一家全球制造业巨头每年校招季需要面试近5万名候选人，这并非自愿增加工作量，而是不得不面对的现实压力：海量求职者涌入，仅靠人工面试官根本无法承接如此庞大的流量。某养老机构负责人曾坦言，愿意开出高薪聘请三甲医院医生坐诊，但即便如此也很难请到，重金难觅优质医疗人才。新加坡一家主权基金的法务团队仅有30人，却要服务5到6个不同市场，每个法务的工作负荷几乎达到极限。

这三个场景有着共同的核心痛点：专业壁垒极高，人力供给严重不足，即便投入大量资金也难以达成目标。AI似乎是解决这些问题的最优方案，但四位来自招聘、法律、全科医疗、医患交互领域的创业者在圆桌讨论后却提出了一个反直觉的结论：真正阻碍AI落地的，从来都不是技术本身。

落地的第一道门槛：信念而非技术

"你信不信大模型能搞定你的行业？"这是讨论中被反复提及的核心问题。

方小雷在AI招聘领域已经深耕九年，从早期的小模型时代一路走到现在的通用大模型阶段。他认为这个领域最核心的挑战是「翻译」：将物理世界的用人标准，转化为AI能够理解的语言。背后需要依托工业心理学的胜任力模型，梳理大量隐藏的规则，通过科学的建模一点点拆解。很多同行都卡在这个环节，要么无法完成标准化建模，要么模型输出的结果与人工判断偏差过大。

法律AI创业者Max Ye则分享了合同审查场景的落地难点：首先需要将律师修改合同时的批注、修改轨迹、高亮标记和注释进行结构化整理，形成可复用的操作手册；其次需要深度理解不同合同类型的专属规则；最后还要确保所有修改都能溯源，让律师清楚调整的依据和逻辑。这个过程需要投入大量的文档工程工作。

但邓江直接点破了最关键的问题："第一道坎是信念。你相不相信大模型能做全科全模态通用计算？信不信三个月以后它能做到？"在场嘉宾一开始聊的都是数据、场景和工作流，邓江却指出这些都属于第二关，真正的第一关是创始人自己是否相信这个方向。

他用马斯克举例：5年前大家都觉得火箭回收是天方夜谭，纯视觉无人驾驶更是扯淡，只有激光雷达能解决问题，但马斯克坚信技术可以迭代进化。正是这份信念让他坚持探索，最终实现了看似不可能的突破。如果创始人自己都不相信技术的潜力，那么从一开始技术路线就会出现偏差。

很多创业公司习惯基于当下的技术局限性规划产品，这在大多数时代或许是理性的选择，但在AI时代却行不通。硅基技术的进化速度远超想象，今天无法实现的功能，可能三个月后就会发生质变。数据不足可以补充，场景理解不够可以学习，但如果创始人缺乏信念，项目从根本上就无法成功。

横方健康的孙君韡则从医疗场景出发，提出了更接地气的观点：AI医疗的核心不是技术有多先进，而是与场景的深度耦合。上海复旦肿瘤、北京肿瘤、中山瑞金等顶级医院的专家，每天都会收到多家大模型公司的试用邀请，但很多产品用两三天就被弃用。原因很简单：AI给出了"有用"的答案，但没有提供"好用"的体验。医生有付费能力，但缺乏付费意愿和使用习惯，只有真正把产品融入诊室的3分钟诊疗流程，才能让医生愿意为其付费。

适配专业场景：拆解大模型的落地路径

通用大模型就像一个天赋极高但脾气古怪的实习生，什么都能聊上几句，但一旦进入专业场景就容易掉链子。那么该如何驯服通用大模型，让它成为专业场景的得力工具？

方小雷的思路非常务实：在AI招聘领域，他们早年用小模型时需要完全自主训练，现在有了通用大模型，策略则是分场景使用不同模型。在信息安全要求不高的环节，可以直接调用第三方API；而核心的判断环节，则坚持使用自研模型。每年校招季会有数十万候选人同时涌入，这时候安全、稳定和成本是首要考量，甚至可以适当微调效果优先级。他提到，所有的技术方案都处于动态平衡中，没有一劳永逸的解决办法，需要持续调整参数和策略。

Max Ye的做法则更加精细化：在法律合同审查场景中，他们将单个审查场景拆分为20多个工作流，用户完全感知不到这个拆分过程。每个环节都会测试不同模型的优势，比如总结类任务用轻量模型，复杂判断类任务用重型模型。同时还加入了交叉验证机制，每一处修改都需要向律师说明调整的依据，参考了哪些规则或操作手册。通过这种方式，模型产生的幻觉被牢牢限制在可控范围内。

这种说法听起来有些极端，但逻辑却很自洽：如果产品的目标是让用户放弃思考，那么开发者自己首先要学会放弃思考。未来人类的核心角色是做决策，而不是执行具体的思考过程。邓江的团队完全按照AI原生的思路搭建公司架构，所有的方案设计、技术选型、工作流规划都由AI完成，团队成员只需要负责提出目标和确认最终结果。

孙君韡则采用了"守正出奇"的策略：在战略层面，他并不纠结于自研模型还是使用底座模型，更关注是否能成为优秀的医疗产品经理，找到专家诊疗过程中的细微痛点；在战术层面，他为每位医生配备专属的私有RAG系统，用医生的历史数据约束模型输出，遵循"当医生需要时才介入"的原则，绝不完全依赖AI替代医生的工作。

