员工患上“AI焦虑症”，企业落地效果又如何？

“大家都在纠结效果，考虑数据隐私问题、成本以及组织内部的阻力，特别是员工担心自己被AI取代。”

5月22日，在2025环球旅讯数智论坛·上海站，DTalk.org 创办人顾青以“用户、场景、行业-《中国旅游业AI应用趋势洞察报告》解读”为题演讲，揭示了AI在旅游行业的应用现状和企业面临的困境。

顾青强调，AI并非取代人类，而是与人类协作，企业需要从组织架构和数据基础等方面入手，解决AI应用的隐性问题，推动行业数字化转型。

以下为演讲实录，内容有删减：

我自己在互联网领域已经工作了将近二三十年，AI也是我多年来一直关注并努力钻研的技术。

但今天这份《2025上半年中国AI旅游应用趋势报告》，其实不是我本人撰写的，我的角色是帮助管理来解读这份报告，与大家分享报告内容以及背后一些趋势的判断。

这份报告的数据来源有几个合作伙伴，分别是飞猪、马蜂窝、途灵旅游、众信旅游以及环球旅讯。

由于时间有限，我今天只分享报告中关于企业侧和行业侧的部分。

从调研样本来看，我们拿到了大约3000个用户侧的总样本，涵盖了一二线城市以及三四线城市。企业侧有大约70位参与的经理，包括900位商旅的领导者。

行业侧，我们大约调查了115个对象，这就是这份报告样本的来源。

我们看看企业侧的现状。实际上，AI工具的普及率并不高。比如，近70%的参与者基本上从来没有机会，或者不愿意去使用AI类的工具，只有31%尝试使用，且功能仅局限于预定和费控。为什么会出现这种情况？

我们分析后发现，企业对于这些工具的信任程度不够。

因为这需要比较强大的流程管理。这些工具需要与各个系统打通，需要付出很大的代价。而这个代价在很多企业内部的认知度并不高。

AI工具的门槛很高，投入也很大，但效果如何？这使得很多企业角色比较犹豫。所以，AI在企业内部的推广成为一个重大的争议。

从去年开始，我与很多企业进行了交流。AI项目在企业内部的推进都有一个前置环节，即很多公司的决策层虽然同意使用AI，但会质疑其投产比，以及现有AI工具与企业真正需求是否匹配的问题。

再来看一下行程管家和报销这两方面的情况。

在旅游行业内部，行程管理已经成为一个比较明确的刚性需求。所有的路线排布、检查点的安排以及从A点到B点订票的过程，这些信息管理的部分变得非常重要。

然而，报销这块的渗透率还不足。

报销这件事占用了大家大量的工作时间，相信在场的销售人员和经常出差的人都有这种痛感。但为什么这部分还没有得到改善呢？

原因在于系统的兼容性以及公司内部管理流程的适配度。

再来看一个数字，从各个城市来看，不同类型AI应用的普及程度与所在城市有关。

越是一线的新一线城市，行程管理和智能报销的普及程度越高，而四线以下城市的普及程度则较低。这显示出一线二线城市的数字化程度相对较高。

从中等规模企业来看，1万到10万人的企业，其智能化系统的采用率最高，接近85%。而10万人以上的企业使用率则较低。500到2000人的企业在这方面比较依赖这样的系统。

