人工智能盈利优势指南-全-

人工智能盈利优势指南（全）

原文：The Profitable AI Advantage

译者：飞龙

协议：CC BY-NC-SA 4.0

前言

当我最初考虑写这本书时，我的第一反应是：不，不要又是另一本 AI 书！

我见过很多这样的例子。有时，一个月内就有十几个。大多数可以分为两类：要么是只有 AI 人士或数据科学家才能真正欣赏的高度技术性的深入研究，要么是让你兴奋（有时甚至害怕）但提供很少实际行动的浮夸的商业书籍。这两者都不符合我在咨询工作中每天遇到的人：渴望理解 AI 并将其付诸实践的企业领导者，但被炒作所压倒，努力使其成为现实。

这本书旨在填补这个空白。

在过去的五年里，我从事应用 AI 咨询工作，帮助各种规模的组织以有意义、实用的方式采用 AI。在此之前，我曾担任数据科学家，将机器学习模型投入生产是我日常工作的一部分——在 ChatGPT 使 AI 成为家喻户晓的术语之前很久。如今，我的关注点更少在于从头开始训练深度学习模型，而是更多地帮助企业在实际和盈利的方式中将可访问的 AI 技术应用于现实世界的问题。

当我提到盈利时，我是从管理角度说的——通过减少可避免的成本、增加吞吐量、减轻风险或在不向组织增加相应成本的情况下创造新的收入来扩大利润率。我不会带你进行折现现金流分析；相反，我们将使用简单的阈值、成本上限和快速估算，你可以将其应用到自己的财务中。目标是简单明了：实施 AI，使其出现在你的损益表上。

这本书以（希望）读者友好的方式提炼了我亲眼所见的第一手经验教训、模式和陷阱。我的工作带我进入了汽车和保险等行业的大型企业，有 500-1,000 名员工的中小企业，以及希望将产出翻倍的单打独斗的创业者，还有在意想不到的地方发现每月 10k+美元以上节省的小企业主。背景可能大相径庭，但 AI 成功和失败的根本模式却出奇地一致。

这里的大部分想法最初都是我在每周通讯中分享的短篇作品——今天有超过 10,000 名来自谷歌、亚马逊、古驰、洲际酒店、H&M、桑坦德和梅赛德斯-奔驰等公司的专业人士在阅读。你将在这些页面中找到扩展、精炼后的版本：你可以立即在你的业务中使用的框架、案例研究和策略。

这本书旨在帮助你理解 AI 对你业务的意义以及如何以清晰和自信的方式迈出下一步，以便你可以朝着盈利的结果前进。

现在就开始。

这本书面向谁

这本书是为那些希望以实用、可操作且与实际商业目标一致的方式理解 AI 的企业领导者、CTO、企业家、经理和专业人士而写的。

这本书尤其适合那些负责将 AI 推向他们组织的人——无论您是探索用例的部门负责人、负责构建路线图的转型负责人，还是面临将炒作转化为结果的执行压力的行政人员。

您不需要成为数据科学家就能从本书中受益。您需要的只是好奇心，愿意重新思考工作如何完成，以及连接战略与执行的驱动力。如果您曾经感到夹在技术术语的一边和空洞的术语的另一边——这本书是为您写的。

如果您在寻找一本编码手册或深入探讨算法的书籍，这不是那本书。已经有许多其他书籍在这方面做得很好。

本书涵盖的内容

第一章，理解 AI 革命，揭穿炒作，展示 AI 在企业中的实际应用情况，以及为什么许多项目会陷入停滞。

第二章**，理解现代 AI，将今天的 AI 技术分解为简单、与业务相关的概念，您可以实际使用。

第三章**，成功采用 AI 的方法，探讨了采用 AI 而不陷入模仿硅谷的陷阱的验证策略。

第四章**，开始您的 AI 之旅，教您如何识别痛点瓶颈，以及谁应该拥有 AI 路线图。

第五章**，在流程和产品中寻找 AI 机会，带您了解如何在您的业务中映射 AI 能力。

第六章**，设计 AI 用例，为您提供设计、评估和比较 AI 项目在投入资源之前的结构化框架。

第七章**，构建您的 AI 路线图，帮助您将一堆用例转化为优先级路线图，找到协同效应，并使不同的利益相关者围绕共同的方向达成一致。

第八章**，为成功进行原型设计，向您展示如何快速测试想法，避免原型炼狱，并平衡制造与购买的决定。

第九章**，扩展 AI 驱动的系统和流程，探讨了如何成功地将原型过渡到生产。

第十章**，利用您的 AI 工具包，为您提供一套适合您需求的 AI 技术栈的实用指南，帮助您开始构建而不会感到不知所措。

为了充分利用本书

• 您不需要从头到尾阅读它。 虽然章节之间会交叉引用早期概念，但每个章节都是独立的。您可以自由地直接跳到与您当前位置相匹配的旅程部分——无论是识别机会、构建原型还是扩展。

• 从您的背景出发。如果您对商业中的 AI 是新手，第一部分为您提供了基础。如果您已经在进行试点项目，第二部分和第三部分将帮助您从实验过渡到规模化。

• 与您现有的工具结合使用。如果您的组织已经实施了框架或转型模型，请将我的视为补充性的现场笔记。混合、匹配和调整 - 价值在于使其为您所用。

• 把它当作一本操作手册，而不是理论书籍。不要只是阅读框架和清单 - 选择一个，本周尝试一下。与您的团队一起测试它，从发生的事情中学习，然后回来获取更多信息。进步来自小而重复的行动 - 而不是等到一切都完美无缺的计划（您将在本书中看到这个主题）。

下载资源文件

本书资源文件托管在 GitHub 上，网址为 github.com/PacktPublishing/The-Profitable-AI-Advantage。我们还有其他来自我们丰富图书和视频目录的代码包，可在 github.com/PacktPublishing 获取。查看它们！

下载彩色图像

我们还提供了一份包含本书中使用的截图/图表彩色图像的 PDF 文件。您可以从这里下载：packt.link/gbp/9781836205890。

使用的约定

本书中使用了多种文本约定。

粗体：表示新术语、重要词汇或您在屏幕上看到的词汇。例如，菜单或对话框中的文字会像这样显示。例如：“为了了解人工智能对竞争动态的影响，让我们谈谈经典的五力框架。”

警告或重要注意事项如下所示。

小贴士和技巧如下所示。

联系我们

我们欢迎读者的反馈。

一般反馈：如果您对本书的任何方面有疑问或有任何一般性反馈，请通过电子邮件发送给我们 customercare@packt.com，并在邮件主题中提及本书的标题。

勘误表：尽管我们已经尽一切努力确保内容的准确性，但错误仍然可能发生。如果您在本书中发现了错误，我们将非常感谢您向我们报告。请访问 www.packt.com/submit-errata，点击提交勘误，并填写表格。

盗版：如果您在互联网上以任何形式遇到我们作品的非法副本，我们将非常感谢您提供位置地址或网站名称。请通过电子邮件发送链接到 copyright@packt.com 与我们联系。

如果您想成为作者：如果您在某个领域有专业知识，并且您有兴趣撰写或为本书做出贡献，请访问 authors.packt.com/。

保持关注

要了解生成式 AI 和 LLMs 领域的最新发展，请订阅我们的每周通讯，AI_Distilled，packt.link/8Oz6Y。

加入我们的 Discord 和 Reddit 社区

对书籍有疑问或想参与关于生成式 AI 和 LLMs 的讨论？

加入我们的 Discord 服务器packt.link/4Bbd9和 Reddit 频道packt.link/wcYOQ，以连接、分享和与志同道合的爱好者合作。

您的书籍附带独家优惠 - 这是如何解锁它们的方法

|

现在解锁这本书的独家优惠

扫描此二维码或访问packtpub.com/unlock，然后按名称搜索此书。确保是正确的版本。 | |

| 注意：在开始之前，请准备好您的购买发票。* |

| --- |

使用我们的下一代 Reader 增强阅读体验：

多设备进度同步：在任何设备上无缝同步进度进行学习。

高亮和笔记：将您的阅读转化为持久的知识。

书签功能：随时回顾您最重要的学习内容。

深色模式：通过切换到深色或棕褐色模式，以最小的眼部疲劳来集中注意力。

使用我们的 AI 助手（测试版）更智能地学习：

总结内容：总结关键部分或整章内容。

AI 代码解释器：在下一代 Packt Reader 中，点击每个代码块上方的解释按钮，获取 AI 驱动的代码解释。

注意：AI 助手是下一代 Packt Reader 的一部分，目前处于测试阶段。

任何时间、任何地点学习：

使用无 DRM 的 PDF 和 ePub 版本访问您的离线内容——与您喜欢的电子阅读器兼容。

解锁您书籍的独家优惠

您的这本书附带以下独家优惠：

下一代 Packt Reader

AI 助手（测试版）

无 DRM PDF/ePub 下载

如果您尚未解锁，请使用以下指南进行解锁。此过程只需几分钟，并且只需进行一次。

如何通过三个简单步骤解锁这些优惠

第 1 步

请将此书的购买发票准备好，因为在步骤 3中你需要用到它。如果你收到了实物发票，请用手机扫描它，并准备好作为 PDF、JPG 或 PNG 格式的文件。

如需更多帮助查找发票，请访问www.packtpub.com/unlock-benefits/help。

注意：你是直接从 Packt 购买这本书的吗？你不需要发票。完成步骤 2 后，你可以直接跳转到你的专属内容。

|

步骤 2

扫描此二维码或访问packtpub.com/unlock。 | |

| 在打开的页面（如果你在桌面电脑上，看起来会与图 1 相似），通过书名搜索这本书。确保你选择了正确的版本。图 1：桌面上的 Packt 解锁着陆页面 |

| --- |

步骤 3

登录你的 Packt 账户或免费创建一个新账户。登录后，上传你的发票。它可以以 PDF、PNG 或 JPG 格式，且大小不能超过 10 MB。按照屏幕上的其余说明完成此过程。

|

需要帮助？

如果你遇到困难需要帮助，请访问www.packtpub.com/unlock-benefits/help获取有关如何查找发票的详细 FAQ 以及更多信息。以下二维码将直接带你去帮助页面： | |

注意：如果你仍然遇到问题，请联系customercare@packt.com。

分享你的想法

读完《盈利的 AI 优势》后，我们很乐意听听你的想法！请点击此处直接进入此书的亚马逊评论页面并分享你的反馈。

你的评论对我们和科技社区都很重要，并将帮助我们确保我们提供高质量的内容。

第一部分

准备旅程

在本书的第一部分，我们将为您的 AI 之旅奠定基础。我们将探讨 AI 革命的现状，拨开炒作的迷雾，并为理解现代 AI 概念建立坚实的基础。您将了解到模仿硅谷的剧本很少能奏效，以及在实践中成功的采用策略是什么样的。到这一部分结束时，您将拥有开始以基于商业现实的方式思考 AI 所需的背景和基础知识。

本书这一部分包括以下章节：

• 第一章，理解 AI 革命

• 第二章，理解现代 AI

• 第三章，成功采用 AI 的方法

第一章：理解 AI 革命

你是否曾检查过你最喜欢的社交媒体应用，却发现你的动态被像以下这样的标题充斥：

• 产品设计师，再见。

• 这个 AI 副业每天能赚 1,579 美元。

• 这个新的 AI 将取代软件工程师。

至少在我的 AI 泡沫中，我的动态每天看起来都是这样。这里有一个新模型，那里又有一个革命。鉴于网上的热议，你可能会打赌 AI 革命正在进行中。

然而，我过去几年在 AI 咨询中的经历告诉我，现实情况完全不同。AI 的采用仍然是一个挑战，绝大多数的商业领袖都难以将他们的（昂贵的）AI 原型带入（更加昂贵的）生产场景。

这就是典型中等规模、成熟 B2B 公司的典型 AI 项目是如何运行的。

公司了解到 AI 在优化特定流程方面的潜力，并决定投资 AI 解决方案。他们聘请了一家 IT 咨询公司，该公司向他们收取了 15,000 美元的AI 战略提案费用。提案用模糊的语言概述了 AI 如何在未来 10 年内改变他们的业务。CEO 被这个愿景所鼓舞，批准了一个原型项目。咨询公司又收取了 20,000 美元，使用一些历史数据（或甚至可能是虚构的数据）开发一个基本的验证概念。原型显示出有希望的结果，现在每个人都非常兴奋。

但接下来是现实检查。要将这个原型投入生产，公司需要将其 AI 解决方案与其现有的系统景观集成，这需要重大的定制和新数据管道。他们还需要培训员工如何使用和解读 AI 预测。最后，他们还需要建立治理流程来监控和维护 AI 系统。考虑到所有这些要求，咨询公司为这次生产实施提供的报价大约是原型的 10 倍。

CEO 不再批准项目。相反，他们想要看到一个详细的回报率分解，并证明解决方案实际上会按预期工作。这两者都没有发生；项目停滞不前，成为我所说的原型陷阱的另一个受害者。

这种情况太常见了。Gartner 的一项调查显示，只有 53%的 AI 原型能够进入生产阶段。其余的都陷入了这种创新剧场，公司可以将他们的 AI 实验作为其数字化转型努力的证据，但无法将这些实验转化为实际的商业价值。

因此，当公司在试图弄清楚这一切时，围绕人工智能的炒作让大型 IT 咨询公司的口袋鼓了起来。埃森哲预测，仅一个季度内，人工智能将带来 9 亿美元的收入。BCG 预计生成式人工智能（GenAI）将在 2024 年贡献其 20%的收入。对于麦肯锡来说，人工智能是 2024 年业务增长的主要驱动力。这些公司利用了人工智能淘金热，向公司提供（通常价格昂贵）的服务，帮助他们导航人工智能应用的复杂领域。

但对于许多公司来说，人工智能应用的现实情况是一次令人清醒的经历。当 ChatGPT 在 2022 年底推出时，感觉人工智能的发展突然以难以想象的速度加速。2023 年 3 月 GPT-4 的发布，对即将到来的事物设定了极高的期望。许多人预计，更强大的模型将迅速出现，人工智能的发展将变得不可阻挡，人工智能将迅速改变每个行业。这种炒作创造了一种既兴奋又恐惧的氛围，许多人感觉他们正处于一个他们无法控制的变化的边缘。（还有谁记得暂停人工智能发展的那次重大呼吁？）

但人工智能影响的现实情况与这些巨大的期望相去甚远。我们所承诺的人工智能革命与实际正在展开的革命之间存在显著的差距，理解这个差距对于导航真实的人工智能领域至关重要。

当我们深入挖掘人工智能应用的状态时，我们发现了一个悖论。

根据麦肯锡的数据，2023 年企业中的人工智能应用从 33%激增到 2024 年的 65%。从表面上看，这似乎是一个令人印象深刻的飞跃。但当我们观察应用的深度时，我们看到的是另一幅景象。只有 8%的公司在超过五个业务功能中应用了人工智能。绝大多数公司只是触及了人工智能潜力的表面。

这种浅层应用在很大程度上是由于我上面概述的原型陷阱。它使公司陷入人工智能的实验阶段。他们投资了试点项目和概念验证，但难以将这些用例扩展到生产阶段。即使成功导航（或通过购买方式摆脱）原型陷阱的公司也不是没有遭遇挫折。

麦当劳推出了一款自动聊天机器人，2024 年因一个在 TikTok 上引发病毒的视频而不得不撤回，该视频突出了错误，例如将培根加到冰淇淋中，错误地订购了价值数百美元的鸡块，以及将焦糖冰淇淋与多层黄油混淆。

加拿大航空也遭遇了类似的情况，该公司在需要为聊天机器人向客户提供的错误答案承担法律责任后，决定撤回其 AI 客户支持聊天机器人。

而这不仅仅是聊天机器人。回溯到 2021 年，房地产平台 Zillow 在其 AI 驱动的服务Zillow Offers因预测失误导致 5 亿美元损失和 2000 名员工被裁后，关闭了这项服务。

这样的案例研究导致了人们对人工智能项目的日益怀疑，在某些情况下，甚至削减了人工智能项目的预算。Gartner 将其称为幻灭的低谷——这个阶段，最初的炒作让位于失望，因为技术未能满足膨胀的期望。

这些挑战源于几个因素。我们将在本书中进一步探讨这些因素。但造成期望与现实之间差距的最重要原因之一是，组织缺乏有效采用人工智能的成熟度。他们在技术层面，如数据质量和基础设施准备，以及非技术层面，特别是在文化和技能方面，都面临着障碍。IBM 的一项调查显示，技能差距是人工智能采用的主要障碍，有 33%的受访者提到了这一点。除此之外，围绕人工智能的监管环境正在开始形成，并且已经开始影响实施，尤其是在欧盟等地区。例如，欧盟的人工智能法案将某些人工智能系统归类为高风险，并对其透明度、人工监督和风险管理提出了严格的要求。这给人工智能的采用增加了另一层复杂性和成本。

最后，衡量人工智能项目进展和影响仍然是一个挑战。与传统的软件项目不同，人工智能的回报率很难量化，尤其是在短期内。这使得公司难以证明在人工智能上的大规模投资是合理的。

那么，AI 项目注定要失败吗？

绝对不是！但真正的 AI 进步往往以不会成为头条新闻的形式出现。例如，生物技术公司 Moderna 公开披露，其组织中有超过 80%的 5000 名员工使用了超过 750 个 AI 助手，以实现如果没有采用旧式生物制药方式将需要 10 万个团队才能达到的影响——这是一个巨大的成就，与媒体报道的其他 AI突破相比，相对被忽视。

我们将在本书中探讨更多这样的案例研究。

但首先让我们来谈谈为什么人工智能对非技术型商业领袖很重要？

正如你所看到的，你将继续发现——人工智能的采用并不像购买一个新的 IT 工具那样简单。成功采用人工智能是一次旅程，这次旅程必须由商业领袖拥有和推动，而不是 IT 部门。在接下来的章节中，我们将探讨 IT 如何成为 AI 驱动的业务转型的推动者，而不是关键驱动因素。

相反，企业领导者必须亲自掌握他们的 AI 路线图。AI 将如何影响他们部门的日常工作？哪些流程会受到冲击？他们如何确保每位员工都参与其中？ 利润在哪里？ 这适用于组织中的每位领导者。AI 路线图将需要应用于市场营销、法律、制造、运营等领域。除非企业领导者亲自制定，否则没有人会为这些团队构建这些路线图。企业领导者了解他们责任领域的核心需求——无论是大型业务单元、小型团队还是公司的特定产品。虽然 IT 和工程部门通常关注实施而不是愿景，但企业领导者必须弥合这一差距，以确保 AI 项目与战略目标和业务的实际需求保持一致。

这需要对路线图进行关键评估和持续迭代。这本书将指导你创建和执行这样的路线图。如果没有掌握你的 AI 路线图，你的公司可能会陷入花哨玩具阶段——购买 AI 工具和启动小型项目，这些项目至多对业务产生轻微影响。

掌握你的 AI 路线图或未能做到这一点——将显著影响你在市场上的竞争地位。你周围的世界正在快速发展，所以仅仅维持现状是不够的。如果你不采取行动，即使你的表现没有改变，你实际上也在落后。

这就是 AI 对竞争力影响的隐蔽性质。它并不总是关于戏剧性的颠覆性创新。通常，它是在整个组织中积累大量较小的收益，以这种方式它们会累积成更大的利益，从而在拥有 AI 和没有 AI 的企业之间形成越来越大的差距。

我们将在本章的以下部分中探讨所有这些内容：

• AI 对竞争力的影响

• AI 优势：一种新的力量

AI 对竞争力的影响

为了了解 AI 对竞争动态的影响，让我们来谈谈经典的五力框架（图 1.1），这是一个很好的视角，可以用来审视这些变化。

由哈佛商学院教授迈克尔·波特于 1979 年开发，五力框架是一个通过考虑五个关键力量来分析行业竞争强度的工具：新进入者的威胁、供应商的议价能力、买家的议价能力、替代产品或服务的威胁以及现有竞争者之间的总体竞争。力量越多，在特定市场中生存就越困难。

图 1.1：波特五力分析示意图，维基百科 (en.wikipedia.org/wiki/Porter%27s_five_forces_analysis)

通过理解人工智能如何改变这些力量中的每一个，我们可以更清楚地了解人工智能如何重塑各行业的竞争格局，以及推动你（甚至更好的，你的竞争对手）退出市场的潜力。

力量 1：新进入者的威胁

当谈到新进入者的威胁时，人工智能是一把双刃剑。一方面，像 GPT-4 这样的强大人工智能服务和开源替代品的广泛可用性降低了新进入者的进入壁垒。初创公司现在可以在几周内开发出复杂的 AI 解决方案，这在几年前是无法想象的，这使得它们能够在更加公平的竞争环境中与更成熟的公司竞争。

然而，人工智能的成功应用往往需要不仅仅是获得正确的工具。在许多行业中，人工智能的真实价值来自于高质量、专有数据与能够将数据转化为有价值的见解和产品的熟练人员的结合。这在许多 B2B 领域，如医疗保健、金融和先进制造领域尤为如此，这些领域的数据通常是敏感的、受监管的或技术复杂的。

对于这些行业的新进入者来说，获取必要的数据和人才可能是一个重大的挑战。现有玩家在数据收集方面通常有先发优势，并且可能拥有对某些数据流的独家访问权。他们还倾向于有更深的口袋来聘请稀缺的人工智能人才。因此，尽管人工智能降低了某些进入壁垒，但它也提高了其他壁垒。

力量 2：替代品的威胁

在某些行业中，人工智能不仅使新的竞争对手出现，而且还产生了全新的替代品类别。这在创意产业中尤为明显，其中人工智能生成的内容开始与人类创作的作品竞争。从 AI 撰写的文章和剧本到 AI 生成的图像和视频，人工智能可以处理的创造性任务范围正在迅速扩大。

我们在服务行业也看到了类似的趋势，其中人工智能驱动的聊天机器人和虚拟助手正在增强以前完全由人类工人完成的工作流程。这些 AI 代理可以处理客户咨询，提供推荐，甚至完成交易，通常成本仅为人类同行的一小部分。

这种趋势可能会对众多行业的中介产生特别重大的影响。无论是旅行社、保险经纪人、房地产经纪人，还是甚至不连接买家和卖家的代理商业模式，但连接人才和客户，所有这些都可能被全新的 AI 解决方案所颠覆。如果你的公司目前占据这些中间人位置之一，你将处于一个高度风险的人工智能颠覆的市场中。

力量 3：供应商的议价能力

当一家公司在关键人工智能服务中获得类似垄断的地位时，人工智能对供应商权力的影响可能是巨大的。以一个开发人工智能驱动的供应链物流优化系统的初创公司为例，通过利用多个行业的专有数据、顶级人工智能人才和定制算法，这家公司可以提供一种显著优于传统物流优化的服务。随着越来越多的企业意识到这种人工智能服务的效率提升，该初创公司迅速成为市场的主导者，通过持续的反馈循环增加其优势。他们拥有独家访问数据、人才和技术，这使得他们的产品极具吸引力，为潜在竞争者设置了很高的进入壁垒。在这个级别的市场力量下，人工智能物流公司对定价有重大控制权。他们可以收取高额费用，因为他们知道客户很少有其他可以匹配其性能水平的替代方案。如果客户无法吸收这些高成本而不损害其竞争力，他们的利润率将受到影响。这种动态使人工智能提供商获得了巨大的议价能力，可能使他们能够捕获他们创造的大部分价值。

如果你现在认为这听起来像是一个幻想，那么考虑一下德国最有价值的 AI 初创公司之一 Celonis 的故事。Celonis 通过提供人工智能驱动的流程挖掘服务，帮助公司优化其运营，实现了快速增长和高估值。

随着人工智能在各个行业竞争中的核心地位日益凸显，管理人工智能服务提供商的议价能力将成为一个关键的战略挑战。

力量 4：买家的议价能力

让我们将焦点从供应商转移到买家。在 B2C 领域，我们已经看到了像比较网站这样的工具如何通过帮助消费者轻松找到从保险到酒店的一切最佳交易来赋予消费者权力。

人工智能有可能将类似的透明度带到更加复杂的 B2B 交易世界。通过分析不同供应商及其产品的大量数据，人工智能工具可以帮助企业快速识别满足其需求的最佳供应商，并在最佳的价格点上。

这可能会对传统的采购流程产生重大颠覆，这些流程通常涉及漫长的 RFP 周期和不同供应商之间的手动比较。有了人工智能，这些流程可以很大程度上实现自动化，人工智能系统分析数百个潜在供应商及其细微的产品提供，以推荐最佳选择——使买家能够比较更多的供应商，从而有效地确保更好的交易并简化他们的采购流程。这也意味着供应商需要更加努力地工作，以在价格和基本功能集之外区分他们的产品。

力量 5：现有竞争者之间的竞争

人工智能对现有竞争对手之间竞争的影响可能是所有五种力量中最深刻和最复杂的。人工智能从根本上重塑了许多行业中的竞争性质，引领着一个由人工智能驱动的商业战略新时代。

在一个层面上，人工智能正在使公司能够实现前所未有的运营效率和客户理解水平。这正在给市场中的所有参与者施加压力，必须采用人工智能，否则可能会被落下。

然而，人工智能的竞争优势往往不均衡地积累在那些最能充分利用人工智能并避免最大陷阱的公司——这通常包括获得最佳数据和人才。这导致了许多行业中人工智能领先者和落后者之间的差距不断扩大。人工智能的领跑者能够不断改进他们的产品和服务，使竞争对手更难赶上。

同时，人工智能的高成本和复杂性正在驱使许多公司寻求合作伙伴关系和合作，甚至与传统的竞争对手。我们在汽车行业（公司合作开发自动驾驶技术）和医疗保健行业（竞争对手共享数据以改善患者结果）中看到了这一点。这些合作使公司能够分享人工智能发展的风险和回报。

结果是一个复杂且动态的竞争格局，公司必须平衡人工智能驱动的竞争的必要性（快速创新、专有数据和算法、顶级人工智能人才）与人工智能驱动的合作可能带来的潜在好处（共享成本和风险、更大的数据集和综合专业知识）。在这个格局中导航需要深入了解每个行业和市场的具体竞争动态——以及彻底了解人工智能如何为他们提供最大的竞争优势，他们可能需要与谁合作，以及他们如何构建内部能力和外部关系以在人工智能驱动的世界中取得成功。

因此，构建一个健全的人工智能战略非常重要。这不仅仅是采用人工智能工具或雇佣人工智能人才；这还涉及到制定一个全面的路线图，利用人工智能来重塑公司的价值主张、运营模式和竞争定位。

人工智能优势：一种新的力量

考虑到其对前一部分中我们看到现有力量的影响，将人工智能称为一种新的力量是合理的。有效地利用人工智能的能力正成为竞争优势的关键决定因素，跨越所有其他力量——人工智能优势。这是人工智能革命的精髓。

图 1.2：人工智能作为推动人工智能革命的新力量

公司现在必须将他们的 AI 优势视为其战略定位的核心部分，确保在各自的市场中保持或恢复竞争力。这意味着不是等待大爆炸和科技巨头来解决问题，而是随着时间的推移构建技术和非技术准备，以有效地利用新 AI 技术带来的机会。普华永道估计，到 2030 年，AI 将为世界经济增加 15 万亿美元。为了更直观地理解这一点，这意味着另一个欧盟将进入世界经济产出地图。

AI 可以通过成本节约、提高质量、加快流程和新的扩展机会来提高你的底线。它减少了开支和浪费，增加了利润和客户忠诚度，加速了决策和交易，并实现了以前难以触及的增长。真正的力量在于将这些效果结合起来，产生指数级的结果。我们将深入探讨每个方面，并展示如何将它们转化为可衡量的商业影响。

要非常明确：这是一个变革。AI 不仅仅是另一个技术进步；它是一个重塑我们世界的根本性转变。

我们以前见过变革。你可能已经听过“变革”这个词太多次，以至于现在它听起来就像另一个时髦词汇。但事实并非如此。

到目前为止，世界见证了三次主要的工业变革，每次都是由颠覆性技术驱动的：

• 1760 年代的蒸汽动力。

• 20 世纪初的电力和大规模生产。

• 20 世纪末的计算机化。

今天，我们正处于由 AI 驱动的第四次工业革命中。

人工智能变革不仅仅是优化流程和削减成本；它正在重新书写工作的规则。如果你没有为它做准备，那么你已经在落后了。但为 AI 做准备并不意味着解雇你的员工并用机器人取代他们。这也不意味着投资数百万美元的基础设施并祈祷回报率。

事实上，在人工智能时代繁荣的关键是加大对人才的投入，赋权他们，并将他们置于领导地位。

利用 AI：

• 给你的销售团队提供他们需要的洞察力，以便更快地达成更多交易。

• 为你的市场营销人员配备预测技能，以制作出转化率极高的营销活动。

• 利用预测需求并超越期望的能力来超级提升你的客户服务。

你可以不雇佣一支数据科学家大军并将他们锁在房间里两年时间就实现所有这些。正如我们将在整本书中了解到的那样，通过 AI 增强现有工作流程是进入这个领域并建立你自己的、独特的 AI 优势的理想策略，这种优势属于你的业务。

摘要

人工智能革命并非如人们所承诺的那样突然、剧烈的变革。它是一个更加渐进、不均衡的技术扩散和组织适应过程。它更多地关乎各行各业企业日常运营的战壕，而不是机器人霸主或科技巨头的炫目演示。正如 Moderna 公司的首席信息官布拉德·米勒所说：

90% 的公司都希望进行通用人工智能（GenAI）的开发，但其中只有 10% 的公司取得了成功，它们失败的原因在于它们没有建立起将劳动力转变为适应新技术和新能力的机制。

人工智能的潜力是巨大的，而我们仅仅只是触及了表面。但要实现这一潜力，我们需要超越炒作，设定现实的期望。最重要的是，这意味着认识到人工智能革命不仅仅是关于技术。它是关于人——那些开发和部署人工智能系统的人，以及那些他们的生活和工作受到人工智能影响的人。这就是真正的人工智能革命正在发生的地方——不是在硅谷的实验室里，而是在像您这样的企业的日常决策和行动中。

未来商业的成功将取决于你理解你所在行业由人工智能驱动的变化的能力、制定稳健的人工智能战略以及有效地实施人工智能解决方案的能力，这从增强合适的流程开始。虽然变化的步伐可能有所不同，但人工智能对竞争动态的长期影响是深刻且广泛的。

在下一章中，我们将探讨您如何从正确的角度接近这场革命。

|

现在解锁这本书的独家优惠

扫描此二维码或访问 packtpub.com/unlock，然后通过书名搜索此书。 | |

| 注意：在开始之前，请准备好您的购买发票。* |

| --- |

第二章：理解现代人工智能

在我们探索现代人工智能之前，让我们简要回顾一下人工智能成为话题之前的历史。那是 1891 年，电气革命正在进行中。爱迪生通用电气公司被要求在白宫安装第一条电力线路。电线被埋在石膏中，每个房间都有方便的圆形开关来开关灯。然而，它们大部分未被使用。结果，当时的总统本杰明·哈里森和他的家人甚至不敢触摸它们，害怕电线中看不见的电力会电击他们。因此，他们让他们的工作人员来操作开关。后来被提升为白宫首席招待员的电工 Irwin “Ike” Hoover 在他的书中回忆道，(www.amazon.com/Forty-Two-42-Years-White-House/dp/B001RHWC7Y)，“我会在晚上打开走廊和客厅的灯，直到第二天早上我回来熄灭它们。”

现在，我们可以看到与人工智能非常相似的情况。当大型 IT 咨询公司报告创纪录的利润，向犹豫不决的企业出售人工智能专业知识时，高管们却将人工智能保持距离，害怕真正深入其中并理解它。因此，企业对人工智能的采用仅停留在表面，其潜力被广泛未挖掘。

你不需要成为 AI 工程师，就像不是每个人都需要成为电工来在夜间保持灯光一样。但如果你仅仅依赖外部知识，从未深入到一些基本原理中，你就永远无法独立操作开关，因此你将不得不在黑暗中坐着，用煤油灯，或者支付巨额费用来获得白手套服务。

本书的核心目标是通过你自己识别和利用有利可图的 AI 机会，而不需要过度依赖外部顾问。这就是为什么这一章如此关键，因为它为理解人工智能实际上是什么以及支撑它的基本机制奠定了基础，这样你就可以理解其能力和局限性。

