企业官网建设流程全解析

2017到2019那两年，深兰科技几乎是刷屏级别的存在。朋友圈里隔三差五就是它的融资消息、发布会直播、创始人演讲金句，动不动就是“全球首个”“最强”“开创性”。我那时候跟几个做AI落地项目的朋友聊天，大家都有点懵：这家公司到底做了什么产品，怎么就能这么火？后来2020年以后，风向变了。再聊起深兰，话题变成了“回款怎么样”“项目是不是都在示范阶段”“毛利到底行不行”。光环还在，但底下漏出来的东西越来越多。这篇文章我不想单纯唱衰谁，而是想借深兰这个标本，把AI公司“会讲故事”和“能落地”之间那道巨大的鸿沟掰开揉碎讲清楚。不管你是创业者、投资人，还是在AI公司里做交付、做产品的同行，这篇都值得看完。

1. 光环从何而来：被资本和PR共同推高的声量

1.1 深兰是怎么被全市场记住的

深兰科技走了一条非常典型的“高举高打”路线。你回看它早期的传播路径，会发现几个很明显的动作：密集开发布会、绑定“人工智能”这个最性感的词、创始人亲自下场讲故事，再加上“全产业AI”“赋能城市”这类宏大叙事，几乎把那个时期媒体和投资人的兴奋点全踩中了。

那个时间点很重要。2016到2019年，AI融资整体处于非理性繁荣阶段，市场上钱多、好项目少，投资人都在找“中国的OpenAI”，哪怕还没产品都敢给估值。深兰在这个窗口期连续融资，每一轮都有知名机构跟进，声量滚雪球一样涨起来。我印象里那几年行业峰会的主论坛，台上翻来覆去就那几张熟面孔，深兰的曝光度不比任何一家头部明星公司低。

关键在于，它宣传的赛道组合拳确实太有想象力了：视觉识别、自动驾驶、智能零售、医疗、脑科学……什么热它做什么，给人的感觉是“这个公司什么都做，什么都能做”。在那个大家普遍对AI缺乏辨别力的阶段，这种“全栈AI”的形象天然容易获得信任溢价。投资人和普通客户的判断逻辑并不一样，但在那个阶段，所有人都愿意相信一个足够大的故事。

1.2 光环企业的三个共同特征

这几年我观察下来，凡是能在短时间形成强光环的AI公司，几乎都有三个共同特征。

第一，创始人IP化严重。翻开宣传稿，满屏都是创始人的金句和人生故事，讲的是“我为什么要改变世界”，而不是“我们的产品帮哪个客户降低了多少成本”。不是说企业家不该有个人品牌，而是当个人演讲的传播量远远超过产品实测数据的传播量时，你就该警惕了。

第二，业务版图过于宽泛。光环公司最怕别人觉得它“小”，于是拼命把自己的赛道画大。今天发布一个智能驾驶方案，明天宣布进入脑科学，后天又跟某个城市签智慧城市框架协议。账面上看什么都沾边，实际上每个方向都拿不出一个被大量客户反复采购的产品。

第三，核心经营指标常年模糊。你看它的PR稿，讲的全是“技术突破”“战略合作”“行业领先”，但具体的合同金额、年经常性收入、客户续约率、毛利率这些数字很少提。光的背后，是数字的缺位。

1.3 光环带来的反向压力

很多人以为光环是免费的广告，是好事。但做AI落地时间久了你会发现，光环是放大器，不是发电机。

什么意思？声量大了以后，客户对你的预期会被拉到一个离谱的高度。你宣传的是“全栈AI能力”，客户就默认你能解决他所有问题。等他发现你连一个货柜识别在强光下的误报率都搞不定时，失望感是加倍的。更麻烦的是，资本市场的衡量体系和客户市场的衡量体系完全不同——资本看重声量、估值、卡位，客户只看重效果、成本、稳定性。当这两个体系出现冲突，光环公司往往选择先伺候资本，因为资本掌握着企业的生死线。但这条路走多了，交付、口碑、复购全都会塌，到最后连资本也不再信你。

