下一波紅利，藏在公司流程里

這兩年，很多公司都在找紅利。

有人找增長紅利，有人找流量紅利，也有人找技術紅利。

尤其是，AI來了之后。

年底一匯報，市場部做了上百張AI海報，設計部做了五個智能體演示，IT部門整理了十幾套提示詞，特別熱鬧。

但奇怪的是，公司業務，卻沒怎么變。

銷售還是原來的打法，客服還是原來的流程，運營還是原來的協作方式。區別只是，員工多了幾個AI聊天窗口，老板多了幾個匯報。

為什么同樣用AI，有些公司只是多了幾個工具，有些公司卻真的放大了效率？

這幾天，火山引擎在北京開了FORCE原動力大會，也是火山引擎規格最高的產業大會。我很關注這次大會。不只因為新的模型和產品，更因為它非常關注：AI怎么進入業務場景，提高企業效率。

于是，我認真地看了這次大會的資料，也找到了火山引擎的同學請教。聊完之后，我有一個很強烈的感受：

真正的AI紅利，不藏在工具入口上，而是藏在業務流程里。

為什么這么說？

01

多一個入口，不等于改掉流程

很多公司所謂的AI提效，都在圍繞“入口”使勁。

什么意思？

就是員工工作，多了一個AI入口。寫周報，打開一個對話框，讓AI先寫一版。寫代碼，也打開一個對話框，讓AI補一段。

但員工個人快了，不等于公司效率高了。因為企業里真正制約效率的，不是動作，是動作和動作之間的協作。

比如，做周報。即便用AI寫周報，大大節省了時間，但如果周報還是要發經理，經理還是要同步總監，總監還是要開會，那最后公司信息的流轉速度，其實沒什么變化。

比如，做產品。工程師用AI寫代碼，速度確實快了。但如果排期、測試、上線，層層審批的流程還和之前一樣，研發速度就還是老樣子。

入口，解決個人效率。流程，才決定公司效率。

什么是流程？流程關心的，是事在公司里怎么推進。客戶來了，誰接住。問題出現了，誰拍板。項目要完成，誰審批、誰執行、誰復盤。

那為什么很多公司，容易對著入口使勁？

因為入口層的變化，最容易被看見。我們有AI賬號了。我們有AI培訓了。我們有AI案例了。我們還有幾十套提示詞，已經更新到第七版了。這些東西一統計，年底一匯報，就特別熱鬧。

可熱鬧歸熱鬧，如果銷售的打法，客服的流轉，運營的協作都沒變，那公司就只是多了幾個工具入口，距離真正的AI提效，還很遠。

所以，判斷AI提效有沒有發生，不要只看員工有沒有用。要看它有沒有進入流程，改掉原來靠人確認、流轉、復核的業務動作。

怎么理解呢？我們看幾個具體例子。

02

當廣告不再賭效果：大量生產素材，讓市場選擇答案

先看這條視頻。

（視頻來自：Oumomo）

這是一條出海企業的口紅廣告，大概十幾秒。一個年輕漂亮的女孩，對鏡頭展示口紅。上嘴顏色鮮亮、價格也便宜。視頻雖然簡單，但作為電商平臺的效果廣告，也夠用了。

效果不錯，是吧？

如果沒人告訴我，這是Seedance生成的AI視頻，我可能真以為是博主實拍。目前AI的視頻生成能力，太驚人了。

火山引擎的同學告訴我，他們跑了一些驗證。相較實拍，AI生成的優質素材，ARPU可提升80.2%。

什么意思？

ARPU，是平均用戶收入。粗略理解，就是假設有1000個用戶觀看，人工拍攝的廣告能帶來100元收入，那AI素材就可能帶來180元。

為什么差距這么大？難道AI比真人更懂賣貨嗎？

不是。關鍵是，它改變了廣告試錯的方式。

之前，要準備這樣的效果廣告，你大概會很煩惱。因為東西到底怎么賣，其實沒有標準答案。

比如口紅。一個博主，15秒，到底講什么？也許該講顏色。因為上嘴效果，是用戶第一眼看到的。也許應該先講它很顯氣色。因為提氣色，是很多用戶買口紅的目的。也許，該講場景，講價格……