商业化逻辑：降本是基础，增效才是核心价值

技术再先进也需要落地变现，四位创业者的商业化思路正好构成了完整的价值图谱。

方小雷的AI招聘业务核心是降本增效。以西门子为例，每年校招季需要面试5万人，过去需要投入大量HR和业务领导的时间、差旅成本和组织成本，现在AI面试官可以直接砍掉80%到90%的相关费用。客户付费的理由非常直接：与使用AI之前的管理费用直接对比，成本 Reduction一目了然。但他也补充道，AI面试的真正价值不止于降本，更在于用"一把尺子量到底"的标准化流程，统一招聘标准，避免人为判断的偏差。

Max Ye的法律AI产品则聚焦于提升效率。新加坡主权基金的30人法务团队要服务多个市场，重复性的合同审查占据了大量工作时间。AI可以先完成基础的审查工作，标记出重点条款、提示风险并给出修改建议，法务接手时拿到的已经是"半成品"，只需要做最终的决策。同时，所有的修改数据都会沉淀为企业的知识资产，新人入职时可以直接继承这些经验，避免因人员流动导致的知识流失。他们的产品本质是帮助法务团队搭建一个不断自我迭代的知识记忆库。

邓江的商业化思路则更具颠覆性，他并不直接售卖AI系统，而是将产品定义为"数字员工"。他曾对一家医疗上市公司的创始人说："我花1000万给你提供1000名优秀的全科医生数字员工，每位的'年薪'只要1万块，你愿不愿意买单？"这个比喻直击痛点：院外场景尤其是养老院、基层医疗机构，想要聘请三甲医生几乎不可能，即便开出高价也很难请到，数字员工的性价比优势一目了然。

孙君韡的商业化理解则更为透彻：如果只定位为降本，很容易沦为纯项目制的乙方，像"游牧民族"一样打一枪换一个地方，难以积累长期价值。要成为"农耕民族"，必须走增效路线，因为增效才能带来溢价空间。横方健康的付费客户分为两类：医生端解决的是"诊室3分钟心有余力不足"的具体痛点；企业端则解决药企、保险机构的战略问题，比如如何找到新患者、如何让老患者持续用药。

主持人补充道，不能简单用降本或增收来概括所有商业模式，核心应该是投入产出比。在有限的投入下，增收的潜力可能是无限的，关键要看最终的回报效果。

未来展望：A跟A聊天，机器人在你家盯着你吃药

聊完当下的落地挑战，四位嘉宾也分享了对三五年后行业的畅想。

方小雷描述的场景已经在逐步实现：他们开发的AI群聊智能体，可以帮助HR在招聘网站上自动与候选人聊天、收集简历。更前沿的产品甚至在开发"候选人分身"：招聘方的AI代理与候选人的AI代理直接对话，完成初步的筛选和匹配，聊到合适的阶段后再由真人接手收尾。过去招聘只能在白天进行，未来可以实现24小时不间断对接，双方的效率都会大幅提升，匹配质量也可能更高，因为AI没有情绪波动，不会因为疲劳或主观偏好出现判断偏差。

Max Ye用自动驾驶来比喻法律行业的进化：法律文件处理将从L1级的基础理解，逐步进化到L5级的完全自动化。基础文件可以完全由AI自动处理，复杂文件则实现半自动，AI给出建议，人做最终决策。未来这个场景将从法务部门延伸到整个企业治理，包括文件管理、合规等领域，企业的知识资产不断沉淀，流程将越来越自动化。

邓江对未来的畅想更为长远：他认为所有新技术的本质都是改变生产关系。未来10到15年，每家都会有一个能够做家务的机器人，当这个机器人搭载医疗大脑，就会成为你的全职家庭医生。你后背长出的红色湿疹自己还没发现，它已经能精准识别并给出诊断建议，医嘱不再是直接下给你，而是下给家里的机器人："中午记得吃药，晚上别忘了"。未来的医疗供给将从围绕医院，转向围绕家庭展开。

孙君韡高度认同院外场景的未来趋势，但他补充了一个关键维度：医疗的本质是信任。今天即便AI给出的建议完全正确，患者也可能不信任，因为没有人为结果负责。但当患者一次次获得正反馈，信任会逐步建立。他甚至畅想了一个场景：张雪峰的猝死令人痛心，但如果从体检发现低密度脂蛋白偏高开始，智能体就持续提醒甚至"干预"，结果可能完全不同。未来的保险公司也将实现千人千面的定价，根据每个人的健康数据调整保费，而不是采用统一的标准。

余韵

这场讨论结束后，一个画面浮现在脑海中：也许十年后，家里的机器人会提醒你按时服药，不是因为你忘记了，而是医嘱直接下给了它，而非你本人。到那时，医疗计算的核心可能已经不在医院，就像新能源汽车让电池厂商成为产业链的核心环节一样，AI医疗的生产关系重构，正在让"家"成为新的健康枢纽。

四位创业者的落地路径各不相同，但底层逻辑高度一致：AI并非要替代人，而是解决"人力根本不够用"的核心痛点，降本、增效、无限供给，都是这场生产关系变革的不同切面。正如讨论中反复提到的："信了，才会朝着那个方向探索。不信，连门都摸不到。"