企业官网建设流程全解析

在聊日本互联网公司的时候，我每次都会提到一个看似矛盾的现象：外界普遍觉得日本科技企业保守、流程重、反应慢，但在AI这件事上，却有少数几家公司冲得异常靠前，其中最典型的就是CyberAgent。把CyberAgent、DMM、Unext放在一起看，你能明显感觉到三种完全不同的AI落地姿态。这篇文章不是宏观行业报告，而是我从商业模式、组织架构、产品策略、企业文化几个角度，把三家公司为什么会这样、差别到底在哪、以及日本本土互联网公司那些外人不容易理解的护城河，一次性掰开揉碎讲清楚。对关注AI应用、日本市场或者企业数字化转型的人来说，这份分析可以直接当内部参考来看。

1. 先搞清楚三家公司各自在赚什么钱

1.1 商业模式是判断AI战略的第一步

AI落地不是从技术开始的，是从“公司靠什么赚钱”开始的。这一点被太多人忽略了。很多人一看到CyberAgent搞AI搞得猛，就去分析他的技术团队、模型选型、产品发布会，但实际上，一切差异的起点，是三家公司完全不同的现金牛业务。

CyberAgent的底色是数字广告和互联网内容。广告业务贡献了主要的营收盘子，旗下还有游戏、媒体内容和基于视频的互动生态。广告这个生意，本质上是一个数据与匹配效率的生意：广告主想花最少的钱买最精准的用户，平台想用最少的流量赚最多的分成。AI在这个场景里几乎是天然刚需——用户画像、出价优化、素材推荐、效果归因，全部是机器学习最经典的落地场景。所以CA对AI投入激进，不是老板一时冲动，而是它的商业模式本来就长在AI可以立刻产生收益的地方。

DMM是典型的多元化平台，电商、视频、金融、教育、通信代理，什么都有。这是一个典型的“流量分发+佣金”模型，平台本身不做太深的数据迭代，更多是把用户从一个业务导到另一个业务。AI在DMM内部更多承担的是优化角色，比如推荐排序、反欺诈、客服机器人、内容审核，属于那种“用了但你感觉不到”的存在。它不需要AI来改变公司命运，只需要AI让现有业务少亏钱、多赚钱。

Unext更纯粹，主营视频流媒体，有自己的平台和内容采购体系。它的核心指标是会员留存、观看时长、内容成本效率。AI对Unext来说，最大价值是推荐算法、内容理解和画质优化。它需要AI，但AI不是它故事的C位，更像是内容运营的一个强辅助。

1.2 “广告、平台、内容”三种模式决定了AI的优先级

把三种业务模式抽象一下：广告公司是把模型用在“每一次点击和展示”上，模型直接参与收入；平台公司是把模型用在“系统运营”上，模型降低运营成本；内容公司是把模型用在“用户体验与内容匹配”上，模型间接影响留存和续费。

这就是优先级差异的来源。CA的AI团队可以自己算ROI，因为投放模型的每一个A/B测试都能直接对应广告营收；DMM的AI团队则很难量化“多赚了多少钱”，只能汇报“节省了多少客服工时”“违规内容识别率提升了多少”；Unext的AI团队更像一个内部创新部门，做推荐优化、画质增强，但很难跳出“帮助现有业务变得更好”这个边界，去做出一个改变公司命运的大产品。

所以，当我听到任何一家公司说“我们很重视AI”时，我第一反应不是看发布会，而是先看这家公司的收入模型里，AI是被放在生产线上，还是被放在后勤部门。这个视角直接决定了后面所有判断，也决定了这篇文章后续讲的每一个差异点。

1.3 我对CyberAgent“激进”的第一层理解

CyberAgent的激进，最让我印象深刻的不是它人云亦云地搞大模型，而是它把AI当作一个独立的产品方向来持续投入，而不是仅仅当作广告平台的功能优化。比如在内部推动各种AI工具普及，鼓励员工把重复性环节用AI重写一遍；在外部通过投资和自研的方式卡位模型层和应用层；在产品层面尝试把AI能力打包成新的服务。这些动作单看每一个都像是成本中心，但合在一起，是在下一盘大棋。

不过这里要提醒一句：激进不等于乱花钱。CA的激进建立在广告主业现金流足够稳的前提上，它用主业赚的钱去养AI探索，同时AI探索出来的能力又反过来增强主业。这个循环设计得非常重要，也是很多效仿者没学到位的地方。你只看到它建了一个AI事业部，却没看到它背后那条“广告数据—算法模型—广告营收”的自增强回路，那是它敢下重注的根本原因。

