Step 0：理解AI，了解AI行业应用最佳实践

一、Step 1：场景选择

1. AI应用成熟度

• 技术成熟度：评估当前AI技术的成熟度及其在企业内部的适用性。
• 企业AI通用应用成熟度及最佳实践：借鉴其他企业的AI应用经验，结合自身情况做出调整。
• 行业AI应用成熟度及最佳实践：关注行业内领先企业的AI应用案例，寻找可借鉴的成功模式。
• 本企业的场景成熟度评估：评估企业自身的业务健康度、标准化程度及AI化意愿等因素。

2. 企业资源就绪度

• 组织能力与团队：包括战略与文化、组织与团队建设、技能与培训等。
• 预算：评估AI项目的预算，确保资金充足。
• 数据：数据是AI的核心资源，评估企业的数据储备情况。
• AI工具和基础设施：确保有适合的AI工具和基础设施支持。
• 其他资源：如政策支持、合作伙伴等。

3. 企业部署价值度

• AI投入成本分析：评估AI项目的初始和持续投入成本。
• AI的收益分析：预测AI项目的潜在收益。
• AI风险评估：识别和评估AI项目可能面临的风险。
  
  

二、Step 2：目标制定

1. AI部署目标

• 部署成本最优：追求最低的部署成本。
• 部署最快：追求最快的部署速度。
• 系统安全稳定：确保系统的安全性和稳定性。
• 技术领先：追求技术上的领先地位。
• 系统扩展性好：确保系统具有良好的扩展能力。

2. AI运营目标

• TCO最优：追求总拥有成本的最优。
• 业务适配度最高：确保AI系统与业务的高度适配。
• 试错成本低：降低试错成本，提高试错效率。

3. AI经营目标

• 商业化最快：加速商业化进程。
• ROI最优：追求最佳的投资回报率。
• 行业标杆示范意义：打造行业标杆，促进销售推广。
• 提升市场竞争力：增强企业的市场竞争力。
• 提升客户满意度：提高客户满意度。
• 改善财务指标：改善企业的财务状况。
  
  

三、Step 3：路径选择

1. 自力更生

• 高算力资源
• 算法能力
• 高密度AI工程化团队
• 数据资源持续投入能力

2. 借船出海

• 高算力资源
• 基础模型/LLM供应商选型
• 自有AI团队能力
• 专有数据储备沉淀与持续运营

3. 自我培养

• 模型驾驭能力
• 专有数据

4. 拿来就用

• 业务经营目标驱动
• 提示工程（Prompt Engineering）能力
• 企业应用选型能力

四、Step 4：大模型选择

• 模型能力：评估模型的技术能力和适用性。
• 产品能力：评估模型的产品化能力和易用性。
• 生态能力：评估模型的生态系统支持情况。
• 可持续发展能力：评估模型的长期发展潜力和可持续性。
  
  

五、Step 5：方案制定