2017到2019那两年深兰科技几乎是刷屏级别的存在。朋友圈里隔三差五就是它的融资消息、发布会直播、创始人演讲金句动不动就是“全球首个”“最强”“开创性”。我那时候跟几个做AI落地项目的朋友聊天大家都有点懵这家公司到底做了什么产品怎么就能这么火后来2020年以后风向变了。再聊起深兰话题变成了“回款怎么样”“项目是不是都在示范阶段”“毛利到底行不行”。光环还在但底下漏出来的东西越来越多。这篇文章我不想单纯唱衰谁而是想借深兰这个标本把AI公司“会讲故事”和“能落地”之间那道巨大的鸿沟掰开揉碎讲清楚。不管你是创业者、投资人还是在AI公司里做交付、做产品的同行这篇都值得看完。1. 光环从何而来被资本和PR共同推高的声量1.1 深兰是怎么被全市场记住的深兰科技走了一条非常典型的“高举高打”路线。你回看它早期的传播路径会发现几个很明显的动作密集开发布会、绑定“人工智能”这个最性感的词、创始人亲自下场讲故事再加上“全产业AI”“赋能城市”这类宏大叙事几乎把那个时期媒体和投资人的兴奋点全踩中了。那个时间点很重要。2016到2019年AI融资整体处于非理性繁荣阶段市场上钱多、好项目少投资人都在找“中国的OpenAI”哪怕还没产品都敢给估值。深兰在这个窗口期连续融资每一轮都有知名机构跟进声量滚雪球一样涨起来。我印象里那几年行业峰会的主论坛台上翻来覆去就那几张熟面孔深兰的曝光度不比任何一家头部明星公司低。关键在于它宣传的赛道组合拳确实太有想象力了视觉识别、自动驾驶、智能零售、医疗、脑科学……什么热它做什么给人的感觉是“这个公司什么都做什么都能做”。在那个大家普遍对AI缺乏辨别力的阶段这种“全栈AI”的形象天然容易获得信任溢价。投资人和普通客户的判断逻辑并不一样但在那个阶段所有人都愿意相信一个足够大的故事。1.2 光环企业的三个共同特征这几年我观察下来凡是能在短时间形成强光环的AI公司几乎都有三个共同特征。第一创始人IP化严重。翻开宣传稿满屏都是创始人的金句和人生故事讲的是“我为什么要改变世界”而不是“我们的产品帮哪个客户降低了多少成本”。不是说企业家不该有个人品牌而是当个人演讲的传播量远远超过产品实测数据的传播量时你就该警惕了。第二业务版图过于宽泛。光环公司最怕别人觉得它“小”于是拼命把自己的赛道画大。今天发布一个智能驾驶方案明天宣布进入脑科学后天又跟某个城市签智慧城市框架协议。账面上看什么都沾边实际上每个方向都拿不出一个被大量客户反复采购的产品。第三核心经营指标常年模糊。你看它的PR稿讲的全是“技术突破”“战略合作”“行业领先”但具体的合同金额、年经常性收入、客户续约率、毛利率这些数字很少提。光的背后是数字的缺位。1.3 光环带来的反向压力很多人以为光环是免费的广告是好事。但做AI落地时间久了你会发现光环是放大器不是发电机。什么意思声量大了以后客户对你的预期会被拉到一个离谱的高度。你宣传的是“全栈AI能力”客户就默认你能解决他所有问题。等他发现你连一个货柜识别在强光下的误报率都搞不定时失望感是加倍的。更麻烦的是资本市场的衡量体系和客户市场的衡量体系完全不同——资本看重声量、估值、卡位客户只看重效果、成本、稳定性。当这两个体系出现冲突光环公司往往选择先伺候资本因为资本掌握着企业的生死线。但这条路走多了交付、口碑、复购全都会塌到最后连资本也不再信你。2. 