2. 三家公司AI落地策略的真正差异

2.1 CyberAgent的做法：把AI当成独立业务线来养

我观察到CA有一个非常明显的组织特征：其他日本公司通常把AI放在IT系统或研发部门里，CA则是把AI相关的组织、预算、人事单列出来，做成一个可以自己定方向、自己招人、自己扛指标的“特区”。这种组织设计在日本公司里非常少见。

为什么单列出来这么重要？因为在大公司里，AI如果只是某个业务部的附属，很容易被短期业绩绑架。广告部门不会为了一套没有验证的新模型冒险，游戏部门不会把钱投给一个跟游戏无关的项目。单列之后，AI团队可以探索一些长周期、低确定性的方向，比如智能客服、写作辅助、视频处理、AI Agent工具链、多模型协同编排这些短期内不一定赚钱、但长期价值很大的领域。CA敢于做这些事的勇气，一半来自老板的远见，一半来自“独立核算”这个组织机制带来的底气。

2.2 DMM的做法：多业务平台上的AI基础设施化

DMM的风格完全不一样。它旗下业务太多，每个业务都有独立的增长压力，所以AI很难从顶层统一推进，更多是各个业务线自己试。有些业务用AI做了推荐，有些做了风控，有些做了内容生成，但这些应用彼此之间缺少统一的数据底座和技术标准。整体看起来，AI在DMM是“基础设施化”的：在后台被调用，解决某个具体问题，但不会在没有直接业务收益的地方做大规模探索。

这种做法的好处是稳、风险小，现有业务基本不受打扰。缺点是难以形成合力，AI很难催生新的增长曲线，因为每个业务线都在解决自己眼前的“效率问题”，而不是在思考“AI能帮公司做什么新生意”。

2.3 Unext的做法：内容付费领域里的AI效率工具

Unext作为视频流媒体公司，AI落地更多聚焦在内容分发效率上。推荐系统、个性化推送、内容理解、视频压缩，这些都是非常实用的点。它不太可能像CA那样大谈AI原生应用，也不会像DMM那样铺开一堆AI试点，而是把所有AI投入收敛在“让用户更快看到想看的内容”这一个目标上。

这种专注有它的好处：资源利用率高，投入产出清晰，可以用很明确的指标来评判自己。但瓶颈也明显：AI只服务于现有业务，很难突破内容采购成本越来越高的天花板。当内容成本不断上涨而用户的付费意愿接近上限，“推荐做得准一点”并不能根本改变公司的增长逻辑。

2.4 三家差异一张表说清楚

表格里的差异不是技术本身的高低，而是战略位置的不同。你让DMM去照搬CA的独立AI事业部，大概率会水土不服，因为DMM的主业里没有一块像广告那样高度依赖实时数据和模型反馈的业务。反过来说，Unext把AI全押在推荐上，也恰恰是因为它只靠内容会员这一条腿走路，不可能分散资源。三家公司谁更“对”，取决于各自的资源禀赋和市场位置。

3. 为什么CyberAgent敢激进：拆开组织与文化差异

3.1 广告主业提供了AI试错的最佳土壤

广告业务最大的特点，就是反馈快、数据多、可量化。一条广告素材投出去，几个小时就能看到点击率、转化率的变化；一个投放模型上线，立刻可以用A/B测试对比收入。这种“试错成本低、反馈周期短”的业务环境，让CA在做AI落地时胆子天然比别人大。

日本很多大企业不敢上AI项目，核心不是不认可技术，而是没法接受“试错成本不可控”。一个项目上去了，跑三个月没效果，谁扛这个责任？但在广告场景里，这个顾虑被大大削弱了，因为每一步都可以被数据验证，模型好和坏有明确的数字摆在那里。所以CA的激进在我看来不是性格问题，是“业务场景允许它这么做”。

3.2 “单列事业部”避免了被短期业绩绑架

前面反复提到单列事业部，我再展开一层。CA把AI团队独立出来，意味着AI团队不用跟广告业务部抢一个预算盘子，也不用在季度末因为广告收入不达标而被砍预算。高管可以给AI团队一个更宽容的周期去验证方向，团队也不用一天到晚被问“今年赚了多少”。

日本很多企业的问题恰恰相反，AI项目挂在某个成本中心下面，一季度看不到收益就被质疑，半年看不到成果就被砍掉。这种机制下，没有人敢做真正的长期创新，因为所有人的注意力都被短期KPI锁死了。CA的做法，等于人为地给AI创造了一个“特区”，让长期项目有机会在相对安全的环境里活下来。

