1 选战场2 线索获取3 线索转化4 换范式5 杠杆6 QA
分享 · AI native 实战
AI 怎么重构一门生意
以骑手招聘为例：AI 在招人 → 匹配 → 交付里，
到底能干什么，边界又在哪。
✦ Made with Claude Code
AI 怎么重构一门生意 · 一线实战
招一个骑手成本两三千，
一年几十个亿。
一门全靠堆人的生意。
这一年，被 AI 从头重做了一遍。
✦ Made with Claude Code
今天讲五块
AI 怎么重构一门生意
2
线索获取
BOSS 插件（增量）+ AI 外呼（存量）
4
换范式
招聘小龙虾全流程自进化（AI in human loop → Human in the AI loop）
1选战场
"哪门生意是靠堆人的？AI 降本空间在哪？"
先找最靠堆人的环节
- 骑手招聘：招一人两三千 · 一年几十亿 · 高流失、停不下来
- 链路长、每个单点转化都低 → 单点优化没用，必须多触点协同
- 盘点履约里所有方向 → 这块降本空间最大、最适合 Agent 化
不是哪里能用 AI 就用，是哪里值得重做。
全局 · 整条链路
整条招聘链路，
拆成两段交给 Agent
AI 在每段干活，人退到定目标和兜底。
2线索获取
"去年这一阶段，AI 怎么把人捞进来？"
双引擎：增量 + 存量
- BOSS 插件（增量）：先把效果追齐人工平均水平
- 追齐后做风控攻防，跑通后扩量
- AI 外呼（存量）：对 VoiceAgent 拨打效果做 Eval——从外呼标准评测集，到定义「四大及格标签：已成年 / 无案底 / 无工作 / 每天能在线 8 小时」，再到后验打分机制
3线索转化
"线索进来之后，AI 怎么把人捞到约面？"
AI 企微承接 + 持续跟进到约面
- 结合 bad case 改写 + 专家标注及通用数据构建数据集做 SFT 训练 → 降低 bad case 率
- 用 RL 提升模型拟人度和说服能力 → 提升约面率
- 构建具有自动转人工、高意向人群提醒、约面成功提醒等功能的人机协同体系
- 结合定时任务，构建具有主动复聊保温的主动沟通 Agent
3多触点协同
为什么单点没用
直接加企微通过率 不到 0.1%
先打一通外呼指导通过率 25% 左右（约 280 倍）
人会拒绝陌生好友申请，但接过电话就愿意通过——多触点协同 ≫ 单渠道优化。
终态 · 未来形态
每一段，往下走到哪
线索转化
终态 → 跳过专员分身，直接和"站长分身"聊
终态是整条链路不再依赖中间人。
4换范式
把三段串成一个
会自己进化的 Agent
这就是"招聘小龙虾"——从找谁、怎么说、到什么时候打，整条链路自己变好，不靠人一版版调。
- 策略层：Agent 自己挖人群特征、用结果回测 —— 夜级 ★ 已跑通
- 话术层：冠军 / 挑战者话术赛马 —— 天级 （正在尝试）
- 模型层：SFT 打底 + RL 强化 —— 周级 （正在尝试）
4★ 金弹
倒计时下的"大力出奇迹"
AI 外呼 ROI 负了很久。再一个月跑不正，项目就关停。
→
整夜 ↻
仿 auto-research，自跑一版版特征组合
→
ROI 从负转正。赢的不是模型功力，是业务认知 × Agent 自主 × 迭代速度。
4圈选洞察
"圈人这件事，AI 能干什么？边界在哪？"
找谁，是个组合优化问题
- 圈人＝几百个特征找组合 → 该交给 Agent，人只定目标函数（要精准还是要覆盖）
- 反直觉：重画池子 > 在池子里筛人——没加新特征，只换池子定义，精准率翻几倍
- 边界：Agent 不会自己想到去哪类数据找人——搜索空间靠业务认知圈定
4核心机制
系统自己竞争上线
⚔
实验组
Agent 自己分析通话、迭代 prompt
连续几天超过冠军组 → 自动上线圈人。人只设计系统和目标，Agent 跑策略。
4换范式 · 判定线
"AI 给老流程打补丁？还是让 AI 接管主线、人补位？"
谁背 KPI，谁就是主线
去年
AI in the human loop（专员主线，AI 单点提效）
今年
Human in the AI loop（AI 背指标，给专员派活）
从"AI 辅助专员"翻转成"以 AI agent 为核心，重塑专员工作内容、给专员派活"。
★ 最深一步 · 组织
人在两端，Agent 在中间
扎心发现：AI 把线索分给专员后，人的跟进率很低——最后一公里卡在人，前面全归零。
执行层
Agent · 外呼/企微
打电话、发消息、约面
兜底层
人 · 站长/运营
处理 Agent 搞不定的异常
与其让人配合 AI，不如为 AI 重设组织 = 虚拟运营中心。
招聘的真实复杂度
一个骑手入职，走了 20 天
→
中间 20 天
站点不缺人 · 站长顾虑 · 回老家 · 下雨没法跟跑 · 误注册众包
→
招聘不是"发消息→对方来"，是懂站点、懂站长、懂天气住宿的深度撮合——这部分 AI 替代不了。
AI 放大人 · 不是替代人
销冠 + AI 的化学反应
销冠自有账号招呼量基线
＋插件＋账号飙到 3–5 倍（把销冠排除后，数据立刻平淡）
AI 放大的是人的能力上限——最好的 AI 产品不是替代最好的人，是让最好的人更强。
5杠杆
"AI 普及后，产品的价值往哪走？"
懂业务 × 会用 AI = 最大杠杆
- AI 接管执行和迭代 → 产品经理"上移"：定目标、搭 agent、改组织
- AI 是放大人不是替代人：同一套系统，销冠翻 3–5 倍、普通专员翻一倍多
- 新的稀缺 = 业务认知 × 会指挥 AI × access
一页带走
五块 · 速记
2
线索获取
BOSS 插件(增量)+AI 外呼(存量) 双引擎
3
线索转化
AI 企微承接跟进；话术冠军/实验组自迭代
4
换范式
Human in the AI loop；AI 给专员派活
能理解业务、又会用 AI 的人，
这个时代有最大的杠杆。
而你们，就是最懂招聘业务的那批人。
✦ Made with Claude Code
附录 · QA 备用
"这不就是 AutoML / 特征工程吗？"
瓶颈从来不是模型
- ① 冷启动、没正样本——AutoML 要标注数据跑回测，这里一开始没有
- ② 搜索空间靠业务认知圈定——它不知道去哪类数据找对的人
- ③ LLM 做语义推理，不是穷举统计搜索
- ④ 协调成本才是瓶颈——一个人自助跑完，没有跨团队翻译损耗
附录 · QA 备用
"那算法团队为什么没做出来？"
不是谁强谁弱，是结构
- ① 路径依赖——专家在熟悉路径上抠，非专家反而敢"大力出奇迹"
- ② 关注点错位——他们主战场是训大模型，圈人是三不管
- ③ 缺业务认知 + access——同样的工具，喂什么方向是业务决定的
- ④ owner 的倒计时——背着关停压力，必须把它跑通
1 / 22
← → 翻页 · S 讲法提示 · F 全屏 · 手机点屏幕左右翻