企業(yè)內(nèi)部B端產(chǎn)品如何有效落地AI？作者結(jié)合實戰(zhàn)經(jīng)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(xiàn)認知對齊與業(yè)務(wù)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(jié)，并不會涉及到具體的技術(shù)實現(xiàn)、AI方向問題，這些不在這篇文章的討論范疇內(nèi)。

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(jié)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(nèi)部B端場景落地AI的各種難題

想必做內(nèi)部B端產(chǎn)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(wù)上來？”

大家都期望利用“強大”的AI來實現(xiàn)“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(guān)聯(lián)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(wù)推進。可以分為團隊自身、業(yè)務(wù)方、公司高層方面的問題。

首先，團隊自身層面可能出現(xiàn)“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(yīng)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(wù)方會存在“AI方向”、“資源調(diào)配”、“認知對齊”等的問題。

比如，AI這個領(lǐng)域方向太多了，技術(shù)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(wù)、最能出效果的。

又比如，業(yè)務(wù)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(jīng)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(wù)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(guān)，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(wù)”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(yīng)該是怎么樣的？先做系統(tǒng)，還是先想辦法讓業(yè)務(wù)用起來？

設(shè)計系統(tǒng)框架的時候，要怎么設(shè)計，才能和已有的業(yè)務(wù)系統(tǒng)結(jié)合起來，而不造成成本的浪費。

諸如此類的問題，都對應(yīng)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(xiàn)成本、人力資源、價值呈現(xiàn)等諸多原因而流產(chǎn)。

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(wù)、向上等3個方向的認知對齊，也對應(yīng)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(yīng)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(guān)開發(fā)能力的團隊。是指我們沒有相關(guān)的技術(shù)人力資源來構(gòu)建AI相關(guān)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(wù)。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(chǔ)開發(fā)能力的團隊。是指能夠配置僅用于開發(fā)系統(tǒng)的技術(shù)人力資源，但并無AI相關(guān)的技術(shù)人才。在這種情況下，只能進行AI能力相關(guān)的API與業(yè)務(wù)系統(tǒng)整合，或者單獨開發(fā)面向內(nèi)部的AI系統(tǒng)。此外，還可以進行RAG技術(shù)應(yīng)用，進行簡單的大模型調(diào)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(diào)能力的團隊。是指團隊中有基礎(chǔ)的AI技術(shù)人才。在這種情況下，可以嘗試特定場景的模型微調(diào)、定制化小模型開發(fā)，用來滿足特定場景下的業(yè)務(wù)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(jīng)是大廠級別了，可以進行更深層次的創(chuàng)新應(yīng)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(wù)有用的AI能力”，結(jié)合業(yè)務(wù)流程整合到業(yè)務(wù)上來，提供”業(yè)務(wù)+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(jié)合業(yè)務(wù)訴求和AI能力進行模型開發(fā)，相對來說“存在投產(chǎn)比不可預(yù)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(guān)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(wù)痛點。比如業(yè)務(wù)需要生成一張圖片，生成一個視頻，我們就接入相關(guān)AI生產(chǎn)能力，從而實現(xiàn)單點的賦能。此外，像是智能文檔提取、基礎(chǔ)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(wù)就能滿足。是前文提到的“第一類無相關(guān)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(xiàn)有的核心業(yè)務(wù)流程或系統(tǒng)中，為整條鏈路提供自動化或智能化解決方案。假設(shè)我們原本制作了一個圖片生產(chǎn)能力，那這個系統(tǒng)就是關(guān)聯(lián)業(yè)務(wù)的靈感庫、素材庫，自動生產(chǎn)圖片素材，然后上傳到我們的投放系統(tǒng)上。從而實現(xiàn)了“需求——制作——使用”業(yè)務(wù)流程的閉環(huán)。

這一階段可以通過貼合業(yè)務(wù)流程，最大限度發(fā)揮AI的“提效”、“提質(zhì)”作用。這一階段需要“有基礎(chǔ)開發(fā)能力的團隊”的支持，從而進行系統(tǒng)開發(fā)，或者利用企業(yè)的數(shù)據(jù)資產(chǎn)進行RAG調(diào)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(diào)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(wù)執(zhí)行順序，同時調(diào)度所需的AI工具，最后完成任務(wù)的執(zhí)行。