3.3 用人策略：敢用年轻人、敢给高薪酬

日本互联网公司在人才策略上整体偏保守，很多公司招聘时还是按年功序列的思路来，工资跟年龄和司龄挂钩，技术岗也不例外。CA在AI领域明显走的是另一套逻辑：薪酬向技术岗倾斜，招聘时更看重能力和作品，而不是学历和资历。

这个策略在“终身雇用”文化为主的日本市场，形成了它的人才护城河。很多愿意留在本国的优秀AI工程师，不是找不到活，而是找不到一个“愿意为技术能力买单”的公司。CA给了这样一个信号，自然容易聚拢顶尖人。这个优势短期看不出，但三五年后，AI人才密度会直接反映在产品迭代速度上。

3.4 避坑提示：激进型组织也有副作用

不是所有公司都适合复制CA的激进打法。如果你的主业现金流不够稳，建一个独立AI事业部很容易导致资源分流，甚至引发主业务团队不满。我见过不少公司模仿CA的组织设计，结果AI事业部变成“花钱黑洞”，主业务部门怨声载道，最后AI项目被内部斗争束之高阁。

CA能玩转的核心，是广告主业本身受AI反哺最强，所以“主业养AI、AI反哺主业”这个循环能成立。如果换成一个现金流不稳定的公司，这个循环就不成立，激进就会变成冒进。学习CA，重点不是学它花了多少钱，而是学它怎么让钱的循环转起来。

4. 日本本土互联网公司的专属护城河

4.1 语言与版权壁垒构建的天然围栏

日本市场最真实的护城河，是日语内容生态本身。搜索习惯、网站阅读方式、内容表达风格、社区文化、甚至带有文化背景的梗和语境，都高度本地化。海外公司想进日本，不是把App翻译成日语就行，还需要理解本地用户怎么用产品、怎么表达情绪、怎么信任一个平台。这一层壁垒对任何外来者都是无形的成本。

版权壁垒更是如此。日本的漫画、动画、电视节目、音乐版权分散且盘根错节，长期深耕的本土公司在版权采购、IP合作上积累了深厚的关系网络。AI可以帮助你分析用户想看什么，但帮你拿不到那个版权的授权。内容生态的排他性，不是靠模型能力能突破的。

4.2 支付与积分体系构成的本地闭环

日本人的支付习惯很特殊，便利店结算、银行转账、线下积分卡渗透率极高。一个网络服务如果接不了本地支付渠道，转化率会非常难看。而这些支付网络、信用体系、退款规则都是长年积累的基础设施，不是新玩家短期内能复制的。

同时，日本的积分经济体系把不同服务串联在一起，用户在A平台攒的积分可以在B平台抵扣，这种交叉绑定让用户迁移成本变得非常高。即使你做一个AI产品功能比本地平台好一倍，用户还是很难为了一个功能放弃已有的积分资产和支付习惯。这类“金融基础设施级”的护城河，往往被技术圈忽视，却是日本互联网公司最稳固的底盘。

4.3 与线下产业捆绑形成的协同壁垒

日本互联网公司普遍和线下产业深度绑定。电商与便利店联运、票务与演出场馆合作、视频平台与电视台协同、游戏与线下活动联动，这种线上线下的配合，让它们在供应链、版权采购、合作谈判上具备很大的成本优势。AI可以做很多事情，但很难替代“线下合作关系积累”本身。

比如推荐算法再强，也不代表你能谈下某场演唱会的独家直播权；A/B测试做得再细，也不代表你能说服某个大型零售商把库存系统开放给你对接。这些商业关系是用时间堆出来的，后来者就算技术全面领先，也得从零开始谈合作。

4.4 合规与本地化成本本身也是一种护城河

在日本运营一个互联网产品，要面对隐私保护、消费者权益、金融监管、内容审核等一堆细致规则。跨国团队如果只是把别国的做法搬过来，很容易在这里犯错。而本土公司多年来积累下来的合规能力和本地化流程，是极难被快速复制的资产。

AI再怎么提效，也绕不过“面向监管机构做解释”“提交大规模文书材料”“对投诉建立响应机制”这些地面工作。合规成本构筑的护城河，是慢功夫，却足够深。你可以把它理解成：技术解决“怎么做”，而合规解决“能不能做”，后者是很多挑战者真正止步的地方。

5. 实操参考：怎么从外部判断一家公司是不是“真AI”

