周一例会上，业务负责人提出一个很实际的问题：同行都在说多模态大模型能看图、能听音、能出视频，我们的客服工单、门店巡检、产品手册能不能也用上？信息化负责人反问：预算有限、数据分散、没人懂模型，先做哪一件才不会打水漂？这个对话，比任何技术发布会都更接近真实的落地起点。
过去一年，多模态能力进步很快，但中小企业的体感并不强。原因不复杂：通用模型擅长回答“世界知识”，而企业每天处理的是自己的图片、录音、工单和话术。真正拉开差距的，不是模型参数，而是谁能把行业语料、业务流程和输出规范组织起来，形成可重复调用的小闭环。
第一个误区是把多模态当成“更聪明的搜索框”。买来账号，让员工随便问，几周后使用率归零。因为业务要的不是答案，而是动作：这张巡检图是否合规、这段通话是否触发质检规则、这份产品资料能否自动生成三种渠道的素材。没有嵌进流程的模型，只是昂贵的聊天工具。
第二个误区是追求“大而全”。有企业一上来就想做统一知识库，接完所有系统再上线，结果半年过去仍在清洗数据。更稳妥的做法是选一个高频、边界清晰、结果可验收的场景先跑通，比如售后图片定损、门店陈列检查、培训视频批量生成，用一个小闭环证明投入产出，再横向复制。
第三个误区是忽视输出标准。多模态输出天然带有波动性，如果没有字段规范、置信度阈值和人工复核节点，业务部门很快会失去信任。经验做法是把模型输出结构化：固定字段、固定枚举值、附证据截图或时间戳，并明确哪些情况必须转人工。这比换更强的模型更能提升可用性。
从趋势看，机会正在从“通用能力”转向“行业封装”。通用模型负责理解与生成，行业侧负责数据、规则与评估。谁掌握本行业的图文语料、验收标准和一线反馈，谁就更容易做出稳定可用的工具。对中小企业而言，这意味着不必自研基座，但必须把自己的业务知识显性化。
第一个可执行动作：用两周时间做一次场景盘点。把部门里“需要看图、听录音、写文案、做视频”的任务列出来，标注频次、耗时、错误成本和现有责任人。优先选择频次高、规则相对明确、结果容易比对的任务。盘点不需要IT深度参与，业务负责人牵头即可，产出是一张按优先级排序的场景清单。
盘点之后，选一个场景做最小闭环。建议控制在一个月内、一个部门、一个明确指标，例如工单图片分类准确率、巡检异常召回率、产品短视频产出条数。上线前先约定验收口径和人工复核比例，上线后每周复盘一次错例。错例是最有价值的资产，它们会告诉你行业语料还缺什么。
第二个可执行动作：把内容产能当成基础设施来建设。多模态不只用于降本，更用于放大。产品图片、说明书、培训材料、门店话术，可以借助虚拟工作室和数字人快速生成多版本素材，再由业务人员审核发布。关键是建立素材模板与审核清单，让生成有章可循，而不是每次从零开始。
在客服与售后场景，常见做法是把客户上传的图片与历史工单关联，先做问题归类与优先级判断，再由人工处理复杂个案。这样做的收益不在替代人，而在缩短首次响应时间、减少反复沟通。评估时应关注平均处理时长和一次解决率，而不是单纯看模型回答是否“像人”。
在制造与门店场景，多模态可用于巡检与陈列检查。要点是把检查项拆成可判定的条目，并为每条准备正负样本。模型给出判断时同时给出依据区域，人工只需复核低置信度项。实践表明，先做“辅助复核”比直接做“自动判定”更容易被一线接受，也更容易积累标注数据。
在营销与培训场景，数字人和虚拟工作室的价值在于稳定产出。同一份产品资料，可以快速转成短视频、图文卡片和口播脚本，适配不同渠道。需要提醒的是，品牌口径、合规表述和事实准确性必须由人把关。把生成当作初稿，把审核当作流程，效率提升才可持续。
如果企业涉及报废车、再生资源等垂直领域，多模态与行业规则结合的空间更大：证件与车辆照片的合规校验、拆解件识别、流程留痕等，都适合做成结构化辅助工具。这类场景的关键不是模型多强，而是行业规则是否被准确编码，以及异常情况是否有清晰的人工兜底路径。
选择外部伙伴时，建议少问“你们模型多大”，多问三件事：你们如何组织我们的行业语料、如何定义验收指标、上线后错例如何回流。能把这三点讲清楚并愿意从小场景起步的团队，通常比只展示通用 demo 的团队更靠谱。正易龙在行业AI、数字人与虚拟工作室等方向的实践，也是围绕这条思路展开。
最后给一个冷静的判断：多模态在垂直行业的机会是真实的，但它更像一场流程改造，而不是一次采购。中小企业不必等待完美方案，先用一个场景、一个月、一个指标跑出小结果，再把方法复制到第二个场景。动作越具体，模型能力才越容易变成业务能力。
如果你正准备启动第一个场景，不妨从今天列一张清单开始：哪些任务每天都在看图、听音、写稿、做视频，却仍靠人工硬扛。选其中一项，约定验收口径，找一个小范围试起来。多数时候，决定成败的不是模型，而是你愿不愿意把业务规则说清楚。