与百余位创业者深聊AI：他们在做什么，思考什么，困惑什么

发布日期：2026-09-04 06:10:20 浏览次数： 1729

作者：青腾TencentX

微信搜一搜，关注“青腾TencentX”

从2026年1月至8月，历经220余天，围绕青腾未来产业学堂（AI 产业班）的招募，我们与数百位创业者进行了一次次深入交流。

随着面试进入尾声，一群来自不同产业的一号位，即将从各自的企业现场走到同一个班级。

在正式开学之前，我们想先写下这轮交流中看到的一些东西——通过近百位企业家的交流样本，我们看到的面对 AI技术，这些企业家的行动、思考与困惑。

他们中，有人站在模型、算力与芯片的供给侧，有人探索让机器人进入真实工作环境；有人管理着工厂、医院、学校与遍布各地的门店，也有人正在重做内容、消费，与专业服务。

他们所处的位置不同，AI 进入业务的深度和速度也不同。但有一点越来越清楚：AI 已经足够强，强到企业不能再忽视；它又仍然处在答案尚未形成的阶段，没有哪一家企业能够简单照搬别人的路径。

AI 一旦进入产业，就会变成完全不同的问题，而每一个问题，都必须回到每个行业真实的客户、场景与责任中。

提供 AI 能力的人，正在重新定义“交付”

在 AI 技术供给侧，竞争正在从“有没有模型和算力”，转向“能不能以更低的成本、更稳定地完成推理与交付”。

算力调度、模型 API 聚合、推理集群和端侧模型看似是几种不同的生意，实际都在重新组合模型、芯片、网络、任务与成本。在芯片领域，企业也不再只出售一颗芯片，而是把芯片、软件栈、训练工具、板卡、服务器与部署系统组合起来。

客户购买的不再只是一段云资源或一次模型调用，而是这项能力能否持续进入业务、完成结果。

这也意味着，AI 商业化首先要跨过一条朴素的经营底线：AI 创造的价值，必须大于它消耗的算力与交付成本。

拥有产业现场的人，正在让 AI 穿过现实约束

当 AI 进入机器人、智能终端、先进制造、新能源等领域，变化就不再只由模型版本决定。

在具身智能与机器人场景，呈现出一个更靠近现场的信号：通用机器人尚未大规模进入真实工作环境，训练机器人的工具、设备和数据已经先成为明确的采购对象。一位工业具身智能创业者表示：大量预训练数据建立基础能力，最后少量来自真实现场的后训练数据，往往决定模型能不能真正打通一个场景。

因此，他们不是先假设机器人必须长成什么样，而是从任务出发：先定义场景，再定义问题，再定义工具。

在先进制造、新能源等领域，AI 往往先进入知识与决策层，再进入物理生产层。

有企业已经开始把 AI 用于材料筛选、能源预测、经营分析、供应链和知识沉淀；但在工业制造与生产的现场，设备寿命、工艺稳定性、安全责任和改造成本，决定了变化不会只跟随模型版本发生。

真正重要的可能不是一次性接入某个工具，而是让组织建立持续发现、筛选和验证 AI 场景的能力。

直接面对用户的人，正在重新判断价值边界

在直接面对用户的消费、服务等领域里，AI 已经进入设计、客服、门店巡检、用户画像、配送和排班等日常环节。

越是高频、标准化、可复用的流程，越容易率先形成效果。一家消费企业把原本需要运营与设计反复沟通、排期的电商素材修改做成工作流，让运营可以直接在模板中完成调整。

但个人和局部效率提升之后，企业很快会碰到更深的问题：数据是否打通，岗位如何协同，流程是否需要重做，新的效率能不能转化为新的组织能力。

更重要的是，AI 提效并不自动等于品牌竞争力。消费者最终购买的仍然是商品、服务、体验与信任。产品应该解决什么问题、品牌应该讲什么故事，依然需要企业自己判断。

文化 IP 与影视内容等行业里，AI 正在同时降低生产成本、改变组织接口，也重新提出内容价值的问题。

剧本、分镜、素材、动画、游戏开发和发行都开始被 AI 改写。一些企业成立新的 AI 内容团队，为新的创作者与生产方式建立组织；也有企业主动划定边界：流程与功能性环节中能够替代的，尽量交给 AI，但真实用户沟通、非标体验、创意判断和“活人感”必须被保留。

还有一些行业，正在重新设计信任与责任

在生命健康领域，AI 已经进入病历生成、病史摘要、辅助诊断、胚胎筛选、超声测量和医药文档处理。

但这里更清晰的路径，不是让 AI 越过医生和专业人员，而是让它成为专业判断的副驾驶。

一家医药服务企业把多个任务型 Agent 组织成数字工厂：不同 Agent 分别负责识别、读取、还原和交付，前后设置多层验证，敏感数据先经过脱敏再调用模型。大模型只是系统中的一部分，真正能够进入工作流的，是模型、代码、验证机制、隐私边界与人工复核共同组成的受控交付系统。

