Linkloud 引言
本期 Linkloud 日本东京线下沙龙围绕 "AI Without Borders — Build for Japan, Scale Globally" 的主题展开，也是首场全日文 Panel。由 TRENDO CEO Stella Liu 主持，其他三位嘉宾分别是：FLUX CTO Edwin Li、EKFLASH COO Kai Yukawa、TapNow Japan GTM JINYANG KOO。他们分别来自 AI 咨询与开发交付、内容制作、AI 视频平台三个方向，但都站在日本企业 AI 落地的第一线，日常直面从 PoC 到规模化部署的全链路挑战。
这场对话涵盖了五个层层递进的问题：过去一年 AI 真正跨过了什么门槛、日本企业的态度如何转变、中国开源模型的接受度、PoC 到规模化落地之间的鸿沟在哪里、企业最终在为什么买单？Enjoy！
嘉宾介绍：
01. AI 从工具，变成了搭档
过去一年 AI 最大的变化，不再是某个模型的跑分又高了几个点。
同时运营 AI 映像制作公司和 TapNow 日本市场的 JINYANG KOO，感受到的变化在使用方式本身。AI Agent 出现之后，操作逻辑从"一步步下达指令"变成了"设定目标，整体交给它完成"。这意味着人机关系的结构性重组：你从每一步都要确认的监工，变成了设定方向的人。
与此同时，AI 开始走出屏幕。深耕企业 AI 咨询与开发交付的 Edwin Li 提到他每天戴着的智能眼镜，让 AI 第一次进入物理世界的日常场景，不再只是电脑和手机里的数字空间。AI 的能力边界从"数字助手"拓展到了"具身伙伴"。
来自内容制作领域的 Kai Yukawa 观察角度不同，但指向了同一件事：AI 开始懂上下文。Notion AI 之所以体验不同，在于它基于用户长期存进 Notion 的任务、客户商谈数据来回答，而不是每次都要从零解释背景，这是 AI 第一次真正进入个人的工作语境。
三位嘉宾的观点其实殊途同归：AI 从"工具"变成了"搭档"，它开始具身化、自主化并且有记忆。这一年跨过的门槛，在于 AI 开始懂你在干什么。
02. 从"能不能做"到"多便宜能做"
Edwin Li 从 2022 年就开始在日本做 AI 咨询，当时客户的第一反应还是"这真的会普及吗"。2024 到 2025 年，AI 已经被视为理所当然应该具备的功能。到了今年，几乎所有企业都在主动要求落地 AI Agent，深度超出外界想象。一个很明显的信号，他过去两个月的咨询中，被提及的最多的话题是"Token 费用太高了"。
这恰恰是好消息，因为不用就不会觉得贵，Token 费用成为痛点，本身就是企业规模化使用 AI 的标志。
Kai Yukawa 作为内容制作方，感受到的变化同样清晰：去年客户问的是"AI 能不能做到这个"，今年问的是"用 AI 能便宜多少"。这个措辞的转折，说明企业侧的认知已经走在了很多观察者前面。
但前进不等于一路畅通。JINYANG KOO 遇到的最大前置门槛，是版权与合规审批，日本企业在 AI 落地前必须先解决版权问题，哪怕一个部门批准了，但是有另一个环节没通过，项目就无法推进。合规是一条完整的审批链，任何一个环节都可以否决全局。
日本企业已经越过了"要不要用 AI"的犹豫期，进入了"怎么用得更聪明、更便宜"的阶段，并且开始接受此前不敢尝试的路线。
03. 中国模型，从意识形态到技术理解
Edwin Li 讲了两个去年的真实商谈场景。一家知名消费品公司的 CEO 被建议不要只依赖单一模型厂商，要在 Anthropic、Gemini、中国开源模型之间留出备选。对方的回复很直接："我们签了 OpenAI 就够了。"同一时期，一家大型银行被提醒该考虑成本时回答："我们预算无限，不需要省。"
今年，这两种声音几乎消失了。
转变背后是企业对"模型是什么"理解力的提升。很多人把模型误解为一个完整的软件系统，所以会担心后门、担心数据安全。但模型本质上是一组权重参数，所谓后门风险，是系统设计的问题，不是模型本身的问题。
