AI叫車，有的放矢

撰文| 吳坤諺

編輯| 吳先之

1995年，Gartner發布技術成熟度曲線Hype Cycle，試圖用時間與社會預期的坐標系，把新技術從誕生到成熟的外部情緒軌跡可視化。

這個模型可以被套用到大多數技術演進上，當預期跑在交付前面，能做什么主導社會預期；當預期回落，討論才會回到落地與交付。

將GenAI置入這個坐標系，最典型的波峰并不難找。大模型能力躍遷帶來的演示效應極強，通用助手與通用Agent一度成為默認答案。但在消費級市場的實際落地中，卻普遍面臨著一個尷尬的悖論。

用戶能夠用自然語言描述目標，系統也能生成看似合理的方案，但當任務進入服務環節，許多通用Agent就會變得不那么可靠。缺乏深度的場景閉環，導致服務的交付往往只能停留在信息檢索或簡單的對話交互層面。當用戶提出復雜需求時，往往會因為缺少可控的約束與驗收標準，導致最終體驗大打折扣。

這也是為什么，產業側對Agent的討論正在出現一個更明確的轉向——從通用能力堆疊轉向垂直場景跑通。

也正是在這種祛魅之后，垂直場景的價值才重新被看見：與其做一個萬能但不穩定的通用助手，不如把一個高頻、可驗收、交付鏈路成熟的場景做專做深。

在出行這個重交付、高頻次的領域，滴滴給出了不同的落地思路。其最新全量上線的AI出行助手“小滴”，試圖證明當Agent不再懸浮于空中，而是深入到供給組織與服務交付系統內部時，自然語言才能真正轉化為實實在在的、可兌現的服務結果。

為什么是出行？

技術在演示階段比拼的是能力上限，穿過期望膨脹的峰值，落地階段比拼的是交付下限。決定分水嶺的，往往不是模型是否更聰明，而是系統是否能把自然語言變成可兌現的服務結果。

如前所述，Agent要進入生產力階段，必須嵌入交付系統里。模型負責理解，系統負責兌現。通用Agent更擅長前者，垂直Agent則更有機會補上后者。

自此邏輯出發，不難發現，出行正是最適合驗證這套邏輯的行業之一。

出行需求具備天然的明確性與標準化能力。相比于復雜的電商購物或旅游規劃，出行的鏈路極其固定，無非是從出發地到達目的地，閉環的鏈路為AI能力的落地提供了良好的土壤。另一方面，出行需求亦相當高頻，據交通運輸部數據，全國網約車平臺去年12月共收到訂單信息9.63億單。

在AI的世界里，邊界越清晰，模型就越能通過精準的標簽化處理滿足用戶的模糊意圖。高頻特性，則為能力的快速迭代提供了保障。

更重要的是，出行的供需兩端均存在可被AI優化的痛點。

以當下用戶在絕大多數出行平臺的出行鏈條看，其出行基本上分兩步走：輸入目的地并選擇呼叫的車型。為了追求叫車效率，用戶體驗被壓縮在第二步的選型中，僅有價格、舒適、多座等寥寥數個維度可供選擇。自用戶需求來看，其信息表達無疑是被壓縮了。

更多出行過程中的體驗偏好，很難在下單前成為可執行條件，只能被擠到事后評價里，體驗隨機性被放大。

作為頭部出行平臺，滴滴早在Agent改造平臺流程前，便有意優化平臺能力，例如推出服務質量介于專車與快車之間的“輕享”、寵物出行與包車等。只不過，前置的選擇越多，對用戶出行效率的影響也越大，直到能準確理解用戶意圖，并深入調度系統篩選、匹配司乘的Agent出現。

AI在這里的作用，是把更多可用的信號前臺化、把更細的約束納入匹配，讓供需在交易發生前就更接近彼此。

種種因素助推下，平臺力相對較強的滴滴率先推出“小滴”，并非為了跟風AI熱潮，而是試圖利用AI作為用戶意圖的“翻譯官”和系統的“調度員”，將出行做成更具確定性的服務。

把選擇權交還用戶

業內外多以“開盲盒”形容出行體驗，與潮玩一般，盲盒體驗的本質上是交易前信息不足——用戶在確認前看不見交付輪廓，平臺在派單時讀不懂偏好差異。

小滴的出現，便是要在保障效率的情況下，快速理解用戶偏好信息，以此為憑據調度供給。

打開滴滴App，“AI叫車”按鈕位于目的地輸入框下方的左側入口，以滴滴主題色高亮顯示。點擊進入后，其會識別用戶高頻目的地，并展示數個用戶最為關注的體驗選擇如“特惠”、“更舒適”、“更平穩”等。

如果用戶需求不算復雜，在這里便可即點即走——光子星球測試下，點擊其中一項體驗偏好后，小滴花費大約8秒時間完成理解與調度。最終呈現的選項卡中，首先是主題色高亮的百分比顯示對需求的滿足程度，以及車型、價格等信息，只需要最后點擊確認即可派單。

需要注意的是，這些被單獨拎出來的需求，均是滴滴自去年9月26日開放測試小滴后，用戶在對話中提到最多、呼聲最高的需求。

滴滴相關人士告訴光子星球，大多數用戶過去很難在下單環節把更細的體驗偏好明確表達出來。現在，用戶只需對小滴說出類似“更平穩一些”“更舒適一些”等需求，AI便能在供給側進行更精準的篩選與匹配，將更貼近偏好的車輛與服務呈現給用戶確認。

