日本互联网AI落地：CyberAgent激进、DMM克制、Unext深耕的工程实践

1. 日本互联网圈里的那个异类：为什么偏偏是它敢把AI往业务里砸

聊日本互联网公司的AI落地，绕不开一个很反差的现实：整个日本IT行业给人的印象是稳、慢、讲究流程和资历，大公司里改一个按钮的文案可能要走三轮审批，更别说把还没完全成熟的大模型塞进核心业务链路里。但就是在这样一片土壤里，冒出了几家风格完全不同的公司，其中被讨论最多的就是CyberAgent，以及经常被拿来对比的DMM和Unext。这三个名字放在一起，恰好代表了日本本土互联网公司在AI这件事上的三种典型姿态：激进落地、内容驱动、垂直深耕。

我自己因为工作关系，前后接触过这几家公司的技术分享、招聘JD、开源项目和一些公开的技术博客，也跟几位在日本做后端和算法的朋友聊过他们内部的真实节奏。越聊越觉得，外界对"日本互联网公司不做AI"的刻板印象是错的，真实情况是——大部分确实慢，但头部那几家不但不慢，反而在某些工程落地上比国内很多团队还狠。CyberAgent就是最典型的那个异类。

这篇文章想解决的问题很具体：如果你是一个技术负责人、算法工程师，或者正在研究日本市场、准备出海日本的技术团队，你需要搞清楚三件事。第一，CyberAgent的AI激进到底激进在哪，是营销话术还是真金白银砸出来的工程能力。第二，它和DMM、Unext的路线差异到底在哪，为什么同样做内容、做互联网，三家的AI策略完全不同。第三，也是最关键的，日本本土互联网公司到底靠什么活着，它们的护城河是什么，这个护城河在AI时代是被削弱了还是被加强了。

适合谁看？如果你只是想了解日本互联网八卦，这篇可能偏技术；如果你是做AI工程落地、做内容平台、做广告技术，或者单纯想看看"在一个流程文化极重的市场里，AI项目怎么推得动"，那这篇应该能给你一些可以直接借鉴的东西。我会尽量把每个判断背后的逻辑讲清楚，包括一些参数选择、工程取舍和踩坑经验，而不是只给结论。

先说一个我观察到的核心判断：CyberAgent的AI激进，本质上不是因为它技术比别人强多少，而是因为它的业务结构决定了它必须激进，而且它的组织文化恰好允许它激进。这两点缺一不可。DMM和Unext不是不想激进，是它们的业务模型和用户预期不允许它们用同样的方式激进。理解了这个，后面所有的差异对比就都顺了。

2. 三家公司的AI路线拆解：激进、内容、垂直到底差在哪

2.1 CyberAgent：把AI当成基础设施而不是项目

CyberAgent这家公司的主业是广告代理和媒体业务，旗下有Abema这个流媒体平台，还有大量的广告投放和营销业务。它的AI激进体现在一个很关键的地方：它不把AI当成一个"项目"来做，而是当成"基础设施"来铺。这两者的区别非常大。当成项目做，意味着有明确的立项、预算、验收、结项，做完就完了；当成基础设施做，意味着它要渗透到所有业务线，成为默认能力。

我印象最深的是它在广告投放侧的AI应用。广告业务的核心是ROI，是投放效率，是素材的点击率和转化率。这些指标天然适合用机器学习去优化，而且优化效果可以直接用钱来衡量。所以CyberAgent在广告算法上的投入是持续且激进的，因为它能算清楚每一分投入带来多少回报。这种"能算清楚账"的场景，是AI落地最舒服的地方，也是它敢激进的底气。

另一个体现激进的地方是它对生成式AI的态度。很多日本公司在ChatGPT出来之后的第一反应是"先观望""先出内部使用规范""禁止员工把公司数据贴进去"，而CyberAgent的反应是快速在内部推广使用，同时快速在业务里找结合点。比如广告素材的生成、文案的辅助创作、客服的自动化，这些它都推得比较早。这种反应速度在日本企业里是相当罕见的。