任何国家的模型，都会因为反映了那个国家的文化而带上特殊性，关键区别在于：开源模型可以自己动手去微调，闭源模型做不到这一点。
去年有人出于地缘政治的顾虑，绕远路坚持用 LLaMA 等欧美开源模型。但 LLaMA 从 3.0、4.0 之后性能明显掉队，今年这类讨论已经基本消失。选择空间收窄之后，模型源自哪个国家就不再是决定因素了。
中国模型能不能用，已经从企业内部的"意识形态问题"变成了"技术理解问题" ，理解越深，来源背景越不重要。
去年，基于 Qwen 2.5 做日语场景的精细调优就已经在实际项目中落地。这类开源模型让本地化团队可以针对日本市场做政治偏好、文化适配层面的精细调整，这是闭源模型根本无法提供的自由度。
04. 决定 PoC 成败的，是流程
企业管理层看重的是成本和时间的节省，也会因为同行都在做而跟进采用。但落地效果究竟好不好，实际执行层的人心里往往会有大量未被表达的顾虑，JINYANG KOO 作为 AI 视频平台方，对此体感很深。
他提到一个事实：AI 已经把门槛拉平了。
他自己公司半数以上员工是在校研究生，出品质量却能达到商业水准。过去需要多年经验积累才能上手拍摄的门槛被抹平了，所有人站上了同一条起跑线。但"能用"和"真的在用"之间，隔着一条深沟，这条沟的核心在于 PoC 设计阶段有没有真正嵌入现有业务流程。
Kai Yukawa 认为，把工具直接甩给一线员工使用，员工的感受更接近"自己去找答案"，谈不上被赋能。EKFLASH 为此专门设立了"AI Director"这个角色：先定义清楚该走什么样的 Workflow，再把这个角色前后工序的相关人员逐步纳入，横向推广，也就是让一个人先跑通，再向外辐射。
Edwin Li 则从方法论层面做了梳理：PoC 方法论本身正在经历一次范式转换。旧模式是"工具起点"，客户先明确要什么功能，再去选对应工具。这在目标清晰时仍然是有效的，但现在多数企业的真实状态是：知道自己的业务痛点在哪里，但不知道 AI 能做到哪一步。
AI 时代的 PoC，应该是"目标起点"而不是"工具起点"。方案 A 失败了，目标本身不会消失，换方案 B 继续。
早几年，日本有的地方行政机构会要求 RAG 系统必须达到 99% 正确率才肯上线，有的团队哪怕做到 98.5% 都没有获批。
这种不合理指标在今年已经基本不再出现了，企业不再用"正确率"这种静态指标来要求一个本质上是概率模型的系统，而是真正开始理解 AI 适合做什么、不适合做什么。
真正决定 PoC 能不能走向规模化的，是有没有把 AI 设计进真实业务流程，并把目标锚定在"解决问题"上。
05. 陪到最后，才是护城河
市面上同质化的 AI 平台很多，功能层面的差异其实很小。JINYANG KOO 认为，真正决定企业选择的，是平台方团队本身的素质、Onboarding 能不能做好、版权法务等合规问题能不能被妥善处理。
创作者必须先真心喜欢用这个平台，企业才会跟着采用，没有活跃创作者生态的平台，对企业毫无吸引力。AI 和 SaaS 本质上是难以标准化的生意，标准化程度越高，越难贴合每个客户的实际现场。对于日本市场来说，真正的价值在于持续陪跑，有人陪着企业把 AI 用起来，而不是交付一个工具然后撤退。
Edwin Li 对于背后机制的解释是：标准化会把学习成本转嫁给客户，企业本身已经很忙了，再让他们花时间去适应一套通用方案，非常难，这也是日本数字化转型始终没能大规模普及的重要原因之一。
生成式 AI 最大的优势恰恰是可定制，它的天性就是为每个人、每个组织量身调整。这个时代真正稀缺的，是既懂咨询又懂工程的复合型人才，能把技术带到客户面前，一起把问题解决掉，而不是让客户自己去研究文档。
项目立项、执行、交付，这些都不是终点。真正的决胜点在后面：怎么让 AI 真正扎根到企业内部，怎么帮企业培养出自己的团队来接手，这也是为什么 OpenAI、Microsoft 这样的大厂也在组建 FDE（Forward deployed engineer）团队。
模型本身没有忠诚度。新的 Benchmark 出来，客户随时会切换，唯一能沉淀下来的差异化，是持续的落地支持和长期陪跑。