落地困局的第一性分析客户买的从来不是AI2.1 客户要的是便宜五毛钱不是深度学习模型我做AI项目交付这些年听得最多的一个误解是客户是因为“AI”才买单的。真相完全相反。客户买的是“降本”“增效”“少出事”“合规”AI只是实现这些目标的一种手段而已。深兰早期很多产品的问题就出在这。展台上有人脸识别货柜、有智能零售结算台、有自动驾驶熊猫公交看起来琳琅满目但你真把它放到客户现场客户问的第一个问题永远是这玩意儿能帮我一年省多少钱能减少多少损耗坏了自己能不能修很多光环型AI公司答不上这个问题或者说答出来算不过账。识别率99%在展台上听起来很厉害放到一个灰尘很大、光线不均、网络时断时续的便利店里实际准确率可能掉到90%以下客户一算误判带来的损耗比人工还贵。技术和产品之间隔着一层“场景适配”的厚玻璃很多人没撞破就以为看不见。2.2 项目制交付收入涨了利润没了光环之下深兰的落地模式长期是项目制。签一个合同组一个专项团队从需求调研、方案设计、算法调优到硬件选型、现场施工、售后运维全流程陪跑。这种模式的第一个问题是看似有收入其实每一单都是定制开发研发成本没法摊薄。第二个问题更隐蔽算法只是项目里很小的一部分。一个智慧零售项目大头成本在硬件、集成、工程实施和运维模型本身甚至只占十分之一。这就导致项目毛利率被越做越低团队越来越大人均产出越来越难看。我见过太多AI创业公司陷入这个循环签了合同开心交付时发现客户要求不断变需求蔓延交付周期从三个月拖到一年最后算下来项目是亏的。为了摊薄成本只能继续接新单于是人越招越多现金越烧越快。2.3 回款周期与复购光环公司最不敢谈的数字在所有经营指标里回款和复购是最能检验一家AI公司真实健康状况的尺子。光环公司普遍在这两个数字上栽跟头。AI项目的回款周期普遍长得惊人。尤其是to G或者to大B的项目从交付验收、审计到最终打款拖个一年半载很正常。很多项目签了框架协议热闹归热闹真正落到账户里的钱远远小于对外宣称的“订单额”。复购就更难了。项目制公司最大的痛点是没有“产品”每次都是从头做前期开发的通用能力沉淀不下来客户用完一单就不再用第二单。没有复购就没有经常性收入没有经常性收入就只能靠不断拉新客来续命这是最消耗团队的活法。我把宣传中的商业模式和实际常见的AI项目商业模式放在一起看差异特别明显维度宣传中的模式实际常见的模式收入来源标准化产品的规模化销售定制化项目的一次性开发成本结构研发成本占大头软件毛利高硬件、集成、实施、运维占大头增长速度指数式复制线性堆人力现金流健康预收款为主回款慢垫资严重客户关系高续约、高复购一锤子买卖为主估值逻辑平台公司、SaaS公司实操中被按集成商打折估值3. 自动驾驶与智能公交最烧钱也最难落的试炼场3.1 熊猫智能公交的光环与阴影深兰的熊猫智能公交可能是它知名度最高的产品。自动驾驶、车路协同、AI零售、语音交互、智能车窗……一台车几乎把能加的AI概念全加满了放在任何展会都是吸睛神器。当时在很多城市你都能看到示范运行的新闻。它的价值是有的帮路权主管部门建立对自动驾驶的直观认知帮园区升级科技形象帮深兰保持品牌热度。示范工程在行业早期必不可少。但示范项目就是示范项目它和可规模化商业运营之间隔着好几座山。一条固定线路、几个固定站点、专人负责安全监控、全程路况相对简单的示范和“随便跑到任何城市都能安全跑”之间距离要用年来算。每进入一个新城市路权、测试牌照、责任划分、保险方案、本地化适配全都要重新走一遍。这个过程的成本远不是一家创业公司靠融资能长期扛住的。