1995年，Gartner發(fā)布技術(shù)成熟度曲線Hype Cycle，試圖用時(shí)間與社會(huì)預(yù)期的坐標(biāo)系，把新技術(shù)從誕生到成熟的外部情緒軌跡可視化。

這個(gè)模型可以被套用到大多數(shù)技術(shù)演進(jìn)上，當(dāng)預(yù)期跑在交付前面，能做什么主導(dǎo)社會(huì)預(yù)期；當(dāng)預(yù)期回落，討論才會(huì)回到落地與交付。

將GenAI置入這個(gè)坐標(biāo)系，最典型的波峰并不難找。大模型能力躍遷帶來(lái)的演示效應(yīng)極強(qiáng)，通用助手與通用Agent一度成為默認(rèn)答案。但在消費(fèi)級(jí)市場(chǎng)的實(shí)際落地中，卻普遍面臨著一個(gè)尷尬的悖論。

用戶能夠用自然語(yǔ)言描述目標(biāo)，系統(tǒng)也能生成看似合理的方案，但當(dāng)任務(wù)進(jìn)入服務(wù)環(huán)節(jié)，許多通用Agent就會(huì)變得不那么可靠。缺乏深度的場(chǎng)景閉環(huán)，導(dǎo)致服務(wù)的交付往往只能停留在信息檢索或簡(jiǎn)單的對(duì)話交互層面。當(dāng)用戶提出復(fù)雜需求時(shí)，往往會(huì)因?yàn)槿鄙倏煽氐募s束與驗(yàn)收標(biāo)準(zhǔn)，導(dǎo)致最終體驗(yàn)大打折扣。

這也是為什么，產(chǎn)業(yè)側(cè)對(duì)Agent的討論正在出現(xiàn)一個(gè)更明確的轉(zhuǎn)向——從通用能力堆疊轉(zhuǎn)向垂直場(chǎng)景跑通。

也正是在這種祛魅之后，垂直場(chǎng)景的價(jià)值才重新被看見(jiàn)：與其做一個(gè)萬(wàn)能但不穩(wěn)定的通用助手，不如把一個(gè)高頻、可驗(yàn)收、交付鏈路成熟的場(chǎng)景做專做深。

在出行這個(gè)重交付、高頻次的領(lǐng)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(dāng)Agent不再懸浮于空中，而是深入到供給組織與服務(wù)交付系統(tǒng)內(nèi)部時(shí)，自然語(yǔ)言才能真正轉(zhuǎn)化為實(shí)實(shí)在在的、可兌現(xiàn)的服務(wù)結(jié)果。

為什么是出行？

技術(shù)在演示階段比拼的是能力上限，穿過(guò)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(tǒng)是否能把自然語(yǔ)言變成可兌現(xiàn)的服務(wù)結(jié)果。

如前所述，Agent要進(jìn)入生產(chǎn)力階段，必須嵌入交付系統(tǒng)里。模型負(fù)責(zé)理解，系統(tǒng)負(fù)責(zé)兌現(xiàn)。通用Agent更擅長(zhǎng)前者，垂直Agent則更有機(jī)會(huì)補(bǔ)上后者。

自此邏輯出發(fā)，不難發(fā)現(xiàn)，出行正是最適合驗(yàn)證這套邏輯的行業(yè)之一。

出行需求具備天然的明確性與標(biāo)準(zhǔn)化能力。相比于復(fù)雜的電商購(gòu)物或旅游規(guī)劃，出行的鏈路極其固定，無(wú)非是從出發(fā)地到達(dá)目的地，閉環(huán)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(dāng)高頻，據(jù)交通運(yùn)輸部數(shù)據(jù)，全國(guó)網(wǎng)約車平臺(tái)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(guò)精準(zhǔn)的標(biāo)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(yōu)化的痛點(diǎn)。

以當(dāng)下用戶在絕大多數(shù)出行平臺(tái)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(yàn)被壓縮在第二步的選型中，僅有價(jià)格、舒適、多座等寥寥數(shù)個(gè)維度可供選擇。自用戶需求來(lái)看，其信息表達(dá)無(wú)疑是被壓縮了。

更多出行過(guò)程中的體驗(yàn)偏好，很難在下單前成為可執(zhí)行條件，只能被擠到事后評(píng)價(jià)里，體驗(yàn)隨機(jī)性被放大。

作為頭部出行平臺(tái)，滴滴早在Agent改造平臺(tái)流程前，便有意優(yōu)化平臺(tái)能力，例如推出服務(wù)質(zhì)量介于專車與快車之間的“輕享”、寵物出行與包車等。只不過(guò)，前置的選擇越多，對(duì)用戶出行效率的影響也越大，直到能準(zhǔn)確理解用戶意圖，并深入調(diào)度系統(tǒng)篩選、匹配司乘的Agent出現(xiàn)。