但是，你又沒有時間多試幾輪。

因為每一輪，你都要聯系人拍攝，等待制作。但在電商投放里，素材的生命周期又很短，可能還不到一周。用戶看過了，就不會再看了。

所以最后，你只好根據經驗，大概確定四五個方案，投出去碰運氣。

但如果這條口紅廣告，能一下子生成100條呢？

根據數據，用Seedance 2.0生產一支30秒效果廣告，制作成本可以做到30到45元一條，并且可以單日穩定產出上百條素材。不光如此，針對同一只出海廣告，你還可以在保持原有鏡頭和廣告質感同時，做局部替換，適配多個市場版本。

事情馬上不一樣了。

你不用在會議室里爭半天，到底該講顏色，還是講價格。你可以都講。你可以生成女主播講解版、純產品展示版、劇情痛點版，然后，交給市場。哪條數據好，再追加投放。

過去，你在會議室里猜答案。現在，你批量生成答案，讓市場選擇。

而類似的流程變化，不只出現在效果廣告里，還出現在TVC里。

再看個視頻。

（視頻來自：IMStudio）

是的。這條廣告，也是用Seedance生成的。品質很高。無論是汽車行駛，還是車燈、輪轂的特寫，都到了一眼難辨的程度。

火山引擎的同學告訴我，過去半年里，AI行業的Tokens消耗上升很快，一個關鍵原因是：模型能力，跨過了企業愿意采納的質變點。

以前很多AI視頻，大家看完會說，挺有意思。但如果真讓企業拿去做品牌廣告、拿去做客戶溝通，還是會猶豫。為什么？因為質量不穩定。人物變形，鏡頭跳躍，不符合物理規律。到10秒以上，就很容易穿幫。

但到了Seedance 2.0，一致性逼真度都進步巨大，跨過了質變點，你才能看到大量15-30秒以上的短片、廣告、科普視頻。甚至在具身智能和智駕領域，也有不少企業，用它生成訓練數據。接下來，還有支持輸出30秒以上、輸入50個素材參考的Seedance 2.5模型，在七月初正式上線。

當模型一旦跨過采納門檻，流程就會隨之變化。

而過去做TVC最反人性的地方，是你必須在沒看見成片時，確認結果。

一開始，是甲方提方案，乙方寫腳本。雙方確認分鏡，開始拍。

成片出來，甲方一看，說不對，這不是我要的。乙方也很委屈：這不是確認過的嗎？聽起來，乙方的確有道理。可問題是，人怎么可能只看腳本分鏡的時候，就準確想象出最后的成片？過去必須這么干，是因為返工成本太高。但有了AI，返工的成本被壓低，決策方式就變了。

生成一版，節奏不對？換。鏡頭不對？再換。調性不對？繼續換。

一次性的拍板，變成了低成本的迭代。這就是AI視頻，對廣告行業流程上最大的改變。

03

庫迪的20個“自動巡店員”：AI盯盤，人類復核

再請你看張圖。

這里，是庫迪的一家咖啡店。

一家咖啡店在開門前，要進行大量檢查。比如，口罩戴好了嗎？吧臺干凈嗎？食材在不在有效期？聯名海報放好了嗎？門頭招牌都對嗎？

對單店而言，這些檢查并不復雜。但如果，你有1.8萬家門店呢？

那你必須開始大量雇人，一個門店、一個門店地看過去了。

店員拍照上傳，管理人員審核照片。或者，直接看攝像頭畫面。員工沒佩戴口罩，需要提醒。環境衛生有問題，要盯著整改。聯名的海報擺得不對，需要反饋。糖漿牛奶過期了，也得及時處理。

