货拉拉CTO张浩：AI的胜负手，不在基础模型，而在「应用场」

在2025年这个新旧转换的关键节点，货运物流领域的AI应用究竟能跑多快？货拉拉CTO张浩在36氪WISE2025商业之王大会上，给出了一个务实且极具参考价值的答案：决胜关键不在基础模型，而在于精准的落地场景。他分享了过去两年货拉拉AI在提升运营效率和用户体验上的具体实践、踩过的坑，以及从行业大模型转向应用场景优化的经验教训。下面就是张浩的演讲实录，干货满满。

说起货拉拉，绕不开两个核心命题：运营的效率和用户的体验。这是整个业务撮合平台的命脉，也是我们最需要AI重点拿下的方向。

2025年的商业世界，正站在十字路口。在叙事重构与科技浪潮的叠加下，36氪WISE2025大会试图在不确定中锚定未来。11月27-28日，这场被誉为“科技与商业风向标”的大会在北京落地。今年的峰会，更像是一次沉浸式的“科技爽文短剧”体验。我们将逐帧拆解其中的真实逻辑，记录那些在变局中依然坚定前行的声音。

找准发力点：AI的优先级排序

两年前，ChatGPT的横空出世让所有人都在思考：在我们这样的公司，AI该从何下手？我们参考了高盛2023年的AI研报方法，通过岗位调研、任务拆解和自动化难度评级，去量化AI的提效潜力。结论是，生成式AI会率先在高数据密度和人力密集型领域引发革命。所以，我们把业务安全、研发、产品、运营等场景列为高优先级。而对于那些确定性要求极高、容错率极低的场景，比如深度的数据分析，当时的判断是——时机未到。

走过的弯路与三个内部平台

方向定了，接下来就是技术路径。跟大多数科技公司一样，2023年我们也曾一头扎进货运行业大模型的研究里，投入了不少资源。最后，用真金白银换回了两个关键认知：

第一，基础大模型本身迭代快如闪电，与其在底层模型上内卷，不如把精力花在企业自身的数字化资产、业务API和行业know-how的整合上。第二，构建自己的AI应用平台，远比做基础大模型更重要。因为随着底层模型能力的提升，上层应用会自动受益。

有了这个共识，我们果断调转重心，花了一年多时间，打造了三个内部平台：海豚平台、悟空平台，以及评测标注平台。这里简单说说它们的定位：

目标是让一个非技术背景的人，能在5分钟内搭建出一个初级的企业智能体应用。核心特点有三个：一是可视化流程编排，拖拽一下就能把公司各种API接口串联起来；二是零代码智能构建，用自然语言就能搭建智能体；三是集成企业级工具库和MCP能力。我们比拼的不是技术层面的先进性，而是把企业内部数字资产用好。

面向更专业的算法开发者，提供从数据训练、模型开发到上线维护、生命周期管理的一站式提效服务，帮算法工程师节省在资源、数据、模型开发检测上的时间。

当然，模型上线后的评测同样关键。我们为此搭建了标注AB试验平台和拉拉智评，让模型PK、AB分流等环节更加完备。以前总说“人工智能就是有多少人工就有多少智能”，很大一部分精力都花在标注和评测上。把这个环节做好，才能确保每一次上线的结果都是可靠且可重复的。

总结下来，基础大模型是公共能力，而AI平台应用只能靠企业自己打磨。我们在这方面反赌了一些。

落地场景：没有碘伏，但贵在微创新

在具体应用上，坦白说没有哪个场景是碘伏性的，但有几个值得分享的微创新点。

货运场景中，违规载人、危险品运输、危险驾驶时有发生，平台需要及时干预。但这个过程窗口期极短，可能只有几分钟。我们通过大模型结合语音、图像等非结构化数据，对下单流程进行实时检测和分层处置。一年多下来，风险订单量下降了30%，订单提醒率达到了100%。

这是任何科技公司都会拥抱的方向。从一年前到现在，货拉拉90%的团队都已用上AI Coding。研发流程的渗透率也达到了60%。但实话实说，它目前大概只提升了10%的研发效率。为什么？因为程序员每天写代码的时间只占总工作时间的30%左右，假设其中又有30%是AI生成的，那最终只有10%的上线代码由AI产出。AI在新工程和前端任务上能大量生成代码，但面对复杂业务逻辑，需要反复沟通才能让AI理解正确，事后还得花时间检查、纠错和测试。一加一减，效果没那么夸张。

比如“拍货选车”功能。新用户可能不清楚自己的货物该用什么车，通过摄像头拍照，AI就能用点云分割计算体积，再自动匹配车型，10秒内给出推荐。效果不错。另外，每天成千上万的用户反馈，通过大语言模型进行识别、分类和总结，能快速找出“开票效率太低”这类以前容易被忽略的痛点。还有，针对公司里大量的“历史知识死角”——离职、迭代导致的信息断层，我们用LLM抓取所有PRD、代码仓库，构建了一个AI产品知识专家，解决了大量跨部门协作问题。

比如信息优化。用大模型智能分析用户信息内容，简化冗长、不准确的表述，一年节省了约12%的信息成本。同时，AI能提前预警用词风险，避免几百万条信息发出后引发合规问题。

AGI技术让数字人无处不在。我们做了一个“AI+ASR+LDM+TTS”三维串联的AI业务伙伴。针对方言听不懂、答非所问的问题，我们通过自创的热词运营和模型优化，将语义识别准确率提升到94%。更重要的是，让AI数字人带有口音，使真人度达到92%。面对用户带有焦急、生气的情绪时，能通过问题改写、场景路由和Multi-Agent的方式，精准分流并安抚，使问题解决率大幅提升。

回归本质：对AI的冷静判断与乐观展望

说到最后，闭环一下最初的问题。今天的AI在以服务为主体的业务场景里，无非做两件事：增收和降本。每个行业都不同，像O2O这样的行业，本质还是服务。核心价值是服务本身，这一点不会被AI取代。除非无人驾驶加具身智能彻底普及，否则AI在类似行业中，提效能力还是相对边缘的，大约在5%-10%。不同岗位受影响程度不同，但总体来说，AI现在还是一个提效、防风险和降成本的工具。

当然，未来值得乐观。基础大模型正以指数级演进，很多今天的问题，三个月后可能就不再是问题。具体方向上，我们希望走向多模态模型的整体方案。目前AI业务伙伴还是分ASR、LLM、TTS三个阶段，维持准确率和时延比较困难。接下来的方向，是单个模型整合、端到端打通三个模块。当前我们的单个数字人做得不错，但未来希望用多个数字人从上游到下游，整体提升企业流程效率。

最后，用户体验这块提得少，因为目前AI能起的作用相对较小。但未来，随着能力提升，通过端到端的大模型助手，在智能选车、智能填单、内部运营答疑等方面，还会有更大的提效空间等待释放。