是非常重要的考量维度。

确实，

第一类客户目标明确，希望通过AI解决具体问题。第二类客户，在接入后会逐步探索如何最大化效能——AI技术在不断进步，模型在优化，这类客户往往能获得较好效果。

举个真实的例子。一个运营商客户使用产品后，商务部门不再需要像以前那样加班加点写标书，效率显著提升。人员没有减少，但员工压力减轻了，可以将省下的时间用于更有价值的工作——比如维护客户关系。通过AI，一些原本需要专人服务的工作，可以由较少的人手完成。

需要清楚的是，

，使用不当也可能导致效率下降或产生其他问题。因此，需要不断优化和调整AI的应用方式。

这个问题其实很早就解决了。产品提供两种接入方式：一是SaaS方式，几乎不需要实施成本，简单配置就能初始化直接使用；二是私有化部署，需要一定工作量但费用不高，主要涉及大模型的私有化实施，尤其是与硬件适配的工作会占大部分时间和成本。如果客户具备能力，可以自行处理。

很多客户倾向于自己接近开发，可能因为他们希望保留原有业务流程不变，将训练好的智能体集成到这些流程中。这种集成工作量相对较小，只需做一些接口对接。对接人员无需具备深厚编码能力，了解业务、能基本编码即可完成任务。

这与传统开发方式大不相同。传统开发需要从头设计架构并进行编码，而前者无需这么多工作。当然，如果客户想用自己的大模型开发，但没有使用AI操作系统，他们做的工作可能是没有价值的——甚至混乱的，因为对大模型的理解还不够深入。

更赞同一种声音：这种免费不是大模型厂商成本下降了，更多的是一种营销抢地的商业策略。当然免费对整个行业是利好，能让更多企业接入大模型。

免费API并不代表所有版本都免费，在稳定性、质量上可能存在问题。

03 技术成为生产力才是根本

“需要了解AI的边界，并包容它，因为AI本身也在不断成长。”

说实话，踩的坑不少。简单分享一点经验。

首先，明确告诉客户产品是标准化的，这是相对克制的做法——坚持产品理念，不接受定制化请求。即使客户提出定制需求，团队也会评估：如果需求通用性强，会考虑免费整合到产品中，让客户直接使用，这个能力也能被其他客户共享。

还有技术上的坑。产品是用英文开发的，支持多种语言。但在日本市场推广时，客户对产品中的中文数据很不满意，尽管界面是英文的。

目前市场上的大部分VC都在观望AI领域，尤其是AI 1.0时代的项目。

一些投资者完成尽调后以各种理由退出，真实原因是并不打算投资。投资环境整体不佳，美元基金难以进入，退出渠道不顺畅。

希望得到的不仅仅是财务投资，更希望投资者能提供产业资源，帮助实现对接。不过创业公司应该先自力更生，依靠自身造血能力。

对创业者来说，大模型不是容易涉足的领域。无论是算力还是技术储备，大模型开发都相当昂贵。市场上对硬件资源的需求巨大，尤其是NVIDIA显卡的需求，马太效应明显。

今年3月参加了硅谷的GTC会议，超过18000人参加，门票2000多美元，反映了大家对英伟达及其技术的高度关注和依赖。

数据治理在AI领域变得尤其重要，好的数据治理能显著提升效果；硬件层面的优化也是充满机会的领域。

借鉴上一代互联网和移动互联网的经验，最终成功的往往是巨头。早期市场上涌出的许多小型存储和合作服务公司，最终不是被大厂并购，就是被市场淘汰。

如果拥有计算资源或在算法研究方面有建树，与模型厂商、研究机构或地方政府合作也是一个可行选择。

坦率说，目前业务更侧重于市场方面。市场策略与传统方式不同。市场上的产品有两种推广方式：一种通过开源方式进行，软积木则更倾向于通过品牌建设和线下活动与客户建立紧密联系——在B端市场，与客户保持近距离接触至关重要。

包括组织线下活动在内的市场活动，实际上做得相当多。在收入方面，除了覆盖成本，计划将更多资源投入到市场推广和研发上。

企业高层认知中，一些大客户尤其是新兴行业的运营商，对大模型和AI技术持开放态度。从高层到基层，运营的推广和实施过程相对迅速。但有些客户对ChatGPT等AI技术并不了解，他们通过各种方式使用这些工具且反馈良好，不过将这些技术纳入公司体系需要时间。

如果公司高层没有前瞻性思维，确实会面临挑战。可以理解为AI+和+AI的区别——他们会用传统方式评估和实施新技术，所以高层的支持和拥抱新技术至关重要。

如果用错误的方法——比如从头开发，会令技术人员和IT人员感到困扰。他们可能觉得自己的传统技术无法发挥作用，而且随着大型模型升级，之前的工作可能白做了。

如果高层没意识到这问题，IT人员可能会为了自身利益而保护自己的领域——只在实验室开发MVP或POC，没有推广到公司业务。如果高层缺乏意识，IT人员的表现可能不理想，甚至传播负面信息，让新技术难推广、难接受。

新技术无法走到公司业务端，无法成为真正的生产力。如果新技术未经验证，没发现真正的问题，可能就会在早期夭折。对公司来说，投入几人和几个月时间还没成果，可能会选择放弃，从而失去很多机会。