日復一日，雷打不動。因為一瓶過期牛奶，一個不衛生操作，就有可能讓一個品牌，陷入輿論風暴。

可是，這又太麻煩了。就算每家店，要看10個細節。一萬家店，那可就是10萬個細節。因此而耗費的人力，你大概可以想象。

怎么辦？

庫迪咖啡，在全國已經有1.8萬家門店。到了這個規模，管理不再是勤不勤快的問題，也不只是制度細不細的問題，而是標準必須執行，但靠人很難每天看見每一家店的問題。

所以，庫迪咖啡琢磨：

既然門店太多、場景太多，靠人一個個看畫面，效率太低。那能不能讓AI先幫我看，發現不符合標準的地方，再交給人來復核？

基于這個思路，庫迪咖啡利用火山引擎，搭建了一套智能巡檢系統。他沒有讓一個AI模型，籠統地回答有沒有問題，而是把巡檢拆成近20個細分場景，做成不同的巡檢智能體。發現異常，就會推送給管理人員。

比如，員工著裝。系統會看店員有沒有戴口罩，戴耳機、戒指，長發有沒有扎起來，甚至能識別是不是穿了洞洞鞋。

比如，環境衛生。系統會看地面、餐桌、吧臺這些區域，有沒有餐余、水漬，是否保持整潔。

又比如，食品安全。系統會看食品有效期過沒過，檢查工具是不是需要清潔，剪刀是不是擺放正確。

說起來簡單，但要把這幾個場景理清楚，并不容易。

畢竟，門店現場，非常復雜，畫面質量也參差不齊。角度可能是歪的，清晰度也不夠。怎么辦？

火山引擎的同學告訴我，這就是豆包視覺理解模型的價值了。他們特地，對復雜畫面理解做了優化。比如，能在照片角度歪斜的情況下，聚焦關鍵區域。比如，能在復雜畫面里，標注員工制服、LOGO等重點區域的識別框，給后續分析提供依據。

（模型標注識別框）

而且，他們的AI Agent平臺“扣子”，功能配置也特別靈活。比如，他們有個智能體，專門看營銷物料合規，有十幾種自定義維度。所以，如果有營銷物料更新，你只需要少量調整參數，就能快速適配新需求。

截至目前，庫迪已經利用這套系統，自動化了90%的重復性人工審核。

不是給巡店人員，開一個工具入口，也不是把錄像發給AI。是把AI嵌入流程，把原來的“人工抽查”，改成“AI監管+人工復核異常”。

這就是，通過AI改造流程。看到這里，我感受很強烈：

很多人常說，連鎖品牌最難的，是開出更多店。但更難的，是讓每一家店，都像同一家店。同樣一杯咖啡，同樣一套衛生標準，到了1.8萬家門店里，還能不能保持一致？這真的很不容易。

AI的價值，就是把標準寫進流程里。從而，擴大標準化管理的半徑。

04

銀河證券重構研發體系：從想法到功能，研發周期縮短一半

互聯網發展到今天，已經很少有和軟件不打交道的公司了。

你開咖啡店，有點單系統、會員系統、庫存系統。你做零售，有門店系統、供應鏈系統。你做制造，有ERP、MES。做金融，就更不用說，賬戶、交易、風控，每件事都跑在系統里。

但這也帶來一個問題：業務想法很多，但系統經常跟不上。

為什么？因為研發慢，不只是慢在寫代碼。

從需求提出來到上線，中間要經過很多環節。比如，先要有人寫產品方案，拆技術任務，找代碼開發，測試……任何一個環節不清楚，都會返工。需求理解不對，返工。測試覆蓋不夠，還是返工。

所以，如果AI只是最后幫工程師寫代碼，而流程還是原來的流程，整個周期，就很難真正縮短。

舉個例子。

銀河證券有個業務系統重構項目。這個系統，是跨境交易業務的重要支撐。如果按照傳統研發流程來做，估計要4個月以上。

那怎么辦？銀河證券基于TRAE平臺，重新梳理了研發流程。

既然很多項目慢的原因，是前邊沒搗鼓明白，那后邊代碼寫得再快，也只是快速出錯。業務說A，產品理解成B，研發翻譯成C。最后測試一跑，才發現：這里功能漏了，那里改了會出事。

