今天给大家带来的是一个企业级AI应用的拆解，老粉们都知道我的主业是做企业级的AI智能体定制的，我在外部交流的时候总是会有人问到，你们接的几十上百万的智能体需求，到底是在做什么？
每到这个时候我都要巴拉巴拉说一通，大意是：把客户已有的人工工作流程，加入AI把业务流做成自动/半自动化。
只是嘴遁也说不清楚，一直想拿个案例分享给小伙伴们但是没有合适的，昨天，我看到了一篇Aha（原Head AI )的创始人Kay分享的文章，我发现这个分享非常适合作为企业级AI应用的落地案例进行拆解。
https://aha.inc/university?universityType=Aha+insights
正所谓“他山之石，可以攻玉”，既然Aha愿意公开，那么我以我的经验，分享下我们说的“企业级AI应用”可以怎么做？以及一个复杂业务场景的tob AI应用底层思路是什么？
创造业务 vs 赋能业务
首先，我们在服务客户的时候，会先通过沟通判断客户要做的是创造业务还是赋能业务。
创造业务： 现在是没有这个业务部门、也没有人从事这方面工作的，需要我们完成开发之后，才能开始这一项业务。（这面临的其实就是极大不确定性，我们通常会对这样的客户需求慎之又慎）
赋能业务： 现在已经有这个业务部门，也有人在做这个工作，只是人工成本和效率不够高，希望得到AI的赋能，我们开发完成后的智能体会用于辅助、替代或减轻原有的工作，达到提效的目的。（这类业务是当前智能体开发的甜蜜区，也是我们交付最多的）
那我们今天拆解的案例产品：Aha ，属于后者。
了解 Aha
Aha官方网站：https://aha.inc
Aha 是一家正在高速成长的AI 初创公司，定位达人营销。能帮有达人营销需求的品牌，从头到尾执行所有重人力的流程。产品上线6个月，已被多家头部互联网公司采用，听说字节也在用。以及 AI 出海榜 TOP 50 公司 比如 AIPPT 、Vizard。
简单来说：Aha用于辅助有达人营销需求的AI出海品牌来做业务执行 。
（我特指AI出海品牌是因为，他们目前只支持海外主流社交媒体 比如 X、ins、tiktok、YouTube、LinkedIn等，暂时不支持国内社交媒体）
我们先了解一下什么是“达人营销”。
关于达人营销我想一说大家就懂，在国内，网红博主视频中的广告投放大家应该已经司空见惯，再类似于TIM的产品上手实测、铁秀的汽车体验其实都是与品牌合作的一种。
举例来说，这些内容可能是 广告主 （比如：大疆、小鹏在这里就是品牌方广告主）， 找到达人 （比如：影视飓风TIM、铁秀IRONSHOW在这里就是达人）， 进行的合作 。
在广告主与达人达成合作的过程中，其实是一个非常繁琐的过程，每个博主的视频其实都是一个 非标的“产品” ，基本上都是一号一价，广告主每敲定一个达人，往往就要经过数轮沟通和谈价。
而一旦像大广告主想要批量投放的时候，沟通的繁琐难度会成倍增加，全部都得依靠人工。
-
流程慢：找人、谈价、写brief、签合同、对账、人盯人；
-
成本高：沟通与管理开销往往超过媒体成本；
-
创新时间被挤压：真正该思考创意和策略的时间被消耗在执行上。
大公司还能顶住，而初创公司就吃不消了，看到往往就望而却步。
这是产品的市场背景，很明显达人营销是确定的市场，也是已有的业务，人工的工作流程基本固定，只是在每个项目的沟通话术和内容上不同，虽沟通复杂，但这属于我刚才提到的第二类：赋能业务的范畴。
基于以上背景，大家应该能够感受到了，品牌执行时最限制效率提升的是： 整个流程严重依赖大量人工操作，缺乏一套真正自动化、可规模化的执行机制。
我选择Aha来拆解和分析，是因为看到Aha创始人文中分享的理念，与我们一直以来的提倡的是一致的：目的不是替代人，而是让整个业务更高效 。 我们在与客户沟通时，也是秉持这样的理念，把重要的、关键性的决策交给“人”来主导，而繁琐的事务性工作由AI全部或者辅助完成。