本章我们将探讨以下主题：

• 理解人工智能的基石：术语

• 与 AI 技能框架和五种 AI 商业模式合作

• 理解大型语言模型（LLMs）

如果你已经熟悉 AI 概念，可以随意浏览本章。然而，我仍然建议阅读关于五种 AI 商业模式的章节，因为它为后续内容奠定了基础。它将为即将到来的整本书奠定基础。否则，让我们从一些术语开始。

理解人工智能的基石：术语

就像 19 世纪 90 年代的电气革命一样，人工智能革命也带来了一套自己的术语和概念，一开始可能会让人感到 daunting。但别慌张——理解这些术语是你在业务中自信地操作人工智能开关的第一步。

首先，让我们吞下这个真理的苦药：人工智能术语令人困惑，即使是该领域的资深专家也是如此。说实话，没有人真正弄清楚，每个人都有自己的词汇表。这种术语的困惑源于三个主要因素：

• 人工智能技术的复杂性和不断发展的性质。

• 人工智能实践者的多种观点。

• 在特定行业、领域和组织中使用的不同术语和行话。

后者尤其重要。你可能根据你是在与研究人员、数据科学家还是商业高管交谈而听到对同一术语的不同解释。这种可变性是我们需要接受的。记住，目标不是成为术语的吹毛求疵者，而是掌握这些术语所代表的概念和思想。把它看作是学习一门新语言——细微差别可能不同，但核心意义保持不变。

现在，让我们构建一个理解人工智能的框架，从最广泛的概念开始，逐步缩小到具体的应用。

我们将使用以下广泛接受的临界人工智能术语及其层次结构的表示方法（图 2.1）：

图 2.1：人工智能术语概述

在最高层次上，我们有人工智能（AI）。这个术语已经成为表示表现出智能行为系统或机器的通用术语。当我们在这个语境中说智能时，我们指的是执行认知复杂任务的能力，如学习、解决问题和决策，这是一个相当广泛的领域。

人工智能的概念并不新鲜。它可以追溯到 20 世纪 50 年代，其根源在于军事研究。你可能听说过艾伦·图灵——他的工作为我们现在称之为人工智能奠定了基础。从那时起，人工智能已经发展并扩展，在众多行业中找到应用。

在人工智能的广泛领域中，已经出现了两个主要的研究领域：强人工智能和窄人工智能。

强人工智能，也称为通用人工智能（AGI），是两者中更雄心勃勃的一个。它旨在创建能够在所有方面与人类智能相匹配甚至超越的系统。想象一下一台可以解决人类可以解决的任何问题——甚至更多——的机器。这是科幻小说的常见主题，如有感知的机器人或无所不知的计算机系统。然而，尽管几十年的研究，强人工智能仍然是一个遥远的目标。许多研究人员争论它是否甚至可以实现。

另一方面，窄人工智能是我们日常生活中遇到的东西，它为今天所有的实用商业人工智能应用提供动力。这些是为特定工作设计的特定任务系统。当你使用语言翻译应用或你的手机通过面部识别解锁时，你正在与窄人工智能互动。与强人工智能不同，窄人工智能并不旨在完全复制人类智能。相反，它专注于高效地执行特定任务。

在商业世界中，当我们谈论人工智能应用时，我们几乎总是指窄人工智能。这些系统正在改变今天的行业，从金融到医疗保健到制造业。这就是为什么我们现在将重点转向窄人工智能方法——可以在现实世界中应用的人工智能技术。

这些窄人工智能系统实际上是如何工作的呢？创建智能系统有两种主要方法。第一种是基于预先编程的决策规则，通常称为基于规则的系统。这些系统不从数据中学习；它们只是遵循它们被赋予的规则。通常，它们也被称为专家系统，因为专家定义了规则。

第二种方法，机器学习（ML），是推动我们今天看到的绝大多数人工智能进步的动力。

让我们更深入地探讨一下机器学习。

机器学习

机器学习系统从数据中学习，通过最小化人工干预来识别模式和做出决策。想象一下，教一台计算机识别猫，不是通过告诉它，“猫有尖耳朵和胡须”，而是通过展示成千上万张猫的图片，并让它自己找出模式。

图 2.2：传统编程与机器学习

重要的是要注意，尽管机器学习具有能力，但它并不意味着自我意识或情感。当你听到机器学习时，不要想象一个有感情的感知计算机。相反，把它想象成一个高度复杂的模式识别系统。它本质上是一种自动数据分析的统计方法。

机器学习背后的核心概念是推动当今大多数人工智能应用的核心。几十年来，公司一直在应用机器学习，尤其是在结构化表格数据上，以大规模运行预测算法，如线性回归或决策树。常见的用例包括需求预测、欺诈检测和客户流失预测。

然而，并非所有数据都是表格化的——事实上，今天产生的绝大多数数据都是非结构化或半结构化的，如文本、图像或文档。传统的机器学习算法通常难以处理这类数据，因为它们通常需要手动特征提取和领域特定的工程。

这就是深度学习（DL），作为机器学习的一个子领域，发挥作用的地方。

深度学习

你可以将深度学习想象成机器学习的一个高级子集。虽然非深度，有时也称为浅层机器学习，它可以应用于相对较小的数据集，甚至可以放入表格式的 Excel 电子表格中。真正的深度学习通常需要更复杂和更大的数据结构，如文本、图像或音频数据。

为了给你一个大致的概念，考虑一张 5 兆像素的彩色图像，这是你每天用智能手机拍摄的东西，它会被表示为一个表格。这个表格将有 500 万行和 3 列——一个图像就有 1500 万个数据点。如果你有一个包含 1000 张图片的数据集，这在深度学习领域被认为相当小，你可以做一下数学计算。

这是一大批数据。

图 2.3：人工神经网络（AI in a Nutshell：关键术语实用指南）的示例架构（blog.tobiaszwingmann.com/p/demystifying-ai-practical-guide-key-terminology）

对于这些庞大而复杂的数据结构，一种称为人工神经网络（ANNs）的机器学习架构，具有许多层，证明非常有效（参见图 2.3中的视觉表示）。由于这些 ANN 通常具有许多层（左边的输入层和右边的输出层之间的黑色点），我们称它们为深度——因此有了深度学习这个术语。

虽然这些神经网络受到了人类大脑的启发，但它们的实际操作与生物过程相当不同。它们本质上是非常复杂的数学模型，旨在进行模式识别。

深度学习在近年来许多最令人印象深刻的 AI 成就中发挥了作用，从在复杂游戏中击败世界冠军到根据描述生成类似人类的文本和创建逼真的图像。

接下来，我们将讨论生成式 AI（GenAI），它改变了终端用户在日常活动中使用 AI 的方式。

生成式 AI

生成式 AI 是深度学习的一个子领域——你可能已经接触过了，无论你是否意识到。如果你曾经让 ChatGPT 帮你写邮件，玩过将涂鸦变成照片的工具，或者在你的动态中看到过 AI 生成的图片，那么你就已经看到了生成式 AI 的应用。

生成式 AI 背后的核心思想简单但强大：这些系统不仅仅是分析数据，它们还能生成新的数据。它们的具体任务是生成或修改原始内容——无论是文本、图像、视频还是基于它们从大量数据集中学习到的模式。重要的是，它们这样做并不真正理解内容，就像人类那样。没有意识，没有常识，也没有现实世界的根基。这些系统擅长的是发现统计模式，并利用这些模式来生成看起来聪明、有创意，甚至有洞察力的输出。但不要被这种缺乏理解所欺骗——生成式 AI 的能力非常强大。事实上，缺乏理解往往是这些系统如此灵活和可扩展的原因。

今天 GenAI 繁荣的中心是大型语言模型（LLMs）。这些模型经过训练，可以从提示中生成类似人类的文本。它们在令人震惊的参数数量上运行——例如，GPT-4 使用了数百亿个参数——来预测序列中接下来可能出现的单词（甚至整个段落）。结果是通常连贯、流畅且上下文适当的文本，感觉就像是由人类所写。对于好奇的读者，我们在本章末尾有一个专门的技术深入探讨部分，介绍 LLMs 是如何工作的。

你可能听说过 ChatGPT——可以说是现代 GenAI 的标志性产品。它以一种用户友好的方式将 LLMs 的力量带给公众，允许任何人几秒钟内生成电子邮件、头脑风暴想法、写诗、调试代码或总结长文档。但远不止如此。现在市场上已有数十种 LLMs 和生成系统，既有来自商业提供商如 Anthropic 或 Grok，也有开源模型如 Meta 的 Llama 系列或 DeepSeek 的模型。

在 GenAI 领域最近最令人兴奋的发展之一是多模态模型的兴起。与仅处理文本的传统 LLMs 不同，这些新系统在多种类型的输入上进行了训练——文本、图像、音频，甚至视频。这意味着它们可以跨不同媒体理解和响应。例如，你可以向一个多模态模型展示一张照片，并要求它写一个关于它所看到的故事，或者给它一张图表，让它用简单的英语解释数据。更令人印象深刻的是，我们现在有了真正的多模态系统，可以从文本或其他图像中直接生成图像——无需经过仅文本的步骤。

这种跨模态的直接输入到输出的映射标志着模型能力的一个重大飞跃，并开辟了全新的创造性和分析可能性。

图 2.4：谷歌的 Gemini 根据原生图像和文本输入创建新图像

就像电的早期时代一样，我们仍在探索如何最好地使用这些工具。但有一点很清楚：GenAI 不仅仅是一个趋势，它是在内容和消费方式上的一个基础性转变。而且，它才刚刚开始。

但与打开开关不同，人们很容易被 GenAI 的纯粹新颖性和力量所吸引。在如此多的炒作、如此多的演示以及每周似乎都有新的突破的情况下，更难的问题往往变成了：我如何真正以有意义的方式在我的业务中使用它？

在我的客户工作中，我发现仅从技术角度接近 AI 很少能导致可操作的结果。相反，真正的突破往往发生在我们翻转镜头的时候：不是技术能做什么，而是它解锁了哪些新的与业务相关的技能和能力。这种从工具到能力的转变——是 AI 开始变得实用的地方。

正因如此，我开发了一个简单但强大的框架，我称之为AI 技能。它将嘈杂、快速发展的 AI 世界分解为五种实用的价值创造模式，每位商业领袖都可以在今天掌握并付诸行动。

让我们更深入地了解它们。

与 AI 技能框架和五种 AI 商业模式一起工作

为了穿透噪音并使 AI 实用，我们需要一个新的视角。不是技术视角，而是一个与业务相关的视角。

与其试图记住每一个算法、供应商或缩写，不如问一个更好的问题：这项技术实际上能为我做什么？ 更具体地说，它为我的团队、产品或运营解锁了哪些能力？

为了使这种转变更容易，我在全球范围内使用AI 技能框架与我的客户合作——这是一种简单但强大的方法，可以分类 AI 工具可以提供的与业务相关的技能。

为了做到这一点，我将现代 AI 分解为五种核心模式，这些模式基于这些系统所启用的商业技能类型。这些是领导者和管理团队可以今天应用的实际能力，无论行业或技术背景如何。每种模式都反映了 AI 在真实商业环境中增加价值的不同方式。

这里是一个简要概述：

• 预测模式：通过使用历史数据来预测趋势、估计结果、模拟场景和预测接下来会发生什么，来预测未来的 AI。

• 感知模式：能够感知世界的 AI——能够看到、听到、阅读并从非结构化来源（如图像、文档和音频流）中提取信息的 AI。

• 创作模式：产生内容的 AI——代码、设计、文本、视觉或音乐。这关乎速度、规模以及降低想法与实际输出之间的障碍。

• 思考模式：基于上下文进行推理、连接、总结或个性化的 AI。它为复杂或模糊的任务带来洞察力和智慧。

• 代理模式：能够行动的 AI。这些系统发送消息、触发工作流程、执行任务并动态适应——自主地推动事物前进。

这些模式中的每一个都包含一系列技能类型，这些技能类型反映了人们在工作中的日常行为——AI 可以帮助人们更快、更好、更便宜或以规模的方式完成任务。

图 2.5：五种 AI 商业模式概述

在接下来的章节中，我将逐一介绍这五种模式。我会强调它们可以支持的任务类型、驱动它们的技术（如 ML、DL 或 GenAI），以及通常使用的工具或方法。

你不需要学习神经网络背后的数学。但到本章结束时，你将能够识别与你的商业目标相一致的关键 AI 能力，并了解如何将它们转化为实际行动。

让我们从第一个模式开始：预测。

AI 的预测模式

预测是现代人工智能中最古老且最被证明的使用案例之一——并且仍然是最有价值的之一。这种模式完全关乎预测、分类和理解复杂性，这一切都基于数据。你可能已经看到了它的实际应用，却并未意识到：当 Netflix 推荐一部剧集，当银行检测到欺诈，或者当仓库及时补充库存时。预测模式是这一切背后的安静引擎。它并不总是成为头条新闻，但它经常推动最清晰的回报率。

在本章的剩余部分，我们将使用术语技能来指代 AI 可以执行的一种技能。

预测模式包括三种关键的 AI 技能集：

• 回归技能：这些系统根据历史数据预测未来的值或结果。把它们看作是 AI 的估计、预测或评分的等价物——无论是下个月的销售额还是贷款申请人的风险概况。

• 分类技能：这些技能对信息进行排序、标记、分组和匹配。它们帮助结构化混乱的输入，例如将类别分配给文档或根据紧急程度标记电子邮件。

这些技能共同帮助企业在结构化和评分现实方面实现超越人工努力的方式。

是什么推动了这些技能？

大多数预测模式由传统的机器学习技术驱动，利用线性回归、决策树或聚类方法等统计算法来处理结构化、表格化的数据。XGBoost、Facebook Prophet 和 Azure AutoML 等自动化机器学习平台在这里被广泛使用。

图 2.6：Microsoft Azure AutoML 比较 62 个机器学习模型以识别最适合航班延误预测任务的模型截图

然而，生成式 AI，尤其是 LLM，也可以在这种模式中发挥作用，尤其是在处理非结构化或基于文本的输入时。例如，LLM 可以将电子邮件分类为垃圾邮件或非垃圾邮件，检测评论中的情感，或将混乱的、开放的文本地址字段中的国家代码进行映射。在这些场景中，生成式模型更像高级分类器，帮助结构化数据而不是生成原始内容。

它在商业中出现在哪里？

对于这类图像或音频分析，平台如 Google Cloud Vision、Azure Document AI 或 OpenAI Whisper（用于语音）就会发挥作用。甚至 ChatGPT 也可以用于此。

虽然许多现代平台提供预构建的模型或无代码界面——允许业务团队在没有需要大量数据科学家的情况下开始使用 AI——但许多预测场景需要你从头开始训练自己的模型，或者至少根据你自己的数据进行模型微调。预测模式在业务功能中深度嵌入，有几种商业用途。以下是一些你可能会遇到的常见用例：

• 营销使用它来评估潜在客户、预测活动表现以及根据行为分组客户。

• 金融领域将其应用于风险建模、欺诈检测和需求预测。

• 客户支持团队依赖它来优先处理工单、将查询与帮助内容相匹配以及检测支持量中的模式。

• 运营使用它来估算库存需求、检测异常情况以及自动化质量检查。

我们现在来谈谈感知的世界。在这个模式下，人工智能超越了干净、表格化的数据。

人工智能的感知模式

当预测模式有助于理解结构化数据时，感知模式允许人工智能解释非结构化的世界——特别是通过阅读、观看和聆听。这种模式扩展了人工智能的触角，使其能够访问以前只有人类才能访问的格式：文档、图像、语音等。

将感知模式视为赋予人工智能理解感官输入的能力。这就是机器开始以类似人类的方式开始感知世界——处理现实世界的信号并将它们转化为可用的商业信息。无论是扫描收据、解释语音备忘录还是从 PDF 中提取数据，感知模式是解锁原始输入洞察力的基础。

感知模式的核心技能类别

感知模式包括人工智能技能的三个核心类别：

• 阅读技能：这些能力允许人工智能处理和解释书面或印刷语言，尤其是在扫描文档、PDF、手写笔记或长篇文本等非结构化格式中。光学字符识别（OCR）、布局检测和文档解析属于此类。

• 视觉技能：这些视觉感知技能帮助人工智能系统解释图像、视频、图表甚至物理环境。从检测制造线上的缺陷到在照片中分类产品，识别面部或理解 PDF 中的复杂布局——这些技能赋予人工智能视觉理解。

• 听觉技能：这些系统将音频输入进行转换和分析——如转录口语、识别说话者、检测情绪和语调。或者只是识别你最喜欢的歌曲。听觉技能从音频数据中释放出巨大的潜力。

这些技能共同使人工智能能够感知现实，将以前无法访问的格式带入结构化处理和决策的领域。

是什么赋予了这些技能力量？

感知模式越来越多地依赖于深度学习技术，特别是用于视觉的卷积神经网络（CNNs）和用于语言和音频的转换器模型。与浅层机器学习不同，这些模型在处理复杂、高维输入（如像素或波形）方面表现出色。但 GenAI 也在这里取得了巨大的突破。基于转换器的架构，如 OpenAI Whisper 或 GPT-4o 背后的架构，使人工智能能够具有跨模态的上下文意识来阅读、观看或聆听。

现代 AI 平台通常通过用户友好的工具和 API 来抽象这种复杂性——因此即使是非技术团队也可以利用感知能力，而无需从头开始训练模型。

它在商业中体现在哪里？

感知模式在各个行业中广泛应用：

• 操作使用它来检查产品质量，通过摄像头监控安全，或从发票和运输标签中提取文本。

• 客户体验团队使用它来转录和分析支持电话，或自动分类收到的文件。

• 法律和合规使用它来阅读合同、提取条款或在扫描的协议中检测异常。

• 医疗保健将其应用于分析 X 射线、数字化手写笔记或解释患者语音输入。

通过赋予 AI 阅读、观看和听的能力，感知模式将模拟世界转化为数字燃料——使在曾经完全手动的情况下实现更深入的洞察和更高的自动化。

接下来，让我们进入创建模式的世界。在这种模式下，AI 停止分析并开始构建。

人工智能的创建模式

如果预测模式和感知模式帮助你理解“是什么”或“可能是什么”，那么创建模式就是 AI 开始“构建”的地方。这是内容生成、想法变为现实、执行速度显著加快的地方——机器承担起曾经需要专家人工手法的创造性和技术任务。如果你曾经要求 ChatGPT 撰写电子邮件，使用 Copilot 创建社交媒体图像，或者看到工具将提示转换为可工作的代码，那么你已经接触到了创建模式在实际中的应用。

创建模式包括人工智能技能的三个核心类别：

• 编程技能：AI 可以根据简单的语言提示生成、解释、调试或转换代码。这些技能在想法和实施之间架起桥梁——特别是对于非技术用户或精简团队。

• 内容创建技能：这些是生成性能力，可以产生原始输出——文本、图像、视频、音频，甚至是交互式设计。结果不仅仅是模板化的，通常是从零开始生成或带有轻微的参考方向。

• 沟通技能：AI 可以撰写、回复、翻译、解释或进行自然流畅的对话，使企业能够简化内部工作流程和面向客户的沟通。

这些技能共同赋予个人和团队以创造更多、更快的能力，同时减少开销，并且通常减少对特定技能的瓶颈。

这些技能的动力是什么？

大多数的创建模式由旨在生成新原创内容而非仅仅重复现有数据的 GenAI 系统驱动。这包括以下模型：

• LLMs如 GPT-4 或 Claude，可以从提示中生成类似人类的文本。

• 扩散模型如 Midjourney 或 Flux，可以从

  文本输入。

• 多模态模型可以在文本、图像、音频甚至视频格式（如 GPT-4o 或谷歌的 Gemini）中生成或转换内容。

在技术方面，创造模式建立在深度神经网络架构之上——特别是转换模型和卷积网络。但从用户的角度来看，大多数工具现在极其易于访问。许多使用拖放界面或基于提示的输入，根本不需要任何技术技能。

它在业务中的体现？

创造模式正在迅速重塑创意、技术和沟通工作流程。以下是各种企业如何利用创造模式 AI 的力量的例子：

• 营销团队使用它来生成活动文案、视觉内容和视频资产。

• 产品和设计团队使用它来构建原型、提案演示文稿和文档。

• 销售团队使用它来撰写大规模的拓展电子邮件、跟进邮件和价值主张。

• 工程团队使用它来加速原型设计、代码转换和错误修复。

• 客户体验团队使用它来起草回复、翻译消息或用通俗易懂的语言解释产品功能。

创造模式下的 AI 增强了创意专业人士的工作，显著提高了他们的速度，并减少了初稿、重复编辑或简单生产任务的负担。

接下来，我们将进入一个更注重认知的空间。让我们探讨人工智能如何思考、推理和解释。

AI 的思考模式

一些商业问题不能通过猜测下一个标记来解决——它们需要推理、解释和连接点。这就是思考模式的作用。在这种模式下，当答案不明显或需要提取、转换或解释信息才能采取任何行动时，这种模式变得特别强大。

想象一下这样的任务：总结一份 40 页的研究报告、将产品功能映射到客户痛点，或者根据多个变量决定如何路由支持工单。这些问题不仅仅是内容问题，它们是思考问题。

思考模式包括两个关键技能领域：

• 推理技能：这些系统分析、连接、解释、总结并基于数据或非结构化输入做出决策。它们非常适合综合、洞察生成和智能优先级排序。

• 记忆技能：这些能力使 AI 能够访问和应用存储的信息——无论是来自其自身的训练、知识库还是最近的交互。它们提高了响应准确性、个性化以及上下文相关性。

这些技能让 AI 更像是一个分析伙伴——不仅仅是响应提示，而且通过利用内部或外部信息，让它们能够通过思考来处理这些提示。

是什么赋予了这些技能力量？

在底层，思考模式仍然由 LLM 提供动力，但有一个重要的转折：这里使用的许多前沿 AI 模型，如 GPT-5 和后续模型、Gemini 或 Claude——允许你在推理时间额外进行计算，以速度换取准确性。这通常被市场宣传为推理或思考功能；确切的机制和影响此过程的方式因提供商而异。

这种更慢、更谨慎的方法是为那些简单文本补全无法满足的任务设计的。例如，证明数学定理、解释法律语言，或者甚至只是计算strawberry中r的数量。这些任务需要逐步逻辑，而不仅仅是流畅性。

因此，推理模型可能需要更长的时间——有时是几分钟——来生成响应。但它们被设计用于那些准确性、深度或复杂性比快速响应生成更重要的场合。

图 2.7：通过更长的测试时间计算（“思考时间”）提高准确性。来源：https://openai.com/index/learning-to-reason-with-llms

你也可能会在这个模式中听到检索增强生成（RAG）这样的术语，其中模型在运行时拉入相关的文档或数据。

快速提示：需要查看此图像的高分辨率版本吗？在下一代 Packt Reader 中打开此书或在其 PDF/ePub 副本中查看。

下一代 Packt Reader随本书免费赠送。扫描二维码或访问packtpub.com/unlock，然后使用搜索栏通过名称查找此书。双检查显示的版本，以确保您获得正确的版本。

高级 RAG 架构在图 2.8中展示：

图 2.8：高级 RAG 架构

简单来说，RAG 的工作原理如下：

1. 一组文档存储在可搜索的数据库中——通常是一个向量存储，它将内容的语义意义编码成数值表示。

2. 当用户提出问题时，系统会实时搜索这个数据库以识别最相关的信息片段，并将它们与用户的查询一起注入提示中。

3. 这个增强提示随后被传递给语言模型，使其能够生成一个基于检索内容的响应。

4. 结果是一个更准确、具有上下文意识的答案，反映了最当前和特定领域的知识。

这样，RAG 能够将 LLM 的回应与外部数据相结合。通过接地其回应在外部数据上而不是仅仅依赖预训练的知识，RAG 系统可以显著减少幻觉并增强 AI 生成输出的可靠性。

它在商业中体现在哪里？

思考模式在知识密集型、洞察力驱动的任务中具有巨大潜力：

• 客户体验团队使用它来解释客户反馈或决定下一步的最佳行动。

• 产品和战略团队使用它来绘制洞察力或根据复杂标准优先排序功能。

• 法律、合规和人力资源团队使用它来提取相关条款、解释文件或跨部门协调政策。

• 分析师和研究人员使用它来生成结构化摘要、得出结论或综合开放式调查回应。

思考模式并不取代人类的洞察力，但它加速了团队获取洞察力的速度，尤其是在处理复杂性时。

注意

这些模式不是相互排斥的——它们在现实世界的 AI 解决方案中经常结合使用。例如，思考模式可以与创造模式结合，基于复杂推理生成高质量、结构化的输出。你可能会使用非推理模型如 GPT-4o-mini 来快速起草功能文档，或者引入具有推理能力的模型如 Grok - 3 来智能地重构整个代码库。深度（思考）和输出（创造）的结合是许多高级商业用例得以实现的地方。你将在本书的后面部分了解更多关于如何结合这些技能来设计自己的解决方案概念。

结合所有这些模式——预测、感知、创造和思考——现代人工智能系统已经变得极其强大。但现代人工智能的能力并不止于此。

让我们来看看人工智能的代理模式。

人工智能的代理模式

今天的大多数人工智能系统都是反应性的——它们分析、生成或解释，但只有当它们被指示这样做时。但如果人工智能能够采取行动呢？代理模式是人工智能从被动助手转变为主动操作者的地方。在这种模式下，人工智能系统不仅产生输出，还采取行动、触发工作流程，并在工具、系统和环境中协调任务。

代理模式包括两大类技能：

• 执行技能：这些是人工智能的操作臂。它们发送消息、触发流程、执行任务，并在系统间编排多步骤流程，使人工智能系统能够与真实世界互动并收集反馈。

• 适应技能：这些技能允许人工智能根据反馈、性能数据或环境变化随着时间的推移调整其行为，只需最小程度的人类干预。

这些能力将人工智能从你询问的工具转变为基于推导逻辑、触发器或学习行为的主动执行的工具。

是什么赋予了这些技能力量？

代理模式是通过一系列技术的组合实现的：

• LLMs 作为推理层，解释意图并做出动态决策。

• 函数调用框架（例如 OpenAI Functions 或 LangChain）让 AI 触发操作或外部工具。

• 工作流程自动化平台（例如 Zapier、N8N 或自定义 API）处理任务执行。

• 自主代理和编排框架（例如 LangGraph 或 CrewAI）通过记忆和反馈循环管理更长、多步骤的任务。

• 强化学习和基于反馈的系统支持适应性，使代理能够从性能中学习并随着时间的推移而发展。

虽然执行技能可以通过低代码平台获得，但适应性技能更为高级，通常需要更深入的集成、监控和限制。

快速现实检查

代理模式是五种 AI 模式中最复杂和最具技术挑战性的。虽然自运行的 AI 代理的想法听起来是终极解决方案，但它很少是一个好的起点。这些系统需要仔细配置、监控，并且通常需要深入定制才能在生产中可靠地运行。

在这本书中，你将学习如何以现实和可持续的方式扩展你的 AI 之旅——从低自动化到高自动化。现在，只需记住：代理 AI 可能听起来是每个问题的答案，但现实往往大相径庭。

它在业务中出现在哪里？

代理模式仍在兴起——但它已经改变了工作完成的方式：

• 销售和营销团队使用它来发送跟进、自动生成报告，并更新 CRM 而无需动手。

• 支持和成功团队使用它来解决客户工单、升级问题，并随着时间的推移调整基于知识的响应。

• 跨职能团队使用代理来编排多系统交接、协调交付成果或自动驱动端到端流程。

代理模式是 AI 有点像“活过来”的地方——连接洞察力和行动，以自动驱动实际成果。

这五种 AI 模式——预测、感知、创造、思考和代理——以及背后的 AI 技能类别，将是你在这本书中映射 AI 机会和设计 AI 解决方案概念时的限制因素。为了方便你访问这些模式，我创建了一个你可以随时使用的电子表格：github.com/PacktPublishing/The-Profitable-AI-Advantage/blob/main/ch02/AI_Skills.xlsx。

在我们结束这一章之前，让我们更深入地探讨一下 LLMs 的工作原理。LLMs 现在是现代 AI 的一个组成部分，因此简要了解它们是如何工作的至关重要。如果你知道 LLMs 的工作原理，可以跳过这一节。

理解 LLMs

我知道这本书不应该是一本超级技术性的书，但鉴于 LLM 可以在现代 AI 系统的许多交互点找到，并且经常用于所有五种 AI 模式中，了解它们在高级别上是如何工作的很有价值，这样你就不会陷入最常见的陷阱。LLM 可以像你在舞台上看到的那些魔术师一样。如果你不知道他们的技巧是如何工作的，你可能会轻易高估他们的能力。当然，他们不能让真正的咖啡桌飞起来，但幻觉是完美的。所以，让我们揭开幕布看看。

在本质上，LLM，如 ChatGPT 中使用的 LLM，执行一个主要任务：根据它们所提供的上下文，预测序列中的下一个单词（或者更准确地说，一个标记，它可能只是一个单词的一部分，但为了简单起见，我们将谈论单词）。这个看似简单的机制推动了从日常对话到深入战略洞察的一切。

考虑这个例子：你将短语The sky is输入到 LLM 中。幕后，模型为可能的下一个单词分配概率：blue可能高度可能，而usually或the的得分会低得多。你可以在图 2.9中看到这个例子：

图 2.9：LLM 工作原理的示意图。来源：Annie Surla/NVIDIA 博客developer.nvidia.com/blog/how-to-get-better-outputs-from-your-large-language-model/

所以，LLM 并不真正知道天空是蓝色的——它只是根据在训练数据中频繁看到这个短语并学习到统计模式而推断出来的。

但 AI 究竟是如何知道预测哪个单词的呢？

2017 年，谷歌发表的《Attention is All You Need》论文(en.wikipedia.org/wiki/Attention_Is_All_You_Need)是一个转折点。这篇论文引入了注意力机制的概念——一种帮助模型决定关注句子中哪些部分以更准确地预测下一个单词的方法。这样，输入The sky is很可能会返回blue，但输入序列The sky is not always可能会产生clear或predictable，因为模型现在也在关注单词not。本质上，注意力使模型能够根据上下文权衡每个单词的重要性，而不是平等地对待所有前面的单词。这种被称为注意力的方法，现在仍然是所有现代 LLM 的核心组件。

你可能会把这个当作一个技术细节，但理解这种注意力机制的力量和局限性，当与 LLM 一起工作时至关重要。如果你清楚地告诉 LLM 你想要什么，你会得到更好的响应。另一方面，指令中的一个小错误可能会导致模型返回完全不同的输出。这就是为什么你给 LLM 的指令——称为提示——如此重要。制作强大的提示不仅是一种技术技巧，而且是一种解锁更好结果的实际技能。

一个常见的误解是，LLM 使用得越多，就会变得越好。实际上，它们每次会话都是从零开始，除非经过微调或明确设计为记住上下文（例如，通过定制解决方案或具有记忆功能的设置，如 ChatGPT 中的个性化）。

因此，临时提高 LLM 性能更多的是关于训练模型，而不是适应你的输入——这是一种称为提示工程的技能。

要立即获得更好的输出，你必须适应 LLM，而不是反过来！

让我们通过一个例子来看看 LLM 是如何思考的。

假设你用类似以下的方式提示模型：

What are the best practices in digital marketing? 

在内部，LLM 首先生成一个关于下一个可能单词的概率分布：

一些可能的后续词汇可能包括 It、The 或 Typically。模型根据概率分布选择下一个标记，这意味着如果你多次运行相同的输入，你可能会得到相同的响应或不同的响应。这完全取决于每个选项的可能性以及模型如何从该分布中进行采样。

这种内置的随机性是有意为之的。它允许输出中的变化和创造力，而不仅仅是重复相同的措辞或鹦鹉学舌训练数据。这就是 LLM 生成性的原因——它们不仅仅是检索答案，而是根据概率逐词创建响应。

图 2.10：LLM 考虑几种可能的完成

假设模型选择了单词 The。

因此，在采样一个完成之后，LLM 将把它添加到输入上下文中，如下所示：

What are the best practices in digital marketing? `The` 

模型随后根据这个更新的上下文预测下一个单词。

它会逐词继续下去。关键点是，一旦选择了单词，它就会锁定在序列中。无法回退。没有内置的修订。

在观察到输入序列末尾的单词 The 后，模型现在被迫计算以下概率分布：

图 2.11：LLM 将完成添加到输入提示并继续完成过程（第二个单词）

这个过程会继续进行，LLM 逐词（或技术上，逐标记）产生输出句子：

`What are the best practices in digital marketing? The most` `effective` 

以此类推…

`What are the best practices in digital marketing? The most effective` `practice` 

以此类推…

`What are the best practices in digital marketing? The most effective practice` `is` 

直到

`What are the best practices in digital marketing? The most effective practice is` `ads`. 

