货拉拉CTO张浩：AI竞争关键不在基础模型，而在行业应用场景
2025年的商业世界正处于新旧交替的关键节点。在商业叙事重构、科技浪潮席卷的当下，WISE2025商业之王大会以“风景这边独好”为主题，试图在不确定性中锚定中国商业的确定性未来。我们在此记录这场思想盛宴的开篇，捕捉那些在变局中坚定前行的声音。
11月27-28日，被誉为“年度科技与商业风向标”的36氪WISE2025商业之王大会在北京798艺术区传导空间举办。
今年的WISE不再是传统意义上的行业峰会，而是以“科技爽文短剧”为载体的沉浸式体验。从AI重塑硬件边界，到具身智能叩响真实世界大门；从出海浪潮中的品牌全球化，到传统行业装上“赛博义肢”——我们还原的不仅是趋势，更是在无数商业实践中淬炼出的真知。
我们将在后续内容中，逐帧拆解这些“爽剧”背后的真实逻辑，一同领略2025年商业的“风景这边独好”。
以下是货拉拉CTO张浩的演讲实录，经编辑整理：
大家下午好！我是货拉拉CTO张浩。
刚才的圆桌讨论中，谈到AI当前对哪个行业影响深刻，地瓜机器人的秦总表示暂未看到明显迹象。
接下来我将分享AI在货拉拉的应用落地情况，先不谈未来，只讲过去两年的发展路径。讲完后，请大家再判断：当前AI对行业的影响到底有多大？
大家在大街上常能看到货拉拉的车辆，这里不再赘述业务场景。货拉拉最早成立于香港，2014年进入中国内地，至今已有12年历史。除中国外，还在东南亚、南美洲等400多个城市和地区提供服务，月均活跃用户近2000万，活跃司机200万。作为业务撮合平台，核心是促成货主与司机的交易，因此运营效率和用户体验是货拉拉的核心能力，也是AI需重点突破的两个方向。
每家公司的业务场景和落地阶段不同。2023年ChatGPT横空出世后，我们也开始相关研究。首要问题是：在货拉拉所处行业及公司结构中，AI在哪些领域能发挥最大作用？
我们参考高盛2023年AI研报的评估方法，通过岗位调研、任务拆解、自动化难度评级，量化AI提效潜力。生成式AI将率先在高数据密度、人力密集型领域引发生产力革命，因此我们优先选择业务安全、研发、产品、运营等场景落地；而对于确定性要求高、容错率低的场景，如数据分析，我们认为时机尚未成熟。
确定方向后，便是技术落地路径问题。
和所有科技公司一样，2023年初我们也想做货运行业垂类大模型，投入了不少资源和精力。
最终，我们用时间和成本换回两个结论：
第一，基础大模型本身更新迭代极快，与其在基础大模型上耗费大量时间，不如深耕行业数字资产、业务API及行业know-how的落地。
第二，搭建企业自身的AI应用平台比做基础大模型更重要，随着基础大模型的升级，企业AI应用能自动提升效率。
基于这两个认知，我们调整重心，不再纠结于基础大模型。随后用一年多时间打造了三个完整的平台应用：海豚平台、悟空平台和评测标注平台。
简单介绍这三个平台：
悟空平台旨在让非专业人士能在5分钟内搭建初级企业智能体应用。
它有三个主要特点：
一是可视化流程编排，通过拖拽即可整合公司各类数据资产的API接口。
二是0代码智能构建，通过自然语言就能搭建基础智能体。
三是可建设企业级工具库和MCP，正如之前所说，我们的竞争优势不在技术层面，而在于做好企业数字化资产。
海豚平台面向专业算法开发者，实现从数据训练、模型开发、上线维护到生命周期管理的一站式效率提升。
我们希望通过这个企业内部平台，为算法工程师节省在资源、数据、模型开发、检测等方面的时间。
当然，模型构建上线后的评测环节至关重要。为此我们推出标注AB试验平台和拉拉智评，完善模型PK、AB试验分流等环节。
过去有个玩笑说“人工智能就是人工+智能”，因为大量精力花在标注和评测上。做好评测体系，才能确保每次上线的结果可靠可重复。
以上是对三个平台的简要介绍，这也是我们引以为傲的成果。我们的经验是：大模型是行业、大厂提供的公共基础能力，而平台应用需企业自行打造，这样才能让业务“跑得更快”。
接下来分享几个应用场景。这些场景虽无颠覆性突破，但值得推广且有微创新。
比如AI安全防控。在货运场景中，货拉拉用户可能遇到违规载人、危险品运输、危险驾驶等行为。
平台需及时干预，但这类事件处理窗口短（仅几分钟），若未及时检测干预，可能引发问题。
针对安全驾驶实时监测窗口短、准确率要求高的特点，我们通过大模型结合语音、图像及非结构化数据进行实时检测干预，对下单流程分层处置。一年多来，危险品运输和违规载人的风险订单量下降30%，订单提醒率达100%。