3.2 从技术Demo到商业化部署至少隔了四层这些年我看过的自动驾驶项目不少总结下来从Demo到商业化部署至少要跨过四层坎。第一层是可靠性与冗余设计。实验室里跑得好不代表能在暴雨天、夜间、隧道信号丢失的场景里跑得好。量产必须考虑系统的失效模式要有冗余、有降级策略这台车的硬件和软件成本直接翻倍。第二层是合规与路权。开放道路测试不是公司自己说了算测试牌照、安全员配置、运行区域、责任认定每一项都是硬约束。这些约束叠加起来能跑的区域被压得非常小。第三层是成本与运维。激光雷达、计算平台、线控底盘、安全员人力一整套跑下来每公里的运营成本高得吓人。示范项目有补贴和品牌预算扛着一旦转到纯商业化运营账根本算不过来。第四层是商业价值本身。自动驾驶解决了“技术挑战”但它没有自动解决“付费意愿”。乘客不会因为车是自动驾驶的多付两块钱运营方也没有立刻省下一名司机——在安全员还必须坐在驾驶位的时候成本反而是增加的。技术很性感商业账却骨感。3.3 这不是深兰一家的问题而是整个行业的时间窗口问题自动驾驶这个赛道天然是“十年见分晓”的生意。这意味着早期进入者必须做好长期烧钱的准备同时还要祈祷资本市场的耐心足够长。深兰进这个赛道不算晚但它选择的切入方式——把自动驾驶做成品牌光环的一部分而不是独立运营的、有清晰商业计划的事业部——让它更加依赖母公司融资续命。一旦资本从看“想象空间”转向看“现金流和毛利”这条路就会出现结构性困难。自动驾驶行业整体的困境在这里深兰只是其中一个显眼的样本。4. 被困住的核心原因技术同质化、赛道拥挤与生态缺失4.1 视觉AI从来不是通往高地的独木桥深兰官网上最常出现的标签是计算机视觉。但说实话视觉AI这个方向在2017年以后就已经非常拥挤了。安防领域有海康、大华这种渠道巨无霸人脸识别有商汤、旷视、依图、云从每一家都比深兰有更多的数据、更深的行业Know-how、更完整的工程体系。算法开源加上算力通用化之后单纯一个识别模型能带来的技术门槛其实早就不高了。真正决定胜负的是渠道、工程交付能力和客户关系。深兰的问题是它在多条赛道上“都有布局”但每一条都谈不上深耕。安防做了一些零售做了一些公交做了一些医疗蹭了一些教育合作也搞过。结果就是哪条线都没有形成足够深的数据飞轮没有因为规模效应而持续降低单位成本。名气是大了专业性和行业壁垒却没有同步长出来。4.2 平台型公司与项目型公司的两难资本给深兰的估值是按平台型AI公司给的。平台型公司意味着什么一款核心产品被大量客户低成本复用毛利高、增速快、边际成本趋近于零。但深兰实际的业务形态和所有靠融资起家的项目型AI公司一样是在做“解决方案”。这两种商业形态的冲突是这个故事里最核心的悲剧。你想维持估值就得继续讲平台故事拿到更多融资但为了讲故事你又要不断接项目来证明业务增长项目越接越多定制化程度越来越深离平台越来越远。这种矛盾导致了一个荒诞的循环对外讲的是可复制的产品对内做的是不可复制的项目。时间一长团队累、毛利低、客户复购差资本市场那套故事越来越讲不圆。光环其实一直在给估值托底而真实的业务地基根本撑不住那么高的估值。4.3 一个能规模化复制的“现金牛”始终缺位一家AI公司要活得健康最理想的状态是有一个“现金牛”产品。这个产品不一定性感它可以是一个安防小盒子、一个商超结算终端、一个工业质检模组但它必须满足三个条件刚需、高频、可复制。深兰在产品线里找来找去始终没有出现一个这样的小切口。