模型决定预测是否完成或达到预测的最大标记数。当你看到 ChatGPT实时输入响应时，你会看到这种行为。这就是 LLM 的基本工作方式。下一词预测。你可以在 ChatGPT 中观察到这种行为。

这也是为什么当要求工具如 ChatGPT 双检其输出时，它们可以发现自己错误的原因。

例如，你可能在先前的例子中看到模型决定最佳的数字营销实践是广告。由于对单词实践而不是实践们的不幸采样，限制了模型只建议一个最佳实践而不是多个。当大型语言模型（LLMs）生成输出时，它们只能向前看，不能向后看。要审查它们的工作，你必须明确地要求它们，它们很可能会捕捉到它们的错误（尽管这并不保证）。

有一种秘密的调料使得整个过程如此有效，产生了令人惊叹的结果，这些结果扩展了花哨的自动完成的定义。为了理解它，让我们看看一个刚刚在大量数据（例如，互联网、整个图书馆的书籍等）上完成训练的大型语言模型（LLM）。这就是 AI 人所说的基础模型或基础模型。

如果你给这个基础模型两个问题，它会返回第三个问题，因为它被训练去预测/重复输入序列的模式。

图 2.12：基础模型的文本生成

最初的 GPT 模型直到 GPT-3 都是这样工作的。但这并不很有用。当我们向 LLM 提出两个问题时，我们希望得到两个（理想情况下是正确）答案。因此，OpenAI 的研究人员想出了一个技巧。他们使用了一个较小的问答对数据集，并用它来微调他们的基础模型。它不会给出另一个问题，而是给出一个答案。在此基础上，为了提高答案，他们雇佣了人们手动投票选择最佳回应。结果，OpenAI 生成了一个指令微调模型——一个不仅自动完成，而且真正遵循指令的 LLM。所以，如果我们问两个问题，我们会得到两个答案：

图 2.13：指令微调后的文本生成

这就是 ChatGPT 的突破性时刻。它工作得如此之好，以至于人们常常忘记他们正在与一个进行下一词预测的 AI 互动。这就是魔法发生的地方——也是许多人关于 AI 系统产生错误观念的地方。因为 ChatGPT 遵循指令如此之好，表现得如此自信，你可能会认为它知道自己在做什么。实际上，这可能导致失望和陷阱。ChatGPT 或任何其他基于 LLM 的聊天机器人实际上并不知道任何事情。它没有自我意识或意识。这一点非常重要需要记住。因此，相反，你应该将模型视为愚蠢的，但同时在应用于正确的事情时却极其有用。

核心观点：LLM 预测序列中的下一个单词。你对输出的主要控制是提示。正如你接下来可以看到的，当我们提供更多上下文，而不仅仅是询问营销最佳实践时，ChatGPT 的回答会调整以适应那个上下文——这是一个强大且难以掌握的概念：

图 2.14：上下文（提示）影响 LLM 的响应

这就是提示工程的核心。对你想要的东西要非常具体。控制 LLM 行为的方式是控制你给出的提示。

摘要

在我们结束本章对现代 AI 的理解时，有一点应该是明确的：这个领域广阔、快速移动，并且充满了复杂性。从 AI 这样的高级概念到 GPT-5 这样的实用工具，每一层都引入了新的能力，也带来了新的挑战。

通过理解五种 AI 模式——预测、感知、创造、思考和代理——你现在有一个实用的框架来导航这个空间。这些模式不仅反映了技术是什么，还反映了它能做什么——以及这些能力如何转化为你业务的价值。

记住，就像美国总统曾经害怕触摸电灯开关一样，对新事物感到谨慎是很正常的。但这里的目的是不是要成为一名 AI 工程师，而是要自信地在你自己的组织中切换正确的开关。

在下一章中，我们将从理解转向应用。你将学习如何发现和设计符合你业务背景的 AI 解决方案，而不会迷失在技术细节中。

|

现在解锁这本书的独家优惠

扫描此二维码或访问packtpub.com/unlock，然后通过书名搜索此书。 | |

| 注意：在开始之前准备好您的购买发票。* |

| --- |

第三章：成功采用人工智能的方法

我与的大部分公司都难以理解成功采用人工智能的真实样子。他们常常陷入两个阵营之一。首先，是那些理想主义者，他们梦想着人工智能机器人做所有的工作，这样他们就可以终于花整天时间在海滩上喝玛格丽塔酒。另一方面，你还有那些认为人工智能就像《黑客帝国》一样高深莫测的代码，他们认为这是由 IT 部门完全负责的事情，希望专家们知道他们在做什么。然而，这两种观点都是错误的，它们不会让你更接近成功采用人工智能的目标。

为了找到成功采用人工智能的答案，商业领袖和 IT 专业人士常常转向现代人工智能的发明者，即硅谷的大科技公司。“他们发明了这项技术，所以他们一定知道如何使用它”是这里的一般想法。但正如我们将学习的，复制硅谷的人工智能策略对于大多数普通企业来说是一定会失败的。

本章将解释为什么成功采用人工智能的答案不在于湾区，以及你需要在何处寻找与你的组织环境相一致的人工智能策略。

事实上，我将介绍四种不同的方法，这些方法在许多行业和业务中都非常有效，无论规模大小。它们都有现实世界的成功作为支撑。本章将为你成功开启自己的 AI 之旅提供一个坚实的基础。

让我们开始吧！

在本章中，我们将涵盖以下主要内容：

• 模仿大科技公司的陷阱

• 人工智能分而治之方法

• 人工智能的月度射击方法

• 产品驱动 AI 方法

• 机会主义 AI 方法

• 寻找你的 AI 方法：你在哪里，你想去哪里，以及为什么这很重要

模仿大科技公司的陷阱

商业界存在着一种奇怪且持续的现象，即公司——尤其是那些具有高遗产和低技术含量的公司——常常试图模仿那些相对年轻、高科技公司，如谷歌、Meta 或亚马逊的实践。现在，这种趋势并非新鲜事，也不仅限于人工智能。以目标与关键成果（OKR）为例。OKR 是一种由谷歌开创的旨在帮助实现大目标同时保持敏捷和灵活的目标设定框架。许多组织纷纷登上 OKR 列车，认为对谷歌有效的方法对他们也会有效。然而，他们常常发现这个框架并不符合他们的运营现实，因此他们对这种技术所能带来的结果感到失望。通常，真正从中受益的只有那些销售 OKR 培训的顾问。

现在，人工智能正被同样的错误逻辑所淹没。全球许多公司都认为，如果他们简单地模仿那些在现代人工智能创新前沿的公司——大科技公司——所采用的 AI 策略，他们也能实现人工智能的成功。然而，大多数人未能意识到的是，这些科技巨头正在玩一个完全不同的游戏。

想想看：你的公司是否有 400 亿美元用于人工智能研发，就像 Meta 一样？你能像亚马逊那样，分配 30 亿美元用于实验性技术吗？你的组织是否拥有超过 24,000 项专利，并且免费提供核心技术，就像谷歌一样？现实是，这些举措只有极少数公司——可能只有 0.0001%的公司——能够做到。但这并不意味着我们其他人离实现人工智能成功还很远。关键是要玩好自己的游戏。利用这些巨头开发的工具和技术，将它们适应到你的具体需求和能力。

为了找到适合你的方法，你不必从头开始。多年来，我已确定了四种独特的人工智能方法，你的公司可以采用——特别是如果你是一家在科技泡沫之外运营的普通企业。这些策略已被不同行业和规模的各种公司成功采用，证明在人工智能领域获胜不止一种方式。

让我们探索这些方法，并了解每个类别中的成功是什么样的。

人工智能分而治之方法

人工智能分而治之的方法常被寻求在可能被人工智能颠覆的行业大规模利用人工智能的公司所采用。这些行业特别数据密集和知识密集，如金融、保险、法律、生物技术和制药，还包括市场营销、销售和客户服务等职能。这些领域处理大量数据，并且高度依赖信息进行决策，因此它们是人工智能转型的理想候选者。

受到古罗马军事战略的启发，商业世界的 AI 分而治之方法涉及通过将其分解为更小、更易于管理的组件，并在明确定义的轨道下展示高度自我控制，来管理大型组织的 AI 转型。这种策略允许组织内的不同单位独立追求自己的 AI 项目，同时遵守一个共同的总目标。

通过多个较小的项目广泛推广人工智能的采用，可以防止“烧尽海洋”的问题，即公司因一个庞大的单一人工智能项目的规模而变得瘫痪。许多企业通常遵循这种方法来管理它们的更广泛的数字化转型，通常由一个中心枢纽领导，通常是人工智能卓越中心（AICoE）。

看一下图 3.1。AICoE 协调努力，但允许在部门层面保持灵活性和创新，而不对各个业务单位行使最终指令权。

图 3.1：人工智能分而治之方法

如果你仔细观察这张图片，你会发现人工智能项目的大小根据每个部门的需求而有所不同。例如，部门 B 可能有几个 AI 用例，而部门 A 可能只有少数可以用 AI 驱动的用例。因此，这种方法允许根据需求采用人工智能，作为更小、更易于管理的项目。

让我们谈谈这种方法如何在组织中应用。

在实践中，人工智能分而治之的方法需要赋予组织内部的不同部门或单位独立运作的权力，同时保持与共同的人工智能驱动目标的协调一致。这通常从创建一个全面的 AI 用例清单开始——有时数量达到数百个——每个部门可以根据其特定的需求和能力进行优先排序和追求。这些用例可能从人力资源中自动化常规行政任务到在营销部门部署高级预测分析。

AICoE 在这个过程中发挥着关键作用。它不仅整理和优先考虑这些用例，还提供了必要的资源、专业知识和最佳实践支持。这确保了虽然每个部门都有创新的自由，但他们的努力仍然与更广泛的组织战略保持一致。AICoE 可能会组织定期的跨部门会议、研讨会或黑客马拉松，以分享见解、促进合作，并确保人工智能项目朝着有利于整个公司的方向发展。

随着这些人工智能项目的推出，它们的累积效应可能是变革性的。单个项目可能看起来微不足道，但集体来看，它们可以在效率、创新和整体组织绩效方面带来显著的改进。通过让所有层级的员工参与这些项目，组织培养了一种持续学习和改进的文化，提升员工技能，并为他们准备未来的工作。

这种方法有几个优点和缺点。让我们来谈谈它们。

在垂直和团队中独立整合人工智能的分而治之方法提供了几个好处：

• 组织范围内的赋能：使组织内的不同团队能够尝试人工智能可以自下而上地促进创新，发现可能无法通过其他方式发现的新成本节约和能力。

• 更高的员工参与度：参与人工智能项目可以通过展示他们的工作如何受到人工智能的影响，并理想情况下得到改善，从而激发员工的工作动力。

• 可扩展性和适应性：由于每个部门都在进行较小、可管理的项目，因此大规模失败的风险较低，这使得根据需要更容易调整或迭代策略。项目可以并行处理，这进一步加速了 AI 的采用。

但这种方法也带来了一些限制：

• 对齐挑战：确保所有部门都朝着相同的整体 AI 战略前进可能具有挑战性。如果没有仔细的协调，存在部门各自为政的风险，导致一种碎片化的方法，这会削弱 AI 项目的效果。

• 衡量影响：量化众多小型项目的整体影响很困难。虽然个别项目可能产生可衡量的结果，但将这些结果汇总以了解 AI 采用的全部价值可能很复杂。

• 预算限制：由于没有总体业务案例，项目通常需要从现有的部门预算中拨款，这可能会限制它们的范围。如果受预算限制的约束，部门可能会优先考虑短期收益而不是长期创新。

• 不一致的数据实践：由于不同部门或单位独立进行 AI 项目，数据收集、处理和分析的方式可能存在不一致。如果没有标准化的数据管理方法，这些不一致可能导致数据孤岛，其中有价值的信息没有在整个组织中共享。这可能会阻碍获得全面见解的能力，降低 AI 项目的整体有效性，并使维护统一的数据战略变得困难，这最终可能解锁更高的 AI 用例价值。

让我们将重点转移到 Moderna 如何成功地在公司不同功能中采用 AI 分而治之的方法。

案例研究：Moderna

生物技术创新者 Moderna 通过战略性地将 AI 整合到公司各种功能中，展示了AI 分而治之的方法。从法律和研发到制造和商业运营，AI 工具已经嵌入到 Moderna 超过 80%的员工日常工作中。

这次转型的核心是 Moderna 的内部 AI 平台mChat，这是一个使用 OpenAI 的 API 构建的 ChatGPT 专有实例。最初于 2023 年初推出，mChat 引发了对 AI 采用的文化的转变，导致 ChatGPT Enterprise 在整个组织中的推广。这种企业级实施包括高级数据分析、图像生成以及针对特定部门需求定制的 GPT 功能。

Moderna 报告称已部署超过 750 个专门定制的 GPT，作为数字助手，支持员工在从总结合同到评估临床试验数据等任务中。例如，在研发部门，剂量 ID GPT 分析数千页的临床数据，以推荐最佳疫苗剂量。它不仅提供理由和可视化，还允许研究人员与模型进行对话，从多个角度探索发现，这显著加速了药物开发中的数据驱动决策。

意想不到的是，法律部门是第一个全面采用 AI 的部门，早期就实现了 100%的使用率。像 Contract Companion GPT 这样的工具允许法律团队上传合同，生成摘要，并查询特定条款，从而为更高影响力的法律策略工作腾出时间。这种早期采用创造了内部动力和对 AI 的信任，这可能是这些工具在其他部门顺利扩展的原因。

在制造业，AI 提高了精度和效率，在需求高峰期（如 COVID-19 大流行期间）能够实现快速扩展。商业团队也受益于 AI 驱动的洞察力和自动化，这些都有助于提高生产力。

Moderna 在 AI 方面的成功提供了几个可操作的启示：

1. 从强大的数据基础开始：Moderna 已经是一家以数字为先、机器学习原生公司，这使得 AI 集成更加无缝。

2. 投资于内部工具：而不是等待一刀切解决方案，Moderna 内部开发了 mChat，并为不同的功能开发了数百个定制的 GPT。

3. 关注劳动力转型，而不仅仅是工具：Moderna 不仅安装了软件，还重新设计了工作流程，并培训员工与 AI 一起工作，将其视为他们能力的延伸。

4. 以高回报率部门为领导：法律团队的早期采用证明了其明确的价值，并帮助为更广泛的推广建立了组织动力。

5. 利用 AI 进行扩展，而不增加劳动力规模：Moderna 计划在 5 年内推出 15 个产品，员工人数少于 6,000 人——这只有通过自动化和 AI 增强才能实现。

通过这种战略性的分割和征服方法，Moderna 不仅提高了内部生产力，还加强了其在医疗保健领域扩大影响力的能力，提供了一个值得学习的优秀案例研究。

我们接下来要讨论的方法是AI moonshot方法，这种方法的目标不是广泛地改变组织，而是旨在构建一个针对极高商业影响的中心核心 AI 解决方案。

AI moonshot 方法

AImoonshot 策略的核心在于专注于一个单一、具有变革性的 AI 项目，该项目有可能彻底改变公司的运营，甚至整个行业。这种策略与AI 分而治之的方法形成鲜明对比，后者将精力分散到多个较小的项目中。在这里，公司将其资源、人才和关注点集中在单个高影响力倡议上——一个可能重新定义公司市场地位并在其行业内设定新标准的月球计划项目。

图 3.2：AI 月球计划方法

通常，在月球计划方法中，产品会随着时间的推移不断进化，最终通过 AI 实现完全转型（见 图 3.2）。但究竟什么才算是 AI 月球计划？它不仅仅是 AI 的成功应用；它是一个能够从根本上改变公司运营或向客户交付价值的项目，从而改变或扩展其核心商业模式。想象一下，一个呼叫中心开发了一个能够用超过 10 种语言、24/7 无休、始终提供最新信息的自主语音机器人，其成本仅为人工客服中心的一小部分。这将颠覆整个外包行业。或者想象一下，一个在线大学提供所有学科的 1:1 学习体验，针对每个学生进行定制，以实现最佳学习效果。这些用例，如果做得正确，不仅会 改善 业务，还会将其颠覆。

让我们看看这种方法如何在实践中得到实施。

实施 AI 月球计划策略需要在组织内部进行深度垂直整合，并需要超越大多数 AI 项目中典型的承诺水平。月球计划项目通常由中央资金支持。公司必须准备分配大量资源——无论是资本还是人力人才——以确保这一单一倡议的成功。这通常涉及对研发的重大投资、获取或开发尖端技术，甚至可能需要引入外部专业知识来补充内部能力。

被选定的 AI 应用案例成为公司 AI 策略的核心，需要高层管理层的持续关注。为确保成功，组织可能需要进行结构性的变革，例如创建新的专门负责项目的角色或部门，或者重新调整现有团队以更好地支持该倡议。跨部门合作也是必不可少的；虽然该项目可能由特定团队领导，但它很可能需要来自公司各个领域的输入和专业知识，包括 IT、运营、营销和法律。

尽管月球计划方法风险较大，但也带来了一些好处：

• 行业领导力：成功执行一个杀手级 AI 应用案例可以使公司在其领域成为无与伦比的领导者，并为公司构建巨大的护城河，使其能够捕获更大的市场份额。

• 转型影响：正确的 AI 应用案例可以改变公司的运营，可能开辟全新的商业模式或收入来源，甚至可能创造全新的行业类别。

但在采用这种方法时，你需要意识到一些相当多的局限性：

• 失败高风险：专注于单一项目固有的风险。如果项目未能按预期交付，可能会使公司变得脆弱，面临巨大的沉没成本和错失的机会。

• 高额前期投资：这种方法需要大量的资本、人才和时间投入。资源有限的小公司可能会难以维持所需的承诺水平。

• 沉没成本谬误：由于需要巨额前期投资和长期目标，总是很难说你是否只需要继续推动，还是到了停止项目的时候。项目进行的时间越长，你继续推动的可能性就越高，因为你已经在其中投入了大量的资源。

• 监管挑战：根据行业不同，公司可能会面临重大的监管障碍。例如，在医疗保健或金融领域，关于数据隐私和安全的严格法规可能会使 AI 解决方案的开发和部署复杂化，尤其是在它们触及新的业务领域时。

• 组织阻力：对单一转型项目的关注可能会在组织内部遇到阻力，特别是如果它需要重大改变既定工作流程或威胁到现有的权力结构。

AI 长征战略的一个典范例子是特斯拉对自动驾驶的雄心勃勃的追求，我们将在下一部分进行讨论。

案例研究：特斯拉

特斯拉致力于实现完全自动驾驶能力，这不仅仅是一个副项目；它是公司从传统汽车制造商转型为共享出行服务全球领导者的长期愿景的核心。

特斯拉在 AI 研究和开发上投入了大量资金，包括创建定制的 AI 芯片、开发从数百万辆特斯拉车辆收集的大量数据集，以及聘请顶级 AI 人才。这一举措需要公司工程、软件和硬件团队之间的深度整合，以及持续投资于支持自动驾驶功能 AI 模型的基础设施。

特斯拉的方法独特之处在于其在整个 AI 栈中的垂直整合——即使在最先进的技术公司中，这也是一项罕见的成就。在硬件方面，特斯拉设计了其自己的完全自动驾驶（FSD）计算机，配备了定制的神经网络推理芯片，专门针对实时驾驶决策进行优化。这些芯片直接在车辆上处理大量视觉数据，减少延迟并提高安全性。

特斯拉也控制着从端到端的数据管道。每辆在路上的特斯拉汽车都充当一个传感器中心，为可能是有史以来为驾驶场景收集的最大视频数据集做出贡献。凭借数十亿英里的行驶里程和 PB 级真实世界影像，特斯拉拥有巨大的训练优势。公司的自动标注系统使用 AI 大规模标注视频数据，从而实现模型训练的快速迭代。

在软件方面，特斯拉构建了自己的 AI 训练基础设施，包括其专有的 Dojo 超级计算机，专为基于视频的神经网络训练而设计。这使得特斯拉能够推动仅视觉自主性的边界，避免依赖昂贵的激光雷达，而是加倍投入计算机视觉的基础研究。为此，特斯拉拥有一支在世界级水平上运作的 AI 团队。

这项 AI 雄心勃勃的目标的潜在回报是巨大的。虽然特斯拉尚未实现完全自动驾驶，但他们过去十年取得的进步——从完全依赖 AI 来观察图像数据（计算机视觉）而不是在汽车上配备专用、昂贵的传感器，从 0 级到 SAE Level 2——是显著的。成功实现完全自动驾驶可能会为特斯拉开辟新的收入渠道，例如自动驾驶出租车服务，并通过提供竞争对手难以匹敌的功能，显著加强其市场地位。然而，风险同样巨大——如果在合理的时间内未能实现完全自动驾驶，可能会危及特斯拉更广泛的企业模式，尤其是在竞争对手推进他们自己的自动驾驶技术的情况下。

特斯拉的历程展示了 AI 雄心勃勃战略的高风险、高回报特性。这是一个大胆的方法，如果成功，可以重新定义一个行业——但它需要坚定不移的承诺、大量的资源，以及直面重大挑战的意愿。

其他追求突破性 AI 产品的组织可以从特斯拉的方法中学习：

1. 控制全栈: 特斯拉不仅依赖现成的解决方案——它还构建了自己的芯片，收集了自己的数据，并开发了自身的训练基础设施。这种紧密的集成使公司拥有无与伦比的灵活性和创新速度。

2. 利用规模创造数据优势: 随着数百万辆汽车在道路上作为数据收集器，特斯拉创造了一个反馈循环，其中真实世界的性能不断推动模型改进。

3. 针对您的特定用例进行构建：特斯拉的 Dojo 超级计算机和定制 AI 芯片并非为通用 AI 设计——它们针对实时、基于视频的感知进行了优化，展示了在专注的 AI 用例中定制基础设施的价值。

4. 投资于基础研究：特斯拉为驾驶定制了新颖的计算机视觉技术，这不仅使其在实施上具有优势，而且在推动其模型的核心科学上也具有优势。

5. 将风险视为策略的一部分：特斯拉对单一 AI 应用进行大赌注，这可能定义其未来。这需要持续的投资和应对延迟、技术挑战和监管障碍的韧性。

特斯拉的 AI 策略强调，有时最大的回报可能不是将 AI 广泛地应用于每个部门，而是对单一、变革性的用例进行大赌注，并构建实现它的所有必要条件。

接下来，我们将讨论以产品为中心的 AI方法。

以产品为中心的 AI 方法

以产品为中心的 AI 策略的核心是增强——不一定重新定义——现有产品的人工智能功能，从而提高功能、用户体验和整体价值。这种方法特别适合那些希望在拥挤的市场中保持竞争力同时维持其核心商业模式的公司。AI 不是主要的卖点，而是巧妙地融入产品中，以增强其功能并确保它们继续满足并超越客户期望。

图 3.3：以产品为中心的 AI 说明

区分以产品为中心的 AI 方法的特点是其关注渐进式改进而非彻底变革。AI 被用来微调产品，使它们更智能、更直观，并能更好地满足用户需求。这种策略允许公司利用 AI 的潜力，而无需进行全面商业模式的重塑，这可能是风险和资源密集型的。

这里有一个关于如何将产品为中心的 AI 方法付诸实践的入门指南。

对于采用产品为中心的 AI 策略的公司来说，目标是以一种增强产品而不掩盖其核心价值主张的方式集成 AI。这通常涉及将 AI 技术嵌入产品中，以添加新功能、提高性能或提供更好的用户体验。例如，在技术行业，AI 可以用来改进软件算法，实现更个性化的推荐或更快的处理时间。在消费品领域，AI 可以通过语音识别或基于用户行为的自动调整等功能来提高产品的可用性。

这种方法的一个关键方面是，人工智能本身并不是营销或客户互动的重点。相反，重点仍然在产品及其提供的利益上。这需要产品开发团队、人工智能工程师和市场营销专业人士之间的紧密合作，以确保人工智能功能能够无缝集成并提升整体用户体验。

在以产品为导向的人工智能战略中，人工智能最终成为实现产品待办事项中功能目标的另一种手段。

让我们来看看这种方法的某些好处：

• 增强用户体验：通过将人工智能集成到产品中，公司可以提供新的功能和改进的功能，从而提升用户体验。这反过来可以提高客户满意度和忠诚度，因为用户会发现产品更有价值且更易于使用。

• 竞争差异化：在竞争激烈的市场中，人工智能增强可以帮助产品在竞争中脱颖而出。即使是诸如更快响应时间或更准确预测等的小幅改进，也可能成为重要的差异化因素。

• 渐进式创新：这种方法允许公司在无需对其商业模式进行重大改变的情况下持续创新。通过关注产品级改进，公司可以保持领先地位，同时避免与大规模转型相关的风险。

• 低风险：由于人工智能功能作为功能增强推出，通常不太可能在没有看到任何回报的情况下投入大量资源。功能通常被范围化以允许敏捷交付，因此人工智能开发增量需要很小。这允许你更好地控制成本并监控持续的过程。

以产品为导向的人工智能方法也带来了一系列挑战，以下列出了一些：

• 可复制性：由于人工智能的改进通常是渐进的，因此存在竞争对手会迅速复制它们的风险，从而降低竞争优势。如果模仿者能够找到从早期采用者的用户体验中学习的方法，他们甚至可能提供比先行者更好的体验。

• 组织学习减少：专注于产品级人工智能集成可能不会导致对人工智能的更广泛组织理解。这可能会限制公司跨组织扩展人工智能解决方案或探索未来更多变革性人工智能机会的能力。

• 错失重大创新：如果你的产品在人工智能创新方面领先，那么创新的范围本质上会受到产品范围的限制。这可能导致你将产品改进到完美，却错过了使你的产品过时的更大趋势（例如，计算机制造商错过了移动热潮）。

• 创新压力：对持续产品改进的依赖可能会给研发团队带来压力，迫使他们不断进行创新，专注于短期改进，而忽视了长期创新。

让我们看看以产品为导向的 AI 方法如何推动苹果的成功。

案例研究：苹果

苹果将 AI 巧妙而强大地集成到其产品中，体现了以产品为导向的 AI 策略。尽管苹果很少在其营销中强调 AI，但这项技术深深植根于其许多产品中，增强了功能性和用户体验。

以FaceID为例。这个由先进 AI 算法驱动的面部识别系统，彻底改变了用户与设备互动的方式。它提供了一种无缝、安全且高度直观的方法来解锁手机、授权支付和访问敏感信息。通过将这一 AI 驱动的功能集成到其设备中，苹果不仅提高了安全性，还增强了便利性，巩固了品牌在创新和以用户为中心的设计方面的声誉。

另一个例子是机器学习在苹果相机系统中的应用。得益于 AI，您的智能手机可以分析和优化图像中的每一个像素，生成更清晰、更详细、更逼真的照片。这些增强功能并非作为 AI 特性本身进行营销；相反，它们被视为整体摄影体验的一部分，这是苹果设备的关键卖点。

苹果策略的独特之处在于其深度嵌入、垂直整合的 AI 架构，最近被命名为Apple Intelligence。苹果没有专注于单一杀手级应用或部门范围内的推广，而是选择让 AI 悄然提升其旗舰产品——iPhone、iPad 和 Mac——的核心体验，这些体验是用户每天都会依赖的。

随着 2025 年 iOS 18、iPadOS 18 和 macOS Sequoia 中 Apple Intelligence 的推出，苹果推出了一系列生成式 AI 功能，旨在增强语言、图像创作、个人上下文和任务自动化。这包括以下工具：

• 智能文本处理，用于跨应用写作、重写和校对。

• 清理照片中的杂项元素。

• 使用设备上的模型进行通知摘要和邮件分类，以简化通信。

• 视觉智能，利用摄像头进行物体识别、文本翻译和上下文感知操作。

在幕后，这一功能由一个高度集成的 AI 堆栈提供支持：

• 苹果硅：配备专用神经引擎的 M 系列芯片专为在设备上高效且安全地处理 AI 工作负载而设计。

• 设备上处理：大多数 Apple Intelligence 功能在本地运行，在不牺牲速度的同时保护隐私。

• 私有云计算：对于更复杂的工作任务，苹果将数据传输到加密服务器——仅在需要时，并且仅得到用户同意——确保即使在规模上也不会牺牲隐私。

苹果公司还根据每个设备的形态和优势定制 AI 功能。例如，在 iPad 上，iPadOS 18 中的新功能如数学笔记和智能脚本使手写更加互动和实用。用户可以使用 Apple Pencil 实时解决方程式，或像输入文本一样流畅地编辑手写笔记。

值得注意的是，苹果很少将这些功能作为“AI”本身进行营销。相反，它们无缝地融入产品叙事中：智能就是如此简单。这使得苹果能够专注于取悦用户，而不是用技术术语让他们眼花缭乱。

苹果的方法为那些希望将 AI 融入其产品线而不会让用户感到不知所措或疏远的公司提供了明确的教训：

1. 以用户体验为中心设计 AI，而非流行词汇：苹果公司不是以 AI 为起点；它以易用性为起点。只有当 AI 功能使某物更快、更简单或更令人愉悦时，才会展示这些功能。

2. 控制技术堆栈：从芯片设计（苹果硅）到保护隐私的云计算（私有云计算），苹果公司确保其 AI 生态系统安全、高效，并针对其产品进行优化。

3. 在最重要的地方无形地部署 AI：如 FaceID、智能脚本或照片清理等特性都是 AI 驱动的，但苹果将其定位为核心产品功能的增强 - 而不是独立的工具。

4. 默认优先考虑隐私：苹果公司致力于尽可能在设备上运行模型，并加密在云中使用的任何数据，这有助于建立长期的用户信任 - 尤其是在消费技术领域至关重要。

5. 利用特定形态的智能：无论是 iPad 上的实时手写增强还是 iPhone 上的照片清理，苹果确保每个 AI 应用都符合设备的上下文。

通过以增强产品价值而不掩盖其价值的方式整合 AI，苹果成功地在竞争激烈的市场中保持了其领导地位。这种方法允许苹果不断改进其产品，为用户提供新的、有价值的功能，使他们忠于品牌，同时也为竞争对手在产品质量和创新方面设定了标准。

第 4 种方法：机会主义 AI

机会主义 AI方法适合那些在 AI 采用上偏好谨慎、风险规避策略的公司。这里的普遍态度是：“除非你证明我错了，否则我们不需要 AI”。虽然这听起来可能有些天真，但许多行业面临的最紧迫挑战与 AI 无关。以贸易、建筑或任何其他实体业务为例。机会主义 AI 方法涉及仅在出现引人注目、定义明确的用例时才整合 AI - 这种用例为特定的业务功能或流程提供即时的、有形的益处。而不是在企业的各个层面追求 AI 创新，采用这种策略的公司专注于符合其现有运营目标的实用、经过验证的应用。

当公司希望改善特定功能中的一个单一工作，而这些功能有通过 AI 改善的可靠记录时，这种方法效果最佳。想想客户服务或营销中的工作。

图 3.4：机会主义人工智能采用说明

通过在这些领域有选择地部署 AI，公司可以在不进行大规模转型或承担重大风险的情况下实现效率和成本节约。与 AI 的分割和征服方法不同，这些领域的采用不是由高管层推动的，而通常是业务专业人士发现 AI 可以改善他们日常工作的拉动。

实施机会主义人工智能方法通常是由工具驱动的。一款新的软件或供应商吸引了商业专业人士或中级业务领导者的注意，他们奋斗以获得资源来实施该工具。由于默认决策是我们不需要它，希望从人工智能技术中受益的业务用户必须为该工具制定一个明确的商业案例。这导致定义明确、范围明确的用例，但也可能导致实施周期更长，这取决于工具的成本和复杂性以及组织的规模。

这种方法的一个关键方面是强调效率和快速胜利。选定的 AI 应用通常是低风险的，并且有很高的可能性带来即时的好处，例如降低运营成本或提高客户满意度。这确保了公司可以在不破坏现有流程或对其整体商业模式进行重大改变的情况下看到可衡量的结果。

