企業(yè)內部B端產品如何有效落地AI？作者結合實戰(zhàn)經驗，詳細剖析了其中的難題，并分享了一套實用的方法論，助力團隊在AI落地過程中實現認知對齊與業(yè)務價值最大化。
正文開始前，這里先疊個甲。
1.小弟只是拋出自己在實踐過程中的一些方法論總結，并不會涉及到具體的技術實現、AI方向問題，這些不在這篇文章的討論范疇內。
2.小弟的觀點可能是錯的，因為我只是從我的視角拋出一些我總結的方法論，這不一定適用于其他場景，歡迎各位大大理性討論。
在內部B端場景落地AI的各種難題
想必做內部B端產品的各位，在最近兩年AI爆發(fā)后，都遇到了一個問題“怎么把AI給整合到我們的業(yè)務上來？”
大家都期望利用“強大”的AI來實現“增長、盈利、降本、增效”這幾個目的，但是實際操作起來，或許就犯難了。
這里會遇到的問題，我分成了兩類：
1.人的問題
這是指在AI落地的過程中，與我們相關聯的各利益方會拋給我們各種各樣的問題，這些問題會阻礙我們的業(yè)務推進?？梢苑譃閳F隊自身、業(yè)務方、公司高層方面的問題。
首先，團隊自身層面可能出現“定位”、“路徑”等的問題。
比如，大家常常會感到困惑，不知道AI到底能幫我們做什么？具體應該怎么做？能做成什么樣？
想不清楚這些問題，我們對待AI落地，無從下手。
其次，來自業(yè)務方會存在“AI方向”、“資源調配”、“認知對齊”等的問題。
比如，AI這個領域方向太多了，技術路線也很多元。有時候，團隊會有點迷茫，不知道該往哪個方向發(fā)力，不知道哪個方向才是最適合我們業(yè)務、最能出效果的。
又比如，業(yè)務會出于各種原因不配合我們，像是“覺得AI會取代我們，不積極支持”、“想法天馬行空，可能他們經常被各種“行業(yè)顛覆的”短視頻洗腦。一開口就是訓練個行業(yè)大模型，明天就業(yè)務全鏈路升級”。
想不清楚這些問題，執(zhí)行起來困難重重，還容易走錯路。
最后，也會感受到來自“管理者”的“認知對齊”等問題。
有些管理者對AI的期望值可能定得過高了，天天想著用AI去替代某個團隊、干掉某個流程，追求顛覆性的效果。這也有可能是很多自媒體天天鼓吹行業(yè)顛覆有關，很多高層是充滿焦慮的。
他們可能不能很清晰地認識到AI當前能力的邊界在哪里，對團隊的實際能力和項目落地的復雜性，認知也可能存在偏差。
這一塊如果沒有處理好，我們可能無法獲得資源支持項目。甚至可能被懷疑我們能力問題，導致職場生涯受到影響，甚至工位不保。導致“AI真正落地到業(yè)務”這個愿景，就無從談起了。
2.事的問題
對齊人的認知之后，就是怎做事的問題。在這個過程中，可能遇到以下方面的問題：
AI落地的步驟應該是怎么樣的？先做系統，還是先想辦法讓業(yè)務用起來？
設計系統框架的時候，要怎么設計，才能和已有的業(yè)務系統結合起來，而不造成成本的浪費。
諸如此類的問題，都對應著AI落地的“方法論”，缺乏方法論的指引，可能使得AI的落地困難重重，導致項目由于實現成本、人力資源、價值呈現等諸多原因而流產。
前期工作，認知對齊！
下面，就來講講我對于這兩類問題的解決思路。
首先先講講“人的問題”，人的問題其實都是“認知”層面的問題。為了解決這些層面的問題，需要分別進行自我、業(yè)務、向上等3個方向的認知對齊，也對應著來自3個方向的問題。[自我認知]明確自身團隊的定位和邊界
首先是自我認知，這里第一步是要“明確自身團隊的定位和邊界”。
我們要先明白，我們當前團隊在AI應用層面的定位是怎么樣的？我大致分為4個類型的團隊及其能做到的AI探索程度：
第一類是無相關開發(fā)能力的團隊。是指我們沒有相關的技術人力資源來構建AI相關的功能。這種情況下，只能聚焦部署成熟開源項目、工具，或者是購買第三方的成熟AI服務。比如在圖片生成場景直接使用MJ、SD，在視頻生成場景使用可靈、即夢。
第二類是有基礎開發(fā)能力的團隊。是指能夠配置僅用于開發(fā)系統的技術人力資源，但并無AI相關的技術人才。在這種情況下，只能進行AI能力相關的API與業(yè)務系統整合，或者單獨開發(fā)面向內部的AI系統。此外，還可以進行RAG技術應用，進行簡單的大模型調教，用來滿足企業(yè)定制化的訴求。
