人工智能突飞猛进，已经改变了很多工作方式、任务处理方式，以及生活方式。

同时也逐渐改变着企业的运营方式，不同的领域程度各异。

有些环节，AI仿佛已经具备了超能力，但大多数理想化的设想，它还不行，并且仍处于一个高速发展，快速迭代的过程。

如何在快速变化中抓住先机？而不是等AI技术的成熟，是每一个企业需要思考的问题。

那么就需要从两个维度进行思考和尝试，采用科学有效的办法，让价值放大与技术能力的碰撞不断涌现。

第一个维度，需要从企业的价值链中找问题，然后思考最优解，并在最优解中找AI的位置，如何让智能化、自动化的特性，放大商业价值。

第二个维度，不止AI在变化，企业所处的一切环境都在变化，如何在知中行、行中知，面对AI，应该构建怎样的体系，才能接得住这泼天的机遇？

今天只讨论第二点，并且只讨论中大型企业，因为小企业还有更为灵活的打法。

1. 先整套企业级AI平台

快点用起来很重要。不同与员工各用各的，分别独自使用AI辅助工作，企业整体协同的AI应用，要求还是很多的。并且AI并不是在原有IT上缝缝补补，而是有可能会打破原有的组织模式和流程，那么只有独立，才有机会在“框架结构”上没有束缚的发展。

2. 弄就弄套底层全面的

企业AI平台需要具备弹性的云架构，支持公有云、私有云和混合云的部署模式，并确保在多云环境中无缝运行。企业AI平台必须支持边缘设备上的本地处理和预测功能。还需要支持批量处理、实时流处理和内存计算，全面的底层数据存储结构，支持包括关系数据库、分布式文件系统和图数据库在内的多种存储技术。

3. 自带全面的映射能力

别用个AI平台，还自找了一堆工作出来，什么数据结构的自动映射啊，权限体系的自动映射啊，组织流程的自动映射啊等等，因为这类的工作不是一次性的，未来企业发展中这些变化是难免的，这类功能集，越全面越好，越自动越好。

4. 建立企业的语义模型

跨组织的流程重构，需要一致的语义（对象）模型，该模型可以独立于底层数据格式和存储，实现动态更新并即时生效，从而提高灵活性和开发效率。

5. 企业范围的AI微服务

平台需要提供全面的AI微服务目录，允许开发人员快速构建应用。这些微服务应具备安全控制和授权管理功能。也同时可以被其他遗留的IT系统轻松调用。

6. 统一企业内外数据

企业AI平台需要整合多种来源的数据，包括遗留IT系统、互联网来源和传感器网络。重点还要看这个平台的数据收集能力，也就是效率，另外就是数据使用的性能。当具备了全面性、收集力、好性能，才能支撑AI平台的应用呈现、模式创新。

7. 数据治理与安全

企业AI平台必须具有健全的加密、多级用户访问认证和动态授权功能，并支持外部安全授权服务以确保数据隐私和合规性。这里与企业级框架相比，还需要应对AI模型的数据训练，以及调用外部先进的模型，避免数据泄露。数据的安全管理能力和逻辑，非常重要！

8. 支持AI模型的全生命周期开发

从设计到部署，平台应为用户提供完整的算法开发体验，支持Python、R等多种语言，并允许直接部署机器学习模型，无需转换语言。可以同时管理内外部的多种模型，计费清晰、替换方便，支持多模型互相校验、监督预警，并且可以获得先进模型的最新成果信息。

9. 问题导向的AI应用管理

通过统一的平台，让管理者、数据工程师和应用开发者可以协同工作，从数据清洗、建模到算法开发，显著提高开发效率。所有的研究需要围绕价值链提升的问题和子问题展开，并清晰展示，避免同质化研究的内耗浪费。开发完成的模型和应用可立即部署为微服务。

10. 支撑产业链研究

随着AI应用的智能化，数据链的深度要求会越来越高，所以产业链级的数据结构、AI自动分析能力、流程灵活性、从展示到应用也需要考虑，这里涉及多级商业，甚至跨了多个行业类别，所以从企业AI平台的底层能力上，也需要早做考虑。