AI在這里的作用，是把更多可用的信號(hào)前臺(tái)化、把更細(xì)的約束納入匹配，讓供需在交易發(fā)生前就更接近彼此。

種種因素助推下，平臺(tái)力相對(duì)較強(qiáng)的滴滴率先推出“小滴”，并非為了跟風(fēng)AI熱潮，而是試圖利用AI作為用戶意圖的“翻譯官”和系統(tǒng)的“調(diào)度員”，將出行做成更具確定性的服務(wù)。

把選擇權(quán)交還用戶

業(yè)內(nèi)外多以“開(kāi)盲盒”形容出行體驗(yàn)，與潮玩一般，盲盒體驗(yàn)的本質(zhì)上是交易前信息不足——用戶在確認(rèn)前看不見(jiàn)交付輪廓，平臺(tái)在派單時(shí)讀不懂偏好差異。

小滴的出現(xiàn)，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(jù)調(diào)度供給。

打開(kāi)滴滴App，“AI叫車”按鈕位于目的地輸入框下方的左側(cè)入口，以滴滴主題色高亮顯示。點(diǎn)擊進(jìn)入后，其會(huì)識(shí)別用戶高頻目的地，并展示數(shù)個(gè)用戶最為關(guān)注的體驗(yàn)選擇如“特惠”、“更舒適”、“更平穩(wěn)”等。

如果用戶需求不算復(fù)雜，在這里便可即點(diǎn)即走——光子星球測(cè)試下，點(diǎn)擊其中一項(xiàng)體驗(yàn)偏好后，小滴花費(fèi)大約8秒時(shí)間完成理解與調(diào)度。最終呈現(xiàn)的選項(xiàng)卡中，首先是主題色高亮的百分比顯示對(duì)需求的滿足程度，以及車型、價(jià)格等信息，只需要最后點(diǎn)擊確認(rèn)即可派單。

需要注意的是，這些被單獨(dú)拎出來(lái)的需求，均是滴滴自去年9月26日開(kāi)放測(cè)試小滴后，用戶在對(duì)話中提到最多、呼聲最高的需求。

滴滴相關(guān)人士告訴光子星球，大多數(shù)用戶過(guò)去很難在下單環(huán)節(jié)把更細(xì)的體驗(yàn)偏好明確表達(dá)出來(lái)?，F(xiàn)在，用戶只需對(duì)小滴說(shuō)出類似“更平穩(wěn)一些”“更舒適一些”等需求，AI便能在供給側(cè)進(jìn)行更精準(zhǔn)的篩選與匹配，將更貼近偏好的車輛與服務(wù)呈現(xiàn)給用戶確認(rèn)。

伴隨小滴的持續(xù)迭代，平臺(tái)將能精準(zhǔn)捕捉到更多這些細(xì)微的體驗(yàn)痛點(diǎn)。根源在于，小滴并不是在原有流程上簡(jiǎn)單加一層AI聊天框，而是試圖把對(duì)話變成可執(zhí)行指令，讓自然語(yǔ)言真正進(jìn)入調(diào)度鏈條。用戶只需把需求用一句話說(shuō)出來(lái)，小滴把需求拆解成可執(zhí)行標(biāo)簽，在后臺(tái)完成篩選與調(diào)度，再把候選結(jié)果以卡片形式呈現(xiàn)給用戶確認(rèn)與選擇。

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

在供給稀缺或需求過(guò)于苛刻的場(chǎng)景里，用戶仍需要在時(shí)間、價(jià)格與體驗(yàn)之間做權(quán)衡。這意味著，AI帶來(lái)的確定性更像是對(duì)隨機(jī)性的壓縮。

足夠普遍的“被前置”需求外，光子星球還測(cè)試了考驗(yàn)Agent理解與后臺(tái)調(diào)度的復(fù)雜需求。

我們向小滴發(fā)出“合家去機(jī)場(chǎng)，要平穩(wěn)，放行李”的信息，小滴在初步確認(rèn)具體機(jī)場(chǎng)后，僅花費(fèi)約5秒時(shí)間將之拆解成空間、平穩(wěn)、后備箱大的標(biāo)簽，并提供車型卡片——承接模糊需求的精準(zhǔn)供給，是Agent在用戶側(cè)感知到的“智能”所在。

除了復(fù)雜的場(chǎng)景組合，對(duì)于不擅長(zhǎng)打字的老年人或輸入不便的下沉市場(chǎng)用戶，這種對(duì)話交互的“一句話叫車”模式也極大降低了打車的“數(shù)字門檻”。

經(jīng)測(cè)試迭代，小滴還將把AI能力延伸到更長(zhǎng)鏈路的出行決策里。如歷史訂單分析會(huì)基于用戶過(guò)往的出行記錄，抽取更穩(wěn)定的偏好與習(xí)慣。更貼近履約的延伸則是預(yù)約叫車與出行方案對(duì)比。

