03

如何采取行动？

什么是场景？场就是时间和空间，景就是触发的用户情景、达成的业务流程。思考AIGC布局的第一步，不是大模型厂商的选择，而是找到你的业务场景，探索这个场景AI化的必要性和可行性。

具体有哪些思考维度呢？例如：

1）考虑该场景所属业务的健康度和稳定性，业务是在一个正向循环中稳步发展？业务是否存在很多不确定的因素（如大环境变化），这个业务流程是足够标准化，可以被数据化？

2）此外，还要考虑场景在AI领域的应用成熟度，行业内是否已经有最佳实践，他们的投入产出比怎么样，我们要不要做第一个吃螃蟹的人，冒这个风险？

3）考虑该场景的信息化支撑是否完善，数据积累怎么样？倘若缺乏基础的数据积累，引入再高明的算法都是徒劳。

4）考虑实现场景应用，背后所支撑的技术基础设施和技术成熟度如何？包括要考虑到AIGC带来的投入成本、潜在风险以及预期收益。

这里你也可以想想，自动驾驶是个好的落地场景吗？为什么？欢迎留言。

有了场景，接着还需要定义一套完整的目标体系。这么做，目的是让AI投入的成本有的放矢，目标制定是否完整和合理，直接会影响我们对整个方案效果的评估。

问题来了，这个目标谁来定？很多企业会把重任交给产研团队，例如CTO或者产品负责人。如果这样做，结果就是，我们往往为了做AI而做。所以业务负责人应该也是目标制定的重要参与者，整体来讲，AI的应用包含三个层级的目标：

1）技术型目标：比如部署成本最优、部署效率最高、系统稳定安全、技术有领先性、系统的扩展性最好等。

2）产品型目标：比如产品的TCO（综合运营成本）最优、业务适配性最高、试错成本最低、产品竞争力变强等。

3）业务型目标：比如商业化最快、ROI最优、具有行业标杆或护城河的效果、提升客户满意度、改善财务指标等。

当然，事情都有两面性。所谓选择，其实是一种取舍和平衡。所以在目标设定之初，就要想清楚取什么、舍什么。并且，也要考虑业务的不同发展阶段，兼顾长期和短期目标。

设立完目标，接着得找到落地路径了。生成式AI应用落地路线分为3条。

根据落地复杂程度由简单到复杂依次别为，标准软件路线、标准模型能力增强路线和定制化模型精调训练路线。

1）标准软件路线落地最为简单，企业直接采购开箱即用的软件完成落地。这种方式的好处是落地快，需要企业有很强的业务目标驱动力，也很考验企业对应用的选型能力。

2）标准模型能力增强路线落地复杂度中等，企业需要参与提示词工程等环节来增强模型能力，优化模型的输出结果。这种方式比较考验企业对模型的驾驭能力，以及专有数据的积累。

3）定制化模型精调训练路线落地最复杂， 企业需要完成二次模型训练工作。这种方式依赖企业的资金和人才实力，比如自有AI研发团队，充分的高算力资源，专有数据储备和持续运营能力，以及也考验企业对基础模型（合作伙伴）的选择。

在3条路线中，复杂度越低的路线，企业在落地过程中技术采购（Buy）占比越大；复杂度越高的路线，企业在落地过程中技术自建（Build）比例越高。

还有一条路径，端到端自主训练大语言模型，因为需要高算力资源，高密度的AI工程化团队，以及数据资源的持续生产能力，注定是极少数企业才能走的路。

那么在大模型合作伙伴的选择中，企业究竟应该关心哪些话题？

最基础的就是模型能力，包括大语言、视觉、多模态等模型的通用能力，当然安全和价值观也是重要的评估维度，要看大模型本身与你的业务是否足够匹配。

此外，还要关注大模型的产品化、工程化以及解决方案组合的能力，比如关注大模型能力抽象和API化的易用性如何，大模型训练和微调环节，是否有足够的支撑和服务保障。

最后，是大模型本身的生态布局和可持续发展能力。包括中间层生态是否足够完整和丰富，便于模型的微调和持续运营，以及大模型在实际场景实践中是否有较深的案例积累，包括合作伙伴是否会持续投入和迭代大模型，能否与你的业务发展节奏匹配上。

04

写在最后：避免常识性的误区

当一个创新事物来临，禁锢我们的往往不是这个事物本身有多复杂，而是我们有多大程度愿意去从零到一了解，从熟悉到掌握。

企业家对待技术会出现两种不同的态度，一种是极度崇拜，认为技术无所不能，还有一种是缺乏敬畏，总觉得技术是这世上最简单的事儿，两种都会导致对技术的过度预期，会让技术团队喘不过气来。

技术成功不等于商业成功，但今天这个时代商业成功却也离不开技术成功。通过在企业内部的大模型应用与落地，我发现大家会进入几个典型的误区：

1）错把AI这个技术手段当成最终目标，认为只要投入，必定能拿到结果。真相是我们需要把AI的价值实现而非技术投入放在第一位，所以AI应该驱动的变革是业务价值重塑和体验创新。千万不要为了做AI而做。

2）只关注显性成本，忽略隐性成本。比如模型的选择、训练部署、数据治理是显性成本，但不要忽略了即便产品上线，还涉及到大量系统维护、安全监控以及更新迭代的成本。

3）对AI所能产生的收益预期过高，过快。通常来讲，AI真正要为业务带来稳定的收益，起码要2-3年左右的时间。这个过程既有产品技术的打磨，也有团队组织能力的打磨。我们需要对AI投入产出比设立合理的预期，千万不要急于求成，因为目标设立问题导致团队分崩离析。

4）错把模型能力作为唯一标准，而忽略AI应用落地是一个系统性的工程。模型只是其中一个部分，此外还包含数据实力，AI产品化能力的构建以及生态的延展性。所以相应地，我们去评估不同大模型厂商实力的时候，应该综合去看。

5）忽略AI安全隐患，或过度担忧。大模型的应用涉及知识产权，数据安全和隐私，包括还有很多价值观对齐的问题。这些潜在的风险会导致我们在产品设计的过程中走向极端。所以归根结底，没有完美的技术，有的只是在限定条件下的有效平衡。

最后，如果你此刻也在思考AIGC的应用，送你一张图。