第三類是有小模型開發(fā)、微調能力的團隊。是指團隊中有基礎的AI技術人才。在這種情況下，可以嘗試特定場景的模型微調、定制化小模型開發(fā)，用來滿足特定場景下的業(yè)務訴求。
第四類是有大模型自研能力的團隊。有這種能力的團隊，基本上已經是大廠級別了，可以進行更深層次的創(chuàng)新應用的探索。
第一類和第二類重點在于“整合”，即“通過研究市面上對業(yè)務有用的AI能力”，結合業(yè)務流程整合到業(yè)務上來，提供”業(yè)務+AI“的提效效果。而第三類和第四類重點在于“創(chuàng)新探索”，需要結合業(yè)務訴求和AI能力進行模型開發(fā)，相對來說“存在投產比不可預估”的風險，但是如果成了，收益也是十分顯著的。
我們可以對標目前自身團隊的配置，明確下我們屬于那一類，也了解下目前我們能基于AI做到什么樣的程度。
這里的關鍵是清晰認知團隊當下真實能力水平，不盲目追求高大上。
[自我認知]AI落地B端的多個階段
基于我們對自身團隊定位和邊界的認知，我們也可大致了解下AI落地B端的多個階段，從而認知到我們可以做到什么程度。
階段一，是單點接入賦能
指將AI作為獨立工具解決特定、孤立的業(yè)務痛點。比如業(yè)務需要生成一張圖片，生成一個視頻，我們就接入相關AI生產能力，從而實現單點的賦能。此外，像是智能文檔提取、基礎問答機器人、會議紀要自動生成等，也算屬于單點能力賦能。
這一階段的特點是易上手、見效快、范圍窄。達到的成本較低，通過部署成熟開源項目、工具，或者是購買第三方的成熟AI服務就能滿足。是前文提到的“第一類無相關開發(fā)能力的團隊”可以有做到的階段。
階段二，是工作流整合賦能
AI能力不再孤立，而是嵌入到現有的核心業(yè)務流程或系統中，為整條鏈路提供自動化或智能化解決方案。假設我們原本制作了一個圖片生產能力，那這個系統就是關聯業(yè)務的靈感庫、素材庫，自動生產圖片素材，然后上傳到我們的投放系統上。從而實現了“需求——制作——使用”業(yè)務流程的閉環(huán)。
這一階段可以通過貼合業(yè)務流程，最大限度發(fā)揮AI的“提效”、“提質”作用。這一階段需要“有基礎開發(fā)能力的團隊”的支持，從而進行系統開發(fā)，或者利用企業(yè)的數據資產進行RAG調教，從而用來滿足企業(yè)定制化的訴求。
階段三，是工作流智能調度階段
就好像最近爆火的Manus、Lovart這些工具，他們可以通過用戶輸入一句話的需求，由大模型理解用戶訴求，并規(guī)劃任務執(zhí)行順序，同時調度所需的AI工具，最后完成任務的執(zhí)行。
這都體現了現在的AI工具的一個趨勢。AI工具越來越多，面對復雜且繁多的工具，人會陷入選擇的困境。而且部分場景下，還會涉及到多個工具的組合使用，這無疑進一步加大了選擇的成本。
所以現在的AI工具呈現的趨勢，是一個“從人找AI”到“AI找人”的趨勢。通過AI理解用戶的“需求”，再智能匹配對應的AI工具，并完成任務規(guī)劃和執(zhí)行。
目前這一階段大多數是通用解決方案，如果在內部定制化的場景落地，需要有一定“小模型開發(fā)、微調能力的團隊”。
階段四，是數字員工階段
但這個階段屬于“對未來的展望”。意思是把員工的技能拆解一個個的AI工作流程，然后通過對業(yè)務環(huán)境進行感知，然后執(zhí)行計劃，最終進行滿足業(yè)務訴求的行動。
但是目前這個只是一個展望，就不講太多了。
通過分開這個四個階段，我們可以大致對應上前面提到的4個類型的團隊，在當前，階段1、2、3、4一定程度上對應著團隊類型1、2、3、4的上限。
但這也是當前階段的對應關系，后面隨著2、3、4階段能力的“SaaS”工具化，僅有第一類能力的團隊，也可以應用上最新的AI技術?，F在工作流類工具越來越多，已經有一定這樣的趨勢體現。
[自我認知]對內B端的壁壘