以下是你的组织如何从机会主义人工智能方法中受益：

• 风险降低：通过专注于特定、经过验证的 AI 实施，公司最小化了与未经测试或实验性应用相关的风险。这使得他们能够在不承担广泛、针对性较低的项目的高成本或潜在失败的情况下，利用 AI 的好处。

• 即时回报：这种方法的选性确保了 AI 集成与特定的商业目标紧密一致，导致效率、成本节约或客户满意度方面的快速和可衡量的改进。

• 利用已证实的成功：公司可以采用已经在类似功能或流程中得到其他人验证的人工智能技术，减少不确定性，并允许使用最佳实践。

在采用这种方法之前，你需要了解一些局限性：

• 错失更广泛的机会：通过只关注特定功能或流程，公司可能会忽视更广泛、变革性的 AI 机会，这些机会可能会彻底改变业务的其它部分。这种选性方法也可能限制公司快速适应或应对市场条件变化或竞争对手进步的能力。

• 落后于竞争对手的风险：那些只在少数领域选择性地采用 AI 的公司可能会落后于实施全面 AI 战略的更具侵略性的竞争对手。这可能导致失去先发优势，可能影响市场份额并削弱公司在行业中的领导地位。

• 自满导致停滞：公司可能会对其现有流程过于舒适，导致停滞。随着时间的推移，这可能会限制组织进行创新或适应未来中断的能力。公司需要通过持续监控技术进步和尝试新的 AI 机会来保持竞争力，以防止这种情况发生。

• 集成挑战：机会主义 AI 采用往往会导致集成挑战，其中 AI 系统可能无法无缝连接到现有的工作流程或彼此之间，导致效率低下或碎片化的方法。这可能会复杂化在整个组织中扩展 AI 的努力，并降低 AI 倡议的整体有效性。

家得宝——在这里是一个典型的零售商——是关注经过验证、高影响 AI 应用的机会主义 AI方法的一个好例子。让我们深入了解。

案例研究：家得宝

家得宝（The Home Depot）利用监督式机器学习和计算机视觉来优化库存流程，确保产品在正确的时间和地点。这种有针对性的 AI 应用已经带来了成本节约和客户满意度提升，无论是在店内还是在线。

它还通过 AI 驱动的搜索和产品推荐系统有选择性地增强了其电子商务体验。这些工具提高了参与度并推动了转化，但仅在投资回报清晰且可衡量的情况下。

公司采取的一些关键举措包括：

• Sidekick 应用：一款内部开发的移动应用程序，使用机器学习和计算机视觉帮助店员通过实时库存管理进行补货。

• 魔法围裙：一套生成式 AI 工具，旨在为顾客提供在线专家建议和产品推荐——特别有助于 DIY 项目。

• 增强搜索功能：由 AI 驱动的算法提高了站内搜索结果的相关性，导致点击率提高和更高的转化率。

虽然许多现代零售商都有类似的应用，但家得宝因其对 AI 部署的关注和纪律性而脱颖而出。

下面是这个策略的一些关键要点：

• 识别高影响区域：关注 AI 能够带来明确、可衡量价值的领域，例如库存管理或客户服务。

• 利用现有专业知识：使用内部知识和运营数据来设计相关、特定领域的应用程序。

• 保持操作简单：避免不必要的复杂性。优先考虑增强现有工作流程的技术，而不是破坏它们。

• 监控和评估结果：持续衡量 AI 工具的影响，并根据需要调整，以确保长期有效性。

家得宝的机会主义 AI 策略为那些想要拥抱 AI 而不需要彻底改变其运营的公司——无论是零售业还是其他行业——提供了一个范例。它表明，AI 不需要花哨才能有效。一种专注且深思熟虑的方法可以带来实质性的商业成果——而不需要实施 AI 的任何成本或风险。

现在我们已经探讨了 AI 采用的多种方法，我们将讨论如何确定哪种方法最适合你的组织。

找到你的 AI 方法：你在哪里，你想去哪里，以及为什么这很重要

那么，这四种方法——AI 分而治之、AI 月球计划、产品主导 AI 或机会主义 AI——你应该如何为你的组织选择？这就像问，“最好的车是什么？”却没有任何关于谁在驾驶、你要去哪里或你为什么要旅行的背景信息。正确的 AI 策略，就像正确的车辆一样，取决于你的当前状态、你的目标未来状态以及你为什么需要到达那里的重大原因。

我们将讨论关键考虑因素，帮助你弄清楚这一点。

评估你组织的 AI 准备情况

在你一头扎进这四种方法中的任何一种之前，你需要清楚地了解你现在的位置。你以前是否真正在规模上处理过数据？你是否有 AI 人才，或者你将需要依赖外部合作伙伴和供应商？是否有为数字化转型计划预留的预算，或者你已经处于紧缩状态？你的组织文化是否欢迎用新技术“失败中前进”的想法，或者你是否在每个部门门口都面临着怀疑的堡垒？

这些问题并非微不足道。你组织的AI 成熟度将指导你是否准备好进行高强度的、研发密集型的月球计划，或者一个低风险的、渐进式的机会主义 AI试点是否更现实。如果你没有强大的数据基础设施或足够的内部 AI 专业知识，启动一个大规模的、AI 驱动的月球计划（方法 2）可能就像把车钥匙交给一个 14 岁的孩子一样。结果不会好。

确定你的 AI 成熟度最简单的方法是将你的当前状态映射到四种采用方法上。你目前对 AI 做了什么？你是否已经陷入了一个大型的 AI 项目？你可能正在实施产品主导或月球计划方法。你完全没有使用过 AI 吗？那么，你似乎处于机会主义领域——除非有说服力，否则不会使用 AI。

那么——如果你必须简化它——当前的哪种 AI 采用方法最能反映你当前的商业现实？

定义你的未来状态

一旦你确定了你的位置，就是时候问自己了：一年后，两年后，五年后，我们想要处于什么位置？更重要的是，为什么？这是理解 AI 如何影响你的市场动态变得至关重要的地方——回想一下我们在第一章中引入的AI 作为新力量的概念。我们讨论的每一种方法都可以帮助你至少推动一个竞争杠杆：

• 新进入者的威胁：如果你的行业面临来自新进入者的 AI 颠覆风险很高（比如银行面对金融科技新贵或零售商与电商纯玩家竞争），你可能需要一个更大的 AI 策略来保持领先。AI 分而治之或AI 登月计划可能让你在竞争者涌入之前建立起护城河。

• 替代品的威胁：如果你的产品或服务面临 AI 驱动替代品的真实风险，你可能需要一个变革性的方法——比如，加大一个杀手级 AI 用例的投入或将 AI 深度集成到你的产品套件中——以避免过时。

• 供应商的议价能力：在数据密集型行业，考虑是否可以通过AI 分而治之的方法来普及知识并减少对单一 AI 供应商的依赖。

• 买家的议价能力：如果你的客户可以轻松比较并切换到 AI 熟练的竞争对手，那么产品驱动的 AI方法可能是区分自己并保持他们忠诚的最简单方式。

• 现有竞争对手之间的竞争：如果你的市场非常残酷，你真的有时间进行渐进式改变吗？如果没有，你可能会选择一个大胆的登月用例，重新定义整个竞技场。

你的未来状态基本上是你回顾过去时所处的立足点，你说：“我们解决了 AI 难题，而且我们比竞争对手做得更快（或更聪明）。”

你选择的大理由

一个令人信服的为什么是推动你 AI 之旅继续的变革性必要性，即使你遇到障碍（你肯定会遇到障碍）。如果你的为什么不明确，你将难以证明 AI 采用的成本、资源分配和潜在风险是合理的。无论你选择哪种方法，都要将其与一个明确、以业务为导向的理由联系起来。例如：

• 通过成本节约或收入增长提高投资回报率。

• 通过构建优越的 AI 驱动功能或体验确保竞争优势。

• 开拓新的市场或产品线，这些在缺乏 AI 的情况下根本不可能实现。

• 对抗五力模型的增强弹性：例如，通过降低供应商的权力或减少买家的流失。

根据你开始的地方，你的未来状态可能实际上与现在相同（例如，如果你的行业中的竞争动态不需要 AI 的即时变化，那么你完全可以继续像现在一样采取非常机会主义的人工智能采用方法）。或者，也许你的未来状态是你正在做的事情（例如，分而治之）加上在某些垂直领域的一些额外关注（例如，为特定业务领域的产品驱动人工智能）的组合。

明确这一最终目标不仅可以帮助你自信地规划你的 AI 之旅并分配预算。它还将帮助你传达 AI 如何融入你组织的愿景，并获得你的团队、高管和股东的支持。

平衡人工智能 ROI 和人工智能研发：了解你在玩什么游戏

我看到的最大陷阱之一是，当公司认为他们正在玩一个以投资回报率（ROI）为先的游戏，但实际上却在资助研发的“月亮射击”项目——或者反之亦然。这种不匹配导致失望、挫败感，以及令人讨厌的“人工智能被高估了”的论调。以下是如何区分驱动你 ROI 的因素：

• 以 ROI 为导向的人工智能：如果你的行业进展较慢，或者你根本还没有准备好大规模的颠覆，那么明智的做法可能是从小处着手并快速迭代。机会主义人工智能或产品驱动人工智能可以提供即时的回报，风险最小。但如果你试图将它们包装成改变游戏规则的重大变革，当结果未能令高层管理层满意时，你只会显得愚蠢。在本书的后续内容中，我们将主要使用这个视角来构建你的 AI 路线图。

• 以研发为导向的人工智能：如果你所在的行业中的 AI 颠覆可能是生存性的（例如自动驾驶或高端制造），你可能需要一种“月亮射击”用例方法来确保长期的竞争优势，即使回报不确定且需要数年才能实现。只是不要承诺短期 ROI 来证明这些大赌注。相反，公开沟通这是为未来可能的品类领导地位而进行的战略研发投资。

这里的教训是要对你在玩什么游戏保持残酷的诚实。相应地调整你的预算、时间表和关键绩效指标（KPI）。如果你选择 ROI 路线，衡量短期成功可以通过节省或赚取的美元来衡量。如果你选择研发路线，围绕研究突破、原型或专利设定里程碑，而不是立即的收益。

让我们把这些都放在一起。以下是如何将你的组织现实（当前状态）、你的最终目标（未来状态）以及你的大原因（必要性）与四种方法相匹配：

| 方法 | 最适合 | 原因 | ROI 与 R&D |

| --- | --- | --- | --- |

| AI 分而治之 | 具有中等到高 AI 准备度、广泛数据可用性和可能看到广泛 AI 驱动的颠覆的行业组织。 | 您需要通过在多个功能中嵌入 AI 来超越竞争对手。考虑大规模转型，但以小而可管理的块来处理。 | 混合型。每个部门都有一些渐进式的投资回报率，从中央 AICoE 获得适度的研发角度。 |

| AI moonshot | 致力于在具有高风险行业的游戏规则中改变游戏规则的公司。 | 您希望获得巨大的先发优势，并且您拥有（或可以获取）实现这一目标所需资源和人才。 | 重大的研发投入。高风险，高潜在回报。预期在看到回报之前需要更长的时间线。 |

| 产品驱动 AI | 拥有成熟产品和忠实客户的公司，希望在无需彻底变革的情况下保持领先。 | 您希望持续取悦客户并在竞争激烈的市场中区分您的产品。 | 主要以投资回报率为驱动，进行渐进式改进。低到中等风险。 |

| 机会主义 AI | 在低技术或发展缓慢的行业（或更大行业中的某些部分）中的组织，将 AI 视为锦上添花而非生存必需。 | 只有在存在明确、定义良好的商业案例时，您才会承诺采用 AI。您更喜欢快速胜利和最小程度的干扰。 | 极度关注投资回报率。几乎无研发需求 - 风险最低，行业颠覆性创新的潜力最小。 |

表 3.1：比较四种 AI 采用方法

您可以混合搭配这些方法吗？当然可以，但尽量不要陷入细节。选择您的首要关注点，让它成为您的指南针。您可以随意添加其他元素，但始终保持您的核心目标清晰。在考虑您的下一步行动时，问问自己：这四种方法中哪一种与您最为契合？为什么？在这个关键交叉路口做出正确的选择对于您的未来 AI 和商业成功至关重要。无论您选择哪种方法，请记住AI 是一个旅程，而不是一次性的项目。您的市场环境、能力和战略目标应保持持续对话。关注不断变化的五力模型。随着您在 AI 方面获得更多成熟度，重新评估您的策略。始终专注于“为什么”，因为这将引导您在内部政治、预算限制或技术故障威胁到您的计划时。

当然，您可能需要在旅途中调整您的策略。也许您从机会主义 AI 方法开始，证明一些投资回报率，然后随着内部团队获得信心，升级到产品驱动 AI。或者，您可能只是尝试产品驱动 AI 以获得稳定性，并最终决定加大赌注，因为您的市场突然被一个资金充足的竞争对手颠覆。

无论您选择哪条道路，有意识地选择一种方法总比偶然陷入一种不符合您组织需求的意外 AI 策略要好。AI 太重要了，不能留给运气。因此，弄清楚您目前的位置，大胆地确定您想去的地方，并关注推动您前进的宏伟目标。其余的只是执行。

摘要

了解您想要玩哪种 AI 游戏对于您组织在采用和利用 AI 方面的成功至关重要。正如本章所展示的，盲目模仿硅谷巨头的策略对于大多数公司来说都是失败的配方。相反，成功采用 AI 的关键在于认识到您的独特环境和能力，并选择与您的商业目标和运营现实相一致的正确方法。

在本章中，您已经看到了一些不同行业和不同规模的公司的例子，它们通过玩自己的游戏已经找到了自己的获胜策略。不要将它们视为严格的蓝图，而应将其视为遵循的灵感，并最终构建自己的定制 AI 之旅，这将为您带来独特的 AI 优势。

在接下来的章节中，我将为您提供所需的资源来实现这一点。我们将探讨您如何确切地开始您的 AI 之旅，使用实用的工具和经过验证的框架来消除猜测，并帮助您自信地迈出建立自己 AI 优势的第一步。

|

现在解锁本书的独家优惠

扫描此二维码或访问packtpub.com/unlock，然后通过书名搜索此书。 | |

| 注意：在开始之前，请准备好您的购买发票。* |

| --- |

请保持关注

为了跟上生成式 AI 和 LLMs 领域的最新发展，请订阅我们的每周通讯，AI_Distilled，packt.link/8Oz6Y。

第二部分

规划路线

在打好基础和明确方向之后，是时候规划你自己的路线了。在本部分，你将学习如何掌握你的 AI 路线图，识别痛点与瓶颈，并将它们与 AI 的能力相对应。我们将探讨发现机会、设计具体用例并将它们按顺序排列成结构化 AI 路线图的实用技巧。到本部分结束时，你将准备好从模糊的雄心壮志转变为优先行动计划的优先级。

本书本部分包括以下章节：

• 第四章，开始你的 AI 之旅

• 第五章，在流程和产品中寻找 AI 机会

• 第六章，设计 AI 用例

• 第七章，构建你的 AI 路线图

第四章：开始您的 AI 之旅

热点观点：您的 AI 之旅已经开始了。毕竟，您对 AI 的兴趣是您阅读这本书的原因。也许您已经尝试过像 ChatGPT 这样的工具，或者以其他形式与 AI 互动，激发您了解更多的好奇心。这种普遍的好奇心和可及性正是现代 AI 革命与 2010 年代早期 AI 和机器学习初期的区别。

现在，人工智能几乎无处不在——从您的智能手机到推动全球商业的供应链。因此，真正的问题不是是否开始您的 AI 之旅，而是您目前在这个旅程中的位置。

在本章中，我们将探讨以下主题：

• 为什么路线图很重要

• 人工智能应用中的常见陷阱

• 承担 AI 路线图的责任

• AI 路线图流程概述

• 识别痛点与瓶颈：您的 AI 路线图的基础

• 寻找有利可图的 AI 项目的正确起点

• 实施价值过滤器

为什么路线图很重要

我合作过的多数组织往往处于他们的旅程中间。他们经常被提供承诺复杂 AI 解决方案的供应商接触。这些工具一开始可能看起来很令人印象深刻，但它们往往无法达到预期，导致失望，在许多情况下，AI 项目停滞在原型阶段。这就是当您的目标是分割并征服 AI，但您实际上在做的是选择性（机会主义）AI 时会发生的情况。这种冲突最终会形成一个挫败的循环，其中 AI 仍然是一个诱人的但难以捉摸的承诺，而不是一个变革性的现实。

因此，从清晰的AI 路线图开始至关重要。了解您在这个旅程中的位置——并知道何时前进或后退一步——是避免这些常见陷阱的关键。路线图将帮助您明确您从哪里开始，您想去哪里，以及您在通往那里的路上需要克服哪些障碍。最终，您的 AI 路线图确保 AI 倡议从一开始就与您的商业利益紧密相连。

没有路线图，很容易迷失在炒作中，投资错误工具，或设定不切实际的期望。路线图提供了清晰性和方向，帮助您专注于真正重要的事情：解决您的业务挑战和推动业务成果。

本章旨在帮助您构建这个路线图。它将为以结构化方式处理 AI 解决方案奠定基础，引导您将 AI 融入公司流程的过程。最重要的是，它将帮助您确定起点，识别 AI 在您的业务中可以产生最大影响的领域。本书的其余部分将基于这里介绍的阶段，所以无论何时您感到不确定，您都可以参考这个路线图并重新评估您的位置以及您是否走在正确的道路上。

人工智能应用中的常见陷阱

在没有明确计划的情况下跳入人工智能可能会导致一些常见的陷阱。最大的错误之一是对供应商过度依赖。外部供应商可以提供有价值的工具和专业知识，但他们的解决方案通常是通用的——设计来满足广泛受众的需求，而不是针对你具体的业务挑战。这可能会导致原型无法扩展为实际实施，最终成本高于价值。

另一个挑战是设定不切实际的期望。人工智能可能令人兴奋，很容易假设它将带来快速、简单的胜利。但现实中，人工智能项目通常需要大量的时间、资源，甚至是在原型阶段之后，你组织内部的文化变革。如果不理解这些需求，当人工智能没有立即带来你期望的结果时，你可能会感到失望。

将人工智能集成到现有系统中是另一个主要障碍。人工智能需要与你的当前流程、数据流和组织结构无缝工作。如果你没有考虑到这一点，你可能会遇到中断、低效，甚至项目失败。一家公司可能在一个由人工智能驱动的客户服务工具上投入了大量资金，结果却发现它与现有的 CRM 系统无法很好地集成，导致团队感到沮丧，无法接受。

最后，还有忽视人的因素的陷阱。人工智能可以帮助你加快任务或提供更高品质的输出，但最终决定其成功的是你组织中的员工。如果你的团队不支持，或者他们不理解人工智能如何融入他们的日常工作，你的人工智能项目很可能会失败。

通过确保业务目标和技术能力之间的适当对齐，嵌入到务实的 AI 治理框架中，这些是 AI 路线图的核心组成部分，所有这些陷阱都可以避免。

掌握人工智能路线图

人工智能通常被视为数据科学家、IT 专家和技术型创新者的领域。虽然这些专家对于人工智能的技术方面至关重要，但推动人工智能项目的真正责任应该落在整个组织的商业领导者肩上。原因如下：人工智能不仅仅是另一款可以安装并期望顺利运行的软件。它是一种变革性技术，有可能彻底改变你的业务运营方式。这项技术的用例必须来自你——商业领导者。

想象一下，就像试图在没有蓝图的情况下建造摩天大楼。即使你拥有世界上最好的工程师和建筑工人，但没有明确的计划，结果最多是混乱，最坏的情况则是灾难性。对于人工智能也是如此。你的组织可能拥有有才华的数据科学家和 IT 专业人士，但如果没有清晰的愿景和战略方向，你的人工智能项目很容易偏离目标。

为什么领导力很重要

作为一位商业领导者，你的任务是定义这个愿景。你比任何人都更了解你公司的目标、市场定位和竞争格局。你知道业务需要走向何方，而且你需要引导人工智能项目朝这个方向前进。是的，你将依赖专家来导航技术方面，但路线图应该由你的业务需求驱动，而不仅仅是技术可能性的驱动。

将人工智能引入你的组织通常需要一种文化转变，就像指挥家可能向一个交响乐团介绍一首新音乐一样。这种转变可能会遇到阻力，因为人们可能对变化持谨慎态度或不确定人工智能将如何影响他们的角色。作为领导者，你的责任是倡导这种变革，解决担忧，并培养实验和学习的文化。记住，你的参与不仅有益，而且是必不可少的。当人工智能项目由理解公司战略目标的商业领导者推动时，它们更有可能成功。积极参与人工智能采用的领导者不仅指导战略方向，也为围绕人工智能的组织文化定下了基调。

既然我们已经确定了为什么掌握人工智能路线图至关重要，让我们来看看这个过程实际上是什么样子。接下来的部分将指导你构建一个符合你的业务目标、利用你团队的优势，并在你的人工智能之旅中为你设定长期成功的实际可行的路线图。

人工智能路线图过程概述

以下构建人工智能路线图的高级框架来源于我在人工智能领域多年的咨询经验。它对小型和大型公司都取得了成功，并且整个过程始终如一。不过，不同的地方在于你开始的地方。根据你的人工智能采用策略和当前情况，它可以是以下三个起点之一：

• 基于流程的：你从流程的角度看待这个路线图，通常由部门领导或业务单元负责人驱动。这与机会主义人工智能方法非常契合。

• 基于产品的：这关注的是用户旅程而不是流程步骤。你的目标是通过对现有产品进行新（或改进）的人工智能增强功能来改进它。这映射到产品主导的人工智能方法。

• 基于组织的：当你把你的 C 级管理人员召集到一起，开始思考人工智能的机会，然后从组织视角开始制定这个路线图是一个好的起点。这通常涉及查看你的组织结构图，然后在超级高级别上收集机会领域。从那里，你通常需要进入基于流程或基于产品的深入挖掘，以具体化你的用例。

这种方法适用于通过分而治之或登月计划方法来接近人工智能。

图 4.1：人工智能路线图过程入口点

如果你现在觉得完全不明白，不要担心。一旦我们详细地通过路线图框架，一切都会变得清晰。只需记住，关键步骤和里程碑将保持不变，但它们可能以不同的形式出现，细节的深度取决于你的起点。

因此，让我们逐一审视这些里程碑（图 4.2），以便你能了解涉及的内容。

图 4.2：人工智能路线图过程里程碑

• 里程碑 1：理解人工智能核心概念

在你能够有效地将人工智能整合到你的业务之前，建立一个共同的知识基础是非常重要的。否则，人工智能将始终是一个流行词汇，对不同的人意味着不同的事情，你将无法确定哪些是人工智能可能解决的潜在好问题，哪些不是。这涉及到对人工智能基础知识的理解——什么是人工智能，它是如何工作的，以及它可以用不同的方式应用。在第二章中，我们概述了这些基础知识，涵盖了 5 种人工智能模式和一些常见术语。你总是可以花更多的时间学习人工智能的核心概念，但当你制定路线图时，这样做会容易得多。

要开始，确保所有参与人工智能项目的人都共享这种基本理解。考虑组织研讨会或研讨会，确保每个人都站在同一起跑线上，并确保人工智能讨论基于共同的知识基础。

如果你想探索一些人工智能的核心概念，这里有一些可能帮助的资源：人工智能元素

• 人工智能元素免费在线课程 (人工智能入门)

• 《人工智能入门》安德鲁·吴（免费课程） (博客文章)

• 人工智能概览：关键人工智能术语实用指南（博客文章）

• 里程碑 2：识别业务痛点和瓶颈

在打下坚实的基础之后，下一个里程碑是寻找你业务中的人工智能机会。这一阶段涉及识别具体的挑战——无论是当前的还是未来的——这些挑战足够大，甚至可以考虑作为人工智能增强。我们将使用本章后面的痛点瓶颈概念，通过$10K 阈值对这些挑战进行筛选。

• 里程碑 3：将人工智能能力映射到业务需求

一旦你确定了你的痛点瓶颈，下一个里程碑就是探索 AI 如何解决这些问题。这是你将业务需求映射到特定 AI 能力的地方。例如，如果你处理大量客户反馈是一个挑战，那么 AI 阅读技能，可以称之为 AI 阅读技能，可能是一个合适的匹配。如果你想预测电子商务销售，监督式机器学习（或为了简便起见的预测模式）可能是一个重要的探索能力。

达到这个里程碑是找到你的业务挑战和 AI 能力交汇的地方。这并不是追逐最新的 AI 趋势；而是识别能够带来实际结果的应用。我们将在第五章中进一步探讨这个领域。

• 里程碑 4：定义和分析 AI 用例

当你的业务需求和 AI 能力对齐后，下一个里程碑就是着手和构思具体的 AI 用例。这些用例概念帮助你将所有内容整合成一个路线图，并最终决定哪些项目要处理以及处理顺序。在这个阶段，你的想法开始成形，从广泛的想法转变为具有明确商业目标的特定、定义明确的计划，这些计划最终将成为你的第一个 AI 项目。第六章将全部致力于这一点。

• 里程碑 5：优先考虑和原型化 AI 计划

下一个里程碑是优先考虑和原型化你的 AI 计划。并非所有 AI 项目都会产生相同的影响或同样容易实施。根据它们潜在的影響力、可行性以及原型成本来优先考虑计划至关重要。达到这个里程碑是当你的策略开始转化为行动的时候。第7章和8章将充满这个阶段可操作的建议和策略。

• 里程碑 6：迭代和扩展 AI 计划

一旦你启动了你的第一个 AI 项目，最终的里程碑就是确保你准备好从失败中学习，并朝着明确的目标交付增量。采用 AI 不是一次性的努力；它是一个需要持续监控、改进和扩展的迭代过程。达到这个里程碑让你能够适应新信息，尝试新想法，并在整个组织中扩展成功的项目。第9章和10章将更深入地探讨这个关键阶段。

总体而言，你的 AI 路线图是 AI 计划从想法发展到试点项目再到业务战略组成部分的地方。它是一个活生生的文件，指导你的学习、适应和成长过程，确保你的 AI 努力随着时间的推移持续创造价值。

在每个步骤中，你作为业务领导者的角色

作为一位企业领导者，您在这个路线图的每个阶段都扮演着核心角色。您不仅仅是监督过程，您是积极引导它。您的参与确保了 AI 项目与业务目标保持一致，并且组织始终专注于创造真正的价值。

在早期阶段，您的角色是设定愿景并确定 AI 可以产生最大影响的地方。随着旅程的推进，您将做出关于哪些项目应优先考虑、如何分配资源以及何时扩大成功项目的战略决策。

在整个过程中，您的领导力对于培养一种实验、学习和持续改进的文化至关重要。

在您的组织中成为 AI 的可见倡导者。明确传达愿景，尽早涉及关键利益相关者，并确保每个人都了解 AI 如何融入更广泛的企业战略。

现在您已经对整体路线图有了清晰的了解，是时候深入探讨您 AI 策略的基础：识别您企业的痛点和瓶颈。

这正是您的 AI 之旅真正开始的地方。

识别痛点和瓶颈：您 AI 路线图的基础

为了确保 AI 通过解决实际问题来创造价值，您需要首先考虑您的 AI 路线图业务，而不是技术。如果没有问题需要解决，就没有必要使用 AI。如果您的客户支持可以轻松处理每个 incoming 查询，您可能不需要聊天机器人。如果您销售的是永续产品，您可能不需要良好的需求预测。因此，理解 AI 机会意味着理解您的业务需求。

这就是所谓的痛点与瓶颈概念发挥作用的地方。简单来说，这些是您的企业目前正在发生或未来可能发生的问题。

痛点是当前正在您企业内部造成摩擦的问题。这些问题可能来自您流程中的低效、成本的上升，或者客户的不满意。痛点通常是正在损害您业务的事情，而且通常非常明显——它们会出现在财务报告、客户反馈或运营指标中。

图 4.3：痛点：当前正在损害企业的业务问题

例如，想象一下你正在管理一个客户服务部门。如果你看到大量的客户投诉关于响应时间慢的问题，那就是一个痛点。这是正在对你的客户体验产生负面影响的事情，进而影响到你的业务。

瓶颈另一方面，是可能阻止你的业务在未来繁荣的约束或限制。它们现在可能不是重大问题，但如果置之不理，它们可能会成为扩展、创新或保持竞争优势的严重障碍。瓶颈通常代表潜在风险或错失的机会——它们是阻止未来增长的障碍。

图 4.4：瓶颈：限制你未来增长或竞争力的难题

考虑一个简单、非 AI 的例子：如果你的公司计划拓展到新市场，但当前的生产线无法满足增加的需求，那么这就是一个瓶颈。这并不是今天的问题，但需要解决，以便你可以增长。虽然像这样的瓶颈在传统的、非技术性的工作流程中通常是明显的，但在数字和 AI 驱动的环境中，它们变得更加隐蔽和难以识别。在 AI 和数字流程的背景下，瓶颈通常隐藏在不太明显的地方。它们可能包括无法支持 AI 工具集成的过时 IT 基础设施，阻止信息有效流动的数据孤岛，甚至缺乏能够利用新技术的人才。这些数字瓶颈可能会无声地削弱公司创新、应对市场变化或有效扩展的能力。

寻找有利可图的 AI 项目的正确起点

痛点和瓶颈可以从流程、产品或组织层面进行分析。但在深入具体流程和方法以识别痛点和瓶颈之前，重要的是要认识到，这一旅程的起点将根据你在组织中的角色而有所不同。无论你是负责整个组织的 C 级高管，还是专注于特定业务部门的部门领导，你采取的揭露这些挑战的方法都将不同。了解你的位置和责任范围是有效导航 AI 路线图的关键。

因此，通常有两种情况可能发生。让我们逐一探索。

情景 1：针对 C 级领导者的组织级方法

如果你是一名高管，你的视角自然会扩展到整个组织。在这个阶段，你需要获得直升机般的视角，这通常意味着在组织结构图上映射主要痛点和瓶颈，如下面的图所示：

图 4.5：将痛点与瓶颈映射到组织结构图

这个组织概述是确定 AI 可以创造真正影响的基础——但它需要一个清晰的北极星来引导它。在扫描部门之前，确定你的顶级业务目标：目前最紧迫的挑战是什么？你需要削减成本、加速增长还是推出新的业务线？拥有这个北极星有助于将分析缩小到与该目标直接相关的痛点和瓶颈。

我看到的一些北极星例子包括：在不增加办公桌的情况下加倍产出，实现成本领先，或在未来六个月内推出新的业务线。一旦目标明确，召集你的领导团队，系统地评估组织，一个单位一个单位地，以确定哪里的不效率、延误或客户不满阻碍了向那个北极星的目标迈进。

但组织视角只是旅程的开始。它为你提供了所需的环境，并告知你应该采取的方法：机会 AI、产品主导、分而治之或月球计划。根据这一点，你的 AI 倡议将由不同的人推动：

• 机会 AI 方法：部门领导者负责他们控制范围内的 AI 倡议，专注于特定的流程改进。

• AI 分而治之方法：AI卓越中心（CoE）协调组织内的 AI 工作，与业务单元紧密合作，确保一致性和资源效率。

• AI 月球计划方法：月球计划通常由 C 级执行团队成员直接监督，并作为一个独立项目实施。

• 产品主导 AI 方法：产品负责人最终负责推动他们监督的产品中的 AI 创新。

情景 2：业务单元或部门领导者——专注于特定领域

如果你是一个业务单元或部门的领导者，你在识别痛点和瓶颈的方法将更加专注和具体，针对你的责任区域。与必须考虑整个组织的 C 级领导者不同，你的任务是深入到直接影响你部门绩效的流程或产品旅程中——理想情况下，作为一支深度参与日常运营的专家团队的一部分。

根据你的角色、职能和 AI 采用方法，你可以以流程或产品为基础进行这一探索。

基于流程的分析

对于部门经理来说，最简单的起点通常是基于流程的分析。这种方法涉及将你部门内的关键流程分解成一系列关键步骤。将一个流程分解为 5-6 个关键步骤，将给定的流程输入转化为所需的流程输出，已被证明是一种有效的抽象。