04 产品要与用户共同成长

“只有那些真正对AI有热情并且愿意长期投入的人才会取得成功。”

对于AI领域，需要做的是降低客户预期，逐步展示AI的实际应用价值——帮助企业提高效率、创造价值。

长远来看，ToB领域的泡沫相对较小，即便存在一些泡沫，影响也不大。

回顾AI早期，市场出现了所谓“现象级”应用，可能只是一时热潮——比如在微信里添加一些简单的AI功能来吸引用户。这类应用可能没太大实际价值，投资人也不会投资这些项目。昙花一现的应用或许可以看作是泡沫的一种表现。

还要解决实际问题。在当前不太乐观的融资环境下，专注于特定领域的研究可能会有更好机会。

每个创业者都应充分利用自己在特定领域的专长和优势，结合AI技术发展自己的事业。最关键的是，准确了解AI的能力和局限性，才能更理性地利用这项技术。

以出海为例，

在日本，某些云服务可能无法使用或使用不便；在国内常用的国产服务，在海外可能无法使用或使用困难。

欧美和日本等国家，与中国主体签约的可能性非常低，尤其是在B端市场，可能性几乎为零。因此，企业可能需要设立海外主体。

避免这种情况的方法是对行业市场有准确把握，在发现问题时采取相应措施，避免盲目投入。

软积木在这方面采取了几种策略：建立了“提示词工程”社区，这是国际性项目，在国内也有小规模实施，定期举办交流活动，吸引二三百人参加；与生态中的同行和上下游企业建立联系，这些反馈对产品改进至关重要；在渠道上也投入很多，通过各种方式与社区建立联系——包括开源社区和线下活动。这些方式不仅宣传了品牌，也为社区贡献了力量。

一个健康的生态对产品和公司发展至关重要，有助于在行业内建立知名度，让客户了解并信任产品。就像超市购物一样，消费者更倾向购买他们熟悉和信任的品牌。通过生态建设，向客户传达了一个信息：产品、信誉和服务有保障，致力于长期服务客户。对于B端市场，这一点尤为重要。

与传统软件不同，产品是否从AI原生出发，这一点至关重要——关系到后续业务对接的价值和未来的可扩展性。

可持续服务能力尤其关键，意味着产品能够持续迭代更新，同时保持稳定性。

产品能否与客户共同成长，也同样重要。对厂商来说这是个挑战——例如GPT-4o发布后，许多企业都希望尽快接入并使用。

即便产品存在一些瑕疵，只要能提供领先的接入体验和验证，帮助客户在行业保持领先，这对客户来说也是非常重要的。

如果市场上突然出现新产品，大家可能不会立即选择它。但

具身智能有些问题需要正视。在硅谷GTC会议上看到了具身智能机器人，但电池很重，机器人胸部装着大电池，这对提供服务来说是个安全隐患——它可能突然倒塌，如果照顾病患，会造成伤害。

面向消费者的服务更多地关注陪伴，在仿生学领域还有很多路要走——材料、机械、物理方面都是。

扫地机器人不需要人形外观，只需完成清扫任务；控制窗帘的设备也不需要呈现人形。

在工业领域，大模型的应用受到限制——可能导致生产成本增加。工业生产利润点非常低，可能只有1%，无法承受较高的次品率。大模型可能有1%的幻觉概率，这是不可接受的。所以大模型暂时还不能在生产环境中广泛应用，但它们可以在外围辅助做一些主力应用。

随着人工智能模型如GPT的进步，机器人将变得更加智能。它们不仅四肢发达，还能拥有发达的大脑，实现更多功能。

短期内能解决部分安全问题，但长期来看，这仍然是待解决的问题。

以盲人导航为例，目前还没有人敢让一个盲人完全依赖人工智能在街上行走——其中存在很多危险因素。如果人工智能错误地将一辆车判断成一堵墙，可能引发严重的法律问题。人工智能的发展需要一个逐步演进的过程，先从允许出错或容错率较高的场景开始应用。

随着大型模型的不断演进和智能化，可以逐步扩展到更高频、更确定的应用场景。目前称为弱人工智能，需要与硬件结合，找到合适的应用场景。硬件结合可以大幅增加人工智能获取的信息量——仅依赖软件，输入设备主要是文字和语音；与机器人结合后，可以利用各种传感器——温度、触摸、光线感知，创造出许多有趣且有意义的场景。

例如，与家庭中的IoT设备结合（如窗帘开合），这些场景容错率较高，可以尝试。目前陪伴类机器人在硬件方面已经相对成熟，但头脑相对简单、四肢发达。如何让这些机器人更聪明，做出更多有趣且有意义的事情，是行业需要探索的方向。

这个问题值得业界深入思考。在AI领域，个体智能的提升已经很显著，但群体智能——多个AI系统之间的协作与博弈，如何激发出超越个体的智慧？这可能是下一个重要课题。

极新很幸运看到在AIGC领域有软积木这样卓越的代表——让用户接入不同大模型，将Agent从未来带到现在。希望AI领域的创业者能落地更多实际案例，有更多标杆客户，共同探讨创业与创新。