它的产品矩阵太宽宽到每个产品都像原型机每个客户都要改每改一次就要投入几个月的研发力量。于是公司陷入典型的“什么都做什么都没做透”的陷阱。我见过一些活得不错的AI公司早期都特别朴素先把一个工业场景的瑕疵检测做到极致哪怕那个场景一年市场规模才几个亿也先把它吃掉形成稳定现金流和口碑。反过来看那些起步就喊“赋能全行业”的公司多数在第五年左右会遇到严重的落地瓶颈。深兰没有躲过这个概率。5. 从深兰看整个AI行业的落地之痛和破局方向5.1 为什么AI明星公司容易集体走弯路深兰不是孤例它是整个行业非理性繁荣期的标准化产物。那几年所有人都在抢风口媒体需要故事地方政府需要科技名片投资人需要退出回报创业公司需要估值。多方合力之下一个AI公司最有效的生存策略可能就是“先吹起来再说”。问题出在两个评价体系的高度错位。融资市场的评价指标是声量、团队背景、赛道前景、融资轮次而商业市场的评价指标是订单、交付、毛利、回款、续约率。前者决定企业能不能活过明年后者决定企业能不能活过十年。当两套指标打架的时候几乎所有人都会本能地先救近火。但我想说一个反直觉的结论越早回归商业指标的公司越容易穿越周期。因为资本的钱买的是时间客户的钱买的是价值。只有客户愿意为价值持续付费资本的钱才是助力而不是救命稻草。等风停了还在裸泳的公司痛的还是自己。5.2 我看到的破局者做对了什么这几年我接触过的还算健康的AI创业公司普遍有几个共同点写出来供大家参考。第一切口的颗粒度足够小。不做“智慧城市”做“智慧城市的停车收费模块”不做“智能零售”做“便利店的防损识别”。小到能单点盈利再去谈横向扩展。小切口的现金流是度过冬天最可靠的棉衣。第二算法产品化。不做纯定制项目而是把一个场景里的能力提炼成标准产品用配置化代替开发。客户可以改参数但不能改代码。这中间当然有阵痛但不走这一步就没有边际成本递减的可能。第三敢于接受“不性感”的市场。工业质检、农业识别、物流分拣、渔业养殖看着不起眼但付费意愿真实、场景明确、竞争没那样惨烈。先吃饱再谈远大理想。第四把客户成功当作核心部门来看。很多AI公司签完合同就没人管客户了等到复购率跌破三成才开始焦虑。真正走得远的公司一定把续约率列为和管理层KPI一样重要的指标。5.3 光环幸存者给同行的几条实操建议聊到这儿我根据自己的经验给正在这条路上走的朋友几条掏心窝子的建议。一条是关于宣传的。对外宣传的每个能力都必须有对应可演示的客户案例和留存数据兜底。宁可把“能做到”的边界讲清楚也不要在PR稿里放大一万倍。客户现场翻车一次十个发布会都补不回来。一条是关于预期的。对资本、对客户、对内部团队都要管理好预期。好的沟通方式是同时讲清楚“我们正在做什么”和“我们还没做到什么”。透明度反而能增加信任感尤其是跟AI这种大家对技术边界普遍不了解的领域。还有一条是关于现金的。AI行业的项目回款周期普遍长千万不要按订单额去规划你的现金流。签下的合同跟收到的款之间可能隔着一整年的距离。账面订单再大没有进账下个月的工资都发不出来。光环公司更要注意这点——光鲜的发布会背后是实打实的运营成本。最后再分享一个小观察。我后来回看那些真正走过了周期的AI公司他们在最热的时候反而是克制的那种发布会没那么多刺激的词用得没那么猛创始人讲话没那么“满”但每一单都交付得稳稳当当每一个回款都踩在计划里。这样的公司看起来没那么酷但它能活很久。长期主义的本质不是熬是每一步都算数。