从分布图可以看出，AI应用的渗透率并不平均。

从央企、国企、民企、外企的角度来看，外企的使用比例相对较低。

这可能是因为外企在中国的分公司，在IT方面的合规性以及数据隐私方面的要求较高，其管理要求和决策流程比国内民企要复杂得多。

其实，不仅在AI领域，在中国地区的数字化采样率或数字化成熟度方面，外企相对来说比中国企业要慢。

以前我负责携程的线上业务，与海外的Booking等公司在国内市场竞争时，感受很明显，国内软件在国内企业的迭代速度和强度比外企要强很多倍。

从整体来看，中国民营企业在AI在企业内部的渗透速度，肯定比外企要快十倍。

在行业端，头部企业如飞猪、美团、马蜂窝等平台公司，其AI技术的落地节奏和场景选择与传统的酒店集团、旅行社等差异很大。

从数据来看，如果按照企业是否已经在业务中使用AI技术来划分，80%的大型企业都在使用，而越往下的公司，使用AI的比例就越少。

传统的AI如推荐系统、抖音的推荐算法、供应链优化、房价预测以及舆情监测等，都是基于诉求的，如机器学习和深度学习等。

而生成式AI与传统AI的区别在于涌现的部分，这带来了许多合规问题。

大企业因为数字化基建比较成熟，内部数据质量高，可以通过结构化数据来约束生成式AI，避免产生幻觉。但小企业可能因为数字化本身不够成熟，即便使用了AI，其生成式AI的涌现结果依然是不可控的。

从AI的应用来看，不同行业、不同企业的应用结构化也很有意思。

相比之下，酒店行业的AI应用率并不高，只有25%。

最大的问题，是数据库问题。

企业购买了多个系统，每个系统的数据结构都不一样，独立运作，每次要做AI应用之前，都要人工跑很多数据，成本很高，更不用说应用AI技术了。

所以，酒店行业的第一步，是整个企业管理流程要向现代企业管理制度迈进。这是经营的科学管理问题，而不是AI技术问题。

再看很多企业的组织架构，并没有为AI的引入做好任何调整。

如果与头部企业如携程、美团等相比，你会发现，它们的产品经理和营销经理的工作内容，与你们内部的同岗位人员的工作内容有很大不同，流程和产出都不一样。这就是组织设计的问题。

从应用来看，无论是飞猪的个性化推荐、携程的推荐系统，还是抖音、饿了么等平台的个性化推荐，点击率之所以会提升，是因为生成式AI可以帮助企业利用算法大量补充用户特征。

这说明数据基础越好，利用生成式AI提升业务效果的可能性就越大。

马蜂窝的行程工具做得好，也是因为其POI、点评内容等结构化数据的前置条件做得不错。凡是行程工具做得好的团队，都在前置的结构化语料挖掘上投入了大量时间。

接下来，无论是大企业、中型企业还是传统小企业，现在能选择的方式要么是本地化部署，要么是用云计算的方式租用别人的模型，即model service。

虽然看似有很多选择，但本地化部署存在一些问题。比如，开源模型的算力成本、显卡成本以及运维成本等，这些都需要投入。

而业务端往往很少参与大模型引入过程中的合作决策，这就导致技术变成了工具，无法为业务创造价值，业务也就不会使用。这是一个困局。

最后，我们来看整个市场的分化情况。

第一名是DeepSeek，大部分企业可能都会受它的影响。

然而，事实上，所有大模型都会提供接口，只要放在云计算上，就可以任意切换API。所以，这并不是一个绝对的答案。

目前整个行业还在探索阶段，没有人能说自己用得非常好。

大家在投入预算方面也比较保守，只有少数公司愿意将2%的投入算到AI计算上。大约25%的企业投入低于IT预算的10%。

大家普遍的心态是希望看到谁能先做出来，然后直接模仿，没有人愿意第一个尝鲜，端到端全做。

这主要是因为大家都在纠结效果，考虑数据隐私问题、成本以及组织内部的阻力，特别是员工层面担心自己被AI取代。

我想再问一下在座的各位，你们担心AI取代你们吗？其实，我认为AI不是来代替用户的，而是与大家进行协作的。

今天时间有限，我最后说一下，数据基础、成本技术、组织适配。

在我看来，前两个是显性原因，是可解决的，只要投入成本和时间就可以。而隐性问题是组织问题，组织问题是内在的，这才是各个公司需要解决的问题。

由于内容较多，大家可以自行扫码下载报告，查看更多相关数据。