這都體現(xiàn)了現(xiàn)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(xiàn)在的AI工具呈現(xiàn)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(yīng)的AI工具，并完成任務(wù)規(guī)劃和執(zhí)行。

目前這一階段大多數(shù)是通用解決方案，如果在內(nèi)部定制化的場景落地，需要有一定“小模型開發(fā)、微調(diào)能力的團隊”。

階段四，是數(shù)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(wù)環(huán)境進行感知，然后執(zhí)行計劃，最終進行滿足業(yè)務(wù)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(yīng)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(yīng)著團隊類型1、2、3、4的上限。

但這也是當前階段的對應(yīng)關(guān)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(yīng)用上最新的AI技術(shù)?，F(xiàn)在工作流類工具越來越多，已經(jīng)有一定這樣的趨勢體現(xiàn)。

[自我認知]對內(nèi)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(jié)合通用方案的情況和我們的垂直行業(yè)需求，構(gòu)建相關(guān)的AI工具，提高AI在具體業(yè)務(wù)下的準確度，給到業(yè)務(wù)定制化的解決方案，最高效地滿足業(yè)務(wù)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(wù)需求”、“好用”、“便宜”的工具的，那這樣我們內(nèi)部B端產(chǎn)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(gòu)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(chǎn)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(wù)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(nèi)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(nèi)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(nèi)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(nèi)部B端產(chǎn)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(nèi)部系統(tǒng)是企業(yè)的最佳實踐。如果我們內(nèi)部企業(yè)是能夠形成領(lǐng)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(xiàn)自我內(nèi)部的賦能。

3.是否能避免數(shù)據(jù)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(nèi)部系統(tǒng)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(nèi)部系統(tǒng)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(nèi)部系統(tǒng)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(wù)，導致整體溢價。因此，如果內(nèi)部B端產(chǎn)品能結(jié)合業(yè)務(wù)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(nèi)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(wù)認知]掃描業(yè)務(wù)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(wù)的方向，這時候需要先進行業(yè)務(wù)認知，掃描業(yè)務(wù)的機會點。

我的思路是這樣的：

首先，我們需要進行領(lǐng)域劃分，盤點好大致的業(yè)務(wù)類型。就假設(shè)公司會涉及到設(shè)計、客服兩個領(lǐng)域。

然后我們針對這兩個領(lǐng)域拆解其中的業(yè)務(wù)流程，梳理其中的核心環(huán)節(jié)，比如：

設(shè)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(wù)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(wù)的理解能力，所以我們可以通過“業(yè)務(wù)調(diào)研”、“業(yè)務(wù)訪談”、“業(yè)務(wù)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(shù)解決或優(yōu)化，并分析其中的可行性難度。

假設(shè)我們從設(shè)計領(lǐng)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(shù)。

比如行業(yè)情報收集需要信息采集，也就是爬蟲技術(shù)，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(xiàn)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(shè)計的靈感。這里涉及到“圖片/視頻內(nèi)容提取、圖片/視頻內(nèi)容分析”兩方面的技術(shù)，目前內(nèi)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?qū)崿F(xiàn)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(shù)的實現(xiàn)難度。

判斷實現(xiàn)難度可以通過下面幾個方法輔助調(diào)研。

這個AI技術(shù)有多少相關(guān)的公開信息？我們可以查查這個AI技術(shù)，有多少公開的學術(shù)研究、專利、媒體報道。相關(guān)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(zhì)的內(nèi)容，距離實際落地還有距離，所以在調(diào)研完這個方向后，我們還要調(diào)研下后面兩個方向。

這個AI技術(shù)有多少企業(yè)在發(fā)力？我們可以查查這個AI技術(shù)，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(shù)有多少開源能力/商業(yè)化能力？我們可以查查這個AI技術(shù)，有多少已經(jīng)現(xiàn)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(shù)已經(jīng)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(wù)認知]業(yè)務(wù)價值預(yù)估與優(yōu)先級排序