雖然當前階段，大部分廠商都是通用場景方案，而不是滿足企業(yè)的定制化需求。因此，他們對于我們垂直某行業(yè)的B端企業(yè)來說，這些AI能力的提效程度有限的，這里存在著“最后一公里的問題”。
在這個階段，我們可以結合通用方案的情況和我們的垂直行業(yè)需求，構建相關的AI工具，提高AI在具體業(yè)務下的準確度，給到業(yè)務定制化的解決方案，最高效地滿足業(yè)務訴求，從而輔助解決外部AI能力的“最后一公里”問題。
但是隨著外部廠商的發(fā)展，隨著他們能力、場景、行業(yè)的深耕，有可能某一天有某家廠商會推出“能滿足我們業(yè)務需求”、“好用”、“便宜”的工具的，那這樣我們內部B端產品團隊的努力就白費了。
所以說，我們在探索AI方向的時候，也要考慮壁壘構建的可行性。
個人覺得，判斷是否能形成壁壘可以有這幾個方面：
1.是否具有足夠的定制化優(yōu)勢？
第三方廠商（SaaS）是做多家公司需求的，做的是標準化產品，在特定場景上一定存在效率流失，相比起定制化工具，不夠好用。而且有些特殊的業(yè)務場景，第三方廠商并不一定能賦能。就算第三方廠商推出低代碼平臺，短時間內這里還是有巨大的入坑門檻。
因此我們要判斷，我們企業(yè)的流程是否有足夠多的定制化場景，能夠區(qū)別于第三方廠商提供的“賦能”，保證使用內部的工具能夠有足夠高的效率提升。
同時，我們要保證這里的定制化場景是否足夠多，是否會被第三方廠商在短時間內覆蓋，以保證我們能夠區(qū)別于第三方廠商，不然老板是沒有理由為“內部B端產品團隊”買單的。
2.是否能夠積累行業(yè)最佳實踐？
第三方（SaaS）是行業(yè)平均水平的最佳實踐，內部系統是企業(yè)的最佳實踐。如果我們內部企業(yè)是能夠形成領先于行業(yè)的最佳實踐的，那么我們便不需要第三方廠商的賦能，而是可以自行探索，并進行沉淀，從而實現自我內部的賦能。
3.是否能避免數據風險和安全問題？
這一點是頭部公司和處于競爭激烈行業(yè)的公司的擔心點。采用內部系統是能夠一定程度避免這些風險的。所以我們要判斷我們所處的行業(yè)，是否能通過內部系統避免這種風險。
如果不是頭部公司，或者競爭并不激烈的行業(yè)，這一塊的風險是相對較小的，那么我們便有可能不需要通過自研內部系統來規(guī)避風險。
4.是否能夠提供更便宜的解決方案？
部分SaaS提供的定價往往很高，會打包販賣一些不需要的額外服務，導致整體溢價。因此，如果內部B端產品能結合業(yè)務的實際需求，提供剛好合適的功能，并且控制整體的開發(fā)成本。那么我們相對SaaS來說，也是具有一定的優(yōu)勢的。
以上四點，是我們推動內部AI落地的時候需要考慮，并逐漸做起來的事情。否則，某一天外部市場的顛覆，可能會使得我們的努力前功盡棄。
[業(yè)務認知]掃描業(yè)務機會點
以上3點自我認知輔助我們梳理了“我們能做什么的問題”，接著我們就要去探索“我們要做什么”。就需要找到業(yè)務的方向，這時候需要先進行業(yè)務認知，掃描業(yè)務的機會點。
我的思路是這樣的：
首先，我們需要進行領域劃分，盤點好大致的業(yè)務類型。就假設公司會涉及到設計、客服兩個領域。
然后我們針對這兩個領域拆解其中的業(yè)務流程，梳理其中的核心環(huán)節(jié)，比如：
設計的核心流程是“尋找靈感”、“制作草稿”、“收集素材”、“成稿”、“上線”。
客服的核心流程是“客服培養(yǎng)”、“了解問題”、“解決問題”、“跟進”、“反饋收集”、“記錄報告”、“客服管理”等環(huán)節(jié)。
接著，我們需要通過這些業(yè)務流程，分析AI的切入點，重點是找到其中的痛點，比如重復、低效、易錯、信息過載等的情況。
這個過程十分考研我們對業(yè)務的理解能力，所以我們可以通過“業(yè)務調研”、“業(yè)務訪談”、“業(yè)務輪崗”等方式挖掘其中的切入點。
然后，我們可以評估這些切入點是否能被當前（基于團隊能力的）AI技術解決或優(yōu)化，并分析其中的可行性難度。