而Aha亦如此： Aha在达人营销中的真实角色——不是替代人，而是帮你做掉所有的脏活累活，达人营销的同学能更专注在把关判断、以及创意、策略这类比较重要的事情上
Aha扮演的就是一个 7*24 的达人营销 AI 员工。Aha 能从头到尾帮（这里是“帮”，不是“替”）品牌执行达人营销所有流程：从达人匹配、建联议价、合同签约、审核催稿、数据监控 、结算支付，它都能 7×24 小时全程执行，用户要做的是把关与审批。
如此一来过去需要数周、多人协作的工作，现在只需和Aha一起，就能在更短时间内完成更多成果。
好，这一步其实是AI应用理念和行业的概况了解，在这一步达成共识之后，我们就会更深一步，去更加细致的了解业务的SOP：也就是现在的人工是通过哪些关键流程和环节来完成任务的。
从SOP到AI系统蓝图
如果沟通到了这一步，其实我们团队在听的时候就已经在判断，哪些环节适合AI完成，哪些环节适合人工完成了。当把所有的环节盘算清楚，那么一张AI智能体的系统蓝图就已经浮现了出来。
我们依然以Aha分享的底层逻辑为例做分析，通常当品牌有了达人营销需求的时候，要经历以下关键阶段：
我相信大家如果在一个业务比较成熟的公司或者团队，多多少少都会有工作的SOP。通常的SOP是一个非常细致的能够指导工作的一个文档，那么我们在沟通的时候，其实看到的就是这些SOP流程文档。只是为了方便理解，我们用流程图来代替。
好在梳理完了整体的SOP之后，我们就有了判断，原来品牌要做这个，要做那个。此时我们就会想，比如在做达人筛选的时候，是根据什么条件进行的筛选，如果这个条件并非完全主管，是有一定的指标的，那么就可以让AI来完成。
大家可以看看以上的流程中，根据你的了解，你认为有哪些环节是可以让AI辅助，每个环节让AI辅助的深入程度是多少呢？
从Aha系统的体验来看，Aha给出的答案是以下5个环节中的，七大模块功能：
1、brief环节
Campaign设置：AI辅助，提供基于品牌website的分析—包括不限于品牌卖点，目标人群等，支持品牌自由编辑。
2、达人查找及筛选环节
数据采集与更新：高质量数据的工程化基础
匹配系统：召回、粗排、精排三层架构，过程中让大语言模型主导整个决策流程，使匹配过程更接近人类营销专家的判断方式。
反作弊与过滤：保障合作达人、合作达人数据的真实性与可验证性。
3、达人触达与议价环节
动态定价引擎：让市场规律自动反映在价格中，让价格不再依赖个别谈判或主观判断，而是成为一个基于达人内容数据、实时CPM、受众国别、以及市场供需等多重因子计算下的公允价。
自动沟通： 实现百万级并发的自动邀约、意图判断及价格谈判，完成从“陌生”到“合作”的转化。
4、达人创作及交付环节
执行层：让 AI 完成“人类无法规模化”的工作
1）自动邀约与沟通
AI 负责完成从邮件发送到意图识别的全流程自动化邀约。无论是发信建联、沟通话术还是自动的消息回复，让原本需要人工每天反复发送与回复几十几百封邮件的工作，扩展为可同时管理百万级发单与沟通的自动化执行系统。
2）达人接单后的内容执行进度监控与审核
从内容规范校验（时长、格式）、内容的督促提醒、甚至是违约和退款机制，都能够自动化完成，在达人提交最终内容后，AI 能够立刻自动检测是否包含品牌名称、核心卖点与 CTA 元素， 确保内容在质量与合规上均达到基础标准。
5、数据持续监控环节
数据回流体系：系统层面实现数据自动回流与动态更新，包括不限于内容播放量、CPM 、cpc 等 —— 更快、更清晰的监控活动效果，达到从结果到再决策的智能闭环。
这些模块是否由AI介入和AI介入的程度的考量，都考验着开发与业务团队的紧密结合程度，这些决策都必须在既懂达人营销又懂AI技术的前提下完成。
我们以其中的一两个环节举例，Aha是如何把懂行和懂AI做结合的。
Aha的实践案例
我想其中最值得一讲的是：Aha 是如何从海量达人池中找达人、谈合作，怎么保障找的准？找的好？
平台界面：AI正在搜寻 & 建联达人