伴隨小滴的持續迭代，平臺將能精準捕捉到更多這些細微的體驗痛點。根源在于，小滴并不是在原有流程上簡單加一層AI聊天框，而是試圖把對話變成可執行指令，讓自然語言真正進入調度鏈條。用戶只需把需求用一句話說出來，小滴把需求拆解成可執行標簽，在后臺完成篩選與調度，再把候選結果以卡片形式呈現給用戶確認與選擇。

需要注意的是，AI可以把需求拆解并在附近運力池中篩選最接近的候選，但也會受到物理世界供給狀況的制約。當周邊供給本身不足、或特定偏好在局部時空下難以滿足時，小滴并不能憑空“變出”一輛完全符合要求的車，最終呈現的依舊是對當前可用供給的最優解。

在供給稀缺或需求過于苛刻的場景里，用戶仍需要在時間、價格與體驗之間做權衡。這意味著，AI帶來的確定性更像是對隨機性的壓縮。

足夠普遍的“被前置”需求外，光子星球還測試了考驗Agent理解與后臺調度的復雜需求。

我們向小滴發出“合家去機場，要平穩，放行李”的信息，小滴在初步確認具體機場后，僅花費約5秒時間將之拆解成空間、平穩、后備箱大的標簽，并提供車型卡片——承接模糊需求的精準供給，是Agent在用戶側感知到的“智能”所在。

除了復雜的場景組合，對于不擅長打字的老年人或輸入不便的下沉市場用戶，這種對話交互的“一句話叫車”模式也極大降低了打車的“數字門檻”。

經測試迭代，小滴還將把AI能力延伸到更長鏈路的出行決策里。如歷史訂單分析會基于用戶過往的出行記錄，抽取更穩定的偏好與習慣。更貼近履約的延伸則是預約叫車與出行方案對比。

后者本質上是將即時調度拉長為計劃調度，牽涉到更早的供給鎖定與更強的風險預估。這樣“先規劃再確認”的路徑，往往比即時叫車更能體現Agent的價值——它不只是縮短幾步操作，而是在交易發生前把不確定性拆開、量化并呈現出來，讓用戶在確認之前就能看到一份更完整的出行答案。

小滴的加入，悄然改變了用戶下單叫車的“順序”，變化看似細微，卻直指盲盒的根因。用戶在出發前，就能提前預見并鎖定“結果”，這份確定性，正是Agent落地消費級市場的核心溢價。

重塑平臺效率

企業級抑或是消費級，效率都是Agent的敘事核心之一，這同樣也是平臺經濟的核心能力。所謂平臺經濟，便是在高度動態的市場里不斷壓低摩擦成本，讓匹配更接近效率前沿。

網約車行業里，效率是用戶側可感知的交付變量，同樣一單服務，效率的波動會直接轉化為體驗的波動；另一方面，效率還是更少的無效路徑、錯配與事后糾偏。效率越接近最優，用戶越少需要用反復操作去對抗不確定性。

小滴的出現，解決的便是交易前信息密度不足造成的效率損失，讓平臺無需以通用規則覆蓋更復雜的差異。而這種程度的深度交付，也離不開滴滴過去十余年深耕出行的“厚度”。

小滴身處滴滴龐大的交付系統內部，其不是在憑空創造好服務，而是把滴滴后臺本就存在的、極其顆粒化的運營能力，“翻譯”給了普通用戶。

小滴對接的是實時運力與調度體系。用戶用一句話把需求說清楚后，系統會在附近可用車輛中做更貼近需求的匹配，并呈現給用戶確認。相比過去主要靠固定選項下單，小滴更像把叫車變成用戶個性化表達與確認的過程。

當然，平臺基礎的前提下，小滴還需要具備強大的需求拆解與映射能力。如前光子星球測試的機場出行，AI需要聽懂這不僅僅是一個目的地信息，還隱含了對“準時”和“大空間”的剛需。小滴背后的算法能力，能將這些模糊的語言快速映射到平臺的供給標簽上，從而尋找合適的車輛供挑選。

這種“所見即所得”的實時性，是服務型Agent的生命線，亦是Hype Cycle坐標系中對應的“啟蒙坡道”——技術不再依賴宏大敘事維持熱度，而是靠一連串可被感知、可被復用的增量價值，逐步建立穩定預期。

用戶看到的是更確定的叫車結果，平臺拿到的是可用的偏好標簽與更清晰的約束條件，進而在同樣的運力池里做出更貼近需求的分配。

當這種機制跑順，效率的提升會以更溫和、更持續的方式顯現出來。這種“以服務促增長”的邏輯，正是AI回歸業務本質的最好體現。

目前，AI小滴仍處于測試階段。除了叫車，滴滴還為它加入了更多趣味性和互動性的元素。例如“逗逗小滴”功能，讓AI不再只是一個冰冷的下單工具，而是可以在行程中陪你聊天解悶、甚至隨機觸發彩蛋領取優惠的伙伴。

在消費級AI的角逐中，市場已經渡過了拼參數的階段，焦點回落到解決“最后一公里”的真實痛點。

滴滴的小滴提供了一個極具參考意義的范式：AI不應該懸浮于業務之上，而應該沉淀于流程之中。它不必追求大而全，但一定要在用戶最需要“確定性”的瞬間，交付那個足夠精準的結果。

微信號｜TMTweb

公眾號｜光子星球

別忘了掃碼關注我們！