2. 落地困局的第一性分析：客户买的从来不是AI

2.1 客户要的是便宜五毛钱，不是深度学习模型

我做AI项目交付这些年，听得最多的一个误解是：客户是因为“AI”才买单的。真相完全相反。客户买的是“降本”“增效”“少出事”“合规”，AI只是实现这些目标的一种手段而已。

深兰早期很多产品的问题就出在这。展台上有人脸识别货柜、有智能零售结算台、有自动驾驶熊猫公交，看起来琳琅满目，但你真把它放到客户现场，客户问的第一个问题永远是：这玩意儿能帮我一年省多少钱？能减少多少损耗？坏了自己能不能修？

很多光环型AI公司答不上这个问题，或者说答出来算不过账。识别率99%在展台上听起来很厉害，放到一个灰尘很大、光线不均、网络时断时续的便利店里，实际准确率可能掉到90%以下，客户一算误判带来的损耗比人工还贵。技术和产品之间，隔着一层“场景适配”的厚玻璃，很多人没撞破就以为看不见。

2.2 项目制交付：收入涨了，利润没了

光环之下，深兰的落地模式长期是项目制。签一个合同，组一个专项团队，从需求调研、方案设计、算法调优到硬件选型、现场施工、售后运维，全流程陪跑。这种模式的第一个问题是：看似有收入，其实每一单都是定制开发，研发成本没法摊薄。

第二个问题更隐蔽：算法只是项目里很小的一部分。一个智慧零售项目，大头成本在硬件、集成、工程实施和运维，模型本身甚至只占十分之一。这就导致项目毛利率被越做越低，团队越来越大，人均产出越来越难看。

我见过太多AI创业公司陷入这个循环：签了合同开心，交付时发现客户要求不断变，需求蔓延，交付周期从三个月拖到一年，最后算下来项目是亏的。为了摊薄成本只能继续接新单，于是人越招越多，现金越烧越快。

2.3 回款周期与复购：光环公司最不敢谈的数字

在所有经营指标里，回款和复购是最能检验一家AI公司真实健康状况的尺子。光环公司普遍在这两个数字上栽跟头。

AI项目的回款周期普遍长得惊人。尤其是to G或者to大B的项目，从交付验收、审计到最终打款，拖个一年半载很正常。很多项目签了框架协议，热闹归热闹，真正落到账户里的钱远远小于对外宣称的“订单额”。

复购就更难了。项目制公司最大的痛点是没有“产品”，每次都是从头做，前期开发的通用能力沉淀不下来，客户用完一单就不再用第二单。没有复购就没有经常性收入，没有经常性收入就只能靠不断拉新客来续命，这是最消耗团队的活法。

我把宣传中的商业模式和实际常见的AI项目商业模式放在一起看，差异特别明显：

3. 自动驾驶与智能公交：最烧钱也最难落的试炼场

3.1 熊猫智能公交的光环与阴影

深兰的熊猫智能公交可能是它知名度最高的产品。自动驾驶、车路协同、AI零售、语音交互、智能车窗……一台车几乎把能加的AI概念全加满了，放在任何展会都是吸睛神器。

当时在很多城市，你都能看到示范运行的新闻。它的价值是有的：帮路权主管部门建立对自动驾驶的直观认知，帮园区升级科技形象，帮深兰保持品牌热度。示范工程在行业早期必不可少。

但示范项目就是示范项目，它和可规模化商业运营之间隔着好几座山。一条固定线路、几个固定站点、专人负责安全监控、全程路况相对简单的示范，和“随便跑到任何城市都能安全跑”之间，距离要用年来算。每进入一个新城市，路权、测试牌照、责任划分、保险方案、本地化适配，全都要重新走一遍。这个过程的成本，远不是一家创业公司靠融资能长期扛住的。

