AI配对喊了这么多年,为什么你的“精准商机”还是不准

2025年8月，全球最大的游戏展会Gamescom干了一件让整个会展业记到现在的事。

他们给参会者上了一套AI配对功能，系统自动为展商和媒体预约会议。一位Twitch主播打开日程，发现多了9场一对一会议，状态全是已确认。他打电话问对方，对面说“我也没约过，我也刚发现。”

另一位参会者的遭遇更离谱，两场AI安排的会议，和他自己提前几周约好的会议时间冲突了。他根本不知道系统替他答应了什么。

Gamescom关掉功能，发了一封道歉信。一位产品设计师在社交媒体上留了一句评论，后来被行业反复引用：“它生成了很多东西，唯独没有生成价值。”

这件事之所以值得翻出来讲，不是因为Gamescom搞砸了。恰恰因为它用的是一套“逻辑上没问题”的匹配系统，系统抓取了双方的资料，算出了相似度，然后自动执行。每一步都符合AI配对的教科书流程。

但它忘了一件事，在展会里，匹配从来不是一道单边计算题。

大多数AI配对产品的底层逻辑就是找相似。

你卖机械设备，系统给你推“也对机械设备感兴趣的人”。你填了“关注东南亚市场”，系统把同样填了“东南亚”的买家排在你前面。这听起来合理，但问题在于，一场B2B展会的本质，不是让相似的人聚在一起，是让能做生意的人碰上面。

一个卖注塑机的展商和一个需要注塑机的采购商，在数据标签上可能毫无相似性，一个的行业标签是装备制造，另一个是日用消费品。协同过滤算出来相似度极低，但这是全场最该发生的一场对话。

Converve在一篇关于AI配对准确率的分析里说道，学术研究中对“互惠推荐系统”的衡量，看的是双方是否都接受、都出席、事后都认为有用，而传统推荐系统优化的是单边点击率或相似度分数。

在2024年ACM SIGKDD的论文里证明，单边排序指标会系统性地高估匹配质量，因为它完全忽略了“第二个yes”。

AI可以告诉你“这个人大概率会点开你的资料”，但它很难告诉你“这两个人坐下来谈，能不能谈成一笔生意”。前者是算法问题，后者是商业判断。用前者替代后者，就是Gamescom那9场“已确认”会议的本质，双方都没有点过“同意”，但系统替他们都点了。

准不准这件事，首先取决于喂进去的东西是什么。

31会议在2025年的一次产品发版公告里写到，展会中展商与观众的配对“常因双方信息不全，导致推荐线索匹配度低，展商抱怨线索价值不足”。他们把信息完整度定位为商务配对精准度的核心基础。

这还只是不全，比不全更麻烦的是不准和不统一。米奥兰特在复盘外贸数据时提到一个细节：买家预注册时写的公司名，经常是缩写、错别字或非标准描述，传统搜索处理这些东西的方式是大海捞针。他们不得不专门构建语义归一引擎，对公司名称和别名做智能对齐。

比如，一个中东买家填了“Al-Rashid Trading Co.”，另一个填了“Rashid Trading”，还有一个填了“阿尔拉希德贸易”。在一个人眼一看就知道可能是同一家公司的数据集里，AI看到的是三个不同的实体。如果连谁是谁都没对齐，所谓精准推荐推的是什么？

科隆展览的案例经常被拿来当正面教材，他们的观众行为分析平台通过物联网设备采集15类交互数据，展商匹配精准度提升了55%。但这个故事的另一面是55%的前提是15类数据的采集、打通和治理。大多数中小展会，连观众报名表和现场扫码记录都还躺在两个互不相通的系统里。

如果你去翻各家AI配对产品的宣传材料，会看到一堆漂亮数字。“配对准确率提升至80%以上”“匹配精准度提升55%”。这些数字本身可能是真的，但关键在于它们衡量的那个东西，和你以为的准是不是同一个东西。

Converve的那篇分析把这个问题拆得很清楚。一个“95%匹配准确率”的说法，如果不说明它衡量的是哪一层指标，本质上属于营销话术，而不是测量。

是“推荐被点击”的准确率？是“双方接受”的准确率？还是“会后双方认为有用”的准确率？三者的数字可以差出一个数量级。

这不是说厂商在撒谎，他们只是在一个没有统一标准的赛道上，选择了对自己最有利的那把尺子。而展商拿着这把尺子去期待精准商机，自然会感到落差。

但更多数据并不自动等于更好的匹配。2025年年底有一篇相当诚实的复盘，说他们年初坚信喂给机器越多数据，智能就会涌现，结果是匹配算法给出的连接在统计上显著，但对真实的人来说感觉是随机的。“你们都参加了那场关于Kubernetes的会议”被系统当成了强信号，但它根本不是一段商业关系。

精准的反面不是少，是噪音伪装成了信号。

说了一圈问题，不是为了得出AI配对没用的结论。恰恰相反，在数据地基干净、规则设计合理的前提下，AI配对是能起作用的。

广交会就是一个参照。采购商在App里用一句话描述需求，系统匹配展商并规划逛展路线；展商端则能收到“买家把你加入了行程”的实时提醒，可以直接给买家发消息邀约。

但这些案例恰恰是大多数不准的场景所缺失的，有人在数据进入算法之前，先做了脏活累活。

科隆采集15类数据是脏活，广交会建立采购商标签体系、把报名数据和现场行为对齐，也是脏活。AI配对的问题从来不在算法那一端，算法已经足够聪明了，问题在这一端，你有没有把“谁是谁、他要什么、他做了什么”这三件事，用机器能正确理解的方式记录下来。

那展商到底该怎么做？

第一，把AI配对从一个被动接收的动作，改成主动校准的动作。展前花时间把公司资料、产品线、目标客户画像填到最细，不是为了给主办方交差，是在给算法提供可以算的素材。你填“机械设备”和填“用于食品包装的立式充填封口机，目标客户是东南亚中小型食品厂”，AI能做的事完全不同。

第二，不要用“推荐了多少条”来衡量配对效果，用“我主动联系了多少条、对方回应了多少条、见面了多少条” 来衡量。很多B2B营销人员无法准确将ROI归因到展会，展会影响的交易在CRM里没有被归因。如果你的配对线索没有进入这个链条，它永远不会变成精准商机。

第三，AI配对目前最可靠的贡献，是帮你筛掉明显不匹配的人，而不是替你找到那个对的人。 它能把采购商从数千个展位里拉向5%—10%的接触范围提升到更有希望的一个子集，但最终让一个买家坐下来、谈下去、签下来的，仍然是展位上那个能回答他具体问题的人。

Gamescom的教训不是AI配对不行，是把配对的决定权完全交给算法，却不给双方留出说“不”和“等等”的空间，再聪明的系统也只会生产噪音。

你的精准商机不准，未必是AI不够聪明。更可能的是，你用它来代替的那件事，判断谁值得见、为什么值得见、见了之后怎么办，从来就不是算法能替你做的。

—— GAOCEN

赛事运营落地｜展台设计搭建会展主场服务｜活动策划执行

所有内容均用于学习交流，不涉及任何商业活动