2025年，AI的創業邏輯變了

Online Learning是AI的下一場革命。

新眸原創·作者 | 鹿堯

上個月，MIT NANDA項目發布了一份《2025年商業AI現狀報告》。這份報告在業界引起了不小的震動，甚至一度導致AI概念股集體下跌。

報告揭示的現實令人驚訝，盡管企業在生成式AI上的投資已高達400億美元，但其中95%的組織獲得的實際回報幾乎為0。

數字背后則是一個日漸鮮明的悖論，一方面，AI技術正以前所未有的速度發展，模型能力日新月異；另一方面，企業花重金采購的AI工具卻被員工悄悄棄用，形成了一個龐大的“影子AI經濟”——超過90%的員工寧愿使用個人版的ChatGPT等工具來完成工作。

這讓我們不得不正視一個正在發生的轉變，AI創業的底層邏輯，在2025年這個節點上，發生了根本性的改變。成功的關鍵不再僅僅是擁有更強大的模型，而是能否讓AI在真實的業務場景中持續學習與進化。這聽起來像是老生常談，但問題的關鍵在于，怎么做永遠比想更難。

01

舊邏輯的崩塌

如果說面向AI的95%的投資未能產生回報，那我們有必要回頭看看，過去的路徑到底哪里出了問題。

許多企業習慣于將軟件視為即插即用的工具，他們以同樣的邏輯對待AI：一次部署，永久生效。

但事實上，AI的本質相比一套標準化軟件，更接近于一位專家。專家需要不斷學習、接收反饋、積累經驗，才能保持其專業水準。一個無法從使用中學習和改進的AI系統，就像一本多年未再版的教科書，其價值會隨著時間持續折舊。

其次在“通用”與“專用”的選擇上，MIT的數據同樣反直覺。報告顯示，在調研初期，有60%的企業考慮采用特定任務型GenAI。然而，從試點到成功實施，這個比例驟降至僅剩5%。與之相比，通用大語言模型的表現則穩健得多。

這說明，為特定任務量身定制的AI，反而面臨著更嚴峻的落地挑戰。它們往往需要復雜的場景適配、高昂的定制和維護成本，最終很可能因為無法靈活適應實際工作流，而淪為一個個“流程孤島”，被員工繞道而行。

影子AI的盛行是員工最直接的無聲投票。當公司提供的工具笨拙、僵化，無法理解具體的工作語境時，員工自然會選擇用腳投票，轉向那些更靈活、更懂他們的個人AI工具。這暴露了企業級AI工具的致命傷，頂層設計的產物，我那個我那個無法自然地適應“人”的工作習慣，也缺乏從用戶側收集反饋并即時改進的閉環。

從這樣的視角來看，舊邏輯的核心是“交付即結束”，追求的是功能清單的完美勾選。而現實已經證明，AI的成功應用要求“交付即開始”，價值是在使用過程中通過持續學習和優化而不斷累積的。

02

新邏輯的浮現

95%的失敗陰云下，仍有5%的企業找到了方向，后者做對了什么，對于勾勒AI創業的新范式具有重要的啟示作用。

接著上一部分提到，成功的組織首先改變了與AI的相處方式，將AI當作需要共同成長的外部專家。

比如一家設計公司采購AI助手時，相比選擇了某個功能最全的系統，成功的案例往往是選擇最能理解設計師需求、并能隨著團隊風格不斷進化的那個。他們每周會與AI團隊復盤：哪些建議被采納了，哪些被忽略，設計師在使用過程中遇到了什么困惑。

這種關系下，商業模式或許也會改變。傳統的軟件許可證銷售正在被“成長服務”取代——企業購買的不僅是當下的能力，更重要的是，他們獲取了一套保證AI持續進步的機制。這就像聘請一位顧問，你支付的不僅在于他的現有知識，真正看重的是他未來在公司業務場景中的成長潛力。

另一方面，當大多數用戶抱怨企業AI重復犯同樣的錯誤時，我們意識到問題的核心不在模型大小，而在學習機制的缺失。

那些成功的5%，都把“如何讓AI持續學習”作為技術架構的核心。這需要構建真正意義上的Online Learning系統——作為時下最熱的AI概念，從技術內核看，它是模型與環境持續交互、通過獎勵信號動態優化整個智能系統的能力。