3.2 从技术Demo到商业化部署，至少隔了四层

这些年我看过的自动驾驶项目不少，总结下来，从Demo到商业化部署至少要跨过四层坎。

第一层是可靠性与冗余设计。实验室里跑得好，不代表能在暴雨天、夜间、隧道信号丢失的场景里跑得好。量产必须考虑系统的失效模式，要有冗余、有降级策略，这台车的硬件和软件成本直接翻倍。

第二层是合规与路权。开放道路测试不是公司自己说了算，测试牌照、安全员配置、运行区域、责任认定，每一项都是硬约束。这些约束叠加起来，能跑的区域被压得非常小。

第三层是成本与运维。激光雷达、计算平台、线控底盘、安全员人力，一整套跑下来，每公里的运营成本高得吓人。示范项目有补贴和品牌预算扛着，一旦转到纯商业化运营，账根本算不过来。

第四层是商业价值本身。自动驾驶解决了“技术挑战”，但它没有自动解决“付费意愿”。乘客不会因为车是自动驾驶的多付两块钱，运营方也没有立刻省下一名司机——在安全员还必须坐在驾驶位的时候，成本反而是增加的。技术很性感，商业账却骨感。

3.3 这不是深兰一家的问题，而是整个行业的时间窗口问题

自动驾驶这个赛道，天然是“十年见分晓”的生意。这意味着早期进入者必须做好长期烧钱的准备，同时还要祈祷资本市场的耐心足够长。

深兰进这个赛道不算晚，但它选择的切入方式——把自动驾驶做成品牌光环的一部分，而不是独立运营的、有清晰商业计划的事业部——让它更加依赖母公司融资续命。一旦资本从看“想象空间”转向看“现金流和毛利”，这条路就会出现结构性困难。自动驾驶行业整体的困境在这里，深兰只是其中一个显眼的样本。

4. 被困住的核心原因：技术同质化、赛道拥挤与生态缺失

4.1 视觉AI从来不是通往高地的独木桥

深兰官网上最常出现的标签是计算机视觉。但说实话，视觉AI这个方向在2017年以后就已经非常拥挤了。

安防领域有海康、大华这种渠道巨无霸；人脸识别有商汤、旷视、依图、云从，每一家都比深兰有更多的数据、更深的行业Know-how、更完整的工程体系。算法开源加上算力通用化之后，单纯一个识别模型能带来的技术门槛其实早就不高了。真正决定胜负的是渠道、工程交付能力和客户关系。

深兰的问题是，它在多条赛道上“都有布局”，但每一条都谈不上深耕。安防做了一些，零售做了一些，公交做了一些，医疗蹭了一些，教育合作也搞过。结果就是哪条线都没有形成足够深的数据飞轮，没有因为规模效应而持续降低单位成本。名气是大了，专业性和行业壁垒却没有同步长出来。

4.2 平台型公司与项目型公司的两难

资本给深兰的估值，是按平台型AI公司给的。平台型公司意味着什么？一款核心产品被大量客户低成本复用，毛利高、增速快、边际成本趋近于零。但深兰实际的业务形态和所有靠融资起家的项目型AI公司一样，是在做“解决方案”。

这两种商业形态的冲突，是这个故事里最核心的悲剧。你想维持估值，就得继续讲平台故事，拿到更多融资；但为了讲故事你又要不断接项目来证明业务增长，项目越接越多，定制化程度越来越深，离平台越来越远。

这种矛盾导致了一个荒诞的循环：对外讲的是可复制的产品，对内做的是不可复制的项目。时间一长，团队累、毛利低、客户复购差，资本市场那套故事越来越讲不圆。光环其实一直在给估值托底，而真实的业务地基根本撑不住那么高的估值。

4.3 一个能规模化复制的“现金牛”始终缺位

一家AI公司要活得健康，最理想的状态是有一个“现金牛”产品。这个产品不一定性感，它可以是一个安防小盒子、一个商超结算终端、一个工业质检模组，但它必须满足三个条件：刚需、高频、可复制。

深兰在产品线里找来找去，始终没有出现一个这样的小切口。它的产品矩阵太宽，宽到每个产品都像原型机；每个客户都要改，每改一次就要投入几个月的研发力量。于是公司陷入典型的“什么都做，什么都没做透”的陷阱。

