2018年，有一种声音甚嚣尘上创业的“黄金十年”已经过去。
巨头们在2018年经历资本寒冬之后，纷纷转向To B，无一例外。而原本就在To B细分赛道的中小玩家，或欣欣向荣，或黯然离场。2018年的To B市场，跌宕起伏。
，当我们把目光深入到To B细分领域中会发现，AI交出的成绩却是亮眼的。数据显示，人工智能领域共产生396起投资事件，吸金464.31亿人民币(数据来源于企服头条)。从2018年春节开始，人工智能领域的大新闻就几乎从未间断百度无人车亮相央视春晚;阿里云人工智能助力平昌冬奥会;商汤科技与旷视科技分别获得大额融资……每一起事件都振奋着AI产业人的神经。
以前大家都在科普AI如何改造各行各业，从前几年的预热到现在的极热，这说明AI已经到了转型的关口——提倡产业和AI融合，拥抱产业AI。阿里布局“新制造”，腾讯拥抱“产业互联网”，马化腾在知乎上发问“产业互联网和消费互联网融合创新，会带来哪些改变?”
虽说“产业AI”已成高频词，但此时此刻，所有致力于发展产业AI的决策者仍感迷惑。
产业AI究竟是何方神圣?
正如阿里胡晓明所说，“人工智能不应仅仅是实验室里的、PPT里的‘概念上的AI’，更是‘产业AI’”。所谓产业AI是在具体的一个个产业里发挥作用的AI技术和产品，也就是我们经常说的AI赋能传统行业。但有点不同的是，在讨论AI赋能行业，或者所谓“AI+”的时候，往往设想的是以AI为主体，来实现某个领域的固有功能。比如一些AI+电销平台，就是用AI的语音交互和NLP能力，来实现智能外呼功能。
在这种情况下，一般思考的是用AI替代，而不是用AI结合。它能改善一些情况，却无法真正提高这个产业本身的效率，降低原始成本，更不能融合在整个产业线之中。
产业AI，必须是能够与传统产业无缝结合，推助产业核心部类向前发展的。尤其需要注意的是，深度的产业AI必然指向复杂的行业限制和真实需求，往往比简单的AI替代论复杂很多。
比如说想让AI来评估线索质量情况，提高销售效率。听起来蛮简单的一件事，一名老销售，却需要了解目标客户的工商信息、新闻、产品情况、企业规模、招聘情况、企业决策人、客户跟进情况等等十几个因素根据不同的权重才能综合评估客户情况，判断转化商机的机率，为提供最合适的解决方案;假如AI系统只算了其中一两个，漏算了某些因素，岂不是耽误了商机?
所以说，产业的需求往往比我们一般想象中复杂太多，在智能销售服务商探迹科技CEO黎展看来，AI想解决产业问题，必须具备三个方面的基础能力
数据规整能力真实世界中，数据和信息常常是从几个方向混杂过来。假如AI只能数据收集、而没有数据清洗、规整，这只会增加企业噪音。就像上面说的销售场景，AI必须综合各方面信息和实时变化的数据流，随时做出统领全局的最优解。这就像人类的大局观，没有大局观的人不能胜任管理，没有大局观的AI也是一样。
简单易用体验想做产业AI，必须承认的一点是目前的AI并不能彻底取代人类。必须是人机协同的工作模式，人机如何协同，如何在缩减人的工作时间，提高人的工作效率之外，不会浪费大量学习成本和适应成本，也是关键问题。
持续进化能力日新月异的工作，必须让人不断去适应和学习新的工作方式，对于AI也是一样，如果产业AI不能进化，那么工作需求一旦变更AI就变成废铁一块，那确实不要也罢。
产业AI该将何去何从?
如果你身处一个比较传统的行业，不妨想想，假如为你安排一位超级智能的AI助手，你的第一反应是什么?