然后我們進入下一步，對業(yè)務(wù)價值進行預(yù)估，從而確定最終的業(yè)務(wù)實現(xiàn)優(yōu)先級。

因為有些AI方向雖然看起來高大上，但是一結(jié)合業(yè)務(wù)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(nèi)部客服系統(tǒng)，最近AIGC很火，我們在客服系統(tǒng)上增加了生成圖畫內(nèi)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(wù)中的“用戶問題解決”的核心訴求。

比如我們是一個內(nèi)部的視頻處理系統(tǒng)，最近讓角色跳科目三很火，為了趕上熱點，我們趕緊在系統(tǒng)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(nèi)部業(yè)務(wù)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(nèi)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(shù)量：該AI能力能被多少內(nèi)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(jīng)常性發(fā)揮作用，還是偶爾被用一兩次。

“用戶數(shù)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(nèi)容和工作質(zhì)量下，對比人工處理的時間和機器處理時間的差異。

4.產(chǎn)出價值：使用AI能力產(chǎn)出的內(nèi)容，能在業(yè)務(wù)中發(fā)揮多少價值。這里可以用直接產(chǎn)生的收益，或者間接產(chǎn)生的輔助收益進行衡量。

“提效價值”和“產(chǎn)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(shù)量*人均使用頻次*單次提效價值+用戶數(shù)量*人均使用頻次*單次產(chǎn)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(shè)我們在研究AI美術(shù)相關(guān)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(shù)據(jù)為虛構(gòu)示例。

可以看這個表，可以分別算出兩個內(nèi)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(shè)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(shù)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(wù)，而不是需要局限于當前的團隊能力。

[業(yè)務(wù)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(wù)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(wù)設(shè)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(shè)計，避免我們由于“業(yè)務(wù)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(wù)價值的前期驗證，我們需要得到“頻次預(yù)估”、“價值預(yù)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(wù)打預(yù)防針，減少“AI取代他們”的顧慮。

減少業(yè)務(wù)的顧慮，是要建立“AI是與人協(xié)創(chuàng)”的認知。

AI是對“能被總結(jié)出規(guī)律內(nèi)容”的歸納，本質(zhì)上是滯后于“不斷創(chuàng)新發(fā)展”的前沿領(lǐng)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(jié)出一套SOP，指導他們進行業(yè)務(wù)。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(nèi)容，那么我們就不會被他們?nèi)〈?/p>

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(chǔ)工作，這些工作內(nèi)容占據(jù)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(guān)鍵還是在于我們?nèi)俗陨淼呐袛嗪蛨?zhí)行。

在這一層，我們和AI是合作的關(guān)系，AI在這里充當?shù)氖俏覀兊闹帧?/p>

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(zhì)的工作。

這些工作從本質(zhì)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(lǐng)先于我們。

該領(lǐng)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(jié)果向上管理

到這時，我們就已經(jīng)有了基于“自我認知”和“業(yè)務(wù)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(yù)期”。需要告知：

團隊邊界：我們的團隊能做到什么程度的內(nèi)容，如果要做到這個程度的內(nèi)容，需要打造什么樣的團隊。

方向與價值預(yù)估：我們需要告知目前能做到什么事情，并告知相關(guān)價值。

風險預(yù)估：我們需要告知，哪些方向是目前“實現(xiàn)難度大”的，需要告知實現(xiàn)難度大的內(nèi)容，具有“ROI不確定”的風險。

通過對齊這些內(nèi)容，我們需要做到：

確認上級的預(yù)期，調(diào)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(diào)度其他各線業(yè)務(wù)的支持。因為AI只是一個技術(shù)能力，所有業(yè)務(wù)都是+到AI上的，所以不能光整能力，需要業(yè)務(wù)基本盤，需要來自業(yè)務(wù)的支撐，需要充分調(diào)度各業(yè)務(wù)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(nèi)的AI中臺服務(wù)。由一個統(tǒng)一的小組來承擔AI研究任務(wù)，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(wù)。而且專門的AI研究小組能夠集中人力資源，攻克技術(shù)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(yīng)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(nèi)B端，AI技術(shù)要能真正賦能業(yè)務(wù)，并不是先研究一個很叼的技術(shù)能力，然后再去找業(yè)務(wù)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(yīng)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(wù)中發(fā)現(xiàn)有價值的需求場景，然后基于這個需求去研究相關(guān)的AI能力，最后結(jié)合業(yè)務(wù)發(fā)揮作用。