不要试图保持过于宏观，但也不要陷入细节中。

图 4.6：将痛点瓶颈映射到业务流程

例如，如果你管理一个销售部门，你可能将销售流程分解为如以下阶段：潜在客户生成、资格审核、培养和成交。通过检查每个阶段，你可以确定潜在客户可能在哪里流失，销售周期是否过长，或者与潜在客户的沟通是否可以改进。对于每个步骤，问问自己：

• 我们在哪里花费最多的资源？

• 我们在哪里体验最多的延误？

• 错误或不一致最常见的地方在哪里？

• 哪些步骤产生了最多的客户投诉或不满？

我们将在下面探讨更多寻找痛点和方法的方法。但首先，让我们看看如果我们关注的是产品而不是流程，这种分析会是什么样子。

基于产品的分析

如果你的部门是产品导向的，比如在产品管理或开发中，基于产品的分析可能更合适。这种方法涉及检查与你的产品相关的整个用户旅程，从初始意识到购买后的支持。通过绘制客户体验图，你可以识别出导致摩擦或不满意的痛点。

与基于流程的分析相比，设置看起来非常相似，唯一的区别是，你查看的是用户旅程中的步骤——通常用用户故事来描述，这些故事需要将用户从给定的起始状态移动到期望的结束状态。

图 4.7：在整个用户旅程中映射痛点和瓶颈

例如，如果你的产品是一个电子商务平台，你可能从客户登陆网站的那一刻开始，查看用户的整个旅程，包括浏览和选择，到结账和配送。客户在结账过程中是否流失？对产品描述是否感到困惑？配送时间是否不一致？这些都是潜在的难题区域，如果得到解决，可以显著提升客户体验并增加满意度和忠诚度。

在基于流程和基于产品的分析中，关键是全面和具体。你对痛点和瓶颈存在地点的理解越详细，你的 AI 解决方案就越有针对性和有效性。

在这个阶段，重要的是我们还没有讨论 AI 解决方案；只是在收集待解决的问题（是否适合 AI 将是下一步决定的内容）。

与组织战略协调

当你专注于你的部门或产品时，确保你的努力与更广泛的组织 AI 战略保持一致是很重要的。如果你的组织采用了机会主义 AI 方法，你的倡议应与其他部门协调，以确保一致性和资源共享。如果实施的是分而治之的方法，应与AI CoE紧密合作，利用他们的专业知识，并将你的项目与组织目标对齐。

对于以产品为主导的 AI 项目，您在推动创新和确保 AI 无缝集成到您负责的产品中的角色至关重要。与其他部门，如营销、工程和客户支持的合作是必不可少的，以确保 AI 解决方案有效并增强整体产品提供。

在所有情况下，与 C 级管理层和 AI CoE（如果适用）保持开放沟通将有助于确保您的努力有助于组织的整体 AI 路线图和战略目标。

现在我们已经确定了开始的地方和如何进行识别过程，是时候深入探讨痛点和瓶颈实际上是什么，以及您可以在组织内部找到它们的位置。

实施价值过滤器

识别 AI 项目成功中的痛点和瓶颈将帮助您实现 AI 在组织中的采用带来的有意义的影响。

您如何有效地识别痛点？以下是一系列您可以使用的技术，无论您是在寻找组织、流程或产品层面的痛点：

1. 识别内部挫折：识别痛点的最直接方法之一是询问您的员工。通过调查或访谈收集他们关于在日常工作遇到挫折或低效率的见解。通常，您的团队对阻碍他们发挥最大效能的障碍有敏锐的认识。例如，一项内部调查可能揭示您的销售团队花费大量时间手动将数据输入 CRM 系统，这阻止了他们与客户共度时光。

2. 客户服务反馈：您的客户也可以是关于您的痛点信息的有价值来源。分析客户投诉、询问和反馈，以了解您的产品或服务哪些方面导致了不满——无论是定性还是定量。这种外部视角可以突出一些可能在内部分布不均的问题。一些客户反馈是可以衡量的，例如您的电子邮件营销的打开率和点击率可以作为客户参与度的代理，而其他则需要更明确的调查和访谈。

3. 工作流程分析：仔细审视您现有的工作流程。任务在哪里重复、耗时或容易出错？绘制出您流程中的步骤，并确定延误或错误经常发生的地方。一个很好的例子是手动客户支持中提供的信息缺失或错误。您的客户服务代表和客户可能甚至都不会在意，因为他们不知道自己不知道的东西。但事实上，客户洞察需要由支持代表手动提取，这是一个巨大的隐藏痛点。

4. 竞争分析：看看你的竞争对手是如何解决类似问题的。如果他们在质量、速度或交付成本方面优于你，这可能是一个迹象，表明你正面临严重的痛点。例如，如果你看到你的竞争对手已经成功推出了个性化的营销活动，而你仍在使用通用的接触方式，这可能会凸显你营销策略中的痛点。定期进行竞争对手基准测试，以了解行业最佳实践和创新。

但这不仅仅是解决你今天的问题。你还需要考虑明天可能出现的挑战。这就是瓶颈的所在。

寻找限制未来增长的因素通常比寻找具体的痛点更难，原因与更多人购买阿司匹林而不是维生素相同。我们通常太忙于解决今天最紧迫的问题，而忘记了预测明天。这就是为什么从战略上考虑这个领域如此重要的原因。以下是一些开始的方法：

1. 容量限制：确定你的运营遇到天花板的领域——无论是数据处理能力、生产吞吐量还是服务更多客户的能力。随着业务增长，这些限制可能会成为重要的瓶颈。例如，一家金融机构可能会发现，其手动欺诈检测流程在今天是有效的，但随着交易量的增加，将难以扩展。

2. 技能差距：找出你的团队缺乏支持未来增长所需的技能。随着数字工具更多地融入业务运营，对某些技能的需求，如数据素养或特定于人工智能的知识，将会增加。现在识别和解决这些差距可以防止它们在未来成为瓶颈。例如，如果你的运营中没有人在理解人工智能，他们将如何有效地控制和监控由人工智能驱动的系统？

3. 可扩展性问题：评估今天运行良好的流程，但可能无法随着业务扩张而高效扩展。这可能包括从手动数据录入到高度依赖人工代理的客户服务流程。例如，一个 B2B 电子商务平台可能目前依赖于手动精选的推荐，但随着其产品目录的增长，这种方法将无法扩展。

4. 创新阻碍因素：有时，创新的愿望是存在的，但现有的技术或组织限制阻碍了前进。这些阻碍因素可能会阻止你推出可能推动增长的新产品、服务或商业模式。

通过识别这些瓶颈，你可以主动解决可能在未来减缓你业务发展的挑战。在许多情况下，人工智能可以在克服这些限制中发挥关键作用，帮助你保持灵活性和竞争力，随着你的增长。

筛选值得解决的问题：$10K 阈值框架

在识别了组织、流程或产品旅程中的痛点与瓶颈之后，你可能会得到一份相当长的问题清单。并非所有这些问题都值得你投入时间和注意力，尤其是在涉及人工智能的情况下。这就是$10K 阈值框架的用武之地——这是一个简单而强大的框架，我通过多年的咨询工作开发出来。

我们为什么需要一个价值过滤器？

在深入具体解决方案之前，你需要确定哪些问题是足够重要的，值得你关注。许多商业领袖犯了一个错误，就是关注那些看起来最有趣或他们个人认为最令人烦恼的问题。然而，尽管这使它们成为很好的候选人，但这并不一定是充分的理由。那么，你该怎么办？

当然，你可以尝试精确地测量或量化每个问题的详细影响。但这种方法不仅耗时很多，而且非常困难，因为并非每个问题都可以精确量化。我发现，与优先排序或衡量问题相比，过滤它们要容易得多。快速去除那些太小的问题，然后在接近解决方案空间时再优先考虑所有剩余的问题。

为了做到这一点，你需要从一个单一数字开始：你的价值阈值。

你的价值阈值定义了你在开始新的旅程之前想要看到的最低回报。

例如，如果我说解决这个问题每年可以为你节省$35K，你会这么做吗？你的答案取决于你的情况。如果你是一家小企业，那么可能会的——你会抓住这个机会。然而，如果你在一家大型企业工作，每年$35K 的影响可能甚至不值得你与同事讨论这个想法所花费的会议时间。

价值阈值还将帮助你确保每个人都保持一致。有些人需要** moonshots**（大胆的尝试）才能改变现有的流程中的任何问题，而其他人如果一点改进就能自给自足，就会感到满意。

在你开始任何解决方案之前，最好找出每个人需要跳过的最低障碍，否则，你会在太晚的时候才意识到这一点。

$10K 阈值是如何工作的？

你如何设定这个阈值？我了解到，使用$10K 的倍数作为重复的阈值效果很好。$10K 不是一个随机的数字。在很多情况下，它代表了一个合理的人类劳动成本代理——大约相当于雇佣一个人一个月的费用，包括工资、福利和开销。进一步分解，这大约是每个工作日$500，每小时$60，或每分钟$1。

现在，你可以调整这个数字到一个时间框架，以适应你企业的规模和风险偏好。

图 4.8：$10K 阈值根据企业规模而定

选择每年 10K 美元的最小影响对于小型企业或那些不想参与复杂 AI 项目，只想通过实施短期内就能收回成本的低垂果实解决方案来快速看到回报率的大型企业来说将非常有效。

另一种极端情况——每天 10K 美元——大约相当于每年 360 万美元的影响，即使是对于大型企业来说也是显而易见的。同时，这通常会导致更复杂的解决方案（因为您正在考虑更大、更复杂的问题），而回报率变得难以实现。

无论您选择什么门槛，都要确保负责 AI 路线图过程的团队对他们的最低奖励有相同理解。

应用 10K 美元的门槛

一旦您为自己设定了 10K 美元的门槛，您就可以遍历所有列出的痛点和不畅，并问自己：

1. 解决这个问题的收益至少能达到每年/季度/月/日 10K 美元的持续价值吗？

这可能通过以下方式实现：

• 收入增长：它是否会创造新客户或增加至少价值 10K 美元的销售？

• 成本降低：它是否会消除浪费的劳动力、减少外包或防止价值 10K 美元以上的低效率？

• 机会解锁：移除这个问题是否会让您能够追求价值 10K 美元以上的新机会？

• 风险缓解：未能解决这个问题是否会至少造成 10K 美元的合规罚款、失去机会或竞争优势？

1. 价值是否真正是持续性的？一次性收益，无论大小，可能不足以证明持续资源投入的合理性，尤其是对于需要持续维护的 AI 系统。

2. 解决方案是否可扩展？随着您的业务增长，由这个 AI 解决方案产生的价值是否会成比例增长，还是会遇到天花板？例如，时间节省只有在转化为更高的吞吐量或利润率时才会影响您的损益表。

通过在流程早期应用这个过滤器，您可以快速消除那些虽然引人入胜，但无法提供足够价值以证明投资合理性的问题。这使您能够将资源集中在真正能推动您业务发展的具有高影响力的领域。

例如，一个帮助销售团队以 20%的速度更快响应询问的定制 AI 工具可能听起来很令人印象深刻。但如果这只能转化为每年额外 30K 美元的收入，它就低于每季度 10K 美元的门槛，不会得到优先考虑。相反，一个通过减少客户流失率 2%的 AI 解决方案，如果这 2%代表了重要的持续收入，可能会轻松超过每季度 10K 美元的门槛。

无论您设定什么门槛，关键是保持纪律，坚持应用它。这可以防止过于常见的问题，即仅仅为了 AI 而追求 AI，而不是为了真正的商业价值。

在路线图制定过程中继续前进时，这一初步筛选步骤确保你专注于值得解决的问题，为将它们与适当的技能匹配——包括相关的人工智能，以及避免仅仅为了人工智能而引入人工智能——在下一个里程碑中做好准备。

摘要

分析痛点和瓶颈使你能够直面你的 AI 战略。这是为未来一切对齐的最终基础。结合 10,000 美元的门槛，你确保你正在调查的问题实际上值得用人工智能来解决，并团结团队成员围绕同一目标。

在下一章中，我们将探讨如何将人工智能能力映射到这些痛点和瓶颈，以便我们可以开始开发特定的用例。

在你继续前进之前，花一点时间反思一下你现在所处的位置，以及你看到哪些痛点瓶颈。

记住，这是一个协作练习——召集你的团队，讨论，并确定最关键的挑战。如果你做对了，你将朝着成功使用人工智能创造有意义的商业价值迈出坚实的步伐。

在下一章中，我们将探讨一些现实世界的例子和实用方法，以揭示你组织内部的人工智能机会。我们将首先将人工智能能力映射到现有的流程中，以确定人工智能可以解决痛点并消除瓶颈的地方，帮助你更快、更好或更便宜地完成工作。

|

现在解锁这本书的独家优惠

扫描此二维码或访问packtpub.com/unlock，然后按名称搜索此书。 | |

| 注意：在开始之前准备好你的购买发票。* |

| --- |

第五章：在流程和产品中寻找人工智能机会

你在人工智能之旅上已经迈出了重要的一步。你已经建立了人工智能的基础知识，绘制出了你业务的痛点瓶颈，并开始思考人工智能如何融入你的整体战略。但现在，这个过程的关键部分来了——识别那些人工智能能够真正产生影响的特定机会。这正是“真刀真枪”的时候。

事实上，并不是你业务中的每一个问题都适合人工智能。实际上，试图将人工智能强加在不属于它的环境中可能会导致资源浪费、挫败感，最终甚至失败。那么，如何找到那些甜蜜点，那些人工智能真正能够发光发热并提供实际价值的地方呢？答案在于将人工智能的能力与你的业务流程和产品相匹配。

在本章中，我们将系统地介绍如何识别人工智能机会。我们将首先探讨如何将人工智能能力映射到现有的流程中，突出人工智能可以解决特定痛点或消除瓶颈的区域。但我们不会就此止步。我们还将探讨如何通过增强用户体验和改善客户体验来将这种方法应用于你的产品。

到本章结束时，你不仅会对人工智能在你组织中的实施有更深入的了解，而且还会理解如何以战略思维来处理这个过程。我们将通过一些实例来展示这些概念的实际应用，帮助你看到你可以采取的实用步骤来识别适合你业务的人工智能机会。

本章将涵盖以下主题：

• 理解映射人工智能能力的过程

• 示例 1：在 RFP 响应过程中寻找人工智能机会

• 示例 2：在潜在客户生成和资格认证中的人工智能机会

• 示例 3：利用人工智能增强产品用户体验

• 识别人工智能机会的实用技巧

• 有效的流程增强

让我们卷起袖子，开始识别那些能够将你的业务提升到下一个水平的人工智能机会。

理解映射人工智能能力的过程

当涉及到识别人工智能机会时，最有效的方法之一是将人工智能能力直接映射到你的业务流程和产品中。一开始这可能听起来有些抽象，但实际上，它真的是采取一步一步的方法来理解人工智能可以增加价值的地方。无论你是查看内部流程还是面向客户的产品，目标都是一样的：找到那些人工智能可以解决问题、提高效率或改善客户体验的区域。

让我们一步步来分析。

将人工智能映射到业务流程

首先，让我们谈谈业务流程。每个组织都有——无论是处理客户咨询、销售团队如何筛选潜在客户，还是如何管理供应链物流。这些流程通常涉及多个步骤，在每一步中可能存在低效、瓶颈或改进的机会。这就是 AI 可以介入的地方。

那么，您如何找到一个好的起点呢？这取决于您的做法。

在一个机会主义场景中，您可以从任何当前相关的事物开始——比如您负责的流程。在分而治之的方法中，切入点与一个北极星（目标）相联系，流程的选择是故意为之，因为它们阻碍了向该目标迈进。从那里开始，无需担心范围界定，只需使用上一章中提到的痛点和方法，找出任何痛苦、低效或限制性的问题。

接下来，应用您的$10K 阈值。为了回顾：这是一个问题必须提供的最低持续价值（每月、每季度等），以证明进一步探索的合理性。不符合该标准的问题将被筛选出去。明显超过该标准的问题将被保留——这时您就需要聚焦于它们。

如果一个问题看起来很大——多次超过您的阈值——您不想将其视为一个单一的巨石。相反，将其分解为一个包含 5-6 个有意义的子步骤的子流程。然后，在这个更详细的层面上映射问题，并重新应用$10K 过滤器。您重复这个循环——映射→过滤→聚焦→重复——直到达到以下任一条件：

• $10K 问题在 5-6 个步骤中合理分布。

• 进一步分解会稀释其价值，低于您的阈值。

这种方法使您的 AI 探索保持专注、可操作，并基于业务影响。它确保您始终在解决真正值得解决的问题。

让我们快速通过一个例子来了解一下。

我们假设我们的$10K 阈值被定义为每季度至少$10K 的影响。如果解决问题不会带来该金额，那么现在它不值得我们关注。

假设您已经选择了客户支持工单流程。您将其分解为以下关键步骤：

1. 提交工单：客户提交支持请求。

2. 分类：根据问题类型对工单进行分类。

3. 分配任务：工单被分配给适当的团队成员。

4. 解决：问题得到解决，工单被关闭。

5. 跟进：联系客户以确保满意度。

在设置好您的$10K 阈值后，您现在需要寻找每个步骤中存在的问题，如果解决了这些问题，它们将满足或超过该价值。

假设你发现人类代理通常花费大量时间在分类工单和确定正确的联系人来分配工单上。深入分析这个过程，你估计每个代理平均每周花费大约 2 小时手动分配工单。有 15 个代理都面临着同样的挑战，所以每周就是 30 小时。如果每小时的工作成本为 30 美元，那么每周的成本大约是 900 美元，换算成每月影响约为 3600 美元，每季度约为 10000 美元。因此，这个问题有很大可能正好在我们的阈值之上，并得到优先处理。然而，记住，10K 的阈值并不是用来衡量问题的大小，而是衡量解决这个问题的影响。简单来说：如果我们能够每天给人类代理节省这 2 小时，他们会用这些时间做什么？

如果这 2 小时立即被现有的工单积压所吸收，那么影响将直接体现在更快的响应时间、更高的客户满意度和潜在的更低流失率或更高的收入保留。如果运营正在扩展，工单量在增长，那么释放出的容量可以防止需要雇佣额外的代理，这代表了一种非常实际的成本避免。另一方面，如果工作量稳定，代理只是简单地拥有更多的空闲时间，那么企业将不会实现我们计算出的财务收益，因为那些小时并没有被重新投资到生产性工作中。换句话说，解决问题的价值仅在于恢复时间的下游使用——无论是减少积压、在不增加新雇佣的情况下处理增长，还是将容量重新分配到更高价值的活动。

一旦你完成了前面的高级客户支持流程，并识别出几个这些 10K+的问题，那就是引入 AI 的信号。

现在重新审视带有核心技能的五种 AI 模式（见图 5.1）。问问自己：哪些技能领域可能适用于这个问题？

例如：

• “AI 可以通过学习过去的案例来帮助分类工单。”

• “AI 可以起草初步回应，节省支持代表的时间。”

这些技能来源于分类、阅读、沟通甚至推理等方面，具体取决于情境。（现在也是打开 AI 技能图谱(github.com/PacktPublishing/The-Profitable-AI-Advantage/blob/main/ch02/AI_Skills.xlsx)的好时机，以便快速查找信号动词。）

图 5.1：带核心技能的 AI 模式

快速提示：需要查看此图像的高分辨率版本？请使用下一代 Packt Reader 打开此书或在其 PDF/ePub 副本中查看。

下一代 Packt Reader随本书免费赠送。扫描二维码或访问packtpub.com/unlock，然后使用搜索栏通过名称查找此书。请仔细检查显示的版本，以确保您获得正确的版本。

如果您发现了一个匹配的技能，请确保它也关联到一个或多个AI 价值杠杆（见图 5.2）：

• AI 能否帮助以更低的成本完成任务？（成本）

• AI 能否帮助做得更好？（质量）

• AI 能否帮助做得更快？（速度）

• AI 能否帮助以更大的规模完成它？（可扩展性）

如果它至少拉动了一个价值杠杆，并且是 10K+问题的解决方案，那么它就是一个强大的原型候选。

提示：您甚至可以使用 ChatGPT 运行这一部分。一旦您定义了您的痛点阈值，请让它建议使用五种模式和价值杠杆的 AI 应用。这是一个快速激发想法的方法。

如果现在这听起来对您来说仍然过于抽象，请不要担心！这只是为了给您一个概述。我们将在本章中一起探讨一些现实世界的例子。

图 5.2：AI 价值杠杆

虽然内部流程通常是一个好的切入点，但它们并不是唯一的。有时更好的视角是您的产品本身——从客户的角度来看。让我们看看。

将 AI 映射到产品

将 AI 能力映射到产品的工作方式与映射到流程的工作方式基本相同。但您不是在查看流程步骤，而是在查看用户旅程中的步骤，即用户与您的产品的互动。这些步骤中的每一个都代表了一个机会，要么让您的客户感到满意，要么如果处理不当，让他们感到沮丧。在这个旅程中的痛点瓶颈定义了您需要将注意力放在 AI 上的地方。记住——如果没有痛点或瓶颈，就没有必要使用 AI。这适用于基于产品和流程的映射。

例如，假设您正在开发一个移动应用。用户旅程可能包括以下内容：

1. 入门：用户注册并开始使用应用。

2. 日常使用：用户定期与该应用互动，利用其核心功能。

3. 功能发现：用户探索额外的功能。

4. 客户支持：用户遇到问题并寻求帮助。

5. 反馈循环：用户对其体验提供反馈。

通过将这些阶段的 AI 能力映射到痛点和不畅之处，你可以发现改善用户体验的方法——比如个性化的入职或更快的支持。然而，与内部工作流程不同，在美元中证明更好的体验的价值更难。明确你的目标：如果投资回报率是目标，应用$10K 过滤器，并将改进与转化或保留联系起来。如果你追求以产品为主导的 AI 采用并使差异化成为主要目标，你可能需要依赖更软的产品信号，如更高的 NPS 或参与度。无论如何，都要明确如何定义和衡量成功。

记住，这并不是一次性的练习。随着你的业务发展，你的产品和流程会发生变化，新的 AI 技术也会出现，你需要重新审视和细化你的流程图。这个过程是迭代的，这意味着你应该准备好在收集更多洞察和数据时进行调整。

在接下来的部分中，我们将深入探讨三个具体的例子，以展示这个映射过程在实际中的应用。当你仔细地将 AI 能力映射到你的流程和产品中时，你正在为显著的改进奠定基础——不仅在于效率和成本节约，还在于客户满意度和业务增长。

让我们将这次讨论映射到一个你可以实际遵循的框架中。这包括四个步骤：

1. 绘制业务流程图。

2. 识别痛点和不畅之处。

3. 应用$10K 阈值。

4. 将 AI 技能映射到相关流程中。

理解这一点最好的方式是看看一些例子。

那么，让我们从它们开始。

示例 1：在 RFP 响应过程中寻找 AI 机会

让我们从如何在一个特定的业务流程中识别 AI 机会的实例开始。假设我们是销售部门的负责人，并与我们的 AICoE（AI 能力中心）一起，我们将审查响应请求报价（RFP）的过程，因为我们已经将其识别为未来增长的一个大机会，有多个$10K 的机会。

应对 RFP（请求报价）是许多行业中的常见且通常复杂的任务，组织必须准备详细的提案以赢得新业务。

第 1 步：绘制业务流程图

第一步是将 RFP 响应过程分解为其关键阶段。对于许多企业来说，这个过程可能看起来像这样：

1. 分析 RFP：了解客户的需求和要求，并决定是否追求增加 AI 功能的机会。

2. 组建团队：聚集合适的人来参与 RFP 提案，包括主题专家、作家和审查员。

3. 制定提案大纲和计划：为提案制定路线图，概述关键部分，并为每个部分设定截止日期。

4. 起草、定制和审查内容：撰写提案内容，根据客户的具体需求进行定制，并审查其准确性和有效性。

5. 最终确定格式、获得批准和提交：确保提案格式良好，获得必要的批准，并按时提交提案。

6. 跟进客户和内部总结：提交后联系客户以解决任何问题，并进行内部审查以吸取经验教训。

通过梳理这些阶段，我们可以看到流程可能放缓的地方，错误可能发生的地方，或者提高效率的机会所在。这为识别具体的痛点奠定了基础。

第 2 步：识别痛点和瓶颈

接下来，我们确定流程每个阶段的痛点。这些是使 RFP 响应流程耗时、成本高昂或容易出错的问题。以下是一些常见的痛点：

• 分析 RFP：快速消化复杂的 RFP 困难，导致决策延迟。

• 组建团队：快速识别正确专家的挑战，导致瓶颈。

• 制定提案大纲和计划：不一致的规划流程可能导致提案中存在空白或错过截止日期。

• 起草、定制和审查内容：在确保符合所有要求的同时，努力撰写有说服力、定制化的内容，使其脱颖而出。

• 最终确定格式、获得批准和提交：格式问题和在获得必要批准方面的延误可能导致匆忙提交。

• 跟进客户和内部总结：缺乏对客户的系统跟进和无效的内部总结可能导致错失学习和改进的机会。

这些痛点代表了 AI 可能介入以优化流程的机会。

第 3 步：应用$10K 的门槛

为了使这个练习简单明了，让我们假设上述所有内容代表每年$10K 的最小机会。

例如，这包括以下内容：

1. 分析 RFP：更快地理解可以避免每年$10K+浪费在不合格的或误读的投标上。

2. 组建团队：更快地获取专家可以每年节省$10K+的瓶颈和提案质量损失。

3. 制定提案大纲和计划：更清晰的规划可以防止因重写和错过截止日期而造成的每年$10K+的损失。

4. 起草、定制和审查内容：更优质的内容每年可以额外赢得$10K+的奖励收入。

5. 最终确定格式、获得批准和提交：更顺畅的提交可以保护每年$10K+免受可避免的拒绝。

6. 跟进客户和内部总结：持续的跟进将

   通过这些，每年可以增加$10K+的交叉销售和未来胜利的机会。

第 4 步：将 AI 技能映射以优化流程

现在是激动人心的部分 - 将 AI 能力映射到 RFP 响应过程的特定阶段，以解决优先级较高的痛点。以下是 AI 可以如何应用：

1. 分析 RFP需要 AI 的感知模式快速阅读并从冗长的 RFP 文档中提取关键要求，帮助您的团队做出更快、更明智的通过/不通过决策。

2. 组建团队需要分类技能（预测模式），根据 RFP 的具体需求，在您的组织中分类和匹配最合适的专家，确保从一开始就涉及正确的人员。

3. 制定提案大纲和计划需要具有内容创作技能的创作模型，在分析类似过去的提案并提出既全面又符合客户期望的结构后生成提案大纲。

4. 起草、定制和审查内容将利用创作和思考模式：

   • 创作模式（内容创作技能）可以起草初步提案内容，然后由人类作家进行定制。

   • 思考模式（推理技能）可以分析和解释要求，确保所有强制性元素都得到处理，降低不合规的风险。

5. 最终确定格式、获得批准和提交将需要创作和代理模式：

   • 创作模式（内容创作技能）可以快速且准确地格式化提案，以满足所有指南。

   • 代理模式（执行技能）可以通过将文档路由到正确的人员并发送提醒以获得批准来自动化审批流程。

6. 跟进客户和内部简报将使用 AI 的创作和思考模式：

   • 创作模式（沟通技巧）可以起草后续电子邮件。

   • 思考模式（推理技能）可以在提交后总结客户互动。

如您所见，找到 AI 解决方案并不意味着将单个 AI 模式或能力应用于整个流程，而是通常多个 AI 模式协同工作，处理不同的部分或任务。每种模式都带来特定的技能，以解决您工作流程中的特定痛点。

这里有一个简单的表格，展示了这种映射：

| RFP 流程阶段 | 痛点 | AI 技能 |

| --- | --- | --- |

| 分析 RFP | 复杂 RFP 的消化困难 | 快速分析和提取关键要求的推理技能 |

| 组建团队 | 确定合适专家的挑战 | 匹配和推荐专家的分类技能 |

| 制定提案大纲和计划 | 计划过程不一致 | 起草内容的能力；合规分析的推理技能 |

| 起草、定制和审查内容 | 编写有说服力、定制的文案；合规 | 起草内容的内容创作技能；分析和解释要求的推理技能 |

| 完成格式化，获得批准 | 格式化问题，批准延迟 | 格式化内容创作的技巧；批准自动化的执行技巧 |

| 跟进和内部总结 | 跟进和总结无效 | 跟进电子邮件的沟通技巧；互动总结的推理技巧 |

表 5.1：RFP 流程的 AI 能力映射表

一旦将 AI 技能映射到 RFP 响应过程的各个阶段，我们就可以看到 AI 如何增加价值、简化任务并提高整体效率。这个例子还展示了 AI 如何拉动速度和质量杠杆，在您的 RFP 响应中给予您的业务竞争优势。

在下一个例子中，我们将应用同样的方法到线索生成和资格认证的过程，这是另一个非常适合 AI 驱动的改进领域。

示例 2：线索生成和资格认证中的 AI 机会

现在我们已经探讨了如何在 RFP 响应过程中识别 AI 机会，让我们将注意力转向另一个关键的业务流程：线索生成和资格认证。对于许多企业来说，这个过程是销售漏斗的生命线，推动新的机会和潜在收入。然而，它也是一个可能充满低效率、错失机会和有效扩展挑战的领域。让我们看看 AI 如何帮助。

第 1 步：映射业务流程

首先，让我们概述线索生成和资格认证过程中的关键阶段。这个过程通常涉及几个步骤，可能看起来像这样：

1. 线索生成：通过各种渠道（例如网站表单、社交媒体或活动）收集潜在客户的联系信息和相关数据。

2. 线索细分：根据某些标准对线索进行分类，例如行业、公司规模或对您的产品或服务的潜在兴趣。

3. 线索评分：根据每个线索的转化可能性为其分配分数，这有助于优先考虑销售努力。

4. 线索培育：通过有针对性的内容、电子邮件或电话与线索互动，将他们推向销售漏斗的更下游。

5. 线索资格认证：根据线索的参与程度和与目标客户档案的匹配度，确定线索是否准备好传递给销售团队。

每个这些阶段都为 AI 提供了通过自动化重复性任务、做出更好的决策以及提供可能被人类分析遗漏的见解来增强流程的机会。

第 2 步：识别痛点和瓶颈

接下来，我们需要确定线索生成和资格认证过程中的常见痛点。这些通常是导致流程缓慢、错失机会或造成低效率的挑战。一些典型的痛点包括以下内容：

• 线索生成：过时或不完整的联系信息，导致高退订率和低质量线索。

• 线索细分：效率低下或手动细分无法准确分组线索，导致营销努力目标不明确。

• 线索评分：难以预测哪些线索最有可能转化，导致在低质量线索上浪费了努力。

• 线索培育：耗时且不够个性化的跟进流程，无法有效地吸引线索。

• 线索资格：确定何时线索准备好销售的不一致标准，导致营销和销售团队之间的努力不一致。

这些痛点表明 AI 可以潜在地介入以优化流程并改善结果。

第 3 步：应用 10K 美元的阈值

让我们再次假设这里的所有步骤都符合每年 10K 美元的范畴，因此我们优先考虑所有问题以进行进一步探索：

• 线索生成：提高数据质量可以每年节省 10K 美元以上的时间，避免接近不良联系人。

• 线索细分：更好的线索分组可以解锁每年 10K 美元以上的额外活动收入。

• 线索评分：专注于正确的线索可以每年产生 10K 美元以上的更高转化价值。

• 线索培育：更强的参与度可以防止每年价值 10K 美元以上的机会流失。

• 线索资格：更清晰的准则可以避免每年 10K 美元以上的销售和营销努力浪费。

第 4 步：将 AI 技能映射以优化流程

在优先考虑痛点后，我们现在可以将 AI 能力映射到线索生成和资格的具体阶段，以解决这些挑战。以下是 AI 可能的应用方式：

1. 线索生成可以利用 AI 的预测模式：

   • 具有分类技能的预测模式可以分类和标记可能低质量的线索数据。

   • 具有回归技能的预测模式有助于估计新线索的预期客户终身价值（CLV）。

2. 线索细分可以采用具有阅读技能的感知模式来阅读和分析线索互动，例如电子邮件内容或社交媒体活动。这将能够根据行为、兴趣或参与度水平自动将线索分类到更精确的群体中。