假設我們從設計領域的“尋找靈感”方向找到“行業(yè)情報收集”、“靈感提取”切入方向，我們可以線去分析其中所需的AI技術。
比如行業(yè)情報收集需要信息采集，也就是爬蟲技術，這里基本最核心的功能不涉及AI，AI只會在“提高采集精準度”上發(fā)揮作用，所以這個方向整體實現難度是“簡單”。
又比如靈感提取需要對多模態(tài)物料進行分析，提煉出可供素材設計的靈感。這里涉及到“圖片/視頻內容提取、圖片/視頻內容分析”兩方面的技術，目前內容提取相對較為簡單，但是分析出行業(yè)所需信息是難的，所以這個方向實現難度是中等。
我們可以按這個表格的形式，嘗試列舉到所有的切入點，并盤點其中AI技術的實現難度。
判斷實現難度可以通過下面幾個方法輔助調研。
這個AI技術有多少相關的公開信息？我們可以查查這個AI技術，有多少公開的學術研究、專利、媒體報道。相關的信息多說明這個方向具有一定的可行性。但是也有可能說明該方向只是前沿研究性質的內容，距離實際落地還有距離，所以在調研完這個方向后，我們還要調研下后面兩個方向。
這個AI技術有多少企業(yè)在發(fā)力？我們可以查查這個AI技術，有多少企業(yè)在發(fā)力研究，或者表示對這個方向有研究意愿。發(fā)力的企業(yè)多說明這個方向具有一定的價值，且具有較高的可行性。當然，這里也有一些企業(yè)在“做難且正確的”事情的，因此這個判斷維度主要是作為輔助參考。
這個AI技術有多少開源能力/商業(yè)化能力？我們可以查查這個AI技術，有多少已經現成的開源能力，或者是商業(yè)化能力的。因為這意味著，這個AI技術已經具有一定的成熟度了，我們可以直接站在企業(yè)的肩膀上發(fā)力。
核心是判斷是否有足夠的借力點，省的我們重復造輪子。
[業(yè)務認知]業(yè)務價值預估與優(yōu)先級排序
然后我們進入下一步，對業(yè)務價值進行預估，從而確定最終的業(yè)務實現優(yōu)先級。
因為有些AI方向雖然看起來高大上，但是一結合業(yè)務并無什么卵用，那研究并落地這些AI能力的目的是什么呢？只是為了看起來牛逼嗎？
比如我們是一個內部客服系統，最近AIGC很火，我們在客服系統上增加了生成圖畫內容的功能。這看起來很高端，但實際上并不能解決客服業(yè)務中的“用戶問題解決”的核心訴求。
比如我們是一個內部的視頻處理系統，最近讓角色跳科目三很火，為了趕上熱點，我們趕緊在系統上弄了一個圖片跳舞的AI能力?？雌饋泶_實挺跟熱點的，但是實際內部業(yè)務上會用到多少這種需求？做了似乎浪費人力成本。
所以我們要梳理一套內部的價值評估標準，用來對多個的AI切入方向進行梳理。
價值判斷有幾個維度：
1.用戶數量：該AI能力能被多少內部B端用戶所需要？這決定了AI發(fā)揮作用的范圍，即用戶量有多少？
2.使用頻次：該AI能力能被使用的頻率有多少？這決定了AI能力能否經常性發(fā)揮作用，還是偶爾被用一兩次。
“用戶數量”和“使用頻次”兩個維度都是用來判斷AI能力方向的需求規(guī)模的。如果最終盤下來只有一兩個人能夠使用上或者整體使用頻次很低，那么可以說這個AI能力其實發(fā)揮作用的空間很有限。
3.提效價值：使用AI能力后，能夠節(jié)省人力多少成本。一般在同等工作內容和工作質量下，對比人工處理的時間和機器處理時間的差異。
4.產出價值：使用AI能力產出的內容，能在業(yè)務中發(fā)揮多少價值。這里可以用直接產生的收益，或者間接產生的輔助收益進行衡量。
“提效價值”和“產出價值”兩個維度是用來衡量AI能力的單次價值的。
我們可以使用一個公式來進行整體AI方向的價值衡量：
AI方向價值=用戶數量*人均使用頻次*單次提效價值+用戶數量*人均使用頻次*單次產出價值
通過使用量化價值和量化的成本對比，我們便能判斷這個方向的性價比和優(yōu)先順序。
舉一些實際的例子。
假設我們在研究AI美術相關的能力，目前有視頻編輯和圖片編輯兩個方向，但是團隊人力有限，我們要選擇優(yōu)先哪個方向呢？
那么我們便按上面4個維度進行拆解：
