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。也因此，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应用。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，同时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。