生成式 AI 落地的第一步，不是采购基底大模型，而是应 该确定合适的落地场景。
生成式 AI 是新兴技术，企业在投入之初往往难以准确评 估其商业价值。这主要有以下几方面原因： 生成式 AI 能力边界有待验证： 生成式 AI 在不同业务场景中的实际表现和边界，往往 需要通过真实应用来验证和调校。这可能会出现预期效 果与实际效果存在一定差距的情况。团队需要在部署过 程中持续监控效果，并进行针对性的优化，以确保生成 式AI的能力能够满足业务需求，创造切实价值。 应用人才稀缺： AIGC 作为新技术，团队往往缺乏相关实施经验，导致 解决方案的成熟度不足。在项目早期，技术能力和商 业诉求之间可能存在一定的鸿沟。团队需要在实践中 不断迭代优化，以提升方案的落地质量和商业价值。
大模型能力依赖配套： 大模型的能力在不同场景中发挥作用，往往需要领域 知识库和工程实现来支撑和引导，才能达到最优的效 果。这就要求团队在通用大模型之外，还需要投入大 量资源构建行业知识库，并与工程实现紧密结合，才 能将生成式 AI 的能力最大化地释放出来。 新技术导入需配套变革管理： 新技术的引入要配合人员的培训与流程的变革，才能 真正将其转化为业务价值。生成式 AI 的价值实现，不 仅取决于技术能力本身，更取决于组织的适应和运用 能力。这就需要我们在部署新技术的同时，推动人员 技能的提升和流程的优化，形成人机协同的新运营方 式，以最大限度地发挥生成式 AI 的潜力。
以上因素都导致了企业在生成式 AI 项目立项阶段，向决 策层争取资源时面临一定的挑战和阻力。
但事实上，60% 的 CIO 认为 AI 应该带来直接的成本节约 或效率提升。这些切实的收益，正是我们向管理层证明 生成式 AI 价值的有力论据。我们可以从降本增效的角度 入手，用量化的指标阐明生成式 AI 带来的切实收益，从 而获得决策层的认可和持续投入。 但是，我们的目光应该更加长远。生成式 AI 的真正价 值，在于用新的生产力打造差异化的服务和流程，建立 长期竞争优势。这是一个极好的机会把数字化团队从企 业的成本中心转化成为价值创造中心，从工具的实现方 转变成为生产力的提供方。
数字化团队将成为业务创新的主动策划者。利用生成式 AI 强大的内容生产和流程自动化能力，我们可以更加专 注于挖掘行业趋势、洞察用户需求，为业务拓展和客户 服务探索更多可能。比如在新产品设计中，我们可以利 用生成式 AI 自动分析海量用户反馈，提炼关键诉求和创 新方向，从而主动为产品经理提供洞见和建议，引领产 品规划和设计。 企业将把数字化作为构建核心竞争力的关键抓手。生成 式 AI 将融入业务运营的方方面面，为营销、研发、生 产、服务等环节都带来革命性的效率提升和体验优化。 那些能够将数字化融入企业基因，打造敏捷协同的组织 能力，拥抱变革的企业，将在未来的竞争中抢得先机， 引领行业发展。
生成式 AI 落地的第一步，不是采购基底大模型，而是应 该确定合适的落地场景。选择正确的应用场景能让企业 充分发挥生成式 AI 的潜力，推动智能化转型，实现长远 的战略价值。反之，若应用在不合适的场景中，其效果 可能大打折扣，不仅浪费资源，还可能导致一系列负面 后果。 挑选合适的场景对于企业的智能化转型至关重要。我们 亲见许多企业因为选择了困难的甚至错误的场景，导致 创新团队陷入不断过度承诺和低于期待交付的恶性循 环，最终甚至损坏到一个企业的创新土壤。
数据团队需要理解“数据”和“知识”的差异，开始着眼于 治理对商业有影响的、非结构化的、主观的“知识”。比 如，一个明星销售员如何从闲聊中获取客户的真实需 求，一位资深设计师如何从用户反馈中提炼产品创意， 一名优秀管理者如何根据市场变化快速调整决策...... 这些 知识往往蕴藏在员工的经验和直觉中，难以用结构化的 数据来表示。但恰恰是这些知识，构成了企业快速响 应、持续创新的基础。数字化团队要通过与业务专家的 持续互动，将这些经验性知识提炼为可被 AI 理解和利用 的形式，用智能技术去放大专家经验的价值。
组织成员不会一夜之间就能最大化 AI 所带来的新生产 力，新研发的 AI 产品和工具也需要团队的推广和使用才 会产生价值。随着 AI 产品的陆地投入使用，企业还需要 培养员工和重塑传统业务流程，实现人机协同，提升整 体运营效率。这些组织变革需要企业持续投入，不能认 为科技产品到位变革就会产生。
相比于技术和合规方面的风险，我们发现管理风险才是 导致企业 AI 落地失败的最常见原因。这其中，科技团队 和业务团队是否能对场景的业务价值、实际业务流程和 AI 的能力边界达成一致至关重要。比如在一个 AI 销售助 手项目中，业务团队最初期望 AI 可以直接面对客户，自 主完成从线索挖掘到成单的全流程。但经过双方反复讨 论和概念验证，大家才意识到由于客户咨询的多样性和 销售谈判的复杂性，当前阶段一个可行的方案是为销售 人员研发一个实时话术助手 (Copilot)，在销售通话过程 中提示下 步话术和客户洞见。管理层需要营造鼓励创 新但包容失败的氛围，引导科技和业务团队在项目早期 就对齐期望，在过程中保持紧密协作和频繁迭代，逐步 找到技术能力与业务场景的最佳匹配点。