从深兰科技看AI落地鸿沟：讲故事与商业化之间的真实距离
2017到2019那两年深兰科技几乎是刷屏级别的存在。朋友圈里隔三差五就是它的融资消息、发布会直播、创始人演讲金句动不动就是“全球首个”“最强”“开创性”。我那时候跟几个做AI落地项目的朋友聊天大家都有点懵这家公司到底做了什么产品怎么就能这么火后来2020年以后风向变了。再聊起深兰话题变成了“回款怎么样”“项目是不是都在示范阶段”“毛利到底行不行”。光环还在但底下漏出来的东西越来越多。这篇文章我不想单纯唱衰谁而是想借深兰这个标本把AI公司“会讲故事”和“能落地”之间那道巨大的鸿沟掰开揉碎讲清楚。不管你是创业者、投资人还是在AI公司里做交付、做产品的同行这篇都值得看完。1. 光环从何而来被资本和PR共同推高的声量1.1 深兰是怎么被全市场记住的深兰科技走了一条非常典型的“高举高打”路线。你回看它早期的传播路径会发现几个很明显的动作密集开发布会、绑定“人工智能”这个最性感的词、创始人亲自下场讲故事再加上“全产业AI”“赋能城市”这类宏大叙事几乎把那个时期媒体和投资人的兴奋点全踩中了。那个时间点很重要。2016到2019年AI融资整体处于非理性繁荣阶段市场上钱多、好项目少投资人都在找“中国的OpenAI”哪怕还没产品都敢给估值。深兰在这个窗口期连续融资每一轮都有知名机构跟进声量滚雪球一样涨起来。我印象里那几年行业峰会的主论坛台上翻来覆去就那几张熟面孔深兰的曝光度不比任何一家头部明星公司低。关键在于它宣传的赛道组合拳确实太有想象力了视觉识别、自动驾驶、智能零售、医疗、脑科学……什么热它做什么给人的感觉是“这个公司什么都做什么都能做”。在那个大家普遍对AI缺乏辨别力的阶段这种“全栈AI”的形象天然容易获得信任溢价。投资人和普通客户的判断逻辑并不一样但在那个阶段所有人都愿意相信一个足够大的故事。1.2 光环企业的三个共同特征这几年我观察下来凡是能在短时间形成强光环的AI公司几乎都有三个共同特征。第一创始人IP化严重。翻开宣传稿满屏都是创始人的金句和人生故事讲的是“我为什么要改变世界”而不是“我们的产品帮哪个客户降低了多少成本”。不是说企业家不该有个人品牌而是当个人演讲的传播量远远超过产品实测数据的传播量时你就该警惕了。第二业务版图过于宽泛。光环公司最怕别人觉得它“小”于是拼命把自己的赛道画大。今天发布一个智能驾驶方案明天宣布进入脑科学后天又跟某个城市签智慧城市框架协议。账面上看什么都沾边实际上每个方向都拿不出一个被大量客户反复采购的产品。第三核心经营指标常年模糊。你看它的PR稿讲的全是“技术突破”“战略合作”“行业领先”但具体的合同金额、年经常性收入、客户续约率、毛利率这些数字很少提。光的背后是数字的缺位。1.3 光环带来的反向压力很多人以为光环是免费的广告是好事。但做AI落地时间久了你会发现光环是放大器不是发电机。什么意思声量大了以后客户对你的预期会被拉到一个离谱的高度。你宣传的是“全栈AI能力”客户就默认你能解决他所有问题。等他发现你连一个货柜识别在强光下的误报率都搞不定时失望感是加倍的。更麻烦的是资本市场的衡量体系和客户市场的衡量体系完全不同——资本看重声量、估值、卡位客户只看重效果、成本、稳定性。当这两个体系出现冲突光环公司往往选择先伺候资本因为资本掌握着企业的生死线。但这条路走多了交付、口碑、复购全都会塌到最后连资本也不再信你。2. 