簡單來講，他們不會簡單依靠收集用戶反饋來進行定期的訓練，更重要的是讓AI能在每一次交互中即時調整自己的策略。你可以把它理解成一種新的交互和推理范式，它要求模型在測試階段仍能學習，如同人類在解決問題時實時調整策略——和傳統強調預訓練的AI有著本質區別。

我們看到三個關鍵特征在這些系統中顯現：

首先是情境理解，優秀的AI能記住用戶偏好，并在后續交互中應用這些知識。比如當一位市場專員第二次要求"制作社交媒體海報"時，AI會主動采用上次驗證過的風格和色調，而不是重新開始。

其次是記憶管理，AI系統為用戶建立了個性化的記憶檔案，記錄有效的工作模式和決策邏輯。這些記憶并非簡單的聊天記錄堆疊，而是讓提煉的工作習慣，能在合適的場景被主動喚醒。

最重要的是反饋閉環的設計。那些失敗的AI系統總是會把反饋變成了繁瑣的"點贊/點踩"按鈕，成功的系統其實是將學習機制無縫嵌入工作流程。

從功能清單，到對學習能力的評估，一定程度上體現了企業對于AI標準的改觀。過去采購時最關心支持多少種功能，現在更看重學習新技能需要多久。一個能在一周內適應公司報告風格的AI，遠比一個功能齊全但僵化的系統更有價值。

我們也看到了一些很有代表性的案例，比如某個電商企業選擇客服AI時，放棄了功能更全面的方案，選擇了那個能根據客戶投訴數據快速調整應答策略的系統。數月后這個"不夠完美但善于學習"的AI，在處理他們特定的退貨問題時，效果遠超那些功能更豐富的競爭對手。

03

尋找2025年后的賽點

站在這個轉折點上，尤其對于AI創業者而言，幾個關鍵的生存法則正在浮現。

隨著場景的深度取代技術的廣度，成為新的競爭壁壘，大模型確實正在成為水電煤般的基礎設施，但真正創造價值的，永遠是那些懂得如何用好穩定資源的人。就像擁有穩定的電力供應不等于能造出好電器，接入強大的基礎模型也不等于能解決實際問題。

在醫療等專研領域，我們能夠開始看到行業對于理解特定場景下的細微需求，一些創業團隊放棄打造全科醫生AI的野心，轉而專注在皮膚病診斷、影像分析等細分領域，通過持續學習特定類型的病例數據，在這些垂直場景中達到了實用級的準確率。

另一方面，關于ROI的認知需要被刷新。報告顯示，70%的AI預算流向了營銷部門，這反映出企業普遍將AI視為增長工具。但現實中，“降本型AI”往往能帶來更直接、更可衡量的回報。

問題來了，Online Learning崛起，究竟會對AI市場帶來哪些影響呢？

答案可能是徹底的洗牌。

當OpenAI、Anthropic等頭部玩家不斷刷新模型能力的上限時，那些依賴傳統靜態數據訓練的企業將面臨巨大壓力。模型的保鮮期正在縮短，實時學習能力將成為新的分水嶺。

其次，AI產業落地邏輯被重構。在推薦系統領域，我們已經看到分鐘級更新如何改變用戶體驗；在醫療診斷等高價值場景，如果AI能夠通過持續的臨床反饋不斷優化判斷標準，其價值將呈指數級增長。

這種越用越精準的特性，將顛覆現有的定制化模型商業模式。相應地，算力分配的權重也在發生變化。一次性的訓練投入可能要讓位于持續優化的推理算力池，模型更新頻率將成為比參數規模更重要的指標。

這就意味著，AI創業的下半場，屬于那些在最具體場景中，展現出最強適應力的團隊。是時候放下對模型規模的執念，回歸到創造真實價值的軌道上來了

本文系新眸原創，申請轉載授權、商務合作請聯系微信： ycj841642330，添加好友請備注公司和職位。

更多內容，點擊下方關注