如果有相关经验的小伙伴可能会理解，达人营销领域的数据噪声极高，各个平台其实充斥着营销号、买量号、刷数据账号等，那如何在鱼龙混杂中找到那个真正值得投放的账号呢？
Aha对此的思考是： 让AI像人一样做判断。
这与我们服务客户的时候简直不谋而合，大家不要认为企业级的AI应用非常的神秘，其实本质上就是把人做的事情，分成AI能做的，AI能否辅助的，AI完全不能做的，然后分别融入原有业务流程中，从而提效。
那么在达人营销的场景中，人工选择账号的时候，通常是基于各个数据平台的数据，还有平台标签，在上千万的达人人选中，筛选出一批达人。然后根据活跃度、地区、规模等再筛选一批意向达人。然后去看一下达人账号下实际的内容，比如：标题、主页、简介。账号数据：播放量、互动量、发布频率。来做一遍精选，最终才能得到一批比较靠谱的投放名单。
Aha在人工的逻辑上，做了大量的技术优化：
Aha建立了一套高质量的数据来源与工程化更新体系，数据体系完全基于社媒平台的 公开 API 与工程化采集，而非依赖第三方 SaaS 的二手数据。
Aha分享了他们的具体采集的内容和体系，感兴趣的可以去看原文，概括来说就是：在采集层面采用了离线采集（Offline Collection） 与 在线采集（Online Collection） 的双通道架构，通过多维度信号建立达人画像，部分社媒平台缺乏的字段（如语言、邮箱等），引入 AI 进行自动补全与提取，并且通过工程化的数据更新机制来保障Aha的数据是的高质量、最新鲜、真实可信的数据。
这是一项工程量十分庞大的事情，但是Aha选择了自己构建，我想与他们懂AI不无关系，因为数据的质量，就是AI能不能“像人一样判断”的基石。
这是整个达人营销大厦的地基，一切由此构建。
当平台中有了高质量、最新鲜、真实可信的数据，Aha 的核心大戏——达人匹配系统才正式登场。
它采用的是互联网大厂经典的搜索与推荐三层架构：召回（Recall）→ 粗排（Pre-Ranking）→ 精排（Fine-Ranking）。
但这套架构的内核，却与传统的推荐系统截然不同。传统的推荐系统（比如抖音、淘宝）通常以 CTR（点击率）模型为主，目的是让你多看、多买。
而 Aha 则是让 LLM（大语言模型） 来主导整个决策流程，让系统像一个资深的“营销专家”一样去思考。
我们来拆解一下这三步到底发生了什么：
第一层：语义召回（Recall）
从海量到相关：这是漏斗的开口。比如你是做“AI效率工具”的。传统人为搜索/利用达人营销数据平台，只能依赖浅层标签“ AI ” “ 效率” 等。但Aha 在此架构设计下，能基于品类、受众、达人内容context等语义，关联召回大量没有直接讲AI ，但讲了 类似 “职场提效工具” “ 提效技巧 ” 的达人。帮你在上千万的达人池中，圈定了一个规模化的潜在候选池。
第二层：多维粗排（Pre-Ranking）
硬性指标过滤：在候选池的基础上，AI开始执行硬性指标的快速筛选。比如粉丝画像是否匹配（你的用户是程序员，AI就会筛掉那些粉丝多为中小学生的娱乐号）、近期活跃度、以及预算区间是否匹配。这一步快速剔除明显不合适的选项。
第三层：深度精排（Fine-Ranking）
像人一样懂内容：这是最核心、也最体现“Agent智能”的一步。在剩下的优质候选中，Aha 会让 LLM 阅读达人的视频脚本、分析其过往的推广案例。
在剩下的优质候选中，Aha 会让 进一步让LLM 分析过往的视频内容、粉丝画像等，综合判断这个达人的粉丝画像是不是和品牌推广的目标人群重合？达人过往内容主题与品牌产品是否有结合空间？最终计算出一个综合的Match Score（匹配分），生成推荐名单。这就像一位达人营销经验非常丰富的专家，在选定达人前，会逐个细看达人的主页，以及每条内容及用户评论。
当然，如果真的交给人为来挨个做判断，单个账号的决策时间，至少要花十多分钟，毕竟仔细看每条内容的工作量不小。
最后一道关卡：反作弊与数据过滤。
当系统帮你选出了“既相关又匹配”的达人后，为了防止“走眼”，Aha 才会启动最后一道安检程序——反作弊系统。