落地困局的第一性分析客户买的从来不是AI2.1 客户要的是便宜五毛钱不是深度学习模型我做AI项目交付这些年听得最多的一个误解是客户是因为“AI”才买单的。真相完全相反。客户买的是“降本”“增效”“少出事”“合规”AI只是实现这些目标的一种手段而已。深兰早期很多产品的问题就出在这。展台上有人脸识别货柜、有智能零售结算台、有自动驾驶熊猫公交看起来琳琅满目但你真把它放到客户现场客户问的第一个问题永远是这玩意儿能帮我一年省多少钱能减少多少损耗坏了自己能不能修很多光环型AI公司答不上这个问题或者说答出来算不过账。识别率99%在展台上听起来很厉害放到一个灰尘很大、光线不均、网络时断时续的便利店里实际准确率可能掉到90%以下客户一算误判带来的损耗比人工还贵。技术和产品之间隔着一层“场景适配”的厚玻璃很多人没撞破就以为看不见。2.2 项目制交付收入涨了利润没了光环之下深兰的落地模式长期是项目制。签一个合同组一个专项团队从需求调研、方案设计、算法调优到硬件选型、现场施工、售后运维全流程陪跑。这种模式的第一个问题是看似有收入其实每一单都是定制开发研发成本没法摊薄。第二个问题更隐蔽算法只是项目里很小的一部分。一个智慧零售项目大头成本在硬件、集成、工程实施和运维模型本身甚至只占十分之一。这就导致项目毛利率被越做越低团队越来越大人均产出越来越难看。我见过太多AI创业公司陷入这个循环签了合同开心交付时发现客户要求不断变需求蔓延交付周期从三个月拖到一年最后算下来项目是亏的。为了摊薄成本只能继续接新单于是人越招越多现金越烧越快。2.3 回款周期与复购光环公司最不敢谈的数字在所有经营指标里回款和复购是最能检验一家AI公司真实健康状况的尺子。光环公司普遍在这两个数字上栽跟头。AI项目的回款周期普遍长得惊人。尤其是to G或者to大B的项目从交付验收、审计到最终打款拖个一年半载很正常。很多项目签了框架协议热闹归热闹真正落到账户里的钱远远小于对外宣称的“订单额”。复购就更难了。项目制公司最大的痛点是没有“产品”每次都是从头做前期开发的通用能力沉淀不下来客户用完一单就不再用第二单。没有复购就没有经常性收入没有经常性收入就只能靠不断拉新客来续命这是最消耗团队的活法。我把宣传中的商业模式和实际常见的AI项目商业模式放在一起看差异特别明显维度宣传中的模式实际常见的模式收入来源标准化产品的规模化销售定制化项目的一次性开发成本结构研发成本占大头软件毛利高硬件、集成、实施、运维占大头增长速度指数式复制线性堆人力现金流健康预收款为主回款慢垫资严重客户关系高续约、高复购一锤子买卖为主估值逻辑平台公司、SaaS公司实操中被按集成商打折估值3. 自动驾驶与智能公交最烧钱也最难落的试炼场3.1 熊猫智能公交的光环与阴影深兰的熊猫智能公交可能是它知名度最高的产品。自动驾驶、车路协同、AI零售、语音交互、智能车窗……一台车几乎把能加的AI概念全加满了放在任何展会都是吸睛神器。当时在很多城市你都能看到示范运行的新闻。它的价值是有的帮路权主管部门建立对自动驾驶的直观认知帮园区升级科技形象帮深兰保持品牌热度。示范工程在行业早期必不可少。但示范项目就是示范项目它和可规模化商业运营之间隔着好几座山。一条固定线路、几个固定站点、专人负责安全监控、全程路况相对简单的示范和“随便跑到任何城市都能安全跑”之间距离要用年来算。每进入一个新城市路权、测试牌照、责任划分、保险方案、本地化适配全都要重新走一遍。这个过程的成本远不是一家创业公司靠融资能长期扛住的。