在金融科技场景，面对的是另一种责任。

企业在用 AI 识别欺诈和风险，但金融 AI 因此不能只看用户数量或模型能力。牌照、合规、资金安全、责任边界和长期信任，仍然是商业成立的前提。

把不同行业的实践放在一起看，我们发现，AI 落地的差异不只是快慢，更在于价值成立的条件。技术供给侧看交付，物理产业看现场，消费与内容看用户选择，生命健康与金融等行业看可信与责任。

因此，不能用同一把尺子衡量不同产业的AI进展。路径各不相同，但当AI进一步进入产品、流程与组织，一号位面对的经营问题开始汇合。

跨行业比较后，我们发现，企业当前最集中的问题在于三笔更具体的账：商业上是否成立，组织上能否承接，产业时间是否匹配。

商业账："技术已经可用，但商业模式还没跑通"

互联网时代有一个被广泛接受的逻辑：边际成本会越来越低。但 AI 不完全遵循这个规律。每增加一个用户，就可能增加新的 token 消耗和推理成本。AI 商业化不能只谈用户增长，还必须重新计算成本结构、端云分工和 ROI。

而且，AI 未必会先带来降本。一家科技服务的创业者表示，AI 可以提效，但短期未必降低成本：调试、返工、训练和人机协作，都可能先抬高投入。

文化 IP 行业的创业者提供了一个判断：AIGC 降本增效是"极好的事情"，但"快速下降的内容生产成本和下降的用户支付意愿之间，需要找到一个新的平衡"。

技术可以让内容更便宜地生成，但用户愿不愿意为 AI 生成的内容付钱、付多少钱、在什么场景下付钱——这些问题还没有共识。

组织账：数据、岗位和责任如何重新安排

很多产业不是没有数据，而是没有可以被 AI 直接调用的数据。

数据可能散落在不同系统，也可能缺少统一格式、结果标签和反馈闭环；具身智能企业要做物理世界的标准化、数据采集和流程重构，比软件世界复杂不止一个量级；工业现场还要处理动作、触感与异常数据；医疗和金融则必须面对隐私、合规和责任边界。

旧流程背后还连接着 KPI、客户承诺和事故责任。一旦 AI 改写流程，谁判断、谁执行、谁复核、谁为最终结果负责，都需要重新设计。

因此，AI 带来的组织变化，不只是员工会不会使用工具，而是企业如何重新定义岗位、能力、协作和责任。

时间账：技术速度与产业时间如何协调

内容、营销和软件的窗口可能以月或季度计算；硬件、制造、材料和医疗，则要经过以年计算的产品、工艺和验证周期。

模型可以快速迭代，设备不能每个月重做；内容可以迅速生成，用户支付意愿不会同步变化；AI 可以给出建议，信任与责任仍要在长期关系中形成。

这意味着，不同企业不能用同一种速度评价，也不能用同一条路径推进。

当这些问题同时出现，AI 不再只是一个技术议题，而是企业一把手必须亲自参与的经营管理判断：重新计算成本、整理数据、判断业务边界，也重新组织人与技术的关系。

在面试交流里，我们多次听到一个声音：希望看到不同行业在做什么、怎么推进AI，又在哪些地方卡住。有人说，静态知识可以快速检索，而值得花时间进入的，是另一家企业的场景、路径、顾虑和决策过程。

做模型、算力与芯片的人，需要理解 AI 进入工厂、医院、门店和真实用户之后会遇到什么摩擦；拥有产业现场的人，也需要知道技术能力正在走到哪里，哪些边界正在被迅速推开。

软件企业以周和月迭代，制造与硬件企业以年验证。AI 原生企业带来新的产品与组织方式，成熟产业企业带来客户、品牌、供应链、责任与长期行业经验。

他们未必能够照搬彼此的答案，但可以借鉴彼此如何选择场景、计算投入、组织试点、划定边界，并在不确定中作出决策。

这也将是青腾未来产业学堂（AI 产业班）的起点：这群人带着各自的真实问题，坐到同一张桌前，彼此看见。他们处在不一样的一个行业、拥有的速度也不一致；恰恰因为每个人都带着别人难以凭空想象的现场，他们才可能成为彼此新的参照系。

随着面试进入尾声，过去几个月分散在一对一交流中的问题，即将从9月开始，进入课堂、案例讨论、企业互访和同学之间的长期交流。

不是所有参与深度交流的企业家都会在这一期成为同学，但他们留下的实践、判断与问题，已经共同构成了这一期 AI 产业班的重要底稿。

对青腾而言，AI 不是一套等待被讲授的标准答案，而是一个入口，是钥匙，但门后面，是万木春生的产业现场、正在重塑的人机组织，以及一号位自己的人生与未来。

在这一轮交流中，我们也看到，AI 正在与全球市场、供应链、产品出海和组织能力越来越频繁地交织在一起。围绕全球市场和产业创新的下一轮连接，青腾也会在后续持续展开。

每一次的新班级招募，都是青腾持续进入创业者现场、理解新议题、连接真实问题的过程。AI 产业班如此，围绕全球化、产业创新和长期价值的更多探索，也会继续发生。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业