但要注意，它的激进是有边界的。它激进的地方集中在"能快速验证、能算清ROI、失败成本可控"的场景。真正涉及核心系统、涉及大量用户数据安全的地方，它一样谨慎。所以别把"激进"理解成"莽"，它更像是"在可控范围内快速试错"。

2.2 DMM：内容生态驱动下的AI克制

DMM的业务盘子很大，从内容分发到各种在线服务都有涉及。它的AI策略和CyberAgent完全不同，核心原因是它的业务模型不一样。DMM的很多业务是内容驱动的，用户来是为了看内容、消费内容，AI在这里更多是辅助角色，而不是核心驱动力。

内容平台用AI有个天然的矛盾：AI可以提升效率，但内容平台的核心竞争力往往是"人"——是编辑的品味、是创作者的独特性、是内容的调性。如果AI介入太深，容易把内容做得千篇一律，反而伤害平台的核心价值。所以DMM在AI上的姿态相对克制，更多是用在推荐、审核、运营效率这些"幕后"环节，而不是直接生成面向用户的核心内容。

这种克制不是技术不行，而是业务逻辑决定的。你让一个靠内容调性吃饭的平台去用AI批量生成内容，等于自己砸自己的招牌。所以DMM的选择是理性的，它把AI用在能提升效率但不伤害内容调性的地方，比如内容审核、标签生成、推荐排序。这些环节用户感知不到，但效率提升是实打实的。

2.3 Unext：垂直领域的AI深耕逻辑

Unext的路线又不一样，它更偏向垂直领域的深耕。垂直领域做AI有个特点：数据量可能不如大平台，但数据的专业度和密度高，而且业务场景明确，容易做出效果。这种路线不适合追求"大而全"的AI能力，而适合在特定场景里做到极致。

垂直深耕的好处是护城河深。因为你的数据是别人没有的，你的场景理解是别人不具备的，所以即使大模型能力越来越强，你在特定领域的优势依然存在。坏处是天花板相对低，很难做成平台级的AI能力。但对于一家公司来说，能不能做成平台级能力其实不重要，重要的是能不能在自己的赛道里活得比别人好。

这三家的差异，本质上不是技术能力的差异，而是业务结构决定的战略选择差异。CyberAgent的业务适合激进，DMM的业务需要克制，Unext的业务适合深耕。没有谁对谁错，只有适不适合。

3. 日本本土互联网公司的护城河：不是技术，是别的东西

3.1 护城河的第一层：本地化的深度理解

很多人以为互联网公司的护城河是技术，但在日本市场，技术从来不是最核心的护城河。真正的护城河是对本地市场的深度理解。日本用户的消费习惯、审美偏好、对隐私的态度、对服务的预期，都和别的市场不一样。这些差异不是靠技术能抹平的，而是靠长期扎根积累出来的。

举个例子，日本用户对服务的细节要求极高，一个按钮的位置、一句提示文案的语气、一个错误提示的措辞，都可能影响用户留存。这种细节的把握，外来公司很难在短时间内做到。本土公司靠的就是这种"我知道我的用户在想什么"的能力，这是时间堆出来的，不是钱能快速买到的。

AI时代这个护城河被削弱了吗？我的判断是没有，反而可能加强了。因为AI可以帮你快速生成内容、快速搭建功能，但"生成什么内容""搭建什么功能"这个判断，依然依赖对本地用户的理解。AI降低了执行成本，但提高了判断的价值。谁更懂用户，谁就能用AI做出更对的东西。

3.2 护城河的第二层：内容与关系的沉淀

日本互联网公司很多是靠内容和关系沉淀起家的。内容平台的护城河是内容库和创作者生态，社交平台的护城河是用户关系链，电商平台的护城河是商家和用户的信任关系。这些东西一旦形成，迁移成本极高。