后者本質(zhì)上是將即時(shí)調(diào)度拉長(zhǎng)為計(jì)劃調(diào)度，牽涉到更早的供給鎖定與更強(qiáng)的風(fēng)險(xiǎn)預(yù)估。這樣“先規(guī)劃再確認(rèn)”的路徑，往往比即時(shí)叫車更能體現(xiàn)Agent的價(jià)值——它不只是縮短幾步操作，而是在交易發(fā)生前把不確定性拆開(kāi)、量化并呈現(xiàn)出來(lái)，讓用戶在確認(rèn)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(xì)微，卻直指盲盒的根因。用戶在出發(fā)前，就能提前預(yù)見(jiàn)并鎖定“結(jié)果”，這份確定性，正是Agent落地消費(fèi)級(jí)市場(chǎng)的核心溢價(jià)。

重塑平臺(tái)效率

企業(yè)級(jí)抑或是消費(fèi)級(jí)，效率都是Agent的敘事核心之一，這同樣也是平臺(tái)經(jīng)濟(jì)的核心能力。所謂平臺(tái)經(jīng)濟(jì)，便是在高度動(dòng)態(tài)的市場(chǎng)里不斷壓低摩擦成本，讓匹配更接近效率前沿。

網(wǎng)約車行業(yè)里，效率是用戶側(cè)可感知的交付變量，同樣一單服務(wù)，效率的波動(dòng)會(huì)直接轉(zhuǎn)化為體驗(yàn)的波動(dòng)；另一方面，效率還是更少的無(wú)效路徑、錯(cuò)配與事后糾偏。效率越接近最優(yōu)，用戶越少需要用反復(fù)操作去對(duì)抗不確定性。

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

小滴身處滴滴龐大的交付系統(tǒng)內(nèi)部，其不是在憑空創(chuàng)造好服務(wù)，而是把滴滴后臺(tái)本就存在的、極其顆?；倪\(yùn)營(yíng)能力，“翻譯”給了普通用戶。

小滴對(duì)接的是實(shí)時(shí)運(yùn)力與調(diào)度體系。用戶用一句話把需求說(shuō)清楚后，系統(tǒng)會(huì)在附近可用車輛中做更貼近需求的匹配，并呈現(xiàn)給用戶確認(rèn)。相比過(guò)去主要靠固定選項(xiàng)下單，小滴更像把叫車變成用戶個(gè)性化表達(dá)與確認(rèn)的過(guò)程。

當(dāng)然，平臺(tái)基礎(chǔ)的前提下，小滴還需要具備強(qiáng)大的需求拆解與映射能力。如前光子星球測(cè)試的機(jī)場(chǎng)出行，AI需要聽(tīng)懂這不僅僅是一個(gè)目的地信息，還隱含了對(duì)“準(zhǔn)時(shí)”和“大空間”的剛需。小滴背后的算法能力，能將這些模糊的語(yǔ)言快速映射到平臺(tái)的供給標(biāo)簽上，從而尋找合適的車輛供挑選。

這種“所見(jiàn)即所得”的實(shí)時(shí)性，是服務(wù)型Agent的生命線，亦是Hype Cycle坐標(biāo)系中對(duì)應(yīng)的“啟蒙坡道”——技術(shù)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(fù)用的增量?jī)r(jià)值，逐步建立穩(wěn)定預(yù)期。

用戶看到的是更確定的叫車結(jié)果，平臺(tái)拿到的是可用的偏好標(biāo)簽與更清晰的約束條件，進(jìn)而在同樣的運(yùn)力池里做出更貼近需求的分配。

當(dāng)這種機(jī)制跑順，效率的提升會(huì)以更溫和、更持續(xù)的方式顯現(xiàn)出來(lái)。這種“以服務(wù)促增長(zhǎng)”的邏輯，正是AI回歸業(yè)務(wù)本質(zhì)的最好體現(xiàn)。

目前，AI小滴仍處于測(cè)試階段。除了叫車，滴滴還為它加入了更多趣味性和互動(dòng)性的元素。例如“逗逗小滴”功能，讓AI不再只是一個(gè)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(jī)觸發(fā)彩蛋領(lǐng)取優(yōu)惠的伙伴。

在消費(fèi)級(jí)AI的角逐中，市場(chǎng)已經(jīng)渡過(guò)了拼參數(shù)的階段，焦點(diǎn)回落到解決“最后一公里”的真實(shí)痛點(diǎn)。

滴滴的小滴提供了一個(gè)極具參考意義的范式：AI不應(yīng)該懸浮于業(yè)務(wù)之上，而應(yīng)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(gè)足夠精準(zhǔn)的結(jié)果。