所以，第一件事，是先讓AI把需求梳理明白。

他們先讓AI根據業務需求，生成一份詳細的規格說明。比如，系統要重構什么，哪些東西不能碰，做到什么程度算完成。然后，請人來評審。不清楚，就先改說明，不著急寫代碼。

文檔確認之后，AI再把大項目，拆成更清楚的計劃和任務。

比如，系統重構，哪些地方要保留，哪些地方要重做？哪些功能做完之后，要讓誰來驗收？計劃確認后，AI會再把任務，拆成更小的任務。比如，哪一部分先處理，哪些地方要檢查風險。

最后，AI才開始按這些小任務寫代碼。

借助這樣一套全新的工作流，原本預計4個月以上的跨境交易系統重構項目，被壓縮到了2個月。AI代碼采納率達到87%以上，Bug率降低25%。

感覺到了嗎？要讓AI編程真正進入企業研發，關鍵不是多一個插件，寫幾行代碼，而是讓它接入企業已有的工具、規范和流程。

火山引擎的同學告訴我，這也正是TRAE這樣的開發平臺，存在的價值。

比如，銀河證券就利用TRAE，打通了多個平臺。過去做項目，你可能要先去Ones看任務，再去GitLab找代碼，再去DevOps流水線跑檢查。很多時間，都花在搬運和切換上。但通過MCP接口打通之后，你直接在TRAE里輸入需求，就能完成“拉需求，拆任務，寫代碼，發審核”這一整套流程。

同時，TRAE還幫助他們，把團隊里反復使用的方法，沉淀成組織級Skill。過去，需求怎么拆、Git提交應該遵守什么格式，往往靠老師傅帶新人，靠你自己摸索。但沉淀成Skill之后，它就能成為整個公司的操作手冊。

過去提到AI寫代碼，我們最興奮的，是說一句話，代碼就出來。但從想法到功能，中間至少有三步：想法，架構，代碼。AI當然能讓寫代碼更快。可如果想法沒說清楚，架構沒拆明白，寫得越快，錯得也越快。

最后一公里快，不算提速。

少走彎路，才算。下一次出發，不用從零開始，才算。

最后的話

只有進入流程，AI才會從個人工具，變成新的公司生產力。

過去，大家先在會議室里猜答案，再拿到市場驗證。現在，企業可以批量生成素材，讓市場先篩選答案。過去，巡店靠人工抽查。現在，AI先發現異常，人再復核處理。過去，需求從業務想法到上線功能，要靠很多人反復理解補漏。現在，AI直接梳理需求、拆解計劃，最后實現。

所以，判斷AI提效有沒有發生，不要只看員工有沒有用。要看它有沒有進入流程，改掉原來靠人確認、流轉、復核的業務動作。

入口會制造熱鬧，流程才會沉淀生產力，變成效率紅利。

這時候，再看火山引擎FORCE大會上的幾個數字，你大概就有感覺了：

在中國MaaS市場，火山引擎占據49.5%的份額。年消耗超過萬億Tokens的企業，已經超過200家，短短6個月就翻了一倍。

不知不覺，火山引擎已經成了千行百業，調用大模型能力的重要基礎設施。6個月翻倍，說明調用，正在持續地發生在真實業務里。

因為，萬億級的Token調用規模，已經無法用員工個人偶爾使用解釋。它必然來自于，企業高頻持續的業務場景調用。比如，更快的試錯，更少的審核，和更大的管理半徑。

換句話說，Token不只是模型的調用單位，它也正在變成，企業生產力的計量單位。這才是所謂“Token經濟”，真正值得關注的地方。

而未來公司之間的差距，也可能就在這里。

觀點/ 劉潤主筆/ 景九編輯/ 歌平版面/ 黃靜

這是劉潤公眾號第2979篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用于訓練AI大模型等用途