让AI去判断某个账号的数据是否属实，这是非常具有挑战性的一项。毕竟达人营销领域的数据噪声极高，平台充斥着营销号、买量号、刷数据账号等。
Aha系统的处理方式是，先通过黑白名单、关系网分析和行为特征检测，在数据源头识别并隔离作弊与可疑账号，完成第一轮的清洗。比如：不同内容下相似的评论者比例异常、内容重复度过高等。
其中有一个点是根据营销号关系网来判断是否为虚假营销号：通过账号间的转发、评论、互动网络，基于已识别的营销号节点扩展发现潜在营销号群体，自动加入灰名单。
这一条是不是有点像人工的操作，因为人工在判断的时候，通常也会这样进行识别，这些营销号通常可能由同一个组织批量制造，也会互相互动来刷量，这也正是判别同类群体的一个手段。
但是，当真实的人工操作时，且不说一个账号的查找和判定的时间起码1小时，而且能否关联上还要靠运气和记忆力，大规模化的反查是没有可能的。但是有了Aha的帮助可以极大的节省执行的时间，而且Aha观察的维度更加丰富，这不仅省时还更准确。
其次，播放量预测阶段会进行内容级过滤，比如：互动率（点赞、评论）异常的低质量内容。最后，在达人接单的关键环节，系统会实时校验其数据健康度，确保播放量增长曲线自然。
Aha的反作弊系统不止于识别，更在于智能惩罚：对可疑账号（灰名单）自动降价，对作弊账号（黑名单）永久封禁，并设有人工复审通道以防误判，确保营销合作的真实与高效。
以上的这些操作，其实就是把人工的操作提炼和流程化，从而让AI也能够像人一样去判断和执行。这其实就是心法，也就是一个复杂但可“量化”的业务场景下，AI应用的底层思路：
把大的拆小，小的拆细，直到AI能够准确执行。
那有的工作是难以量化和标准化的，通常靠老师傅的经验判断，那怎么办呢？
我们再来看一个环节案例： 合作谈价阶段。
比如你是一款AI办公效率工具（如AI笔记或文档助手）。一个是专注于职场干货分享、视频制作略显粗糙、但拥有一批铁杆“打工人”粉丝的A博主。另一个是画面精美、擅长拍摄极简桌搭和氛围感的B博主。
即使A博主的视频看起来全是枯燥的录屏演示，报价也不低，但他依然是该AI产品的优选投放对象，因为他的粉丝都在找工具解决痛点。反观B博主，虽然作品像电影一样高级，但粉丝可能只是为了看“装修”。
这种情况下，双方的合作本质上是“精准度”与“制作水准”的博弈，通常情况下很难判断孰亏孰赚，因为没有一个标准基线。
Aha提供达人合作一口价 及CPM、CPC预估
在达人营销中，“报多少钱”往往比“找谁”更难。传统定价基本都是依赖人工谈判与经验判断，一人一价、一品一价，几乎靠双方的心情和经验出价。大部分时候是不严谨的，讨价还价后就草率的定了下来。很多博主也不知道什么价格合理，品牌也不知道什么样是正确的。
而Aha通过算法构建了一个 基于人类专家经验体系的动态定价系统。系统通过算法建模人类在过往定价中的经验逻辑，将“价格判断”这一长期依赖直觉的过程转化为可量化的决策模型。
Aha通过以下因子建模：
- 预测播放量（历史商单数据的权重更高）
- 平台基础CPM
- 国家 / 地区定价系数
- 受众购买力指数
- 合作形式（短视频、post、reel等）
输出为一个动态定价区间：
Expected Price = Base × CPM × MatchRate ± ε
还会根据Campaign维度市场定价，并且兼顾行业维度动态修正价格。
让价格不再依赖个别谈判或主观判断，而是成为一个 既具备专家经验稳定性，又能随市场供需实时波动的函数。 在此基础上，定价随市场热度、供需关系与内容表现动态调整，实现了“经验稳定性 × 市场敏感性”的平衡。
AI不再问“达人要多少钱”，然后再反复砍价，讨价还价。而是直接给出达人准确的预期“这个合作应该值多少钱”，达人能够接受就会加入合作。
如果不能接受，达人可以进行一次bidding，输入自己能接受的最低价，平台上会标注这是达人的出价。等待品牌方在整个campaign所有达人的报价中选择能否接受，如果达人特别优质品牌方愿意溢价合作，也能通过这种方法避免错过。