3. 线索评分可以通过具有回归技能的预测模式达到最佳效果，该模式可以对每个线索的转化可能性进行评分和估计，帮助优先考虑最值得追求的线索。

4. 线索培育将需要具有内容创作技能的创作模式。此模式可以生成和草拟用于培育活动的个性化内容，例如根据线索的互动历史定制电子邮件或相关内容建议。

5. 线索资格将利用预测模式和思考模式：

   • 具有分类技能的预测模式可以分类线索参与度级别并自动确定何时线索符合转交给销售团队的标准，确保只有最合格的线索被移交。

   • 具有推理技能的思维模式可以分析和解释沟通模式，以识别表现出购买准备迹象的潜在客户，使销售团队能够专注于最有希望的机会。

这里是如何在表格中呈现这种映射的一个例子：

| 领先过程阶段 | 痛点 | 人工智能技能 |

| --- | --- | --- |

| 领先生成 | 过时/不完整的联系数据 | 数据质量标记的分类技能；缺失值估计的回归技能 |

| 领先细分 | 低效或手动细分 | 基于行为的细分分析阅读技能 |

| 领先评分 | 预测转化可能性困难 | 预测评分的回归技能 |

| 领先培养 | 耗时、非个性化的跟进 | 个性化自动跟进的内容创作技能 |

| 领先资格认定 | 销售准备不一致的标准 | 准备检测的分类技能和推理技能 |

表 5.2：领先过程的人工智能能力映射表

通过将人工智能能力映射到这些阶段，您可以了解人工智能如何简化领先生成和资格认定，使这些过程更加高效、可扩展和有效。这种方法不仅有助于生成高质量的潜在客户，还确保您的销售团队将精力集中在最有希望的机会上，从而提高转化率。

示例 3：使用人工智能增强产品用户体验

到目前为止，我们一直专注于在内部业务流程中识别人工智能机会。现在，让我们将注意力转向外部——人工智能如何通过改善用户体验和整体客户体验来提升您的产品。这种方法对于提供数字产品或服务的业务尤其有价值，因为用户体验可以决定产品的成功与否。

让我们探讨人工智能如何增强电子商务环境中客户旅程的特定方面——即产品搜索过程。这是客户体验中的一个关键接触点，因为它通常决定了访客是否会成为付费客户或因沮丧而离开您的网站。

第 1 步：映射产品搜索过程

在电子商务商店中，产品搜索过程通常涉及客户在寻找合适产品时经历的几个关键阶段。这些阶段可能包括以下内容：

1. 搜索查询输入：客户将搜索词输入搜索栏或上传他们正在寻找的产品的图片。

2. 搜索结果显示：系统返回与搜索查询或上传的图片匹配的产品列表。

3. 过滤和排序：客户使用过滤器（例如，价格、品牌或评分）和排序选项（例如，相关性或流行度）来细化搜索结果。

4. 产品评估：客户查看产品详情、图片和客户评价，以评估其适用性。

5. 产品选择：客户将产品添加到购物车或决定继续搜索。

这些步骤对于引导客户找到他们确切想要的东西至关重要，每个步骤都为 AI 提供了增强体验的机会，使其更加个性化、高效和令人满意。

第 2 步：识别用户痛点瓶颈

要确定 AI 可以产生差异的地方，我们首先需要了解客户在产品搜索过程中面临的常见痛点。以下是一些典型问题：

• 搜索查询输入：客户可能难以清楚地表达他们想要什么，导致模糊或不准确的搜索查询，返回不相关的结果。有些人甚至可能更喜欢通过上传图片而不是键入查询来搜索。

• 搜索结果显示：搜索引擎可能返回太多结果，使客户感到不知所措，或者太少，使他们因没有显示相关选项而感到沮丧。

• 过滤和排序：应用过滤器可能会很繁琐，而且客户在没有进行大量手动排序的情况下可能难以找到他们需要的精确产品。

• 产品评估：客户通常发现根据详细规格、评论和图像比较类似产品具有挑战性。

• 产品选择：如果客户不确定他们是否找到了最佳选项，可能会出现犹豫，导致购物车放弃或继续搜索。

这些痛点突出了可以通过 AI 改进的产品搜索体验的领域。

第 3 步：应用$10K 阈值

这里是如何看起来$10K 优先级排序的：

• 搜索查询输入：更清晰的查询将防止每年$10K 以上的销售额损失。

• 搜索结果显示：更相关的结果将捕获每年$10K 以上的收入，否则这些收入将因挫败感而损失。

• 过滤和排序：更简单的导航将通过帮助客户更快地找到产品，每年解锁$10K 以上的销售额。

• 产品评估：更好的比较将推动每年$10K 以上的更高转化率，来自自信的购买决策。

• 产品选择：减少犹豫将挽回每年$10K 以上的损失，否则这些损失将归因于购物车放弃。

第 4 步：将 AI 技能映射到增强产品搜索过程

让我们探讨如何将特定的 AI 技能应用于产品搜索过程的每个阶段，以解决这些痛点并创造更流畅的客户体验：

1. 搜索查询输入将利用感知模式：

   • 感知模式（阅读技巧）：AI 可以解释和理解客户查询，即使它们是模糊或复杂的。例如，如果客户键入“适合跑步的舒适鞋”，AI 可以解释意图并优先显示舒适度评分高的跑步鞋。

   • 感知模式（视觉技能）：AI 可以通过上传图像而不是输入查询来允许客户扫描和识别产品。例如，如果客户在照片中看到他们喜欢的夹克，他们可以上传该图像，AI 将识别商店中可用的类似夹克（结合预测模式的分类技能）。

   • 预测模式（分类技能）：AI 可以在客户输入或上传图像后立即建议和推荐智能自动建议，提供流行或相关的搜索术语以更有效地引导用户。这减少了输入产生不良结果的查询的可能性。

2. 搜索结果显示可以使用预测模式（回归技能）。AI 可以根据客户的浏览历史和过去购买等数据，根据客户偏好对搜索结果进行定制，从而根据每个客户的偏好对搜索结果进行排序。例如，如果客户经常购买环保产品，搜索引擎可以在结果中优先显示可持续选项。

3. 过滤和排序将采用思维模式和预测模式：

   • 思维模式（推理技能）：AI 可以根据客户的查询、行为或上传的图像来情境化客户行为，并基于客户的查询、行为或上传的图像推荐最相关的过滤器。例如，如果客户搜索“夏装”或上传一张图片，系统可能会自动建议“轻薄面料”或“无袖”等过滤器。

   • 预测模式（分类或回归技能）：AI 可以根据相关性等因素的组合对产品进行排序和优先排序，而不是依赖于基本的排序选项。

4. 产品评估将受益于思维和创造模式：

   • 思维模式（推理技能）：AI 可以总结和综合客户评价，提取关键主题和情感，以提供快速概述。这通过减少阅读数十条评论的需要来节省客户的时间。

   • 创造模式（内容创作技能）：AI 可以根据综合洞察力撰写摘要，该摘要根据用户真正关心的标准进行个性化。

5. 产品 选择可以通过预测模式（分类技能）实现：根据客户的搜索行为、上传的图像和偏好，AI 根据类似客户的购物行为推荐替代品或互补产品。

下面是如何在表格中呈现这种映射：

| 产品搜索阶段 | 痛点 | AI 技能 |

| --- | --- | --- |

| 搜索查询输入 | 模糊/不准确的搜索查询；偏好视觉搜索 | 更好的查询解释的阅读技能；图像上传的视觉技能；自动建议的分类技能 |

| 搜索结果显示 | 结果过多/过少；不相关选项 | 改进搜索结果排名的回归技能 |

| 过滤和排序 | 繁琐的过滤；难以找到精确匹配 | 推理技能以建议相关过滤器；分类技能根据用户偏好动态重新排序产品 |

| 产品评估 | 比较产品困难 | 推理技能用于评论分析；内容创作技能用于个性化摘要 |

| 产品选择 | 犹豫不决和购物车放弃 | 分类技能用于交叉促销和升级推荐 |

表 5.3：产品搜索过程的人工智能能力映射表

通过将人工智能能力映射到产品搜索过程的各个阶段，您可以在您的电子商务平台上显著提升客户体验。人工智能不仅使搜索更快，而且通过使其更加直观并与客户实际寻找的内容保持一致，使搜索变得更好。这导致更高的满意度、增加的转化率，最终使电子商务业务更加成功。

现在您已经看到了映射过程在实际中的应用，让我们退一步，回顾一些适用于所有用例的最佳实践，确保您能够有效地将这些策略应用于流程和产品。

识别人工智能机会的实用技巧

到现在为止，您已经看到了人工智能如何映射到业务流程和产品旅程中，以在效率、客户满意度和整体业务价值方面创造显著的改进。但为了有效地识别和利用您自己组织中的人工智能机会，遵循一些最佳实践是至关重要的。这些实践将有助于确保您的 AI 项目不仅构思良好，而且与您的更广泛业务目标保持一致：

1. 将您的商业利益放在首位。

第一步也是最重要的一步是将 AI 项目与您的整体业务目标对齐。人工智能绝不能仅仅为了实施而实施；它应该服务于一个明确的、推动业务向前发展的目的。无论您的目标是增加收入、提高客户满意度、简化运营还是创新产品提供，人工智能都应该是实现这些目标的一种手段。

提示：首先，明确界定您想要解决的业务问题或想要探索的机会。例如，如果您的目标是减少客户流失，人工智能不仅可用于预测处于风险中的客户，还可以触发针对性的保留策略。始终将您的 AI 项目与这些具体业务目标联系起来，以确保它们提供真正的价值。

1. 跨部门协作。

人工智能项目在跨职能合作时最成功。人工智能的影响通常跨越多个部门，因此涉及来自组织不同部分的利益相关者至关重要。创建包括技术成员（如 IT、数据科学和数据分析）以及与特定用例相关的非技术业务单元（如营销、销售、产品管理等）的跨职能团队。这些团队可以提供不同的视角，并确保人工智能项目既基于技术可行性，也满足业务需求。

例如，如果你打算在客户支持运营中实施人工智能，应涉及来自服务、IT 和营销部门的人员。支持部门可以提出最常见的问题点，IT 部门确保聊天机器人安全地与你的系统集成，营销部门确保聊天机器人无缝连接到你的网站，以便客户能够被引导到正确的资源。

1. 迭代和改进。

将这个阶段视为头脑风暴练习。快速完成映射过程，记下人工智能可能适合的地方以及它如何解决已识别的问题点。现在不必担心一切都完美无缺；目的是创建一个广泛的可能性的地图，你将在稍后深入探讨。这种方法确保你不会被分析所瘫痪，可以更有效地进行范围界定和优先级排序。

1. 利用外部专业知识。

这个阶段是引入已经解决过类似挑战的外部专业知识的好机会，提供你可能没有的专门知识或工具。

提示：考虑与人工智能顾问合作，参加以人工智能为重点的工作坊，或使用人工智能概念会议来启动你的项目。外部专家可以提供新的视角，介绍新的方法，并帮助你避免常见的陷阱。

1. 确保人工智能的伦理使用。

随着人工智能越来越多地融入业务流程和产品，考虑使用人工智能的伦理影响至关重要。虽然我们将在稍后更详细地探讨人工智能用例的伦理维度，但最好从开始就考虑伦理问题。这包括确保数据隐私，并让客户和利益相关者了解人工智能的使用情况。在你的组织中建立明确的伦理准则，用于人工智能的使用。

到现在为止，你已经确定了高价值问题，并将它们映射到人工智能能力和价值杠杆上。但接下来会发生什么？让我们来谈谈。

有效的流程增强

一个常见的本能是问，“人工智能能否完全自动化这个流程？”但这个问题并不总是最好的。在这个阶段，更有用的心态是：我们如何将人工智能引入这个工作流程，至少拉动一个价值杠杆，以便我们跨越价值阈值？

这就是自动化和增强之间的区别——一个我们将在下一章中进一步探讨的概念。与其将完全控制权交给 AI，有效的增强意味着以帮助人们更快、更好、更轻松地工作——或者实现手工劳动限制所阻挡的规模的方式，将 AI 编织到现有流程中。

以苹果的数学笔记(support.apple.com/en-gb/guide/iphone/iph46efa613a/ios)功能为例。它允许用户在 iPad 上手写方程式，立即识别输入，并提供实时结果或可视化——而不会打断流程。无需切换任何AI 模式。它只需工作即可。

这种体验并非偶然发生。它反映了一套被称为TRICUS（www.oreilly.com/library/view/augmented-analytics/9781098151713/ch05.html）的原则，这些原则定义了有效的 AI 增强是什么样的：

• 及时：人工智能在恰当的时刻提供帮助。

• 相关：它与用户的意图或目标保持一致。

• 有洞察力：它提供有意义的、可操作的支持。

• 可信：输出结果值得信赖。

• 不干扰：它不会打断用户的流程。

• 具体：它针对手头的精确需求进行定制。

您无需重新设计整个流程就能从人工智能中受益。事实上，一些最佳结果来自于小规模的、有针对性的改进，这些改进消除了摩擦，而没有增加复杂性。当然，一旦您将人工智能引入到流程中，值得退一步思考是否更根本的重设计能够释放更大的价值。

当您进入测试和原型制作阶段时，这种心态将为您带来好处。在下一章中，我们将更深入地探讨如何确定您的 AI 用例范围，构建智能原型，并确保您的 AI 解决方案不仅技术上可靠，而且真正改善了人们的工作方式——并推动业务影响。

摘要

在您的业务中识别 AI 机会是一个涉及将 AI 模式和技能映射到您的业务目标、涉及合适的人员以及持续改进您的方法的战略过程。通过遵循这些最佳实践，您可以最大化您组织中 AI 的影响，将 AI 从一种流行语转变为推动业务成功的强大驱动力。

关键在于理解五种 AI 模式——预测、感知、创造、思考和代理——如何解决您流程和产品中值得解决的问题。无论您是使用分类技能来提高潜在客户评分，阅读技能来处理客户反馈，还是推理技能来综合复杂信息，关键是将这些技能与值得用 AI 解决的问题相匹配。

使用您的 10,000 美元门槛来关注高价值机会，并利用您的价值杠杆——成本、质量、速度和可扩展性——来界定 AI 将如何产生影响。

记住：AI 的力量往往不在于完全自动化，而在于深思熟虑的工作流程增强。在合适的时机将 AI 引入现有流程中，可以在不增加复杂性的情况下提高结果。

在您前进的过程中，请记住以下原则：从明确的目标开始，涉及跨职能团队，迭代您的倡议，在需要时寻求外部专业知识，关注快速胜利，并始终考虑您 AI 使用中的道德影响。

在下一章中，我们将探讨如何有效地范围界定、优先排序和规划 AI 用例——这样您就可以投资于能够带来真正投资回报率的项目。

|

现在解锁本书的独家优惠

扫描此二维码或访问 packtpub.com/unlock，然后通过书名搜索此书。 | |

| 注意：在开始之前准备好您的购买发票。* |

| --- |

第六章：设计人工智能用例

您现在正处于人工智能旅程的关键阶段。在前一章中，您探讨了如何利用您新获得的人工智能知识来映射组织内部的高级人工智能机会。但从高级映射到有利可图的 AI 路线图还有很长的路要走。这就是为什么本章将深入探讨设计可操作用例的要素，这些用例不仅会明确告诉您该做什么，而且还会为在人工智能实施旅程中进一步优先排序和驱动回报率铺平道路。这里的目的是不仅仅识别人工智能的潜在应用（如我们在上一章中所做的那样），而是深入理解每个用例的结构和影响，并确保您的人工智能倡议与您的商业目标一致，并准备好取得成功。到本章结束时，您将拥有评估潜在人工智能项目的详细蓝图，帮助您就如何集中精力以及如何实现有意义的结果做出明智的决定。

在本章中，我们将涵盖以下主要内容：

• 为什么需要设计用例？

• 用例事实表

• 人工智能解决方案的集成-自动化框架

• 用例事实表的维度

为什么需要设计用例？

您可能渴望直接根据您的高级映射开始人工智能实施。但请注意——对每个用例的详细分析对于避免代价高昂的错误是必不可少的。

实际上，设计和构思您的用例是有效实施人工智能的基础。它作为防止常见陷阱的保障，例如过度扩展资源或使人工智能项目与您的战略目标不一致。

第一个原因是，尽管人工智能具有令人印象深刻的性能，但它并不是万能的解决方案。有时，用例设计的微小变化可能需要完全不同的方法。例如，考虑一家希望构建支持聊天机器人以使现场服务人员更容易解决问题的制造公司。您的脑海中可能会浮现出“聊天机器人”，但这真的是他们想要的吗？事实上，大多数服务人员可能并不想与机器人聊天；他们只想提出一个具体问题（或上传一个特定图像）并立即得到他们想要的答案，而不需要与人工智能服务来回过多交流。这一需求将使您的用例远离“人工智能聊天机器人”并更多地进入“增强搜索”领域，这对技术解决方案维度和用户体验都有一些非常不同的含义。界面将不再是聊天界面，而是一个简单的搜索提示。考虑到您的具体需求、挑战和目标，以及彻底的分析，将确保在投入资源到特定用例之前，您清楚地了解范围、需求和潜在障碍。

除了明确你实际上想要构建的内容外，详细的使用案例概念还将帮助你更好地评估项目的影響力和可行性。并非所有 AI 项目都能带来相同的价值。通过详细分析用例，你可以确定哪些与你的业务目标最为契合，并具有提供最大投资回报的潜力。

但让我们在这里更具体一些。

在我们之前的章节中，我们将 RFP 过程中的各种元素识别为高级 AI 机会。现在，我们将这些分解为具体的用例，并学习如何彻底分析每个用例，以了解其潜在影响和可行性。

用例事实表

为了结构化你的分析，我们将使用一个名为用例事实表的框架。这个工具旨在捕捉用例的所有关键维度，使你能够进行比较、优先排序，并最终决定哪些项目值得追求。目标是为你提供一个单页概览，说明用例试图实现什么，以及需要什么来实现它。

下图展示了一个示例用例事实表：

图 6.1：用例事实表模板

你可以在以下链接中找到这份事实表的模板版本（github.com/PacktPublishing/The-Profitable-AI-Advantage/blob/main/ch06/Use_Case_Fact_Sheet_Template.pptx）。在较高层次上，以下是使用案例事实表所涉及的内容：

1. 问题维度：总结 AI 用例旨在解决的具体痛点或瓶颈。

2. 价值维度：阐述预期的 10K 影响以及价值杠杆（速度、成本、质量和规模）。

3. 数据维度：列出用例的高层次数据需求。

4. 解决方案维度：描述提出的 AI 解决方案，包括相关的 AI 模式。

5. 风险维度：识别与用例相关的潜在风险，并提出缓解策略。

6. 利益相关者参与维度：列出参与项目的关键利益相关者和他们在项目中的角色。

7. 类型：根据自动化和集成的程度，这个项目属于哪种用例类型（我们将在稍后了解更多）。

8. 资源：概述所需的资源，包括人力、技术和财务资源。

9. 成功因素：定义将决定用例成功与否的关键绩效指标（KPIs）。

10. 预期可行性：评估用例的整体可行性，考虑复杂性、成本和与战略目标的契合度。

通过系统地填写每个潜在用例的事实表，你确保了项目的每个方面都得到了充分考虑，减少了意外挑战的风险，并增加了成功实施的可能性。

本章的大部分内容将探讨这些用例事实表的不同维度，但在我们深入探讨之前，了解你首先应该考虑哪些用例是很重要的。

在创建用例事实表之前，让我们简要讨论两个你需要考虑的关键因素。

• 你应该创建多少个用例事实表？

当然，这里的明显答案是，这取决于你。你组织的规模和你人工智能路线图的雄心壮志实际上定义了这里可能实现的内容。如果你是一个中等规模的组织，采用分而治之的方法来采用人工智能（第三章），最终得到一个包含 100 多个潜在用例的列表，甚至可能在一个部门内，这并不罕见。另一方面，如果你是刚开始，你不应该花太多时间去思考和规划用例，而应该达到一个可以快速开始行动的位置。

对于大多数从某个地方开始的组织，比如说在某个流程或产品中识别第一个 AI 机会，我通常建议寻找 8-10 个用例。为什么是这个数字？因为这给你足够的空间去实验和迭代不同的项目，同时，你也不会被分析瘫痪所淹没，这会让你比开始时更加困惑。

从这里开始，在你继续人工智能之旅的过程中，你可以自由地添加更多的用例。但不要过度劳累。每个流程、部门或产品有 10 个 AI 用例的待办事项清单是一个坚实的开始！

• 你应该考虑哪些类型的用例？

当从AI 可以帮助我预测赢得提案的可能性这个高层次的想法转移到更具体、可操作的形式时，人们常常用自动化代替复杂性（通常在他们还不能完全描述解决方案时）.例如，AI 将自动分析收到的提案并自动*推荐合适的联系人。但事实是，你在初始用例描述中找到的自动化用例越多，这些用例实际上永远不会工作的可能性就越大。这是因为，对于大多数 AI 用例，你需要在 AI 真正为你大规模执行之前，明确告诉 AI 它应该做什么。

为了强调这一点，让我们看看用例如何增长复杂度以及如何有意地管理这种复杂度。

人工智能解决方案的集成-自动化框架

人工智能解决方案的集成-自动化框架（IA-AI 框架）基于一个简单的原则：我们根据两个标准对人工智能解决方案进行分类——它们集成和自动化的程度。

集成指的是人工智能解决方案与你的现有系统景观或业务工作流程融合或协同工作的程度。

自动化指的是人工智能解决方案在最小化人工干预的情况下执行任务的程度。

想想看。大多数人会认为集成推动自动化，反之亦然。但这并不一定正确。例如，你可以创建一个包含一些自动化但并未完全集成到你的系统环境中的用例。

根据 IA-AI 框架，你会找到四种高级人工智能用例类型——人工智能解决方案可以交付的不同方式。在实践中，当然，这些之间的转换可以是流畅的，但深刻理解这四种类型将帮助你做出更有意图、更明智的设计决策。

图 6.2 以矩阵的形式展示了 IA-AI 框架的四个象限中的这四种类型，以及根据集成和自动化程度属于每个象限的一些示例工具。

图 6.2：包含一些示例工具的 IA-AI 矩阵

让我通过遍历 IA-AI 矩阵的不同象限来展示如何做到这一点。

解决方案类型 1：助手

第一种用例类型是我所说的 助手。

图 6.3：IA-AI 框架的第一象限，人工智能助手

在这些解决方案中，你通常与一个需要你手动处理输入和输出的外部人工智能应用程序合作（例如复制/粘贴文本或上传/下载文件）。典型的集成程度较低，自动化程度也较低。ChatGPT 是这一类型的典型例子。

不要误解——这些应用程序可以越来越强大。ChatGPT 可能是你可能会遇到的最强大的外部人工智能助手。其他例子包括：Poe.com、谷歌的 Gemini 应用程序和微软的 AI 驱动的 Bing 搜索。

助手非常适合通用、临时的生产力任务，例如撰写营销文案、翻译商业文本，或者只是通过口头指导帮助你的人工智能。

解决方案类型 2：副驾驶

与助手类似，副驾驶需要你承担繁重的工作（即它们的自动化程度较低），但它们更紧密地集成到你的系统景观或业务流程中。

图 6.4：IA-AI 框架的第二象限，副驾驶

这目前是人工智能领域最热门的领域，你可以想到的每家软件公司都在寻求将这 copilot 功能纳入其产品。一些例子包括 GitHub Copilot、Microsoft 365 Copilot、Google Workspace 中的 Gemini AI、Slack 中的 AI 功能、Notion 等。

共同飞行员很棒，因为它们知道你此刻在做什么。例如，如果你使用 Outlook 共同飞行员来回复电子邮件，它将已经知道该电子邮件线程中的先前对话历史。无需复制/粘贴。它还消除了注册新应用的摩擦。然而——这是与下一个用例类型相比最大的区别——没有你的批准，AI 建议 cannot be implemented。因此，你有能力（和责任）根据需要审查和纠正 AI 输出。这就是为什么这种用例类型现在如此受欢迎。即使 AI 模型不是 100% 完美（它们可能永远都不会是），它也提供了巨大的价值。

解决方案类型 3：自动驾驶仪

自动驾驶仪展示了高度自动化，但集成度相对较低。

图 6.5：IA-AI 框架的第三象限，自动驾驶仪

I need to reset my password, it would be able to guide you through the process verbally, telling you where to click and what to do, but it won’t be able to reset the password for you itself. If you want to do that (which is technically feasible), you’d need to increase the degree of integration. This would move the project up to an agent use case.

但在我们更详细地讨论智能体之前，让我们回顾一些更多关于自动驾驶仪用例的例子，这些例子可以在许多不同的领域找到。例如，许多公司使用社交媒体监控工具，这些工具会自动扫描负面情绪，并在发生关键事件时提醒人工管理员，而无需在社交平台上采取直接行动。另一个案例是 ChatGPT 中的任务功能，其中 AI 可以定期运行预定义的提示，例如进行竞争对手研究。虽然系统可靠地执行任务，但结果通常只是简单地返回给用户，而不是与下游工作流程连接。同样，自动监控系统可以实时分析视频流，并在检测到特定对象或运动时触发电子邮件警报，但它们不会自动采取下一步行动，例如锁定门或派遣安保人员。即使在物理世界，机器人吸尘器也作为自动驾驶仪运行：它们可以自主导航家庭并根据日程安排清洁，但它们没有与更广泛的智能家居系统集成，例如，可以根据家庭活动调整清洁模式或与其他设备协调。

解决方案类型 4：智能体

智能体是人工智能项目的圣杯。每个人都想要它们。

图 6.6：IA-AI 框架的第四象限，智能体

想象一下拥有一个能够回答常见问题并执行某些任务（例如，当用户无法访问其账户时发送密码重置电子邮件）的客户支持聊天机器人，甚至更多。

例如，支付服务提供商 Paddle（www.paddle.com/billing/billing-support）提供了一种 AI 支持聊天机器人，它可以自动处理和解决与客户相关的典型客户查询，这些客户查询涉及他们的软件即服务（SaaS）产品，例如无需人工监督处理退款或取消订阅，降低支持成本，并加快票务解决速度至实时。明确地说，这些用例确实存在，但它们是最难解决的问题之一。因为在这一阶段，你不仅要应对 AI 固有的挑战（如不准确、幻觉、性能问题等），还要处理涉及大量遗留应用程序的传统的 IT 集成问题——当然，还有安全问题。

其他代理用例的例子展示了这种集成水平可以带来多么大的变革。想象一下，一个 AI 系统不仅扫描传入的合同，而且实际上提取关键条款，将它们归档到你的文档管理系统，并自动启动正确的审批工作流程。或者想象一下，在你网站上的一款购物助手，它不仅建议产品，而且主动捆绑个性化优惠，应用折扣，甚至代表客户完成结账流程。在制造业中，代理可以超越标记潜在缺陷：它们可以在实时中停止机器，调整参数以防止未来的错误，并通过完整的诊断报告通知工程师——所有这些都不需要等待人工干预。

虽然作为组织，你的目标应该是最终达到这个阶段，但这绝对不是开始的最佳方式。这就是为什么新接触 AI 的公司会陷入多年未完成的项目和数百万美元的沉没成本中。那么，你应该从哪里开始你的 AI 之旅呢？

按照 IA-AI 框架逐步推进

图 6.7展示了 IA-AI 框架中的两个驱动力。

图 6.7：IA-AI 矩阵中的过渡路径

在 IA-AI 框架中，你可以从左到右（低自动化到高自动化）前进，通过更多自动化来增加用例的复杂性，或者从底部到顶部（低集成到高集成）前进，其中主要挑战是将你拥有的东西进一步集成到你的系统或工作流程中。

通常来说，同时进行这两件事并不是一个好主意（即，同时进行对角移动和提升集成与自动化的水平——所以不要直接从助手跳到代理。）

根据我在多个领域与不同 AI 项目合作的经验，最佳的方法通常是按照我在本章中介绍它们的顺序来处理用例：

助手 → 共飞行员 → 自动驾驶仪 → 代理

关键真的是首先从所谓的增强型用例（助手和共飞行员）开始，因为它们总是将人类纳入循环中。

图 6.8：IA-AI 框架中的增强型 AI 用例

这给你带来了两个主要优势：

• 你可以控制 AI 输出并确保结果质量

• 你会随着时间的推移更多地了解 AI 如何适用于你的组织用例。

这两个因素是确保长期 AI 成功的关键组成部分。它们将随着时间的推移提高你的 AI 流利度。这些增强型用例的美丽之处在于，它们通常是最简单的，这使得它们成为快速原型设计和快速迭代的绝佳候选者。

增强型 AI 用例还让你能够应用我们在第五章中提到的有效工作流程增强的 TRICUS 原则。构建更先进的 AI 解决方案将允许你逐步将它们更无缝地集成到你的业务流程中，而不是花费数月（或数年）时间试图构建完美的集成。

这个框架在创建你的用例事实表时很有用。在填写你的用例事实表时，确保最初坚持助手和共飞行员用例。如果你发现自己处于自动驾驶或代理场景中，那么请三思。这真的是你想要的吗？你有能力让这些用例起飞吗？一个好的中间步骤可能是什么？

考虑到这一点，让我们开始着手我们的用例事实表。

用例事实表的维度

如我们在本章开头所讨论的，有十个维度将帮助你创建你的用例事实表。我们将逐步介绍这些维度。

问题维度

问题维度 是你用例分析的基础。它定义了 AI 解决方案旨在解决的具体商业问题。由于你已经在之前的一步中考虑了该维度，因此填写这部分应该很容易。问问自己：

• 我们正在解决哪个痛点或瓶颈？ 确定 AI 解决方案旨在解决的具体问题，以及它是一个当前问题（痛点）还是未来问题（瓶颈），可能会阻碍增长。

• 这对我们的业务有何影响？ 尝试描述问题的影响。例如，无法在一级支持中服务更多客户可能是一个痛点。影响可能是客户满意度下降和客户流失增加。其他影响可能是成本增加或销售额下降，例如。

• 这个问题是否得到验证？ 你有多确定这个问题确实存在？你自己经历过这个问题吗？还是有其他证据表明这个问题是真实的？验证可能来自数据分析、客户反馈或与行业标准进行基准测试。

• 这个问题有多大？ 使用您的$10K 阈值作为参考点，评估对核心业务指标（如收入、客户满意度或运营效率）的影响。问问自己：解决这个问题是否始终能带来超过阈值的增值，偶尔超过它，还是超过它几个倍数？以这种方式界定影响有助于您快速将问题分类为高、中或低优先级类别。

让我们回到上一章中的 RFP 示例，并定义问题维度（图 6.9）。

图 6.9：RFP 用例事实表的问题维度

在分析 RFP的过程步骤中，我们确定快速消化复杂的 RFP 很困难，这会导致决策延迟。我们的问题维度可能如下所示：

我们的项目团队现在在前期 RFP 分析上花费的时间显著增加，仅今年就增加了 20%。这种额外的努力减缓了是/否决策，留给准备实际提案的时间更少。因此，投标要么仓促且不完整，要么完全放弃。这种模式在过去的项目中很明显，延迟的决策直接导致了 RFP 的丢失。随着分析所需时间的增加而成功率下降，财务影响很容易超过每年$10K 的阈值，并被视为一个高影响瓶颈。

价值维度

价值维度 探索解决问题的潜在好处（借助 AI）。这可以使用第五章中的价值杠杆来回答——价值将如何创造？您的流程将运行得更快（速度杠杆）、更便宜（成本杠杆）、更高保真度（质量杠杆），还是您将能够做更多的事情（可扩展性杠杆）？有时，一个解决方案拉动多个这些杠杆，有时只是拉动一个。然而，如果您无法识别这些中的任何一个，那么这是一个强烈的迹象，表明价值维度并不清晰。例如，如果您的问题是客户流失，并且您构建了一个客户流失预测器，那么预测器本身并不会产生太多价值。使用这些信息来触发更好的（更有效的）保留活动，确实拉动了质量杠杆。

