2025年AI创业新逻辑：从交付即结束到交付即开始

上个月，MIT的NANDA项目发布了一份《2025年商业AI现状报告》，该报告在业界掀起了波澜，甚至一度导致AI概念股集体下跌。

报告揭示了一个令人惊讶的事实：尽管企业在生成式AI上的投资已高达400亿美元，但其中95%的组织获得的实际回报几乎为0。

数字背后隐藏着一个明显的悖论。一方面，AI技术正在以前所未有的速度发展，模型能力日新月异；另一方面，企业重金采购的AI工具却被员工悄悄弃用，形成了一个庞大的“影子AI经济”——超过90%的员工更愿意使用个人版的ChatGPT等工具来完成工作。

这让我们不得不正视一个正在发生的转变。在2025年这个节点上，AI创业的底层逻辑发生了根本性的改变。成功的关键不再仅仅是拥有更强大的模型，而是能否让AI在真实的业务场景中持续学习与进化。这听起来像是老生常谈，但问题是，怎么做永远比想更难。

旧逻辑的崩塌

如果95%的AI投资未能产生回报，那么回顾过去的路径就显得尤为重要。

许多企业习惯于将软件视为即插即用的工具，他们同样以这种逻辑对待AI：一次部署，永久生效。

但事实上，AI的本质与一套标准化软件不同，它更接近于一位专家。专家需要不断学习、接收反馈、积累经验，才能保持其专业水准。一个无法从使用中学习和改进的AI系统，其价值会随时间持续贬值。

此外，在“通用”与“专用”的选择上，MIT的数据同样反直觉。报告显示，在调研初期，有60%的企业考虑采用特定任务型GenAI。然而，从试点到成功实施，这个比例骤降至仅剩5%。相比之下，通用大语言模型的表现则稳健得多。

这说明，为特定任务量身定制的AI反而面临更严峻的落地挑战。它们需要复杂的场景适配、高昂的定制和维护成本，最终可能因无法灵活适应实际工作流而沦为“流程孤岛”，被员工绕开。

影子AI的盛行是员工最直接的无声投票。当公司提供的工具笨拙、僵化，无法理解具体的工作语境时，员工自然会选择使用更灵活、更懂他们的个人AI工具。这暴露了企业级AI工具的致命弱点：顶层设计的产物无法自然地适应“人”的工作习惯，也缺乏从用户侧收集反馈并即时改进的闭环。

从这样的视角来看，旧逻辑的核心是“交付即结束”，追求的是功能清单的完美勾选。而现实已经证明，AI的成功应用要求“交付即开始”，价值是在使用过程中通过持续学习和优化而不断累积的。

新逻辑的浮现

在95%的失败阴云下，仍有5%的企业找到了方向。后者做对了什么，对于勾勒AI创业的新范式具有重要的启示作用。

成功的组织首先改变了与AI的相处方式，将AI当作需要共同成长的外部专家。

例如，一家设计公司在采购AI助手时，相比选择功能最全的系统，成功的案例往往是选择最能理解设计师需求、并能随着团队风格不断进化的那个。他们每周会与AI团队复盘：哪些建议被采纳了，哪些被忽略，设计师在使用过程中遇到了什么困惑。

这种关系下，商业模式或许也会改变。传统的软件许可证销售正在被“成长服务”取代——企业购买的不仅是当下的能力，更重要的是获取了一套保证AI持续进步的机制。这就像聘请一位顾问，你支付的不仅在于他的现有知识，更看重的是他未来在公司业务场景中的成长潜力。

另一方面，当大多数用户抱怨企业AI重复犯同样的错误时，我们意识到问题的核心不在模型大小，而在学习机制的缺失。

那些成功的5%，都把“如何让AI持续学习”作为技术架构的核心。这需要构建真正意义上的Online Learning系统——从技术内核看，它是模型与环境持续交互、通过奖励信号动态优化整个智能系统的能力。

简单来讲，他们不会简单依靠收集用户反馈来进行定期的训练，更重要的是让AI能在每一次交互中即时调整自己的策略。你可以把它理解成一种新的交互和推理范式，它要求模型在测试阶段仍能学习。

我们看到三个关键特征在这些系统中显现：

首先是情境理解，优秀的AI能记住用户偏好，并在后续交互中应用这些知识。其次是记忆管理，AI系统为用户建立了个性化的记忆档案。最重要的是反馈闭环的设计。那些失败的AI系统总是会把反馈变成繁琐的"点赞/点踩"按钮，而成功的系统其实将学习机制无缝嵌入工作流程。

从功能清单到对学习能力的评估一定程度上体现了企业对于AI标准的改观。过去采购时最关心支持多少种功能现在更看重学习新技能需要多久。

寻找2025年后的赛点

站在这个转折点上对于AI创业者而言几个关键的生存法则正在浮现。

随着场景的深度取代技术的广度成为新的竞争壁垒大模型确实正在成为水电煤般的基础设施但真正创造价值的永远是那些懂得如何用好稳定资源的人。

在医疗等专研领域我们能够开始看到行业对于理解特定场景下的细微需求一些创业团队放弃打造全科医生AI的野心转而专注在皮肤病诊断、影像分析等细分领域通过持续学习特定类型的病例数据在这些垂直场景中达到了实用级的准确率。

另一方面关于ROI的认知需要被刷新。报告显示70%的AI预算流向了营销部门这反映出企业普遍将AI视为增长工具。但现实中“降本型AI”往往能带来更直接、更可衡量的回报。

Online Learning崛起究竟会对AI市场带来哪些影响呢？

答案可能是彻底的洗牌。

当OpenAI、Anthropic等头部玩家不断刷新模型能力的上限时那些依赖传统静态数据训练的企业将面临巨大压力。模型的保鲜期正在缩短实时学习能力将成为新的分水岭。

其次AI产业落地逻辑被重构。在推荐系统领域我们已经看到分钟级更新如何改变用户体验；在医疗诊断等高价值场景如果AI能够通过持续的临床反馈不断优化判断标准其价值将呈指数级增长。

这种越用越精准的特性将颠覆现有的定制化模型商业模式。相应地算力分配的权重也在发生变化。一次性的训练投入可能要让位于持续优化的推理算力池模型更新频率将成为比参数规模更重要的指标。

这就意味着AI创业的下半场属于那些在最具体场景中展现出最强适应力的团队。是时候放下对模型规模的执念回归到创造真实价值的轨道上来了。