执行摘要

AI带来的年度价值,按应用场景
印度尼西亚网约车与配送 · 每年US$ m,毛值,未扣除建设成本 · 区间
补贴定向与定价50-150广告与推荐50-110信用评分45-70调度、拼单与路径规划40-90欺诈与虚假订单管控10-40客服自动化10-30商户助手5-30司机教练与语音工具5-25入驻与身份核验5-15
来源:[Kira estimates],依据[GoTo FY2025]、[MW 2026]、[Grab Q2 2026];推算逻辑见第3章

排序成立的三个理由

资金池已经数字化。交易总额约US$10.7 bn,各应用以收入形式留存约19%[Kira estimates][GoTo FY2025];补贴每节省1个百分点,价值约US$100 m。

领先者已深度投入。Grab运行超过1,000个模型[iNews Jan 2026];GoTo自主训练700亿参数的印尼语模型[GoTo Q3 2025]。

面向司机的决策现已受监管。订单分配、定价、补贴和封号必须公平、可解释,并提供异议渠道[Perpres 27/2026][Katadata Oct 2026]。

优先支持在应用内部降本或增收的用途;凡是改变司机收入的功能,都应作为受监管产品对待,并内置申诉机制。
GoTo FY2025 = GoTo Group · GoTo Q3 2025 = GoTo Group Q3 2025 results via Marketing-Interactive (30 Oct 2025): AI and automation · MW 2026 = Momentum Works food delivery report · Grab Q2 2026 = Grab Holdings · iNews Jan 2026 = iNews · Perpres 27/2026 = Presidential Regulation 27/2026 on the platform transport ecosystem · Katadata Oct 2026 = Katadata · Kira estimates = KIRA analyst triangulation

网约车与配送处于AI暴露度最高的区间:信息密集型工作,且几乎已全部数字化

暴露度检验:工作中处理信息的比重,对比价值主张中已通过软件交付的比重。评分1-5。

印度尼西亚各行业AI暴露度
KIRA评分1-5 · 信息密集度对比价值主张的数字化比重
潜力未释放暴露度最高暴露度低已数字化但较简单价值主张的数字化比重(1低 - 5高)信息密集度(1-5)网约车与配送零售银行电信现代零售冷链物流餐饮建筑
来源:[Kira estimates];对比行业取自KIRA针对相同市场的报告

评分偏高的原因

每笔订单都是软件。预订、匹配、定价、路线、支付和结算都在应用内完成;Grab称其模型从超过200亿次出行和订单中学习[GrabX Apr 2026]。

劳动力不在工资单上。200万至400万名司机是合作伙伴而非员工[Grab ID Feb 2026];AI改变的更多是司机收入,而非平台的工资支出。

极限在于街道。交通、降雨和上车点仍是物理世界的问题;模型能提高预判,却改变不了道路。

暴露度已接近上限,因此新进入者要回答的不是AI在这里是否重要,而是能改进这条已高度自动化链条中的哪一环。
GrabX Apr 2026 = Grab press centre · Grab ID Feb 2026 = Grab Indonesia via Bisnis and Gizmologi · Kira estimates = KIRA analyst triangulation