在分析价值维度时，考虑以下因素：

• 谁将从这个解决方案中受益？ 识别将直接或间接从 AI 解决方案中受益的利益相关者，无论他们是客户、员工还是特定的业务单元。

• 这个价值是如何实现的？ 这尤其适用于分析解决方案。更好的洞察力或预测是如何转化为商业价值的？谁将做出更好的决策，为了实现这一点必须发生什么？

• 这些价值如何与我们的业务目标一致？确保创造的价值支持你的更广泛战略目标。例如，如果你的业务不寻求进一步扩大客户群，那么推动客户增长的用例可能并不那么吸引人。

在 RFP 分析示例中，一个 AI 驱动的 RFP 聊天机器人（让我们称它为RFP 聊天机器人分析器）可以带来几个优势。以下是此用例的价值维度事实表：

图 6.10：RFP 用例的价值维度示例

通过加快分析 RFPs 所需的时间，销售和提案团队可以更快地做出是/否的决定，减少瓶颈，并确保有更多时间来制定强有力的提案。直接受益者是团队本身，他们不仅提高了效率，而且通过提交更高质量、及时的回应，提高了赢得合同的机会。真正的价值在于吞吐量：而不是花费数天进行分析，团队可以用同样的资源处理更多的提案，从而有效地扩大其容量而不需要增加人员。同样重要的是，这一改进与更广泛的企业目标战略一致，即提高投标成功率并捕获更多客户交易，因此其影响既具体又高度相关。

数据维度

分析数据维度通常是所有任务中最具挑战性的。为什么？因为通常你对你的数据了解不多。即使你知道，关于你的数据未来可能的样子，总会有一些不确定性。因此，除了描述你有哪些数据外，你还应该制定出你的用例需要哪些数据。一些 AI 系统对数据需求非常庞大，尤其是如果你想训练自己的模型。对于其他人来说，数据需求相对较低，因为你可以利用预训练的现成模型。

在分析数据维度时，请考虑以下因素：

• 我们应该考虑哪些数据？确定 AI 解决方案所需的数据类型和来源。这可能包括结构化数据，如交易记录，或非结构化数据，如客户反馈。对于更广泛的项目，请保留一个单独的数据需求清单。

• 我们是否有权访问所有必要的数据？评估组织目前是否可以访问所需数据。如果是，谁负责这些数据资产？如果不是，确定如何获取或生成这些数据。

• 这些数据的质量如何？评估现有数据的准确性、完整性和与当前问题的相关性。

在 RFP 分析示例中，数据维度可能看起来如图图 6.11所示：

图 6.11：RFP 用例的数据维度示例

提高 RFP 分析的数据需求相对明确。核心上，该解决方案依赖于访问历史 RFP 文件、过去的提案以及相应的胜负结果，这些结果为哪些有效、哪些无效提供了事实依据。如果可用，客户反馈通过突出过去提交中的差距或优势，增加了一个额外的洞察层面。大部分这些数据可能已经通过内部存储库（如 CRM 和 SharePoint）可用，其中提案和客户记录是有系统性地存储的。因此，如果最近记录维护良好，整体质量可能相当高，而一些较旧的 RFP 可能在使用前需要预处理或归一化。通过结合这些数据源，组织将有一个坚实的起点来开发这个用例。

解决方案维度

解决方案维度详细描述了所提出的 AI 解决方案，包括其组成部分、技术是否为众所周知或新颖，以及您的组织是否准备好实施它。以下是一些需要考虑的关键点：

• 解决方案是如何工作的？用简单、非技术性的语言描述解决方案正在做什么以及它将如何工作。

小贴士：使用 AI 模式中的动作动词从高层次描述 AI 解决方案的工作方式。

• 所提出的解决方案包含什么？描述 AI 解决方案的高层次组成部分，包括任何软件、硬件或与现有系统的集成。如果这些组件还不明确，请说明软件需要评估。

• 这项技术是众所周知的还是新的？评估 AI 技术是否已经确立并得到验证，或者是否是前沿的且可能更具风险。

• 我们是否有这项技术？确定您的组织是否已经拥有必要的这项技术，或者是否需要新的投资。这是否是一个商品 AI 服务？

对于 AI 驱动的 RFP 分析解决方案，解决方案维度可能描述如下：

图 6.12：RFP 用例的解决方案维度示例

AI 将承担分析新 RFP 文档的任务，通过阅读和理解提案要求，然后应用记忆和推理技能从过去的提案和结果中提取见解。在此基础上，系统将使用沟通技巧总结关键点并回答澄清问题，使提案团队能够更快、更有信心地做出是/否的决定。底层技术基于生成式 AI (GenAI) 和 检索增强生成 (RAG)，尽管这些技术相对较新，但已经在其他领域的文档分析和问答任务中展示了强大的性能。目前，该组织没有运营自己的 RAG 堆栈，但鉴于供应商产品和服务以及商品 AI 服务的广泛可用性，采用不需要完全在内部构建能力。

类型维度

使用 类型维度，您可以根据我们在上一节中讨论的 IA-AI 框架将您的用例分类为助手、协同驾驶者、自动驾驶仪或代理类别。为了定义用例类型，查看此用例所需的 最小 自动化和集成程度，以跨越 $10K 阈值：

• 集成程度：此用例如何集成到您的系统景观中？它是否需要深度集成？

• 自动化程度：在此用例中，人类参与是必要的吗？如果没有人类参与，用例会运行吗？

• 类型：您将如何根据此用例进行分类？

我们的 AI 驱动的 RFP 聊天机器人分析器可以展示以下特征：

图 6.13：RFP 用例的类型维度示例

在集成方面，该用例至少需要访问现有的 CRM 数据以及历史提案和新收到的提案数据，例如通过 SharePoint 访问数据。除此之外，自动化需求相对较低，因为当有人需要从一系列提案文档中获得即席见解或答案时，流程将手动触发。没有人为干预，就不会创造价值。这可能会使此用例作为一个协同驾驶者的类型工作得很好。例如，它可以通过 SharePoint 或 Microsoft Teams 内的定制聊天机器人提供，或者基本上，任何提案团队每天已经与之互动的应用程序，以保持工作流程增强与 TRICUS 原则的一致性。

风险维度

风险维度考察与 AI 用例相关的潜在风险，并概述缓解策略。理解风险涉及对执行和不执行 AI 解决方案进行推理，因为两者都可能具有风险：

• 这样做有哪些风险？ 识别实施人工智能解决方案相关的风险，例如技术挑战、数据隐私问题、可能对现有流程的干扰、合规性（例如，GDPR、欧盟人工智能法案等）、变革管理或内部阻力。

• 不这样做有哪些风险？ 考虑不实施解决方案的风险，例如错失机会、竞争劣势或持续的低效率。例如，如果所有竞争对手都使用人工智能来编写他们的 RFP，而你却坚持使用传统方法，这将对你的业务产生怎样的影响？

• 我们如何减轻这些风险？ 你将应用哪些策略来管理已识别的风险？这些风险是否可以管理？

这里是针对我们 RFP 示例的风险维度用例事实表：

图 6.14：RFP 用例的风险维度示例

在 RFP 分析人工智能解决方案的背景下，实施人工智能驱动的 RFP 分析工具的关键风险在于对需求解释的不准确性和可能对自动化洞察持怀疑态度的用户产生的阻力。不实施的最大风险在于落后于采用此类工具的竞争对手，并继续在速度和胜率上表现优异。这些风险可以通过仔细的数据抽样来降低准确性，并通过从试点组开始建立用户信任和验证可行性，然后在扩展之前进行验证来减轻。

利益相关者参与维度

许多人工智能项目失败，并不是因为技术本身不工作，而是因为人们不希望解决方案有效，并产生内部阻力。想象一下，实施一个旨在取代客户支持人员的客户支持聊天机器人系统，同时要求同一批人评估该聊天机器人的准确性。这些指标可能看起来并不理想，因为谁会愿意实施夺走他们工作的技术呢？在这个简单的场景中看似微不足道的事情，实际上在大规模应用案例中很难察觉。通常，涉及许多不同的观点，每个观点都有其独特的利益。虽然不可能总是满足所有人的需求，但你至少应该了解谁参与了该项目，以及他们在项目中的角色是什么，特别是他们为项目成功做出的贡献。

从以下问题开始：

• 谁是关键的利益相关者？ 识别对人工智能项目有既得利益的个人或团体，例如业务部门领导、IT 团队和最终用户。根据用例考虑内部和外部利益相关者。

• 他们的角色是什么？ 定义每个利益相关者在项目中的具体角色和责任。

• 他们将如何参与？ 概述每个利益相关者如何参与项目，包括他们的影响力水平和决策权，例如，使用结构化工具，如责任、问责、咨询、知情（RACI）矩阵（www.cio.com/article/287088/project-management-how-to-designa-successful-raci-project-plan.html）。

这个维度的用例事实表可能看起来像图 6.15所示。

图 6.15：RFP 用例的利益相关者维度示例

对于人工智能 RFP 解决方案，几个利益相关者群体发挥着关键作用。销售和提案团队负责人是主要用户；他们定义需求、验证输出并在测试期间提供反馈。IT 部门确保技术实施和现有工作流程的集成顺利进行，而卓越人工智能中心（AICoE）则负责模型的部署并确保用例与更广泛的 AI 战略保持一致。法律和合规团队保护数据隐私和遵守法规，鉴于 RFP 中包含的客户信息的敏感性。这些群体需要通过结构化的参与来介入——通过研讨会来捕捉需求、测试阶段来验证功能，以及审查会议来解决担忧。然而，仅仅参与是不够的。为了确保真正的承诺，利益相关者必须将解决方案视为一种促进因素，而不是一种威胁。例如，提案团队应该亲身体验工具如何节省他们的时间并提高胜率，而不是担心被取代。透明地沟通项目目标、尽早纳入反馈循环以及明显的快速胜利是确保利益相关者不仅被咨询，而且完全支持采用的关键策略。

资源维度

资源维度 帮助你了解需要计划哪些投资才能使这个用例得以实施。这并不是要创建一个详细的企业计划，而是要了解这个用例的主要资源驱动因素将是什么，例如内部劳动时间、外部承包商、软件许可等。由于这通常很难提前估计，因此咨询内部或外部人工智能专家是个好主意。

在分析资源维度时，请考虑以下问题：

• 需要哪些人力资源？ 确定实施人工智能解决方案所需的技能和专业知识，例如数据科学家、人工智能专家和项目经理。你有哪些？你需要从市场上获得哪些？

• 需要哪些技术资源？ 确定所需的技术基础设施，例如硬件、软件和集成能力。

• 需要哪些财务资源？估算项目所需的预算，包括技术、人员和持续维护的成本。

对于人工智能 RFP 分析解决方案，资源维度可能包括以下资源：

图 6.16：RFP 用例资源维度的示例

RFP 分析解决方案将需要跨职能资源，包括来自人工智能、IT 和其他部门的员工，以及来自受影响提案团队的某个人来指导和测试系统。技术需要以第三方人工智能软件为中心，并与 CRM 和 SharePoint 集成。从财务角度来看，项目的前期成本不得超过 10K 美元，年度成本不得超过 10K 美元，以实现盈利，考虑到每年 10K 美元的定义阈值，不考虑支持持续协作的内部劳动时间。为了保持用例的可行性，资源必须非常精简且具有成本效益，或者价值阈值必须调整到一个更雄心勃勃的目标，例如每季度 10K 美元的影响，以证明更高的运营成本是合理的。

成功因素维度

成功因素维度定义了将决定人工智能用例成功的 KPIs。最终，你需要有明确的验收标准来确定你的用例是否成功。许多用例失败，因为你永远无法确定它们是否真正实现了目标，因为那些目标从未被定义。因此，一开始就明确它们是个好主意。问问自己：

• KPIs 是什么？确定将用于衡量人工智能项目成功的具体指标，例如客户满意度评分、响应时间或成本节约。

注意：这些关键绩效指标（KPIs）可以通过定量（直接测量）和定性方法（调查、观察等）得出。

• 如何衡量成功？确定如何衡量这些 KPIs，包括用于跟踪它们的数据来源和工具。

• 实现成功的时间表是什么？定义实现预期成果的时间表，包括任何里程碑或检查点。

图 6.17 强调了 RFP 用例的一些成功因素。

图 6.17：RFP 用例成功因素维度的示例

对于人工智能 RFP 分析解决方案，成功因素可能包括：

• KPIs：分析 RFP 所需时间减少 50%（主要）和胜率提高 5%（次要）。

• 测量工具：对使用和不使用解决方案的用户进行 A/B 测试。

• 时间表：前三个月内获得初步结果，六个月内完成全面部署并实现关键绩效指标（KPIs）。

预期可行性维度

最后但同样重要的是，预期可行性维度是你对实现这个用例的可能性所做的总结性评估。如果你现在不知道如何给出一个数字，不要担心！下一章将为你提供一些简单的启发式方法。现在，最好从排名的角度来考虑预期可行性，而不是试图给出一个完美的分数。这涉及到为所有候选用例开发单页文档，然后在审查每个用例后按可行性进行排名。

实现这一排名的最佳方式是通过面对面比较。将两个用例并排比较，并根据实施难度判断哪一个更有可能成功。将这种比较扩展到所有用例中。最终，你将得到一个从最可行到最不可行的排名列表。

图 6.18：RFP 用例预期可行性维度的示例

根据我们从之前维度所了解的一切，我们的 RFP 聊天机器人分析器在可行性方面排名很高。这是因为它对技术的需求相对较低，我们预计在采用这个用例时组织或文化挑战将是最小的——尤其是在与其他同一 RFP 流程中的潜在人工智能应用相比时。

例如，让我们将这个用例与另一个用例进行比较，这个用例可能源自我们的人工智能机会筛选，即第五章中的 RFP Team Matcher。RFP Team Matcher 用例的要求如下：Expert Finder 旨在通过一个集成的 Outlook 插件快速组装合适的主题专家（SMEs），该插件建议在 RFP 输入中包含哪些人（CC）。从数据来源和利益相关者来看，很明显这个用例将涉及更多的人，并处理更多的敏感数据，因此我们肯定会将其排名为比 RFP Chatbot Analyzer 更不可行（更复杂）。

这是这个用例的事实表：

图 6.19：RFP Team Matcher 用例的完整用例事实表

为了比较，以下是我们的 RFP 聊天机器人分析器的完整用例事实表可能看起来如何：

图 6.20：RFP Chatbot Analyzer 用例的完整用例事实表

当你查看这些用例事实表时，十个维度——问题、数据、价值、解决方案、风险、利益相关者、资源、成功因素、类型和预期可行性——为你提供了一个鸟瞰图，让你可以轻松地浏览用例。这不仅对你自己或任何管理用例管道的人来说很有用，而且对于清晰地传达每个用例的大局观和背后的原因也很有帮助。格式是灵活的：当你需要快速解释时，它可以简化为仅包含解决方案维度；当需要更多细节时，可以扩展到包含如状态等额外字段。我个人喜欢将其用作每个用例的一页总结——一种我可以在任何需要放大并统一我们对实际目标看法的时候调用的东西，即使在实施阶段也是如此。

摘要

在本章中，我们探索了一种实用方法，这种方法有效地平衡了在 AI 路线图早期决策阶段进行彻底用例分析的需求与实际现实。专注于那些可以实现的项目，这些项目可以带来快速胜利并为你的 AI 倡议建立势头是至关重要的，尤其是在开始阶段。

通过应用用例事实表模板，你可以确保每个潜在的人工智能项目都得到了彻底的理解，从它解决的问题到它所需的资源，再到它创造的价值。确保从增强型用例开始，随着你获得经验和信心，再逐步过渡到高级自动驾驶和代理用例。

在下一章中，我们将专注于优先考虑分析过的用例并将它们整合到战略人工智能路线图中。这个路线图将指导你的 AI 之旅，确保每一步都是深思熟虑的，与你的商业目标一致，并定位在成功的位置。

|

现在解锁这本书的独家优惠

扫描此二维码或访问packtpub.com/unlock，然后按书名搜索。 | |

| 注意：在开始之前，请准备好您的购买发票。* |

| --- |

第七章：构建您的人工智能路线图

现在您已经创建了您的用例事实表或事实表——理想情况下，有很多个——下一步是将它们放入人工智能路线图中。或者更好：人工智能路线图。本章的标题可能暗示我们正在构建一个人工智能路线图，但事实上，大多数组织需要构建多个人工智能路线图。每个部门或业务单元都将拥有其独特的人工智能用例、策略和目标。这些各种路线图必须协同工作，形成一个与更广泛的企业目标相一致的战略，并确保长期成功。

在本书中我使用的人工智能路线图是一个相当战术性的元素。虽然您的整体人工智能采用方法（见第三章）告诉您您的组织应该如何应对人工智能时代，但人工智能路线图告诉您如何在较短的时间内使用人工智能实现一组特定的业务目标。虽然“较短的时间”没有确切的数字，但我发现规划六个月的时间间隔非常有帮助。六个月给您足够的时间来提前规划人工智能倡议，但它也足够短，可以适应整体人工智能领域的变革。

您的路线图基础是您在上章中学到的用例事实表。要将一系列用例事实表组织成一个连贯的路线图，我们必须做以下几件事：按共同因素组织事实表；优先排序事实表，以了解要解决的问题并识别事实表之间的联系，以了解哪些协同效应存在。

基于这些信息，您可以将您的用例放入一个项目计划中，该计划以结构化的方式执行，同时允许您保持灵活性，并在收集更多反馈、优先级转移或出现新机会时循环选择。

在本章中，我们将探讨如何在整个组织中构建多个人工智能路线图，这些路线图共同致力于一个更大的商业目标。虽然这里的重点是技术和战术

元素，记住，真正的成功也取决于培养一个人工智能准备就绪的文化，我们将在第十章中进一步讨论。

我们将涵盖以下主题：

• 组织人工智能用例

• 优先排序人工智能用例

• 连接点：在用例之间寻找协同效应

• 为最大影响排序用例

• 在整个组织中协调路线图

组织人工智能用例

有三种主要方式来组织您的用例，以实现分散的所有权同时允许战略决策：按部门、按产品团队或按业务目标。每种分组方法都根据您组织的结构和您的人工智能倡议重点提供独特的优势。

方法 A：按部门分组

您可以根据生成用例的部门或团队进行分组。这种方法通常按业务功能对用例进行分类，将人工智能项目与特定部门目标对齐。例如：

• 市场营销团队可能会专注于客户细分、个性化接触和活动优化，利用人工智能更好地理解客户行为并提高目标定位。

• 运营团队可能会优先考虑流程自动化、预测性维护或通过人工智能解决方案提高客户支持效率。

通过这种方式分组用例，确保每个部门对其人工智能机会有清晰的了解，并且这些机会直接与核心业务流程相联系。这种方法在机会主义人工智能采用和部门相对独立运作的组织中效果良好，在这些组织中，人工智能被视为提高特定部门效率和绩效的工具。

方法 B：按产品团队分组

如果您的组织以产品为中心，您可能会更喜欢根据人工智能如何支持每个产品来分组您的用例事实表，承认每个产品生命周期中的细微差别以及背后的客户旅程。

例如，如果您的组织运营多个电子商务渠道，如 B2B 和 B2C 商店，人工智能用例可以根据每种类型进行分组：

• B2C 商店：人工智能用例可能集中在个性化推荐、动态定价和人工智能驱动的营销自动化上，以增强客户体验并推动转化。

• B2B 商店：人工智能倡议可能包括批量订单预测、供应链优化和自动化的客户账户管理，解决 B2B 交易的较长的销售周期和运营效率需求。

这种方法在产品开发和客户体验是核心的行业中特别有效，例如电子商务、技术和消费品行业。

方法 C：按业务目标分组

另一种分组人工智能用例的方法是按其对更广泛业务目标的贡献，这种方法与分而治之的方法相得益彰。这种方法确保所有人工智能倡议都与公司的战略优先事项保持一致，例如增加收入、提高客户满意度或提高运营效率。

例如：

• 如果组织的首要目标是提高客户保留率，可以将来自多个部门的人工智能用例——如市场营销、客户服务和产品开发——归入这一目标。用例可能包括个性化营销推荐、人工智能驱动的客户支持聊天机器人和改进产品推荐引擎。

• 如果业务目标是降低运营成本，来自运营、物流和财务等部门的用例可能会分组在一起，包括简化订单交付、改进需求预测和供应链优化的人工智能项目。

这种分类确保了 AI 项目始终战略性地关注对业务最重要的方面，无论哪个部门负责执行。

在实践中，你可能会发现这些方法的组合效果最好。例如，以产品为中心的组织可能会按产品分组 AI 用例，但也会将某些倡议与更广泛的企业目标对齐，例如提高客户保留率或提高运营效率。最终，你可能会拥有这些不同因素的混合，这是完全可以接受的，因为这反映了你自己的组织的独特性。

构建用例待办事项

让我们通过部门来探讨构建路线图的一个实际例子。在前一章中，我们探讨了AI RFP 响应流程用例。在我们的销售部门，我们还确定了以下潜在的人工智能用例，这些用例可以添加到部门的待办事项中：

图 7.1：AI RFP 响应流程待办事项

此待办事项包括如下条目：

• RFP 聊天机器人分析器：由 AI 驱动的聊天机器人，能够快速且准确地回答与 RFP 相关的问题。

• 团队匹配器：基于技能和经验，AI 系统建议处理特定 RFP 的最佳内部团队。

• 时间预测器：根据历史数据和项目复杂性预测完成 RFP 所需的时间。

• 内容生成器：通过利用 AI 起草基于以往成功提案的章节，自动生成提案内容。

• RFP 分类器：AI 系统，用于对传入的 RFP 进行分类，并将它们路由到适当的部门或团队。

• 通话转录器：转录和分析与 RFP 相关的销售通话，帮助识别关键见解和行动点。

• 提案审查员：AI 工具，用于审查和提供对 RFP 草稿的反馈，确保合规性并提高质量。

• 内容提取器：从 RFP 文档中提取相关信息，以便更容易分析和更快地响应。

• 资源优化器：根据项目需求和可用性优化内部资源的分配。

• 领域化身：由 AI 驱动的化身，可以模拟内部领域专家，快速收集提交 RFP 所需的正确知识。

对于这些用例中的每一个，部门都创建了一个用例事实表。

RFP 聊天机器人分析器的用例事实表如图 7.2 所示：

图 7.2：用例事实表示例

当待办事项中填充了事实表时，组织更容易快速识别高优先级用例，在必要时重新分配资源，即使在某些项目遇到障碍时也能保持势头。用例事实表还确保了一致性，因为每个 AI 项目都可以使用同一套标准进行评估、比较和改进。

用例的积压不是一个一次性练习——它是一个活文档。随着新技术的出现和业务需求的发展，您的积压应该持续更新以反映这些变化。例如，由于人工智能技术的进步或数据可用性的变化，一年前不可行的用例现在可能已经触手可及。

这个持续审查过程还允许您根据需要重新优先排序用例。例如，如果一个部门通过一个低复杂度的用例（一个快速胜利）取得了成功，他们可以立即转向积压中已经存在的更高复杂度的项目。通过不断循环积压，您确保您的 AI 努力始终与当前的业务优先级和外部机会保持一致。

您的 AI用例积压（图 7.1）是您路线图过程的基础。它提供了一个结构化、全面的组织 AI 机会视图，确保每个业务目标背后的部门、产品团队或跨职能团队都清楚了解 AI 如何创造价值。积压展示了多个 AI 倡议的稳健示例，当它们被正确优先排序和定位时，可以成为一个组织良好的路线图。

这个部门现在可以通过按业务影响和可行性优先排序这些用例，并找到它们之间存在的协同效应来继续前进。

那正是我们接下来要做的！

优先排序 AI 用例

在您的用例收集到积压中后，下一步合乎逻辑的步骤是将它们按优先级排序。在深入研究用例之间的依赖关系或重叠之前，我们首先需要根据它们的业务影响和可行性来评估它们。这将帮助您专注于那些能带来最大价值且短期内最实用的用例。

在优先排序 AI 用例时，有两个关键维度需要考虑：业务影响和用例的可行性。

商业影响

这个维度评估一个用例可以为组织带来的潜在价值。在早期步骤中，您已经检查了一个用例是否通过了您的 10K 美元门槛，因此值得考虑。在这个阶段，重点转向两个问题：用例在门槛之上能带来多少价值，以及这种价值在实践中将如何衡量。您可以从用例事实表中的价值维度字段收集这个维度的见解。

图 7.3：评估项目商业价值的价值维度

请记住，在这个早期阶段，由于许多未知因素，量化影响可能很困难。您现在不需要一个完美的财务模型，但您确实需要一个关于价值创造的规模和可追溯性的可信感觉。

因此，与其使用像T 恤尺码这样的任意评分系统或模糊的分类，不如采取更直接的方法，将用例相互排序。这允许你在开始时优先考虑，而不会使事情过于复杂。

简单地将每个用例与其他用例进行面对面的比较，并问自己：哪一个更有可能在上面的 10,000 美元阈值以上产生可衡量的价值？你可以从以下四个价值杠杆的角度思考：

• 成本：这个用例能否让我们更有效地运营？

• 质量：这个用例能否让我们做得更好？

• 速度：这个用例能否让我们做得更快？

• 数量：这个用例能否让我们做更多？

一些用例可能只影响一个价值杠杆——而其他用例可能影响所有价值杠杆。然而，重要的是整体业务影响。如果一个用例仅仅通过允许你每月节省 50,000 美元的成本杠杆——这比一个可以更快、更便宜地做更多事情的用例更有价值，但整体影响可能仅为每月 20,000 美元。

对所有用例都这样做。当你逐个比较它们时，你将得到一个排序列表——从最高影响到底部——无需过多关注中间的确切数字或指标。

请记住，在实践中，你不需要将每个用例与其他每个用例进行比较。例如，如果我们知道用例 1比用例 2更有价值，那么如果用例 3比用例 2价值低，我们就不需要将用例 3与用例 1进行比较。

在我们的 RFP 示例（图 7.3）中，我们可能会发现领域化身比RFP 聊天机器人****分析器具有更高的预期业务影响。然而，当比较团队匹配器和领域化身时，团队匹配器在潜在业务价值方面可能排名更高。将RFP 聊天机器人****分析器与时间预测器进行比较可能会导致RFP 聊天机器人****分析器优先考虑。通过这种方法进行面对面的比较，你将得到一个基于业务影响的用例大致排序，这是一个向前推进的绝佳起点。

图 7.4：AI RFP 响应过程的用例排序

记住，这个排序只是一个粗略的启发式方法——使用它来快速建立优先级顺序，同时知道随着你进展和获得更多洞察，它可能会改变。

可行性

一旦你根据业务影响对用例进行了大致的排序，接下来要评估的维度是可行性。这个维度评估每个用例根据可用资源、数据、技术和组织准备情况实施的实际性——本质上，这是一个衡量价值实现速度和容易程度的指标。

在你的用例事实表中，你已经对可行性（参考第六章）进行了初步猜测。现在，根据第六章中的数据维度、风险维度、资源和利益相关者（图 6.20），对这次初步评估进行细化。

一些用例可能需要在数据收集、集成或基础设施方面进行大量投资，而其他用例可能使用现有的工具相对容易实现。

我使用一个系统，无论是否满足标准，都会给一个特定的用例分配复杂性分数：

| 检查？ | 问题 | 复杂性分数 |

| --- | --- | --- |

| [ ] | 这是否需要高度自动化？ | 2 |

| [ ] | 这是否需要高度集成？ | 2 |

| [ ] | 这项用例的数据是否不可用？ | 3 |

| [ ] | 我们是否需要为这个用例训练一个 AI 模型？ | 3 |

| [ ] | 我们是否缺乏必要的专业知识？ | 1 |

| [ ] | 这个用例是否在监管领域？ | 1 |

表 7.1：不同用例的复杂性分数

每当你勾选这些条目之一时，将复杂性分数加到你的总分中。

然后，你可以将这个用例大致匹配到以下类别之一：

• 0-2 分数：高可行性

• 3-4 分数：中可行性

• 5+ 分数：低可行性

随意调整这些问题和复杂性分数系统以适应你的组织。

在考虑这些信息的基础上，根据可行性进行面对面比较，就像你为业务影响所做的那样，但这次是在每个可行性类别（低/中/高）内进行，并且通过问自己每个项目可以多容易执行来审视。

当你进行可行性面对面比较时，你的用例将垂直展开，形成一个二维视图。第一个维度是影响，第二个维度是可行性。以下是如何在我们的当前示例中看起来：

图 7.5：比较用例 – 可行性与业务影响

例如，在评估可行性之后，你可能会意识到构建一个呼叫转录器（6）比实现更复杂的RFP 聊天机器人分析器（1）要容易。同样，RFP 聊天机器人分析器（1）可能比开发自动内容生成器（4）更容易，这可能需要大量的资源和高级能力。

考虑这两个维度，我们将探讨一个更结构化的方法来优先考虑你的用例。

创建用例优先级矩阵

如果你已经完成了这个练习，恭喜你，你刚刚创建了你的用例优先级矩阵（图 7.5）的第一稿。这个矩阵让你能够快速确定重点，并为决定优先考虑哪些用例提供了一种结构化的方法。

图 7.6：用例优先级矩阵

优先级矩阵是一个优秀的视觉工具，它提供了一种清晰、客观的方式来协调利益相关者，确定要追求哪些用例，并确保资源被引导到能带来最大商业价值的项目。它还有助于将用例分类为四种不同的类型：

• 倡导者：影响大、可行性高的项目。这些项目应优先考虑，因为它们提供了最直接的价值。

• 快速胜利：影响较小但可行性高的项目。这些项目可以快速实施以展示早期成功并建立势头。

• 研究案例：影响大但可行性较低的项目。这些是长期战略赌注，将需要更多资源和开发时间。

• 重新评估：影响较小、可行性较低的项目。这些项目应被降级，但可能会在情况改变后重新审视。

随着您的前进，这个优先级矩阵将至关重要，确保您的 AI 路线图专注于最有价值和最可行的用例，同时保持对需要长期承诺的更具雄心项目清晰的视野。它还将作为有效的利益相关者沟通工具，帮助每个人保持一致。

为了明确，您需要为每个部门、产品团队或业务目标中的每个用例待办事项运行此流程——具体取决于您如何分组它们。这就是为什么范围界定是关键。一个良好的平衡点是每个组大约有5-15个用例。这个范围为您提供了足够的迭代空间，同时防止您被过多的竞争优先事项所压倒。

最后，跟踪所有不同的路线图并确保整个组织的一致性是中央 AI 单位，如AI 负责人或AI 卓越中心（AI CoE）的任务。我们将在本章后面更深入地探讨这个话题。

目前，最后缺失的部分是确定不同的用例之间如何相关联，以及它们是否可以结合起来利用额外的协同效应。

连接点：在用例之间寻找协同效应

在实践中，许多AI 路线图流程在优先级矩阵后就停止了，团队直接跳入开发快速胜利用例或开始为更具雄心但可行性较低的项目建立资源。然而，他们忽略了一个关键步骤：连接点。

连接点意味着在不同的用例之间寻找重叠并识别协同效应。目标是利用一个用例的见解来惠及其他用例，跨项目转移学习（包括成功和失败）。它还使组织能够实现复利增长，即一个领域的进步导致其他领域的改进。

此过程可以发生：

• 在单个组内（无论按部门、产品团队还是业务目标分组）。

• 在所有路线图中的不同群体之间，确保整个组织内的对齐。

虽然像 AI 中心或 AI 负责人这样的中央单位将确保多个路线图之间的对齐，但不同群体中的业务领导者和部门负责人负责维护他们自己路线图内的对齐。AI 专家应协助此过程，但业务领导者也必须培养对不同用例之间关系的认识。这有助于他们根据需要调整方向，即时调整路线图，并做出更明智的决策。

让我们来看看一些常见的重叠。

常见的数据来源和技术重叠

连接点的一种最直接的方式是识别用例之间的共享数据来源和技术重叠。许多 AI 项目需要相同类型的数据或依赖于类似的技术基础设施。通过识别这些共享需求，您可以集中精力并减少冗余。

例如，在我们的 RFP 示例中，RFP 聊天机器人分析器和内容生成器都需要访问客户提交的原始 RFP 文件。这两个用例可能共享类似的数据管道，该管道处理这些文件并确保数据格式正确。简化这一数据管道同时有利于这两个用例。

如果从技术角度来看，RFP 聊天机器人分析器和领域化身都是与您的文档聊天的用例，由大型语言模型（LLMs）提供支持。这两个用例共享类似的技术堆栈，这意味着一个（例如，改进 LLM 交互）的进步或改进可以轻易地惠及另一个。