以上數據為虛構示例。
可以看這個表，可以分別算出兩個內容的具體值。
AI視頻編輯的工具價值乘起來是400w，當然這是一個假設值。
AI圖片編輯的工具價值乘起來是110w
那么很明顯可以看到，AI視頻編輯工具的價值是整體偏高的。目前這兩個技術都有借力，所以成本相似。因此，在不討論其他因素的前提下，AI視頻編輯工具是更值得探索的。
這個過程中，我們可以保留一些“當前團隊能力無法滿足，但高價值”，且在適當“補充人力”后可夠到的方向。用于后續(xù)爭取資源。
因為我們最終是為AI的價值服務，而不是需要局限于當前的團隊能力。
[業(yè)務認知]基于已有方先與團隊對齊
完成了方向梳理后，我們需要再次和業(yè)務團隊進行對齊，形式可以是通過把方向制作成大致的說明文檔。這里需要看團隊的理解能力，可以是文字說明，也可是高保真原型。
這里需要做的事情主要是：
第一，通過把已有的方向和團隊對齊，讓業(yè)務設想下自己使用這些功能時候的場景，從中甄別哪些是偽需求，從而修正我們的方向設計，避免我們由于“業(yè)務理解程度不高”導致的方向錯誤。
第二，一定程度上進行業(yè)務價值的前期驗證，我們需要得到“頻次預估”、“價值預估”，修正我們一開始的價值判斷，從而優(yōu)化我們的功能排序。
第三，我們需要給業(yè)務打預防針，減少“AI取代他們”的顧慮。
減少業(yè)務的顧慮，是要建立“AI是與人協創(chuàng)”的認知。
AI是對“能被總結出規(guī)律內容”的歸納，本質上是滯后于“不斷創(chuàng)新發(fā)展”的前沿領域的。
我們要知道，人能做的事情，AI才能去做！
AI就好像是個實習生，擁有各項技能，但是不會怎么用，需要我們總結出一套SOP，指導他們進行業(yè)務。而他們也會在這個過程中不斷成長，只要我們還能夠帶他們，教會他們新的知識和內容，那么我們就不會被他們取代。
我覺得AI和我們的合作其實可以分為三層。
1.最底層是低復雜度的基礎工作，這些工作內容占據了最高的工作量。
這些工作可由AI完全自動進行，不需要我們耗費人力。
2.第二層是有一定挑戰(zhàn)的工作，這些工作里AI能夠輔助我們進行一些重復工作，但是最重要的關鍵還是在于我們人自身的判斷和執(zhí)行。
在這一層，我們和AI是合作的關系，AI在這里充當的是我們的助手。
3.最頂層是復雜度最高的工作，這些工作往往是具有創(chuàng)新突破性質的工作。
這些工作從本質上講，是無法被AI替代的。除非我們遠遠落后于行業(yè)前沿。行業(yè)的大模型知識遙遙領先于我們。
該領域也是我們的核心壁壘，只要我們能走在AI前面，那么AI將很難追上我們。
[向上認知]基于對齊結果向上管理
到這時，我們就已經有了基于“自我認知”和“業(yè)務認知”得出的AI方向了。
這時候我們需要進行向上管理。
首先，我們要對齊“預期”。需要告知：
團隊邊界：我們的團隊能做到什么程度的內容，如果要做到這個程度的內容，需要打造什么樣的團隊。
方向與價值預估：我們需要告知目前能做到什么事情，并告知相關價值。
風險預估：我們需要告知，哪些方向是目前“實現難度大”的，需要告知實現難度大的內容，具有“ROI不確定”的風險。
通過對齊這些內容，我們需要做到：
確認上級的預期，調整優(yōu)先級。因為我們得出的方向，往往是缺乏高層戰(zhàn)略視角的。所以我們要從向上管理的過程獲取信息，從而修正我們的方向。
爭取資源，并以此成立AI專項小組。
為什么要成立AI專項小組呢？
首先是可以獲取人力資源優(yōu)勢，對齊目標，補齊人力。使得我們可以更高效率地推動AI的落地。
其次是通過專項小組，我們可以借此調度其他各線業(yè)務的支持。因為AI只是一個技術能力，所有業(yè)務都是+到AI上的，所以不能光整能力，需要業(yè)務基本盤，需要來自業(yè)務的支撐，需要充分調度各業(yè)務線的支持，如有特殊情況，能獲取到來自上級的支持。