因此，個人認為，我們是需要構(gòu)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(jié)了3點方法論。

[建設(shè)基于AI的業(yè)務(wù)協(xié)創(chuàng)機制，積累最佳實踐]

[圍繞最佳實踐構(gòu)建系統(tǒng)功能，積累業(yè)務(wù)戰(zhàn)果]

[圍繞系統(tǒng)成果深化共創(chuàng)生態(tài)，構(gòu)成良性循環(huán)]

下面具體談?wù)劇?/p>

[建設(shè)基于AI的業(yè)務(wù)協(xié)創(chuàng)機制，積累最佳實踐]

我們第一步是“建設(shè)基于AI的業(yè)務(wù)協(xié)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(wù)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(shù)，要先進行“可行性研究”、“業(yè)務(wù)測試”，再是“功能開發(fā)”等步驟。

因此從發(fā)現(xiàn)一個AI技術(shù)，距離真正落地還有很長的距離，而我們不可能讓業(yè)務(wù)等我們先走完流程才用上AI，這會讓業(yè)務(wù)浪費極大的機會成本，也會在內(nèi)部積累一定的怨言。

所以，我們需要構(gòu)建一個“基于AI的業(yè)務(wù)協(xié)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(shù)與業(yè)務(wù)的適配程度。而且在后續(xù)AI迭代的時候，能夠告訴業(yè)務(wù)最佳的選擇。

通過一些快速部署的機制，讓業(yè)務(wù)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(wù)的適配程度，并積累業(yè)務(wù)的AI最佳實踐。讓業(yè)務(wù)輔助我們篩選掉一些“原本確定下來可實現(xiàn)、有價值，但是實際實現(xiàn)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(wù)訴求，有可能是通過實踐發(fā)現(xiàn)“價值沒這么高”。

如果團隊有能力在后續(xù)提供系統(tǒng)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(wù)協(xié)創(chuàng)機制”，主要由以下流程構(gòu)成。

AI探索：基于業(yè)務(wù)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(gòu)建能夠讓業(yè)務(wù)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(yù)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(wù)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(nèi)部，給內(nèi)部使用。API：通過接入API，通過提需求或者簡單上到系統(tǒng)的方式，給到業(yè)務(wù)使用。

業(yè)務(wù)試用：一批核心的業(yè)務(wù)成員，給我們業(yè)務(wù)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(wù)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(tǒng)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(nèi)部進行業(yè)務(wù)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(nèi)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(zhì)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(wù)有價值的AI能力。

內(nèi)部評價體系：需要內(nèi)部建立一個統(tǒng)一且規(guī)范的AI評價標準，用來進行市面上AI能力的橫向?qū)Ρ?，以及AI能力迭代時候的縱向?qū)Ρ取Ｍㄟ^量化的方式，來找到最適合業(yè)務(wù)的AI工具。

協(xié)作SOP：如果某個AI能力未能提供系統(tǒng)化解決方案，需要人力的方式保證業(yè)務(wù)運轉(zhuǎn)。比如接入API來進行視頻生成，需要業(yè)務(wù)方提交物料給到技術(shù)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(xié)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(wù)協(xié)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(nèi)容沉淀，并復用到其他業(yè)務(wù)方上。

因此，我們要構(gòu)建一個統(tǒng)一入口的知識庫。

這里的要點在于“統(tǒng)一入口”。為什么這么說呢？因為內(nèi)部中臺的本質(zhì)是復用和沉淀，如果劃分得很散亂，必定會增加業(yè)務(wù)理解成本，也不便于團隊“積少成多”形成規(guī)?；?yīng)（AI的發(fā)展趨勢也是一種積少成多）。而且，假設(shè)我們后續(xù)要進行系統(tǒng)化，我們的系統(tǒng)也是會以這個“知識庫”內(nèi)所包含的內(nèi)容為雛形進行發(fā)展的。

[圍繞最佳實踐構(gòu)建系統(tǒng)功能，積累業(yè)務(wù)戰(zhàn)果]