3.2 从技术Demo到商业化部署至少隔了四层这些年我看过的自动驾驶项目不少总结下来从Demo到商业化部署至少要跨过四层坎。第一层是可靠性与冗余设计。实验室里跑得好不代表能在暴雨天、夜间、隧道信号丢失的场景里跑得好。量产必须考虑系统的失效模式要有冗余、有降级策略这台车的硬件和软件成本直接翻倍。第二层是合规与路权。开放道路测试不是公司自己说了算测试牌照、安全员配置、运行区域、责任认定每一项都是硬约束。这些约束叠加起来能跑的区域被压得非常小。第三层是成本与运维。激光雷达、计算平台、线控底盘、安全员人力一整套跑下来每公里的运营成本高得吓人。示范项目有补贴和品牌预算扛着一旦转到纯商业化运营账根本算不过来。第四层是商业价值本身。自动驾驶解决了“技术挑战”但它没有自动解决“付费意愿”。乘客不会因为车是自动驾驶的多付两块钱运营方也没有立刻省下一名司机——在安全员还必须坐在驾驶位的时候成本反而是增加的。技术很性感商业账却骨感。3.3 这不是深兰一家的问题而是整个行业的时间窗口问题自动驾驶这个赛道天然是“十年见分晓”的生意。这意味着早期进入者必须做好长期烧钱的准备同时还要祈祷资本市场的耐心足够长。深兰进这个赛道不算晚但它选择的切入方式——把自动驾驶做成品牌光环的一部分而不是独立运营的、有清晰商业计划的事业部——让它更加依赖母公司融资续命。一旦资本从看“想象空间”转向看“现金流和毛利”这条路就会出现结构性困难。自动驾驶行业整体的困境在这里深兰只是其中一个显眼的样本。4. 被困住的核心原因技术同质化、赛道拥挤与生态缺失4.1 视觉AI从来不是通往高地的独木桥深兰官网上最常出现的标签是计算机视觉。但说实话视觉AI这个方向在2017年以后就已经非常拥挤了。安防领域有海康、大华这种渠道巨无霸人脸识别有商汤、旷视、依图、云从每一家都比深兰有更多的数据、更深的行业Know-how、更完整的工程体系。算法开源加上算力通用化之后单纯一个识别模型能带来的技术门槛其实早就不高了。真正决定胜负的是渠道、工程交付能力和客户关系。深兰的问题是它在多条赛道上“都有布局”但每一条都谈不上深耕。安防做了一些零售做了一些公交做了一些医疗蹭了一些教育合作也搞过。结果就是哪条线都没有形成足够深的数据飞轮没有因为规模效应而持续降低单位成本。名气是大了专业性和行业壁垒却没有同步长出来。4.2 平台型公司与项目型公司的两难资本给深兰的估值是按平台型AI公司给的。平台型公司意味着什么一款核心产品被大量客户低成本复用毛利高、增速快、边际成本趋近于零。但深兰实际的业务形态和所有靠融资起家的项目型AI公司一样是在做“解决方案”。这两种商业形态的冲突是这个故事里最核心的悲剧。你想维持估值就得继续讲平台故事拿到更多融资但为了讲故事你又要不断接项目来证明业务增长项目越接越多定制化程度越来越深离平台越来越远。这种矛盾导致了一个荒诞的循环对外讲的是可复制的产品对内做的是不可复制的项目。时间一长团队累、毛利低、客户复购差资本市场那套故事越来越讲不圆。光环其实一直在给估值托底而真实的业务地基根本撑不住那么高的估值。4.3 一个能规模化复制的“现金牛”始终缺位一家AI公司要活得健康最理想的状态是有一个“现金牛”产品。这个产品不一定性感它可以是一个安防小盒子、一个商超结算终端、一个工业质检模组但它必须满足三个条件刚需、高频、可复制。深兰在产品线里找来找去始终没有出现一个这样的小切口。