然后，通過小組的方式，我們可建立“邊際成本遞減”的成本優(yōu)勢，打造企業(yè)內的AI中臺服務。由一個統一的小組來承擔AI研究任務，可以顯著降低重復成本、研究成本、學習成本和部署成本，只需投入一次，便能為整個團隊服務。而且專門的AI研究小組能夠集中人力資源，攻克技術難題。
最后，可以更好地運營“AI落地”這件事情。因為AI落地不僅僅是開發(fā)層的事情，更多是運營層、管理層的事情，要有一個能夠從全局把控團隊“應用AI這件事”的組織，做好團隊AI+這件事情。
圍繞共創(chuàng)生態(tài)的AI落地
接下來，我們就要開始推動“AI落地”的這件事情了。
小的認為，在對內B端，AI技術要能真正賦能業(yè)務，并不是先研究一個很叼的技術能力，然后再去找業(yè)務看看“有無什么作用？”
這就像拿著錘子，去到處找釘子。這不過就是一種自嗨的偽需求。
而我們應該做的，是找到釘子，再拿個合適的錘子過來。不是AI能做什么？而是我們的用戶需要什么？
所以說，我們是要在業(yè)務中發(fā)現有價值的需求場景，然后基于這個需求去研究相關的AI能力，最后結合業(yè)務發(fā)揮作用。
因此，個人認為，我們是需要構建一個“共創(chuàng)生態(tài)”，以此輔助我們挖掘真需求，進行AI落地。圍繞這個目的，我總結了3點方法論。
[建設基于AI的業(yè)務協創(chuàng)機制，積累最佳實踐]
[圍繞最佳實踐構建系統功能，積累業(yè)務戰(zhàn)果]
[圍繞系統成果深化共創(chuàng)生態(tài)，構成良性循環(huán)]
下面具體談談。
[建設基于AI的業(yè)務協創(chuàng)機制，積累最佳實踐]
我們第一步是“建設基于AI的業(yè)務協創(chuàng)機制，積累最佳實踐”。
一個AI能力的落地，并不是可以直接從功能開發(fā)入手的，而是需要先判斷其與業(yè)務場景的適配程度。
因為一個AI模型被吹得“能力很強大”，并不等于在企業(yè)的定制化場景下“能力很強大”，很有可能AI的效果就是不行的。
所以要落地一個AI技術，要先進行“可行性研究”、“業(yè)務測試”，再是“功能開發(fā)”等步驟。
因此從發(fā)現一個AI技術，距離真正落地還有很長的距離，而我們不可能讓業(yè)務等我們先走完流程才用上AI，這會讓業(yè)務浪費極大的機會成本，也會在內部積累一定的怨言。
所以，我們需要構建一個“基于AI的業(yè)務協創(chuàng)機制”，其可以做到：
通過一套標準化、快速的AI測試驗證方式，保證快速驗證AI技術與業(yè)務的適配程度。而且在后續(xù)AI迭代的時候，能夠告訴業(yè)務最佳的選擇。
通過一些快速部署的機制，讓業(yè)務能夠快速用上最新的AI能力，并在這個過程中，進一步判斷AI和業(yè)務的適配程度，并積累業(yè)務的AI最佳實踐。讓業(yè)務輔助我們篩選掉一些“原本確定下來可實現、有價值，但是實際實現起來存在卡點”的方向，這些方向有可能是因為當前AI能力未能滿足業(yè)務訴求，有可能是通過實踐發(fā)現“價值沒這么高”。
如果團隊有能力在后續(xù)提供系統化解決方案，這個過程可以培育一批核心的種子用戶，也便于后續(xù)促成“共創(chuàng)”生態(tài)。
而“基于AI的業(yè)務協創(chuàng)機制”，主要由以下流程構成。
AI探索：基于業(yè)務方向進行AI工具的實驗與探索，對市面上的AI能力進行初篩。
能力引入：構建能夠讓業(yè)務使用外部工具的形式，一般有以下3種形式。第三方賬號：申請預算購買賬號，做好分發(fā)與管理，通過分發(fā)賬號的方式讓業(yè)務進行AI體驗。開源部署：通過借助開源工具、第三方平臺部署到內部，給內部使用。API：通過接入API，通過提需求或者簡單上到系統的方式，給到業(yè)務使用。
業(yè)務試用：一批核心的業(yè)務成員，給我們業(yè)務視角去評估AI，輔助我們判斷AI是否真的能帶來價值。
最佳實踐沉淀：通過業(yè)務使用，記錄并沉淀我們的最佳實踐案例庫，用于為后續(xù)系統化做準備。