5.1 查组织架构，看AI是不是独立成军

最简单也最可靠的方法，先查这家公司的组织架构。看有没有独立的AI事业部，负责人向谁汇报，预算口径是怎么定的。如果AI只是挂在某个技术VP下面，说明它还没有被当作战略级方向；如果AI可以独立制定KPI，敢碰长周期项目，那才是真的投入。

这一招对日本公司尤其好用。日本企业普遍组织架构稳定，一旦出现新兴的独立部门，说明高层明确给了资源，这不是写几篇PR稿能装出来的。

5.2 查招聘信号，看岗位描述是“要造AI”还是“用AI”

再去查招聘信息。看AI相关的岗位数量、薪酬范围和职位描述。如果职位要求是“训练模型、构建Agent框架、设计推荐系统”，说明公司在构建AI能力；如果职位要求是“熟练使用各种AI工具提效”，说明公司只是在消费AI。

两种做法没有绝对的高下之分，但可以帮你判断该公司的AI战略是真投入还是面子工程。一个公司真正把AI当核心变量，一定会放出一批高薪、高门槛的建模岗和算法岗，而不是只招几个“会用ChatGPT的人”。

5.3 查产品落地，看C端用户是否真的摸得到AI

发布会讲得再好听，落到产品里才有意义。打开这家公司的App，看有没有用户能直接感知的AI功能，比如智能推荐、生成式助手、自动创作工具、Agent化服务。如果所有AI都藏在后台，只是用来做报表或者内部提效，那么它对用户的价值就是间接的，很难对增长曲线产生质变。

产品层是最诚实的。嘴上说“AI驱动”，但用户在产品里一点都感觉不到聪明，那AI就还没有成为这家公司真正的竞争力。

5.4 一套可以直接套用的评估清单

这套清单是我自己在评估公司时常用的，不神秘，但能过滤掉大部分“嘴上AI”的公司。判断一家公司是不是真AI，其实没那么难，难的是放下发布会给你的情绪影响，去看那些不性感却真实的组织信号。

6. 常见误判与经验记录

6.1 误区一：把PR当战略

日本公司很爱办发布会，尤其是沾上AI的概念，股价也能好看一点。但PR不是战略，发布会开得再漂亮，产品里见不到东西、组织上没建部门、招聘里没有岗位，那一切都是虚的。

我一般会把发布会的宣传语言翻译成三个问题：AI进了哪条核心业务流程？AI团队向谁汇报？AI产生的收益怎么算？这三个问题答得越具体，说明AI战略越真实；答得越模糊，越要警惕。

6.2 误区二：忽略了数据资产和历史路径

AI落地的效果，很大程度取决于公司过去积累的数据。CA敢激进，是因为它的广告业务沉淀了海量用户行为和素材数据，它的大模型和应用产品可以直接用这些数据做迭代。只学它建独立AI事业部，却拿不出有质量的数据资产，最后往往变成一个空壳。

所以看任何一家公司的AI战略，一定要回头看它的历史业务：数据在哪里、场景在哪里、变现路径在哪里。AI是放大器，它不能凭空创造数据资产，只能在已有的资产上放大效率。

6.3 误区三：用海外互联网逻辑硬套日本市场

日本用户的付费意愿、内容偏好、对隐私的态度、对品牌信任的建立方式，和很多海外市场完全不一样。海外的增长公式不能直接搬过来，AI产品也一样。你在某个市场验证过的推荐策略和会员体系，到了日本可能水土不服。

在日本做AI产品，本地化的不只是语言，还有用户对“服务细致度”的期待。日本用户普遍更看重规则清晰、说明充分、客服响应及时，AI产品如果只提供“聪明但冷漠”的体验，很容易被抛弃。

6.4 我留下的几个务实信号

说回三家公司，用这套信号再回看：CA的AI是战略级的，因为它把AI单列、砸钱、出产品、做投资，所有动作连成一条线；DMM的AI是运营级的，资源分散在业务线里，解决具体问题；Unext的AI是功能级的，专注在推荐和画质这一类可量化的点。三家都没有错，只是目标不同。

如果你打算做一个需要长期投入的AI产品，CA那种“独立部队+主业反哺”的模式更值得参考；如果你只想在现有业务里快速提效，DMM和Unext的务实路线可能更省力。我在实际观察中最深的体会是：AI落地这件事，方向比技术重要，组织比模型重要，数据比算力重要。日本本土互联网公司的护城河，本质上不是技术，而是那些年复一年沉淀下来的用户关系、内容版权、支付习惯和本地化合规能力。AI会让这些资产变得更高效，但不会让它们一夜之间消失。