當我們的“基于AI的業(yè)務(wù)協(xié)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(tǒng)化建設(shè)，充分發(fā)揮AI提質(zhì)、提效的作用。下面講講個人關(guān)于這一塊的想法。

1.建設(shè)核心：以Allinone為核心進行系統(tǒng)化建設(shè)。

個人認為，系統(tǒng)的建設(shè)核心應(yīng)該是遵循著“Allinone”思路的。

Allinone分為四層。

所有AI能力整合，集中內(nèi)外部AI能力。

所有業(yè)務(wù)經(jīng)驗整合，集中所有優(yōu)質(zhì)業(yè)務(wù)實踐、技術(shù)探索。

所有業(yè)務(wù)流程整合，集中所有業(yè)務(wù)流程，比如客服、設(shè)計從頭到尾的流程。

所有應(yīng)用場景整合，所有應(yīng)用場景都調(diào)用我們系統(tǒng)，比如公司的數(shù)據(jù)分析后臺、CRM后臺、投放后臺等等地方，都可以調(diào)用AI能力。

要做到內(nèi)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(nèi)部有益的AI能力，這一塊前文的“協(xié)創(chuàng)機制”就為此進行了一定的積累。

同時，“協(xié)創(chuàng)機制”過程積累的最佳實踐，本質(zhì)就是一種優(yōu)質(zhì)經(jīng)驗，由此，也構(gòu)成了“業(yè)務(wù)經(jīng)驗”的Allinone。

而要做到業(yè)務(wù)流程層面的Allinone，需要我們“協(xié)創(chuàng)機制”積累的最佳實踐，深挖相關(guān)業(yè)務(wù)流程，并積累AI能力的“點-線-面”。

AI能力的“點-線-面”其實對應(yīng)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(diào)度階段。

我們在“協(xié)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(wù)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(xié)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(wù)實踐”深挖其業(yè)務(wù)流程，并給到嵌入業(yè)務(wù)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(guān)鍵。在這一階段，AI的“提效”、“提質(zhì)”作用會被進一步放大，給業(yè)務(wù)提供一條龍式的服務(wù)。

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(gòu)建客服服務(wù)場景下一條龍式的服務(wù)，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(zhì)檢評分。

最后，我們便可以進行“工作流智能調(diào)度階段”的探索，嘗試為業(yè)務(wù)流程帶來更高提效的可能性。

接著，是應(yīng)用場景層面的Allinone，我們可以通過以下兩種方式來實現(xiàn)：

構(gòu)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(tǒng)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(wù)系統(tǒng)：大部分廠商原本就有一定的業(yè)務(wù)系統(tǒng)建設(shè)，用戶也養(yǎng)成了相關(guān)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(wù)系統(tǒng)按需調(diào)用。

當然，這兩種方式是可以共存的，并不會互相影響。

2.構(gòu)建順序：MVP原則，先驗證，后放大

確定系統(tǒng)的構(gòu)建核心思路后，就是系統(tǒng)的構(gòu)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(shè)。

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(guān)鍵，我們可以由此積累足夠的系統(tǒng)價值證明。

當然，各位都是做產(chǎn)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(xié)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(xiàn)在基本上都是選擇可靈即夢。

因此，在落地相關(guān)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(guān)功能的實現(xiàn)方案不要過于定制和耦合，明確好自身系統(tǒng)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(xiàn)方案：

由于當前AI發(fā)展日新月異，為了不讓企業(yè)落后，產(chǎn)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(nèi)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(tǒng)在穩(wěn)定地構(gòu)建的時候，我們要注意系統(tǒng)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(gòu)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(tǒng)戰(zhàn)果，我們需要定期進行戰(zhàn)果宣導，可以通過內(nèi)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(tǒng)價值。

構(gòu)建團隊的構(gòu)建內(nèi)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(yīng)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(nèi)核，我們先推動業(yè)務(wù)協(xié)創(chuàng)探索，積累最佳實踐，圍繞最佳實踐落地系統(tǒng)，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(gòu)成了一個良性的循環(huán)。

小結(jié)

以上，便是我個人關(guān)于內(nèi)部B端產(chǎn)品落地AI的實戰(zhàn)經(jīng)驗分享了。當然這些經(jīng)驗只是我從個人的經(jīng)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)。