2026 年 1 月，我加入横店影视股份有限公司（002771.SZ），负责 IT 信息部的数智化专项。 摆在我面前的题目很具体：一家有真实经营压力的上市院线，怎么让 AI 不只是 PPT 里的名词。 九个月后，首批四大 AI 应用全部交付上线。这篇文章把过程完整摊开。
先想清楚：AI 要挂在哪条经营链路上
很多企业的 AI 项目失败，不是技术不行，而是没挂在经营链路上。做完一个 Demo，没人用，三个月后自然消亡。 所以立项的第一步不是选模型，而是选链路 —— 找出那些「每天都发生、每次都靠人判断、每次判断都有成本」的环节。
院线的经营链路其实非常清晰：排片 → 售票 → 卖品 → 会员 → 结算。 其中排片是收益的源头，客服与风控是成本的漏水口，营销创意是获客的放大器。这三类环节共同构成了我们首批四个应用的选题依据。
只做满足以下三条的场景：一、每天高频发生；二、判断依赖经验、难以标准化；三、判断结果可被数据验证。 三条缺一条，就先不做。
产品形态：一台「影院经营智能驾驶舱」
我们没有把 AI 做成零散的小工具，而是收拢到一个统一的载体上 —— 「横影·映航」影院经营智能驾驶舱，一句话概括就是「映见经营全局，智航院线未来」。 它的形态是一套 SaaS 多租户云平台，用「监控 → 排片 → 画像 → 定价」这条经营操作系统贯穿院线经营全链路。
为什么坚持做平台而不是工具？因为院线的经营动作是连续的： 你看到数据异常（监控），才会去想是不是排片结构有问题（排片）；要调排片，就得分清是哪些客群在流失（画像）； 要确定调价幅度，又得回到收益模型（定价）。任何一个环节单独做成工具，用户都会在环节之间反复切换，最后放弃使用。
首批四大 AI 应用：交付与实测数据
首批四个应用全部完成交付。我把每个应用的定位、技术架构与实测收益整理如下 —— 这张表是整篇文章最核心的部分。
| 应用 | 核心能力 | 技术架构 / 规模 | 实测效果 |
|---|---|---|---|
| 智能客服 「横小映」 |
影讯咨询、退改签、会员权益等高频咨询的自动应答与工单流转 | 三引擎 Agent 架构 | 独立解决率 76.8% |
| AI 创意生成 | 营销素材、活动文案与投放创意的批量生成 | 生成式内容管线 | CTR +15% ~ 25% |
| AI 收益排片 | 基于历史票房与客流结构的排片建议与收益预测 | 收益管理模型 | RevPASH +5% ~ 10% |
| AI 智能风控 | 票务、结算与会员权益的异常识别与处置 | 17 个功能模块 / 180+ 功能点 | 全量覆盖核心风险点 |
四个应用里，最值得说的是智能客服「横小映」。它没有采用「一个大模型接所有问题」的做法，而是做了 三引擎的 Agent 架构 —— 把「意图理解」「知识检索」「业务办理」拆成三个可独立治理的引擎。 这样拆分带来的直接好处是：知识更新、话术调整、业务接口变更互不干扰，客服团队的运营同学可以自己维护其中一层。
AI 应用真正的门槛不在模型效果，而在「业务方能不能自己维护它」。凡是必须靠研发团队才能改一句话的话术，最后都会烂在系统里。
—— 项目复盘笔记「4+6」：把十个场景排成一张矩阵
AI 落地最常见的失控方式是「机会太多」。院线可做 AI 的地方极多，如果同时铺开，资源一定被摊薄。 因此我们用 「4+6」的十大 AI 场景矩阵把候选场景全部收口：首批四场景优先交付并验证收益，形成可复制的交付范式； 其余六个场景按矩阵排序推进。
矩阵的价值不在分类本身，而在于它给了团队一个共同的语言： 业务方说「我要一个 AI」，产品会追问「它落在矩阵的哪一格、依赖哪个已交付能力、验收指标是什么」。这三问下来，需求会自然收敛到可交付的形态。
一、排序：用「收益大小 × 实现难度」决定先做哪一个； 二、复用：后做场景尽量复用已验证的引擎与组件，缩短交付周期； 三、对齐：让业务、产品、研发对同一件事有同一套说法。
五个我踩过的坑
复盘下来，做得不够好的地方同样写在这里，供后来者避让。
- 指标定义得太晚。收益类的应用必须在上线前就把口径写死，否则上线后各方对「省了多少」永远吵不完。
- 低估了数据治理的工作量。AI 的效果上限由数据决定，历史数据的清洗往往比模型调优更耗时。
- 验收只看了技术指标。准确率 ≠ 采纳率。真实业务里，用户愿不愿意点「采纳」才是关键。
- 过早追求全自动。人机协同（AI 建议 + 人工确认）的过渡形态，反而更容易拿到信任与数据。
- 培训投入不足。工具发下去不等于用起来，一线门店的实操培训必须排进项目计划。
结论：AI 赋能的终点是盘活基本盘
这个项目对我最大的启发是：企业 AI 的价值，不在于技术有多新，而在于它能不能盘活既有的基本盘。 院线的银幕数、会员数、门店数都是既有的资产，AI 要做的是让这些资产在同样的时间里产出更多。
从商业化构思、AI 能力构建，到覆盖项目立项与商业化部署落地的全流程，这是我第一次完整地走完一遍 「传统企业的 AI 商业化闭环」。下一阶段，重点会放在矩阵中其余场景的交付，以及把已验证的范式沉淀成可复用的能力单元。
数据来源：本文数据引自本站 商业化案例 页面与项目内部复盘材料。