2023 年 11 月，OpenAI 推出了一项革命性的新功能—— GPTs (Custom ChatGPT)。这一功能允许用户根据特定 目的创建定制版的 ChatGPT，以便在日常生活、工作或 家庭中提供更有针对性的帮助。例如，GPTs 可以帮助用 户学习任何棋盘游戏的规则，辅导孩子学习数学或设计 贴纸等。 2023 年 12 月，字节跳动在海外推出了新一代 AI Bot 开 发平台 Coze，并于 2024 年 2 月正式在国内上线扣子， 为非技术人员提供了一个快速、低门槛搭建个人智能助 理的绝佳机会。通过 Coze（扣子），用户无需掌握复杂 的编程知识，就能轻松创建、调试和优化属于自己的AI 聊天机器人。
Coze 集成了多种 AI Agent 工作方式，包括反思、工具 使用、规划和多 Agent 协作等。用户可以根据自己的需 求，灵活选择不同的工作流程，实现个性化的智能助理 定制。无论是对话反馈、任务拆解，还是跨领域协作， Coze 都能提供强大的功能支持，让非技术用户也能轻松 驾驭 AI 的力量。 随着 GPTs、Coze 等平台的不断发展，人工智能正在成 为大众用户的得力助手。在不久的将来，人人都将拥有 属于自己的智能 Agent，让生活和工作变得更加高效、 智能、有趣。而 GPTs 和 Coze 无疑是这一趋势的重要推 动者，为普通用户打开了通往 AI 世界的大门。
生成式 AI 产品并非简单地接入大语言模型就大功告成。 事实上，一款出色的生成式 AI 产品，其智能化程度和实 用价值很大程度上取决于融入其中的行业知识和经验。 这需要业务专家与技术团队的密切配合，通过迭代开发 和持续优化，将显性知识和隐性知识注入到系统中，形 成行业定制化的知识库和算法模型。只有经过大量行业 数据的训练和调校，生成式 AI 产品才能准确理解业务场 景，给出专业化、个性化的回复。 生成式 AI 落地项目并非传统的“客户 - 供应商”关系的项 目，业务团队不再是被动的需求方，而是 AI 系统训练和 优化过程中的重要参与者。他们既是 AI 的使用者，也是 AI 模型学习的对象，需要与技术团队形成紧密的反馈闭 环，不断补充场景、纠偏算法，共同“调教”AI，让其 从“学生”蜕变为“专家”。这对项目组织方式和流程都提出 了新的要求。 生成式 AI 落地需要技术和业务的双轮驱动，敏捷高效的 跨界协作是项目成功的关键。
在当前，生成式 AI 的 PoC 项目的失败率依然很高，在一 些企业中，AI 落地的失败率甚至超过一半。在团队能力 和知识积累还不完善时，做好分阶段规划、获得成功经 验对实现速赢至关重要。
项目初期就对齐业务价值和科技发展路线 业务团队需要给予新技术迭代发展的容错空间，允许 定的试错成本，而不是期望一蹴而就。同时，也要 设定明确的阶段性目标，以较小的迭代步伐快速验证 价值，积累信心和经验。 帮助业务团队形成对大模型能力的合理认知 长期来看，80% 的工作岗位或将发生变化，但短期 内，在大多数场景下 AI 都还难以脱离人类员工独立 工作。以 AI 支持的设计为例，虽然 AI 能提供海量创 意和效率提升，但仍需要人类设计师把关品质、落地 执行；又如 AI 支持的销售，虽然 AI 能洞察客户需 求、提供个性化服务，但仍需要人类销售代表来维系 客情、决胜关键时刻。业务团队要理解生成式 AI 的 能力边界，合理设定期望，把 AI 作为助手和赋能 者，而非替代者。
注意统筹规划短期回报和长期目标 企业应协同科技、业务、战略等部门，同时引入外部 专家和咨询公司，共同探讨生成式 AI 的应用路线 图。要明确哪些是当前就能突破的低垂果实，哪些是 需要长期积累的基础能力；哪些问题可以通过算法迭 代、数据增强等技术手段逐步优化，而哪些会长期受 限于商业逻辑、伦理规范等外部约束。通过系统梳 理，企业可以在眼下的 PoC 项目中，有的放矢地积累 数据和经验，为长远发展奠定基础。
生成式 AI 落地不可能一蹴而就，企业要以开放和务实的 心态拥抱变革。通过对业务价值的精准判断，对技术能 力的客观认知，对长短期目标的统筹规划，以及对成败 经验的复盘提炼，才能在 PoC 阶段高效积累，降低决策 风险，加速价值变现。唯有夯实基础，久久为功，方能 在智能时代抢占先机，实现弯道超车。
业务团队似乎提不出可行的 AI 需求，这让不少企业管理 者感到非常头痛。 究其原因，业务团队对 AI 技术的理解和认知还存在不少 盲区。他们对 AI 能做什么、不能做什么，AI 与传统 IT 系统有何不同，AI 如何融入现有业务流程等问题缺乏清 晰的认知。这种知识盲区限制了业务团队的想象力，让 他们无法提出真正有价值、可落地的 AI 需求。
在这种情况下，业务团队非常需要科技团队的帮助：了解 AI 技术的边界 业务团队需要科技团队帮助他们理解日新月异的 AI 技术，用通俗易懂的语言解释 AI 的能力边界。 获得行业案例启发 业务团队需要看到足够多的 AI 行业应用案例，以开 拓创新视野。他们希望科技团队能提供这样的案例分 享和培训。比如我们总是在企业高管 AI 培训的第一 天就给大家看 100+ 生成式 AI 案例。 理解 AI 与现有系统的融合 业务团队往往不理解现有 IT 系统和新的 AI 能力如何 结合。他们需要科技团队从业务视角出发，讨论 AI 如何与现有流程和系统整合，创造新的应用模式。