整體流程就是，先由AI探索者進行研究初篩，然后引入到內部進行業(yè)務使用，最終沉淀成最佳實踐。
這個過程中，我們需要建立以下內容：
AI情報信息源：AI的發(fā)展是日新月異的，我們需要建立優(yōu)質的信息獲取渠道，以便我們能及時獲取到最新的AI情報，然后進行實驗與探索，從而找到對業(yè)務有價值的AI能力。
內部評價體系：需要內部建立一個統一且規(guī)范的AI評價標準，用來進行市面上AI能力的橫向對比，以及AI能力迭代時候的縱向對比。通過量化的方式，來找到最適合業(yè)務的AI工具。
協作SOP：如果某個AI能力未能提供系統化解決方案，需要人力的方式保證業(yè)務運轉。比如接入API來進行視頻生成，需要業(yè)務方提交物料給到技術生成。如果需求方過多，會由于管理混亂導致效率低下。因此需要形成一套指引協作的SOP，來規(guī)范對接的流程，每個過程提交的物料。一來保證團隊的高效，二來降低溝通成本。
最佳實踐知識庫：這套“基于AI的業(yè)務協作”的過程必定會積累不少價值的AI使用最佳實踐。我們需要把這部分內容沉淀，并復用到其他業(yè)務方上。
因此，我們要構建一個統一入口的知識庫。
這里的要點在于“統一入口”。為什么這么說呢？因為內部中臺的本質是復用和沉淀，如果劃分得很散亂，必定會增加業(yè)務理解成本，也不便于團隊“積少成多”形成規(guī)模化效應（AI的發(fā)展趨勢也是一種積少成多）。而且，假設我們后續(xù)要進行系統化，我們的系統也是會以這個“知識庫”內所包含的內容為雛形進行發(fā)展的。
[圍繞最佳實踐構建系統功能，積累業(yè)務戰(zhàn)果]
當我們的“基于AI的業(yè)務協作”模式跑起來，并源源不斷積累“有價值”的最佳實踐后，就需要考慮進行系統化建設，充分發(fā)揮AI提質、提效的作用。下面講講個人關于這一塊的想法。
1.建設核心：以Allinone為核心進行系統化建設。
個人認為，系統的建設核心應該是遵循著“Allinone”思路的。
Allinone分為四層。
所有AI能力整合，集中內外部AI能力。
所有業(yè)務經驗整合，集中所有優(yōu)質業(yè)務實踐、技術探索。
所有業(yè)務流程整合，集中所有業(yè)務流程，比如客服、設計從頭到尾的流程。
所有應用場景整合，所有應用場景都調用我們系統，比如公司的數據分析后臺、CRM后臺、投放后臺等等地方，都可以調用AI能力。
要做到內外部AI能力層面的Allinone，需要我們保持穩(wěn)定的AI探索，并積累對內部有益的AI能力，這一塊前文的“協創(chuàng)機制”就為此進行了一定的積累。
同時，“協創(chuàng)機制”過程積累的最佳實踐，本質就是一種優(yōu)質經驗，由此，也構成了“業(yè)務經驗”的Allinone。
而要做到業(yè)務流程層面的Allinone，需要我們“協創(chuàng)機制”積累的最佳實踐，深挖相關業(yè)務流程，并積累AI能力的“點-線-面”。
AI能力的“點-線-面”其實對應著前文提到的“Ai落地B端”的多個階段，單點接入賦能、工作流整合賦能、工作流智能調度階段。
我們在“協創(chuàng)”過程中搭建的試用機制，某種程度上滿足了“單點接入賦能”的訴求。但是這樣僅僅只能服務于小部分人。由此，我們可以搭建一個功能來提供這些單點能力，讓非協創(chuàng)成員也能用上這些能力。
接著，我們需要基于已有的“業(yè)務實踐”深挖其業(yè)務流程，并給到嵌入業(yè)務流程的解決方案，為整條鏈路提供自動化或智能化解決方案。這也是我們邁入“AI落地B端第二階段”的關鍵。在這一階段，AI的“提效”、“提質”作用會被進一步放大，給業(yè)務提供一條龍式的服務。
比如在階段一我們只提供了一個“客服問答助手能力”，在階段二，我們就需要考慮構建客服服務場景下一條龍式的服務，比如用戶提出一個問題，對于問答助手沒法解答的問題，我們可以記錄問題的類型，登記成工單，然后分配給合適的成員進行跟進，并在跟進完成后，由AI進行質檢評分。