AI能不能快速复制这些？很难。你可以用AI生成大量内容，但你生成不出一个活跃的创作者社区；你可以用AI模拟社交互动，但你模拟不出真实的用户关系链。这些沉淀是时间和真实互动堆出来的，AI可以加速某些环节，但替代不了核心。

3.3 护城河的第三层：组织与流程的隐性知识

这一层最容易被忽视，但可能最重要。日本公司的组织运作、流程规范、跨部门协作方式，里面有大量的隐性知识。这些知识不在文档里，而在人的脑子里和日常协作里。一个新公司即使技术更强，也很难在短时间内复制这种组织能力。

AI能帮上忙吗？部分能。比如用AI做知识管理、做流程自动化、做内部问答，可以加速隐性知识的显性化。但核心的协作默契、决策习惯、风险偏好，这些是AI替代不了的。所以本土公司的组织能力，依然是一道很深的护城河。

提示：如果你打算进入日本市场做互联网产品，别一上来就拼技术。先花时间搞清楚你的目标用户到底在意什么，这个判断比技术选型重要得多。

4. AI落地实操：从广告场景看工程取舍与参数选择

4.1 为什么广告场景是AI落地的最佳试验田

前面说CyberAgent激进，但激进也要有抓手。广告场景就是它最好的抓手，原因有三个。第一，反馈快。广告投放出去，几小时内就能看到点击率、转化率的数据，模型可以快速迭代。第二，指标清晰。ROI、CTR、CVR这些指标都是数字，好坏一目了然，不需要扯皮。第三，失败成本可控。一个广告素材效果不好，换掉就行，不会伤筋动骨。

这三个特点决定了广告场景特别适合做AI的快速试错。相比之下，如果你在一个核心交易系统里做AI，反馈周期长、指标复杂、失败成本高，激进就是找死。所以选对场景，比技术本身更重要。

4.2 推荐与排序的工程细节

广告和内容推荐的核心是排序模型。这里面的工程细节很多，我挑几个关键的讲。首先是特征工程。广告场景的特征大致分几类：用户特征（年龄、性别、历史行为）、广告特征（素材类型、文案、出价）、上下文特征（时间、位置、设备）。这些特征的组合方式，直接决定模型效果。

其次是模型选择。早期可能用逻辑回归或者GBDT，现在主流是深度模型。但深度模型不是越深越好，广告场景对延迟很敏感，模型太复杂会导致推理时间过长，影响用户体验。所以实际工程里，往往是在效果和延迟之间找平衡点。我见过一些团队为了追求AUC提升零点几个点，把模型搞得极其复杂，结果线上延迟翻倍，得不偿失。

再就是冷启动问题。新广告没有历史数据，模型没法准确预估效果。常见的做法是用内容特征做初始预估，或者给新广告一定的探索流量，快速积累数据。这个探索和利用的平衡，是广告算法的核心难题之一。

# 一个简化的排序模型特征处理示例（伪代码） def build_features(user, ad, context): features = {} # 用户侧特征 features['user_age'] = user.age features['user_history_ctr'] = user.history_ctr # 广告侧特征 features['ad_category'] = ad.category features['ad_price'] = ad.price # 上下文特征 features['hour_of_day'] = context.hour features['device_type'] = context.device # 交叉特征 features['user_ad_match'] = match_score(user, ad) return features

4.3 生成式AI在广告素材上的应用

生成式AI在广告素材生成上的应用，是这两年比较热的方向。核心逻辑是：用AI批量生成文案和图片，然后通过A/B测试快速筛选出效果好的。这个流程的关键不在于生成质量有多高，而在于生成速度和测试效率。

实际操作中，有几个坑要注意。第一，生成的内容要符合平台规范和本地文化，不能出现不合适的表述。第二，生成的内容要有足够的多样性，否则测试出来的结果没有代表性。第三，要有快速筛选机制，不能生成一堆然后人工一个个看，那样效率反而低。