很兴奋?那么第二反应呢?大概是感觉学起来很麻烦，不知道到底好用不好用，担心成本和收益不相符，等等等等。
以CRM为例，传统CRM就是表单，很死、数据很少。某些厂商所谓的AI+CRM是补全线索工商信息或提供线索自动分配功能，仅把CRM定位在管理的功能，把AI当成一个已有业务中的小补丁，去提升点管理效率。但销售的核心诉求——“增长”却没有得以满足。一位老销售告诉我们 “更换了CRM对于我们的改变不大，每天一早，我们还是得要搜索互联网，列出当天打电话的行业客户，然后去找电话。有时公司数据质量不高，经常只有一个总机，不知道客户的信息是谁，打到前台就会被质疑、阻拦。这是非常难受的场景，工作很难开展，团队流失率很高。”
由此可见，如果不是从0到1彻底颠覆一个产业，而做的是从1到100的事，只是对原有业务进行效率上的提升，这将很难创造大的价值。也，相比起单点技术，平台性的技术也更受企业、投资者欢迎。所谓平台性指的是产品/服务针对的不再是局限在一小部分。还是拿销售场景为例，他针对的可能不仅仅是销售管理这一块，它可能涵盖整个销售流程从线索挖掘、商机触达到成单分析销售的全流程。具体到智能化CRM而言，将企业从前端到后端全流程打通，从数据分析、机器学习两方面来促进销售自动化、数据智能推荐，把内外部连接的产品线呈现出来。一套承载了企业更核心数据的智能化CRM管理系统，对智能化运营、精准决策和高效管理有巨大意义。
而最终的目的是让AI发挥真正的核心能力——以更小的代价去支撑更复杂的场景。要如何实现从0到1彻底颠覆?需要两个方面
第一，深入场景很多AI技术走进现实时，往往会太重AI太轻现实，这样做的直接结果是完全低估了产业化进程的难度。我们时长忽视的一个问题，是AI技术有时候并不能讨人喜欢。看似有道理的技术解决方案，在真实产业场景里其实是无效的。
比如AI信息抓取方案在线索获取方面的。一般我们理解销售使用信息搜索，无非就是目标客户全部信息进行抓取。但事实上却不是这么回事，直接将网站信息转换成文字，夹杂了大量的噪音，根本是无效转化，反而加大了销售工作的难度。真正需要的是AI能够理解文本、抽取逻辑将关键业务信息摘取，这才能真正帮到销售人员。
所以说，真正的产业AI必须以从业者为核心去思考问题，这需要对产业深度的理解，一定的服务经验，以及关键领域的产业深度合作。
第二，让数据更加智能。另一方面现在的人工智能发展起来的主要原因是我们的数据量在大大增加，尤其是企业数据量，数据处理能力提升很快，这就使得从量变引起质变，在某些领域，机器能干的事甚至已经可以超过人了。这件事的决定因素是什么?是数据。如果知识是人类进步的阶梯，数据就是AI进步的阶梯——这正是数据对于AI的核心意义。人工智能发展接下来最重要的就是要获得百万量级以上的标注数据。IDG资本牛奎光曾经说过“在人工智能领域，中国最大的优势是有数据。”
但如何让数据更智能?阿里巴巴给我们提供了一个很好的思路 “一切业务数据化，一切数据业务化”。前者强调业务数据的沉淀和收集，后者强调数据的应用，更加聚焦让数据产生价值。
业务数据化将企业相关业务领域的原生数据以数字方式存储，通过内在的指标化做好统一、规范及标准，达到业务数据可利用、可分析、可改进，进入运营环节。业务过程当中各种核心的指标、跟核心的业务价值相关联的部分都可以数据化沉淀下来。这是平台干的事情。但此后，这些原生数据要想为企业要发挥洞察和预测的能力，还要进入到下一步——“一切数据业务化”。
数据的回馈能力就显得尤其重要，所有业务场景中收集和采集的数据，围绕业务场景形成闭环，根据物流调度算法或库存的预测反作用到业务， 使数据能够自我生长、消化吸收、形成新的知识体系。如果无法解决闭环问题，AI公司就只能停留在做数据的转化、录入和分析层面，注定无法分得更多的蛋糕。
这就好比，同样背景的学生在后来的实际工作中会有天壤之别?其关键是后续学习能力。让数据在这个循环当中不断的自我完善和发展，从而形成新的知识体系，才是AI技术应当攻克的核心难点。
“通过数据化、智能化的手段，探迹在保证客户数据隐私的基础上做数据深挖，商机推荐算法的训练，让它变得越来越智能。公司的不同成员之间能够实现‘经验共享和行业共赢’，共同做大行业的蛋糕，来为整个企业赋能。”探迹科技CEO黎展说。以探迹科技智能销售云平台服务为例，每一个用户的每一次操作行为都帮助了它提高关系的准确度和维度，以此构建更加完善和聪明的数据模型和知识图谱。这样的良好循环对于作为其它AI技术服务方的创业公司来讲，几乎很难实现。
产业AI，To B 领域的下一个投资转型风口
美国权威调研机构发布了一份中国企业AI案例研究报告。报告指出中国企业追求AI实战性，产业AI颇具土壤。
Gartner得出结论，中国企业对AI具备强烈需求，并且热衷用AI来提高生产率、改善客户体验和促进业务增长。这一市场需求决定了中国具有产业AI的肥沃土壤。
与飘在空中的实验室AI不同，产业AI的发展，本质上是产业科技化、科技产业化的漫长过程，这直接取决于两股力量一头是科技，一头是产业，两者缺一不可。如何抓住产业AI的机会，不再满足于单点替代，而是和客户一起去重新定义端到端的模型，利用AI技术定义一个全新的业态。如何和客户一起去重新定义端到端的模型，利用AI技术定义一个全新的业态？深入场景+闭环下的数据智能或许是AI目前最优选择。