我见过一些活得不错的AI公司，早期都特别朴素：先把一个工业场景的瑕疵检测做到极致，哪怕那个场景一年市场规模才几个亿，也先把它吃掉，形成稳定现金流和口碑。反过来看，那些起步就喊“赋能全行业”的公司，多数在第五年左右会遇到严重的落地瓶颈。深兰没有躲过这个概率。

5. 从深兰看整个AI行业的落地之痛和破局方向

5.1 为什么AI明星公司容易集体走弯路

深兰不是孤例，它是整个行业非理性繁荣期的标准化产物。那几年所有人都在抢风口：媒体需要故事，地方政府需要科技名片，投资人需要退出回报，创业公司需要估值。多方合力之下，一个AI公司最有效的生存策略可能就是“先吹起来再说”。

问题出在两个评价体系的高度错位。融资市场的评价指标是声量、团队背景、赛道前景、融资轮次；而商业市场的评价指标是订单、交付、毛利、回款、续约率。前者决定企业能不能活过明年，后者决定企业能不能活过十年。当两套指标打架的时候，几乎所有人都会本能地先救近火。

但我想说一个反直觉的结论：越早回归商业指标的公司，越容易穿越周期。因为资本的钱买的是时间，客户的钱买的是价值。只有客户愿意为价值持续付费，资本的钱才是助力而不是救命稻草。等风停了还在裸泳的公司，痛的还是自己。

5.2 我看到的破局者做对了什么

这几年我接触过的还算健康的AI创业公司，普遍有几个共同点，写出来供大家参考。

第一，切口的颗粒度足够小。不做“智慧城市”，做“智慧城市的停车收费模块”；不做“智能零售”，做“便利店的防损识别”。小到能单点盈利，再去谈横向扩展。小切口的现金流是度过冬天最可靠的棉衣。

第二，算法产品化。不做纯定制项目，而是把一个场景里的能力提炼成标准产品，用配置化代替开发。客户可以改参数，但不能改代码。这中间当然有阵痛，但不走这一步就没有边际成本递减的可能。

第三，敢于接受“不性感”的市场。工业质检、农业识别、物流分拣、渔业养殖，看着不起眼，但付费意愿真实、场景明确、竞争没那样惨烈。先吃饱，再谈远大理想。

第四，把客户成功当作核心部门来看。很多AI公司签完合同就没人管客户了，等到复购率跌破三成才开始焦虑。真正走得远的公司，一定把续约率列为和管理层KPI一样重要的指标。

5.3 光环幸存者给同行的几条实操建议

聊到这儿，我根据自己的经验，给正在这条路上走的朋友几条掏心窝子的建议。

一条是关于宣传的。对外宣传的每个能力，都必须有对应可演示的客户案例和留存数据兜底。宁可把“能做到”的边界讲清楚，也不要在PR稿里放大一万倍。客户现场翻车一次，十个发布会都补不回来。

一条是关于预期的。对资本、对客户、对内部团队，都要管理好预期。好的沟通方式是同时讲清楚“我们正在做什么”和“我们还没做到什么”。透明度反而能增加信任感，尤其是跟AI这种大家对技术边界普遍不了解的领域。

还有一条是关于现金的。AI行业的项目回款周期普遍长，千万不要按订单额去规划你的现金流。签下的合同跟收到的款之间可能隔着一整年的距离。账面订单再大，没有进账，下个月的工资都发不出来。光环公司更要注意这点——光鲜的发布会背后，是实打实的运营成本。

最后再分享一个小观察。我后来回看那些真正走过了周期的AI公司，他们在最热的时候反而是克制的那种：发布会没那么多，刺激的词用得没那么猛，创始人讲话没那么“满”，但每一单都交付得稳稳当当，每一个回款都踩在计划里。这样的公司看起来没那么酷，但它能活很久。长期主义的本质不是熬，是每一步都算数。