它的产品矩阵太宽宽到每个产品都像原型机每个客户都要改每改一次就要投入几个月的研发力量。于是公司陷入典型的“什么都做什么都没做透”的陷阱。我见过一些活得不错的AI公司早期都特别朴素先把一个工业场景的瑕疵检测做到极致哪怕那个场景一年市场规模才几个亿也先把它吃掉形成稳定现金流和口碑。反过来看那些起步就喊“赋能全行业”的公司多数在第五年左右会遇到严重的落地瓶颈。深兰没有躲过这个概率。5. 从深兰看整个AI行业的落地之痛和破局方向5.1 为什么AI明星公司容易集体走弯路深兰不是孤例它是整个行业非理性繁荣期的标准化产物。那几年所有人都在抢风口媒体需要故事地方政府需要科技名片投资人需要退出回报创业公司需要估值。多方合力之下一个AI公司最有效的生存策略可能就是“先吹起来再说”。问题出在两个评价体系的高度错位。融资市场的评价指标是声量、团队背景、赛道前景、融资轮次而商业市场的评价指标是订单、交付、毛利、回款、续约率。前者决定企业能不能活过明年后者决定企业能不能活过十年。当两套指标打架的时候几乎所有人都会本能地先救近火。但我想说一个反直觉的结论越早回归商业指标的公司越容易穿越周期。因为资本的钱买的是时间客户的钱买的是价值。只有客户愿意为价值持续付费资本的钱才是助力而不是救命稻草。等风停了还在裸泳的公司痛的还是自己。5.2 我看到的破局者做对了什么这几年我接触过的还算健康的AI创业公司普遍有几个共同点写出来供大家参考。第一切口的颗粒度足够小。不做“智慧城市”做“智慧城市的停车收费模块”不做“智能零售”做“便利店的防损识别”。小到能单点盈利再去谈横向扩展。小切口的现金流是度过冬天最可靠的棉衣。第二算法产品化。不做纯定制项目而是把一个场景里的能力提炼成标准产品用配置化代替开发。客户可以改参数但不能改代码。这中间当然有阵痛但不走这一步就没有边际成本递减的可能。第三敢于接受“不性感”的市场。工业质检、农业识别、物流分拣、渔业养殖看着不起眼但付费意愿真实、场景明确、竞争没那样惨烈。先吃饱再谈远大理想。第四把客户成功当作核心部门来看。很多AI公司签完合同就没人管客户了等到复购率跌破三成才开始焦虑。真正走得远的公司一定把续约率列为和管理层KPI一样重要的指标。5.3 光环幸存者给同行的几条实操建议聊到这儿我根据自己的经验给正在这条路上走的朋友几条掏心窝子的建议。一条是关于宣传的。对外宣传的每个能力都必须有对应可演示的客户案例和留存数据兜底。宁可把“能做到”的边界讲清楚也不要在PR稿里放大一万倍。客户现场翻车一次十个发布会都补不回来。一条是关于预期的。对资本、对客户、对内部团队都要管理好预期。好的沟通方式是同时讲清楚“我们正在做什么”和“我们还没做到什么”。透明度反而能增加信任感尤其是跟AI这种大家对技术边界普遍不了解的领域。还有一条是关于现金的。AI行业的项目回款周期普遍长千万不要按订单额去规划你的现金流。签下的合同跟收到的款之间可能隔着一整年的距离。账面订单再大没有进账下个月的工资都发不出来。光环公司更要注意这点——光鲜的发布会背后是实打实的运营成本。最后再分享一个小观察。我后来回看那些真正走过了周期的AI公司他们在最热的时候反而是克制的那种发布会没那么多刺激的词用得没那么猛创始人讲话没那么“满”但每一单都交付得稳稳当当每一个回款都踩在计划里。这样的公司看起来没那么酷但它能活很久。长期主义的本质不是熬是每一步都算数。