我了解到的一些团队做法是：先用AI生成几十上百个变体，然后用小流量快速测试，把效果好的挑出来再放大投放。这个流程把创意测试的周期从几天缩短到几小时，效率提升是实打实的。

注意：生成式AI做素材，最大的风险不是生成质量，而是合规和文化适配。在日本市场，文案的语气、用词、甚至标点符号都有讲究，生成后一定要有本地化审核环节。

5. 常见问题与排查技巧实录

5.1 AI项目推不动怎么办

这是我在日本公司听到最多的问题。技术团队觉得方案很好，但业务部门不配合，或者上层不批预算。排查思路是这样的：先看你的方案有没有算清楚账。日本公司对ROI极其敏感，你说"这个AI能提升效率"，没人理你；你说"这个AI能让广告ROI提升5%，预计每月多赚多少"，情况就完全不一样。

如果账算清楚了还是推不动，那可能是场景选错了。有些场景虽然技术上可行，但业务上不痛。你要找的是那种"业务方自己就很痛、天天在抱怨"的场景，这种场景推起来阻力最小。

5.2 模型效果不稳定怎么排查

模型效果波动是常见问题，排查要分层次。先看数据层：是不是数据分布变了，是不是有异常数据混进来了。再看特征层：是不是某个特征的计算逻辑变了，是不是特征缺失率上升了。最后看模型层：是不是模型过拟合了，是不是需要重新训练了。

我自己的经验是，大部分线上效果波动，根源都在数据层，而不是模型层。所以排查顺序应该是数据、特征、模型，而不是一上来就怀疑模型。

5.3 跨部门协作的坑

AI项目往往需要算法、工程、业务、设计多个部门协作，协作成本很高。常见的坑是：算法觉得业务不懂技术，业务觉得算法不懂用户，工程觉得两边都在瞎指挥。解决这个问题的关键，是找到一个共同的指标。大家都认可这个指标，讨论就有了基础，否则就是各说各话。

还有一个坑是沟通频率。AI项目迭代快，如果沟通频率太低，等业务方反馈回来，模型已经迭代好几版了，反馈就失效了。所以高频同步很重要，哪怕每次同步时间很短。

5.4 数据合规的边界

在日本做AI，数据合规是绕不开的。用户数据的收集、存储、使用都有规范，不能随便来。常见的做法是数据脱敏、权限分级、使用审计。这些工作看起来是负担，但其实是保护自己。一旦出问题，代价远大于前期投入。

提示：数据合规不是技术问题，是流程问题。建议在项目早期就把合规流程理清楚，别等做完了再补，那样返工成本极高。

6. 我个人的一些观察和实操体会

聊了这么多，最后说几个我自己的体会。第一，AI落地这件事，技术只占三成，剩下七成是场景选择、组织协作和ROI计算。很多技术很强的团队做不出效果，往往不是技术问题，是没选对场景或者没算清账。

第二，日本市场的特殊性在于，它对"稳"的要求极高。你不能为了快而牺牲稳定性，因为用户对服务中断、数据出错的容忍度很低。所以在这里做AI，节奏要控制好，宁可慢一点，也要稳一点。

第三，护城河这个东西，在AI时代不是消失了，而是转移了。以前可能靠技术领先，现在技术差距在缩小，护城河更多转移到对用户的理解、对场景的把握、对组织的管理上。这些恰恰是本土公司的强项。

第四，如果你在做AI项目，建议定期问自己一个问题：这个项目如果失败了，损失是什么？如果损失可控，那就大胆试；如果损失不可控，那就谨慎点。这个简单的判断，能帮你避开很多坑。

最后分享一个小技巧。在推AI项目的时候，先找一个小的、独立的、能快速看到效果的场景做试点。试点成功了，再往大里推。这样既降低了风险，又积累了内部信任。我见过太多项目一上来就搞大的，结果做了一半推不动，最后不了了之。小步快跑，在日本这种稳健文化里，反而更容易成事。