第二是AI Coding。任何科技公司都会用到AI Coding，核心问题是它能否提升产研效率？答案是肯定的。
从一年多前使用AI Coding至今，90%的个体和团队已应用。研发流程渗透率从PRD、研发、上线、调试到监控，AI Coding覆盖了60%，整体渗透率较高。
但也存在不足：当前AI Coding仅能提升约10%的工作效率。
若在座有工程师会知道，程序员并非每天8小时都在写代码。我们统计发现，工程师日均仅30%时间用于写代码；假设代码工作中30%由AI生成，最多仅10%的上线代码来自AI Coding，比例不算高。
原因在于，AI Coding在新工程及前端任务中能生成大段代码，但面对复杂业务逻辑，开发者需与AI反复用自然语言沟通才能得到正确逻辑，且代码不一定能上线。
也就是说，写代码时间减少了，但检查、纠错、测试的时间增加了，一增一减后效果并不显著。
再看一些微创新。在产品体验方面，新用户可能不清楚哪种车型适合装货，也不知道货物的尺寸重量。为此我们开发了“拍货选车”功能：用户用摄像头拍摄货物，AI通过点云分割计算体积，再与车库车型自动匹配，10秒内即可推荐最合适的车型，使用效果良好。
作为互联网公司，我们每天收到大量用户反馈，这些反馈内容繁杂，人工打标、分类、总结效率低下。于是我们用大语言模型打造用户反馈分析器，通过小模型快速识别分类，再由大模型总结整理。
这一功能效果显著，比如我们很快发现用户反馈开发票效率低的问题，这类信息以前很容易被忽略，现在能精准捕捉。
同样，同事离职、产品迭代后，可能出现“知识死角”：几个月或几年后，没人知道某个功能是谁做的、为何这么做。
针对这一问题，我们用大语言模型整合公司所有PRD文档、代码仓库、配置等资料，通过数据分析打造了AI产品知识专家，能解决历史问题，尤其是知识冗余和跨部门协作问题。
业务流程中存在大量给用户发短信的需求，短信成本不低，其中有不少节省空间。
短信内容由人工撰写，存在优化空间，大语言模型天然适合这项工作。通过智能优化分析，我们简化、优化了以往表达不准确、过于冗长的短信内容，一年节省约12%的短信成本。
此外还有潜在收益：风险防范。一条短信可能发送给数百万用户，大语言模型能提前预测用词和内容的合规风险，便于及时干预。
如今AGI技术让数字人无处不在。以前纯文本或语音助理缺乏人物形象，现在我们用真实AI数字人作为业务伙伴，在公司内部和外部场景都得到了良好应用。
比如我们的AI应用专家在通话时，曾出现方言听不懂、答非所问的情况；与外部交流时，即便答对，用户因知道是AI也可能不信任。
为此我们构建了AI+ASR+LDM+TTS的三维串联体系。
ASR通过独创热词运营及与第三方合作优化声学模型，语义识别准确率达94%。
重要的是，我们发现带方言的AI业务伙伴更具真实感，于是调整了口音音色，使AI真人度达92%，效果不错。
另外，在线场景中用户常带有情绪（如焦急、生气），此时需及时安抚并引导至不同场景。我们通过大语言模型实现问题改写、场景路由及Multi-Agent模式，大幅提升问题解决率和准确率。
最后回到开头的问题：当前AI在服务类业务场景中主要做两件事——增收和降本。
不同行业特点不同，像货拉拉所处的O2O行业（无论是电商还是货运）本质仍是服务行业，核心价值还是服务本身，这一点不会被AI取代。未来若无人驾驶+具身智能完全普及，AI或许能胜任服务工作，但目前还不行。
AI在货拉拉这类行业中，提效作用相对边缘，约5%-10%。部分岗位受影响较大，但总体仍是提效、防风险和降成本的渠道。
不过我们仍需保持乐观。首先，基础大模型演进日新月异，呈指数级发展，今天的问题可能三个月后就不再是问题。
具体落地方面，我们将向多模态模型方案推进。刚才提到的AI业务伙伴分ASR、LLM和TTS三个阶段，但维持准确率和时延仍有困难。
因此，单个模型整合端到端三个模块是未来方向。目前我们单个数字人做得较好，未来希望从上游到下游全打通，用多个数字人整体提升企业流程效率。
当然，用户体验是重中之重，目前AI在这方面作用相对较小。但随着AI能力提升，未来有望通过端到端大模型助手，在智能选车、智能填单、内部运营答疑等方面实现提效。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com