最后，我們便可以進行“工作流智能調度階段”的探索，嘗試為業(yè)務流程帶來更高提效的可能性。
接著，是應用場景層面的Allinone，我們可以通過以下兩種方式來實現：
構建AI能力聚集地：我們可以將已有的AI能力聚合到一個系統上，從而覆蓋各種AI的使用場景，并由此來培養(yǎng)“這個平臺有所有AI能力”的認知，讓更多人養(yǎng)成使用習慣。
封裝并分發(fā)到各業(yè)務系統：大部分廠商原本就有一定的業(yè)務系統建設，用戶也養(yǎng)成了相關的使用習慣。因此我們可以把AI能力封裝成API、瀏覽器插件等形式，讓其他業(yè)務系統按需調用。
當然，這兩種方式是可以共存的，并不會互相影響。
2.構建順序：MVP原則，先驗證，后放大
確定系統的構建核心思路后，就是系統的構建順序。
這里主要是遵循MVP原則，即最小可行性原則。通過這種方式最小成本驗證價值，然后再規(guī)?；ㄔO。
也可以理解為“先上線，再優(yōu)化”。這個過程也是”積累戰(zhàn)果“的關鍵，我們可以由此積累足夠的系統價值證明。
當然，各位都是做產品的，這個原則大家耳朵估計都聽到起繭子了，這里就不多贅述了。
3.兜底策略：海王思維，兩手準備。
由于AI能力發(fā)展日新月異，我們通過“協創(chuàng)機制”選出來的AI方案可能只合適于當下，在未來卻有隨時被其他AI能力顛覆的可能性。
比如，一開始AI視頻生成是runwaypikaluma比較厲害，但是現在基本上都是選擇可靈即夢。
因此，在落地相關功能時，需要具備一種”海王”思維：
1）做好隨時“分手”的準備：
確保基于AI相關功能的實現方案不要過于定制和耦合，明確好自身系統和AI能力的邊界。把AI能力當作一個可隨時替換的“插件”，做好隨時替換的準備，當目前使用的AI能力由于成本或者能力問題需要替換的時候，可以隨時抽身而退。
2）定期評估最佳實現方案：
由于當前AI發(fā)展日新月異，為了不讓企業(yè)落后，產品團隊需要定期接入最新的模型進行測試和驗證，利用前面搭建的“內部評價體系”判斷最新的模型與原有模型的差異，以用于判斷“是否替換”或是“保持使用”。
當系統在穩(wěn)定地構建的時候，我們要注意系統戰(zhàn)果積累，為下一步做準備。
[圍繞戰(zhàn)果成果深化共創(chuàng)生態(tài)，構成良性循環(huán)]
基于前面兩個環(huán)節(jié)積累的最佳實踐、系統戰(zhàn)果，我們需要定期進行戰(zhàn)果宣導，可以通過內部期刊、宣講會等方式來同步我們的戰(zhàn)果信息。
以達到以下效果：
通過成功案例吸引更多的使用者，并通過用戶培訓教育降低使用門檻，吸引更多AI使用者，進一步發(fā)揮系統價值。
構建團隊的構建內部公信力，成為生態(tài)的牽頭人之一，便于向各方借力，進一步推動AI落地。
通過拋磚引玉的作用，挖掘更多的”生態(tài)共建者“，拓展共創(chuàng)規(guī)模，輔助我們找到更好的AI方向、AI需求，保證我們的AI應用能確實圍繞”團隊的真需求“開展。
圍繞”共創(chuàng)生態(tài)“這個內核，我們先推動業(yè)務協創(chuàng)探索，積累最佳實踐，圍繞最佳實踐落地系統，然后通過戰(zhàn)果宣導刺激更多共創(chuàng)需求，再進行使能探索。
如此，便構成了一個良性的循環(huán)。
小結
以上，便是我個人關于內部B端產品落地AI的實戰(zhàn)經驗分享了。當然這些經驗只是我從個人的經歷中提煉出來的，并不一定適用于所有場景，但希望能個到各位啟發(fā)。
延伸閱讀：與 淺談：《企業(yè)內，部》B端產品落地AI的實踐 的相關文章王菲穿搭被贊“朝陽區(qū)麻袋天后”
電車停在家中起火 戶主：半個月沒開
胡先煦你讓我有點陌生了
無捆綁銷售、杜絕大數據殺熟，民航版“12306”上線
笑瘋！和好朋友玩匿名真心話，結果破防了?。?！
泡面界五大幻神，哪位是你心中的白月光
課堂上，你竟然對?；ㄗ龀隽诉@樣的事？
kun哥
泰柬邊境交火升級，泰國的壓倒性空中優(yōu)勢對沖突有何影響?
難聽