从整体和大盘的视角，这样的策略能自动维持效率与平衡，为广告主获取平衡下的最优价格，模型也会持续学习全平台的成交与接单率数据，动态更新每个因子的基础CPM。比如当AI工具类产品热度飙升，AI类达人价格自动上浮，同时也能够保障达人的收益为市场合理水平。
我想大家现在对企业级复杂业务场景的AI应用构建的底层思路有了一定的感知，基于这些理解，大家回过头再看这个流程：
是否有了更新的理解和感受？可以尝试下自己判断AI在哪里可以介入哪里不适合介入：
比如：
-
写brief文档完全可以靠和语言模型的交互来完成撰写。
-
与达人建联沟通合作内容和预算，也完全可以让AI辅助生成千人千面的沟通话术提高合作达成率。
-
达人内容的审核，也可以让AI来辅助甚至自动做初审，来避免拉踩、违禁词等内容。但是不适合发布的确认，发布的确认需要人工下达。
好的，如果你也这么想，恭喜你，你拥有了专业的判断能力。
当你判断了哪些场景AI可以介入，接下来就是具体的介入策略是如何构建了，Aha非常大气的为我们分享了他们是如何做的：
当达人匹配与定价确定后，Aha进入执行阶段，就是要让AI 取代传统团队在邀约、沟通、审核、数据追踪等环节的人工劳动，实现百万级并发执行能力。
AI自动化邀约：从触达到沟通的全链路升级。
-
智能域名管理：系统自动管理多域名预热与信誉监测，保障高送达率，规避封禁风险。
-
动态频控算法：实时调节发送频率与总量，避免触发平台反垃圾机制。
-
个性化文案生成：基于历史数据，AI自动生成多样化、高转化率的邀约文案，提升合作意愿。
-
AI意图识别与自动回复：精准分析达人回复，自动判断意图并执行相应动作（引导接单、自动答疑、标记转人工），实现沟通闭环。
将原本繁琐的人工邮件工作，升级为可同时管理百万级发单与沟通的自动化系统。
AI员工在执行中
在达人接单后，AI系统无缝介入内容创作与审核流程。
- 自动化规范校验：内置各平台内容标准，自动检查视频时长、格式、CTA设计等关键要素。
- 智能流程管理：自动提醒Script与 Draft提交，处理达人延期申请，保障项目进度。若达人违约，自动触发退款机制。
查看所有达人内容制作进展
- AI辅助终审：在达人提交终稿后，AI秒级检测品牌名称、核心卖点及合规性，提前规避常见错误，让品牌方聚焦于最终的质量确认。
稿件审批及修改意见提交
最后的数据跟踪，记录与回流体系
分campaign、分influencer的数据
这些都是我摘出来的部分内容，作为一篇拆解文章，我很难在有限的篇幅里把 Aha 所有的技术细节讲透。Aha 团队之所以能把这件事做成，是因为他们真的把业务和技术这两个视角都打磨到了极致。 更多细节大家可以去看分享的原文，相信你也会收获颇丰。
指路：https://aha.inc/university?universityType=Aha+insights
如果你是做市场营销的，想知道如何用 AI 快速验证 PMF，建议你去读读创始人 Kay 写的这篇《我们用 100 万美金，踩出来的 AI 达人营销复盘》
如果你是做技术开发的，想搞懂 Agent 背后的技术是怎么实现的，那这篇技术说明书你不容错过：《Aha 技术说明书：AI 如何成为达人营销专家》
这两篇文章，一篇讲透了业务逻辑，一篇讲透了实现逻辑。看完你可能对既懂行又懂AI更有体会。
最后
Aha 的案例给所以想做企业级AI应用的人打了个样：
不要试图一开始就造一个全知全能的完美Agent，而是要把业务拆解得足够细，在每一个细分环节用AI去逼近、甚至超越人类的水平。当这些极致的“单点专家”协作起来时，我们就看到了真正的“AI员工”。
这，也是我们团队一直在做的事情。
以上就是分享全文，如果大家对这样的案例拆解比较感兴趣，可以多多三连，我会找我们的客户沟通，拿出一些我们的客户案例，在更实操更细节的方面与大家分享。
希望对大家有帮助，我是梦飞，我们下期见~
往期推荐