当数据或技术在用例中得到标准化时，好处会成倍增加。增强数据质量或 AI 技术堆栈的改进可以同时提升多个项目。

部门或团队之间的类似流程

由流程驱动的协同效应通常在群体内部出现，但也可以在部门之间出现。不同的团队可能正在解决类似的问题，即使表面上的具体用例看起来不同。

例如，虽然销售部门正在构建 RFP 聊天机器人来自动化对客户投标的响应，但内部采购部门可能从相反的角度面临类似的挑战——比较收到的报价和已发送的 RFP。这两个部门都处理文档比较，并可能从共享的 AI 平台上受益，该平台简化了文档处理。

识别这些流程重叠确保了类似的 AI 工具可以在部门间利用，减少重复并提高整体效率。

共享的产品功能或客户接触点

一些用例可能针对类似的产品功能或客户互动。认识到这些联系确保了一个用例的改进可以直接增强客户旅程或产品体验的其他部分。

考虑一个电子商务环境，其中不同的用例，如个性化推荐或购物车放弃恢复，可能会影响在线商店的结账流程。简化这些功能背后的底层技术确保客户旅程的多个部分都能从 AI 驱动的改进中受益。

在产品导向的用例之间连接点，可以提供更一致的用户体验，并有助于在整个组织中最大化 AI 的价值。

在你连接这些点时，你确保你的 AI 路线图不仅仅是一系列孤立的项目，而是一个紧密集成的计划，共同推动更大的商业价值。

但在实际操作中，你如何找到并协调这些重叠点呢？你可以使用一个实用的框架——3S 框架。让我们看看你如何使用它。

3S 框架：Spot（发现）、Size（评估）、Seize（抓住）

从发现重叠点开始，这涉及到扫描你的 AI 用例中任何共享的数据源、技术、工作流程或客户接触点。创建一个重叠点的简短列表，这些重叠点位于你的待办事项中。

小贴士：使用思维导图聚类用例重叠点！

接下来，评估重叠点以决定哪些共同点真正重要。并非每个共享元素都值得统一——一些可能只提供有限的好处或需要过多的额外努力。对每个重叠点的潜在商业价值、可行性和成本节约进行快速评估，使你能够专注于将产生最大影响的集成。

最后，抓住重叠点并将这些洞察转化为具体行动。一旦你知道了可以巩固努力和投资的地方，就是时候将这些项目统一到一个共享的架构或平台下，以及一个避免重复工作、允许更平滑的未来集成并加快扩展路径的时间表。

为了说明应用此框架和连接点的实际效果，让我们回顾一下我们之前优先考虑的 RFP 流程。

回顾 RFP 响应流程示例

我们应该连接哪些点——我们如何找到它们？让我们运行 3S 框架：

1. 发现重叠点：在 AI 项目中寻找共享需求：

   • 数据：多个用例是否依赖于相同的数据集或来源？

   • 技术：不同的 AI 用例需要类似模型、API 或基础设施吗？

   • 流程：不同的用例本质上是否试图以不同的方式解决相同类型的问题？

   • 接触点：哪些新的 AI 功能会影响相同的客户/用户旅程？

在我们的 RFP 场景中，例如，聊天机器人分析器、内容生成器和领域化身都依赖于相同的 RFP 文档数据库和基于 LLM 的文本生成。

1. 评估重叠点：不是每个点（连接）对我们来说都相关。因此，让我们简要评估哪些重叠点真正值得追求，方法是询问：

   • 更高的商业影响：合并努力是否会创造显著更好的结果？

   • 更好的可行性：合并是否会使得执行更容易而不是更难？

   • 节省成本潜力：我们将减少重复的 AI 工作并节省资源吗？

示例：由于RFP 聊天机器人分析器、领域化身和内容生成器都具有很高的商业价值，因此将它们捆绑在一起以降低成本并构建技术能力，以便在实施过程中解锁最复杂的用例（领域化身）是有意义的。

1. 抓住重叠部分：既然我们知道哪些协同效应存在，以及实现它们是否有意义，我们将根据实施计划定义相应的护栏。

在我们的例子中，我们不是独立开发单独的 AI 工具，而是将RFP 聊天机器人分析器、领域化身和内容生成器合并成一个名为智能 RFP AI 套件的单个项目。虽然每个用例仍然独立存在（并且单独实施），但我们确保基础设施、AI 模型和战略决策是整体规划的，消除重复的开发努力和基础设施成本。

具体来说，我们不是购买现成的“与您的数据聊天”工具，这种工具只能解决即时的聊天机器人用例，而是选择一个灵活的 AI 平台：

• 满足聊天机器人的即时需求，实现快速部署。

• 提供内置支持（或易于扩展）以支持额外的 AI 用例，例如内容生成和领域专业知识模拟。

• 通过允许无缝的模型更新和与未来 AI 计划的集成，确保长期的可扩展性。

图 7.7 展示了如何连接和排序 RFP 聊天机器人分析项目的用例。

图 7.7：RFP 响应过程的连接点

这种方法减少了技术碎片化，避免了供应商锁定，并通过确保每个 AI 投资在一段时间内服务于多个用例来最大化投资回报率。它还有助于优化资源，并放大部门内 AI 实施的商业价值。

在对 AI 用例进行分组、优先排序和连接点之后，最后一步是确定实施的最佳顺序。我们将在下一节中更详细地讨论这个问题。

为最大影响排序用例

对用例进行排序确保您的路线图中的 AI 计划按正确的顺序解决，平衡快速胜利、战略赌注和用例之间的依赖关系。

一个经过深思熟虑的顺序可以让您的组织：

• 通过跨相关项目重用能力和基础设施来最大化资源效率。

• 在为更复杂的项目奠定基础的同时，实现短期胜利。

• 通过早期解决基础问题（例如，数据准备）来降低风险，使更大的项目在未来更具可行性。

在决定实施用例的顺序时，应考虑以下因素：

• 用例之间的依赖关系：某些用例将自然依赖于其他用例。您需要确定哪些用例必须首先完成，以释放后续项目的价值。

  例如，在我们的 RFP 示例中，RFP 聊天机器人 分析器可能需要一个成熟的文档处理流程。如果该部门还有一个使用相同文档输入的内容生成器，那么按顺序实施两者是有意义的，这样为聊天机器人创建的文档流程也可以为生成器提供动力。在这种情况下，聊天机器人可能需要优先考虑，因为它有助于建立其他基础设施。

  通过对具有共享依赖关系的用例进行排序，您确保了更平稳的实施和更有效率的资源利用。

• 快速胜利 与 战略赌注：您还应该平衡快速胜利和更具雄心、长期的项目。快速胜利展示了即时的价值，有助于建立势头和利益相关者的支持。另一方面，战略赌注是更复杂的倡议，需要更长的时间来实现，但提供更大的回报。

  在RFP 聊天机器人 分析器是一个可行的快速胜利，可以在几个月内实施的情况下，应优先考虑。另一方面，领域化身可能是一个更雄心勃勃的项目，需要先进的 AI 能力和更长的时间框架。虽然两者都很重要，但首先解决快速胜利可以帮助建立组织支持并产生早期价值，同时为更复杂的项目奠定基础。

  通过战略性地安排这两种类型的项目，您可以保持势头，在整个路线图中持续交付价值。

• 数据和基础设施准备：在实施某些 AI 用例之前，组织需要确保必要的数据和基础设施已经到位。如果需要进行基础工作，例如清理数据、集成系统或改进数据治理，则应优先考虑这些任务，以释放未来的 AI 能力。

  让我们考虑一个案例，您的路线图中包括一个依赖过去提案高质量、结构化数据的 AI 驱动的提案审查员。第一步可能涉及数据管道和确保历史数据已清理并可供使用。一旦数据准备就绪，提案审查员就可以更容易地开发。

  早期解决数据准备问题可以确保后续项目不会因为基础问题而延迟。

• 雄心勃勃项目的分阶段方法：对于大型、复杂的 AI 项目（我们之前称之为战略赌注），将其分解为更小、更易于管理的阶段通常很有帮助。这种分阶段方法允许您逐步取得进展，同时最大限度地降低风险。

  对于像 领域化身 这样雄心勃勃的项目，您可能从实现一个处理基本查询的简单版本开始，然后逐渐扩展其功能以处理更复杂的任务。这种渐进式方法允许持续学习和改进，同时确保团队不会因为一开始就面临一个庞大而复杂的项目而感到不堪重负。

让我们回到我们的 RFP 示例，看看序列化在实际中是如何发挥作用的。

序列化 RFP 用例

在连接了 RFP 聊天机器人分析器、领域化身 和 内容生成器 之间的点之后，团队确定了以下顺序：

1. RFP 聊天机器人分析器：这个用例是一个可行的快速胜利，可以展示即时的价值。它还建立了其他用例所依赖的必要文档处理管道。

2. 内容生成器：一旦文档处理管道就绪，内容生成器可以利用这个基础设施来自动化 RFP 创建过程中的部分环节。

3. 领域化身：这是一个更雄心勃勃的用例，需要更多的时间来开发。通过在聊天机器人和内容生成器之后进行序列化，团队确保了关键基础设施已经到位，从而降低了实施风险。

图 7.8 展示了基于两个优先维度——业务影响和可行性——的序列化。

图 7.8：RFP 响应流程的序列化用例

通过序列化快速胜利和战略赌注，您的组织可以在构建基础设施和为更复杂的项目做好准备的同时，产生即时影响。将雄心勃勃的用例分阶段实施，允许持续学习，并防止路线图被大型、缓慢移动的倡议拖累。有了良好的序列化路线图，您的团队将能够通过 AI 交付即时的结果和长期转型。

接下来，让我们总结一下，了解我们如何同步跨部门、流程和优先级的 AI 路线图，以在组织中获得最大的影响。

在组织内对齐路线图

对齐多个部门或产品特定的路线图确保每个 AI 初始化项目都对公司的主要目标做出贡献，同时解决其范围内的具体挑战。

AI 路线图的去中心化所有权

成功 AI 路线图的一个关键要素是所有权。虽然 AI CoE 或中央 AI 团队在协调和战略对齐中扮演着至关重要的角色，但构建和执行 AI 路线图的责任应该是去中心化的，并由个别业务领导者或部门负责人拥有。

每个业务单元或部门都需要对其人工智能倡议负责，确保用例与其特定的目标、流程和挑战直接对齐。这种去中心化的所有权模式允许每个团队以自己的节奏前进，并对其独特的流程进行定制化的人工智能解决方案的实验。业务领导者必须具备开发其人工智能路线图所需的工具和支持。这意味着要了解人工智能如何融入其运营目标，并就哪些用例应优先考虑做出明智的决定。通过将人工智能路线图的所有权交给部门，可以培养责任感——同时也允许技术部门如 IT 部门，以及来自 AI CoE 的人工智能专家最有效地介入并提供帮助。

人工智能核心团队（AI CoE）的作用：推动协同和协调

虽然每个部门拥有自己的路线图，但人工智能核心团队（如果可用）确保这些路线图在整个组织内协调一致，使部门能够协作并利用共享的人工智能基础设施和学习成果。这种去中心化所有权和集中式协调之间的平衡确保了人工智能倡议既符合每个业务单元的需求，又与整体人工智能战略保持一致。

人工智能核心团队（AI CoE）作为协调组织内所有人工智能努力的中心枢纽。虽然各个部门拥有并管理自己的路线图，但人工智能核心团队确保：

• 最佳实践和学习成果在部门之间共享，以避免重复劳动。

• 数据和基础设施得到统一，使不同部门能够从共享资源中受益，例如数据管道、人工智能模型和云服务。

• 人工智能项目与更广泛的企业目标保持一致，确保每个倡议都对公司的整体目标做出贡献。

通过建立一个协调的结构，人工智能核心团队确保人工智能的采用不会在孤岛中发生，而是通过协作和共享见解使整个组织受益。去中心化所有权使团队能够以自己的节奏前进，并实施针对其独特挑战和目标的解决方案。然而，战略对齐确保了，尽管部门拥有自主权，但他们的努力仍然有助于公司的更大目标。

这种平衡确保了每个部门能够解决其即时需求，同时保持与组织长期目标的对齐。

人工智能成功的 KPI

最后，为了确保路线图能够推动预期的成果，人工智能核心团队和部门负责人必须建立关键绩效指标（KPIs），这些指标反映了个人部门目标和更广泛的企业目标。这些 KPIs 为人工智能的成功提供了明确的衡量标准，并有助于保持路线图与整体公司战略之间的对齐。示例 KPI 可能包括成本降低、提高客户保留率或增加收入等指标，具体取决于正在实施的具体人工智能用例的目标。

在实践中，使用高级 KPI 跟踪人工智能项目成功往往过于简单，因为人工智能的影响经常跨越多个复杂的维度。然而，没有可衡量的标准也是不可行的，因为你将无法了解项目是否提供了有形的价值。

一个更现实、更可行的做法是为每个人工智能用例定义两个简单的门槛：

• 价值门槛：这是在每个定义的周期内（通常是每年）期望的最小业务价值或影响。它反映了具体的运营效益，例如节省时间、增量收入、提高客户保留率或降低成本。

• 成本上限：对于人工智能项目，包括所有因素（软件许可、基础设施、维护、数据标注和内部资源分配）的年度成本或成本分担的明确上限。

通过明确设置这两个门槛，你创建了一个直观的基准：只要你的价值门槛超过成本上限，你的人工智能用例就被认为是净正的、合理的，并且提供了有意义的价值。它是盈利的。

让我们通过我们的 RFP 聊天机器人分析器示例具体说明这种方法。

假设你聊天机器人的主要好处是节省销售代表的宝贵工作时间。你决定将你的价值门槛设定如下：

• 价值门槛：每个销售人员每周至少节省 1 小时。

如果有 10 名销售人员使用聊天机器人，这会迅速增加：

• 每周节省 10 小时 × 每年 52 周 = 每年 520 小时

• 每小时价值约为60 美元，这意味着每年对企业的影响约为 31,200 美元。

• 成本上限：那么，假设你开发、部署和维护这个 RFP 聊天机器人的年度总成本上限是 10,000. 由于你的年度价值（约 31K）显著超过你的年度成本（10K），你的聊天机器人实际上在四个月内就能实现回报。作为一个经验法则，对于中等到高可行性的用例，优先考虑 12 个月内能收回成本的项目。

将这些简化但有效的门槛纳入你的人工智能路线图评估中，确保你对人工智能项目的价值和可行性有清晰的了解。这种方法还减少了过度简单或过于复杂的指标带来的复杂性和不切实际性。它还支持明智的决策、战略调整和有效的资源分配——这些是推动大规模人工智能成功的关键因素。

随着人工智能在整个组织中的扩展，将人工智能路线图视为活着的、不断发展的文件变得至关重要——根据实际性能洞察、技术进步和不断变化的企业优先级，定期完善价值门槛和成本上限。

人工智能路线图的迭代性质：学习和调整

人工智能路线图不是静态的文档，而是需要根据新信息、新兴技术和不断变化的企业优先级持续更新和迭代的活计划。

与可能具有固定时间和目标的传统项目路线图不同，人工智能路线图必须具有适应性，因为人工智能领域发展迅速。技术突破，如新的机器学习模型或更高效的数据处理技术，可能会开辟在路线图最初创建时不存在的机会。同样，企业优先级可能会根据市场趋势、客户需求或竞争压力而改变。

• 其中一些变化可能是外部的。如果发布了一个新的、高度智能的人工智能模型，极大地改善了语言处理能力，那么一个正在开发内部文档分析人工智能系统的公司可能会决定从其原始解决方案转向采用这个新模型，从而提高性能并减少开发时间。

• 基于不断发展的商业和战略目标进行的内部变化也可能影响人工智能路线图。例如，一家公司可能专注于人工智能驱动的客户支持聊天机器人。然而，如果早期的试验表明聊天机器人难以理解客户查询，该组织可能会转向基于文本的推荐引擎，同时他们致力于完善聊天机器人的功能。

人工智能路线图需要具有动态性，以便允许这些转变——适应内部学习和外部技术进步。

因此，对您的 AI 路线图保持灵活性是至关重要的。我们将在下一节中进一步讨论。

以敏捷方式处理人工智能项目

维护灵活路线图的关键是采用敏捷方法进行人工智能开发。在敏捷项目管理中，工作以小型的、迭代的周期（冲刺）进行，使团队能够持续测试、学习和适应。这一原则在人工智能领域特别有效，因为在人工智能过程中，试错往往是其中的一部分。

小型且快速的迭代使人工智能项目能够分解成更小、更易于管理的阶段，使团队能够更快地取得进展，同时降低风险。通过开发小增量，如概念验证或原型，团队能够快速测试人工智能用例并在早期收集反馈。您将在第九章中了解更多关于此内容。

例如：而不是一次性构建一个复杂的基于人工智能的客户语音机器人，一家公司可以从推出一个用于内部使用的基于文本的聊天机器人开始。通过随着时间的推移收集见解并改进聊天机器人的性能，公司可以进一步转向更复杂的迭代，例如面向外部客户的机器人或语音界面。

摘要

在本章中，我们探讨了人工智能路线图如何提供构建和适应所需的结构和灵活性，以指导盈利的人工智能采用，从构建全面的用例清单到适应内部和外部变化。如果做得正确，人工智能路线图将不仅仅是一个规划工具——它们将成为盈利转型的引擎。为了实现这一点，它们必须被拥有、对齐，并针对明确的价值阈值和成本上限进行衡量。

然而，即使是设计得最好的路线图，也只有在有效的执行下才能成功。关键因素是赋予组织内各团队权力。每个部门都必须对其解决特定挑战和目标的人工智能倡议负责。拥有自己路线图的部门更有可能进行创新和适应，而人工智能核心团队（AI CoE）则确保与公司的整体战略保持一致，防止孤岛效应，并优化资源。赋予团队权力不仅超越了工具和数据。它需要培养跨职能沟通的环境、持续技能发展以及定期的路线图审查，以确保每个部门都能迅速应对成功和挑战。当团队建立了正确的支持结构时，他们可以快速而自信地行动，知道他们正在为短期胜利和长期商业目标做出贡献。

在我们的路线图就位后，我们现在处于一个很好的位置开始构建我们的用例。这就是下一章我们将要讨论的内容！

|

现在解锁这本书的独家优惠

扫描此二维码或访问packtpub.com/unlock，然后通过书名搜索此书。 | |

| 注意：在开始之前，请准备好您的购买发票。* |

| --- |

请保持关注

为了跟上生成式人工智能和大型语言模型领域的最新发展，请订阅我们的每周通讯，AI_Distilled，在packt.link/8Oz6Y。

第三部分

扬帆起航

在定义好课程之后，是时候离开港口扬帆起航了。本书的最后一部分将带你从规划过渡到行动。你将学习如何构建有效的原型，将它们扩展到生产就绪的系统，并利用不断增长的 AI 工具生态系统来加速你的旅程。在这个过程中，我们将讨论需要避免的陷阱、可持续扩展的策略，以及如何为你的团队配备正确的能力。到结束时，你将准备好以能够带来持久商业价值的方式实施 AI。

本部分包括以下章节：

• 第八章，成功原型设计

• 第九章，扩展 AI 驱动系统和工作流程

• 第十章，利用你的 AI 工具包

第八章：为成功进行原型设计

在上一章中，我们通过识别具有高影响力和可行性的用例，并将它们与更广泛的企业目标对齐，构建了我们的 AI 路线图。但仅仅拥有路线图并不能自动带来结果，尤其是在人工智能领域，不确定性和快速的技术变革可能会使规划变得复杂。

下一步是从规划阶段过渡到原型设计阶段。原型设计验证您的用例是否能够真正实现您所期望的价值。在本章中，我们将探讨原型设计的核心要素：决定您是想购买还是自制人工智能解决方案，在整个原型设计阶段有效地管理人工智能项目，以及评估原型以确保它们能够成功。

在本章中，我们将探讨以下主题：

• 自制与购买决策

• 管理人工智能项目

• 评估和迭代您的原型

• 开发您的原型

自制与购买决策

当您从想法过渡到原型时，首先出现的一个问题是：我们应该在内部构建所有内容，还是购买现成的（或部分现成的）解决方案？ 自制-

自制与购买问题很少是直接的，您的选择可能会在您的人工智能旅程的不同阶段发生变化。最好将其视为一个二元决策，而不是一个选项的连续体。

有选择要做：您是想在内部构建完整的解决方案，还是外包给外部供应商。让我们首先概述一下这些选项。

• 完全自制：您将所有工作都在内部完成，包括数据管道、模型开发、前端集成和持续维护。这个选项提供了最大的控制权，但也需要显著的技术专长、时间和资源。

• 混合模式：您可能使用预构建的机器学习平台或大型语言模型，但在内部开发特定的应用程序逻辑、集成和定制数据管道。这种方法可以在速度和灵活性之间取得平衡。

• 完全购买：在这种情况下，您购买或订阅现有的 AI 解决方案。供应商处理技术上的重活，您的内部团队专注于部署、变革管理和用户采用。如果供应商的解决方案符合您的需求，这可以加速价值实现的时间。

图 8.1：自制与购买决策的连续体

选择完全自制、完全购买或混合模式的决定取决于四个关键因素：

• 用例阶段：您可能需要根据您的想法所处的阶段重新审视这个决定。

  • 探索：在您的第一个原型或概念验证阶段，购买或许可现有解决方案通常更快、更便宜——尤其是如果您仍然处于学习模式。您希望快速测试、快速失败和迭代。

  • 交付：如果你的原型证明具有高战略价值，你可能会后来决定逐步内部化更多的解决方案，或者从头开始构建一个深度定制以满足你需求的全新版本。

• 战略价值：不同的产品带来不同的商业价值。例如，一些产品可能有助于提高生产力，而一些可能是宏伟的想法。因此，这个决策将由短期和长期业务目标驱动。

  • 核心差异化：如果你的整个商业战略的成功依赖于某个特定的 AI 用例——比如特斯拉这样的公司的自动驾驶——那么在内部投资构建这些能力通常是有意义的。

  • 非核心但有用：对于低影响或常规的 AI 任务（例如，生成基本的营销洞察），通常采用现有的工具比重新发明轮子更经济有效。

• 外部解决方案性能：对于许多用例，市场上可能已经存在现成的解决方案。如果引入供应商是一个可行的选项，你应该主要关注使用涵盖关键维度（如功能性和性能、集成和技术兼容性、成本和商业、供应商信任和稳定性以及提供的支持和服务）的供应商评分卡来评估可用的解决方案。考虑以下：

  • 足够好与完美：没有供应商的解决方案能够完美地满足你的需求。但有时，在性能维度上达到 70%–80%的准确度，仍然可能比之前的 60%要好。如果一个现成的产品能够达到这个“足够好”的门槛，你可能会选择购买它。

  • 特殊需求：如果你有超具体的需求、独特的数据或监管约束，你可能会发现供应商的解决方案不足——这可能会推动你更接近“制造”或“混合”方法。

• 内部资源：谁将真正负责构建和维护 AI 解决方案？这些不是一劳永逸的，但随着时间的推移需要持续的监控和发展——即使只是管理供应商许可证的人。你是否有可用的内部资源是一个关键决策标准。

  • 数据、基础设施和人才：即使一个用例很有价值，你可能也没有内部技能集或计算能力来构建和维护定制的 AI 解决方案。在这种情况下，购买或合作可以帮助你快速前进。

  • 随着时间的推移而变化：随着你的内部AI 卓越中心（AI CoE）的发展或成熟，你可能会将更多的 AI 生命周期内部化。今天你购买的，如果战略重要性增加——或者如果你内部的专长足够强大，你可能会决定以后自己构建。

下面的流程图有助于可视化“制造”或“购买”决策：

图 8.2：制造与购买流程图

在我们深入具体例子之前，先强调一下推动组织采取制造、购买或混合方法的一些典型情况是有用的。原型设计并非万能，正确的路径通常取决于你的组织环境：

• 购买：较小的组织或刚开始 AI 之旅的团队通常从购买现成解决方案中受益。例如，一家中型零售商可能会快速试点一个预构建的情感分析工具，以了解客户评价，而不需要雇佣数据科学家。这里的目的是速度、学习和最小化前期投资。

• 制造：拥有深厚技术专长的较大组织可能会将原型设计视为研发投资。一家全球汽车制造商或大型保险公司可能会为潜在的 AI 应用案例建立内部原型，这些案例最终可能对业务产生战略性的影响。即使早期版本粗糙，长期战略重要性使得内部拥有变得至关重要。

• 混合：大多数公司实际上处于中间地带。他们对于通用 AI 基础设施等事物高度依赖现成的解决方案，但最后一英里则是在内部构建。这可能包括集成层、用户体验或 AI 解决方案的监控框架。最终，这最后一英里是使他们的 AI 解决方案具有竞争力的关键。例如，一家媒体公司可能会从供应商那里获得大型语言模型许可，但会在其上构建自己的应用层，以帮助编辑写出更好的标题和文章摘要，同时不干扰编辑的工作流程并遵守公司的风格指南。这平衡了速度、定制和控制。

这些场景说明，原型设计不仅仅是关于测试可行性——它还涉及到在战略层面做出选择，即你希望你的用例落在何处——它是否应该设计为一个短期 ROI 倡议，需要迅速收回成本，或者是一个长期战略赌注（具有更多研发特征）。考虑到这个背景，让我们看看这个决策框架如何在实际中发挥作用。

一个实际例子

让我们回顾一下上一章中的 AI 路线图。假设你已经将 RFP 聊天机器人分析器作为优先事项，它将根据 RFP 文档为用户提供响应。接下来的问题是：你是构建还是购买？在这个阶段，你通常处于探索模式——我们将在下一章中更详细地探讨这个概念。简而言之，价值尚未得到验证。你确信这个用例可以增加价值，但你没有数据来证明这一点。因此，目前的目标是速度和学习：验证这个想法是否可行，而不需要投入大量资源。

我们已经将这个用例的范围界定在每年 10,000 美元的门槛上（第五章），这立即将其归类为战术性收益而非战略性收益——这正是我们将要从中进行原型设计的视角，同时确保对投资回报率（ROI）有明确的严谨性。

预期的每年 10K 美元的门槛基本上排除了任何内部招聘资源的手段。这就是为什么我们的首要行动项是迅速调查现有的 与你的文档聊天 供应商。一个供应商可能提供 14 天的免费试用。团队注册并使用有限的 RFP PDFs 来快速测试这个概念。或者，你选择一个你已经在内部使用的解决方案，比如 Microsoft Copilot，并测试系统是否能够足够准确地回答基本查询，从而变得有用。几周内，你就会知道这种方法是否显示出希望，它在哪些方面有困难（例如，合规性强的文档或 PDFs 中的图形），以及你的销售团队是否看到了真正的生产力提升。

快进：如果原型显示出影响，你准备切换到交付模式（更多内容请见 第九章），你将重新评估情况。如果你仍在寻找战术影响，你的交付方式可能意味着转向混合方法，通过定制添加（如定制数据集成层）来扩展现有供应商的能力。或者，你可以选择完全制造的方法，开发一个内部解决方案，以更好地控制数据安全和长期所有权，基本上是从头开始重建供应商之前提供的某些组件。后者在响应 RFPs 是核心业务活动时是有意义的。但如果 RFPs 只是众多销售流程之一，混合方法通常是更好的选择。如果供应商解决方案继续以可接受的成本和性能水平满足你的需求，你甚至可以保持纯购买策略以快速获得 ROI。

这个例子展示了同一个用例可以根据你的策略以及你是否仍在探索或已经扩展而采取不同的路径。我们将更深入地探讨这些概念——以及如何在 第九章 中无缝地过渡到各个阶段。

目前，让我们认识到，对于许多人工智能应用案例，尤其是在早期原型设计阶段，购买通常是 simplest 的途径，尤其是如果你的重点是生成 ROI 而不是进行大量的研发投资。稍后，对于真正区分你业务的少数关键用例，你可能会投资于构建。这种对 制造与购买 问题的动态方法将确保你将资源集中在回报最高的地方。作为一个经验法则：默认购买以快速验证 ROI；只有当用例证明对你的战略至关重要时，才转向制造。

由于你需要灵活适应动态的景观和发展，同时确保你不会在人工智能项目上陷入困境，反复无常，因此人工智能项目往往会变得难以控制。我们将在下一节讨论如何有效地管理人工智能项目。

管理人工智能项目

原型设计很少是一帆风顺的线性旅程。从概念验证到试点，你将遇到独特的挑战——不稳定的进度表、复杂的数据需求、不断变化的需求，以及性能的不确定性。

在传统的 IT 中，严格的项目计划可以很好地工作（有时）。但 AI 项目伴随着更高的不确定性。如果你的模型准确率达到 70%时，纯瀑布方法可能会阻碍适应性，或者新的数据发现需要转型。另一方面，没有业务对齐的纯敏捷方法可能导致永远无法进入生产的原型炼狱。

首先最重要的是平衡结构和灵活性。为此，你可以遵循以下步骤：

1. 明确范围，然后拥抱迭代：将你的 AI 项目分解成小而可管理的增量。确保问题陈述清晰明了：我们究竟想改进什么，以及为了谁？而不是一开始就计划好每一个细节，分配时间进行重复的实验周期（冲刺）。在每个周期结束后，回顾你的结果并做出调整。

2. 组建一个混合团队：AI 原型从数据工程师、数据科学家、领域专家、业务领导者和用户体验专家的混合中受益。回想一下第六章，框架如负责、问责、咨询、知情（RACI）可以帮助定义责任。如果你还有一个 AI CoE，他们可以与部门团队协调。如果你的内部能力不足，不要犹豫，引入自由职业者或咨询公司——尤其是在早期原型阶段。

3. 在两个时间范围内规划-短期和中期：保持每周或两周一次的冲刺，用于构建原型、分析数据和改进方法。专注于快速测试大的假设。在许多情况下，一个灵活的项目时间表，包括在 6 到 12 周后进行试点测试，效果相当好（作为一个经验法则）。如果试点成功，准备下一步行动（如果失败，制定退出计划）。

当你定义范围和规划项目时，你还需要警惕在实施 AI 项目时发生的常见错误。

常见的 AI 项目陷阱及其解决方法

在开始构建你的 AI 解决方案时，以下是最常见的陷阱，你应该避免：

• 80%谬误：许多 AI 项目一开始势头强劲，早期原型迅速达到相当不错的性能，给利益相关者留下了深刻印象，给人一种项目已经完成了 80%的感觉。这往往引发兴奋，给人一种项目几乎完成的感觉。然而，这种信念是误导性的。例如，达到 80%的准确率可能相对容易，但将性能提升到 95%往往要困难得多，耗时更长。实际上，这个最后的冲刺可能需要占总努力量的 80%，尽管它只占总性能范围的 15%。

以一个简单的例子来说明：如果你的目标是构建一个预测异常的 AI 模型，你可以简单地通过构建一个主要预测无异常的模型来达到高精度，这个模型将会有 99%的准确率，因为 99%的所有观察结果都不会是异常。然而，这个模型将毫无用处。虽然在这种情况下理解 80%的谬误很容易，但更复杂的 AI 解决方案也会陷入同样的原则。对于复杂的 AI 解决方案来说，模型做出一些简单的猜测很容易，但匹配细微差别却非常困难。

图 8.3：80%谬误可视化

很频繁地，从原型到可交付产品的性能提升既缓慢又复杂，因为它们需要严格的实验、处理无数边缘情况，以及微调以达到适用于现实生活输入的模型，而且收益并不保证。

为了解决这个问题，团队需要采取一种将早期成功视为起点的心态。真正的挑战和真正的价值在于填补性能上的最后差距。相应地规划和分配资源。

• 忽视用户体验：AI 团队深入构建技术复杂的模型，以至于他们失去了关注实际使用这些模型的人。结果？一个聪明但没有人理解、想要或知道如何使用的系统。你可能会得到一些在纸上看起来很令人印象深刻的东西，但无法产生任何实际影响。

这种情况的一个典型迹象是，一个模型在技术上准确，但与日常工作流程完全脱节。也许它提供了见解，但这些见解被隐藏在一个令人困惑的界面中。或者，也许它建议采取行动，但在没有人能够采取行动的时候。如果用户无法信任它或看不到它如何帮助他们，他们可能会完全避免使用它。

为了避免这种情况，从第一天开始就涉及最终用户至关重要。例如，如果你正在为销售团队构建一个 AI 工具，那么可以尽早向他们展示线框图或粗糙的演示。询问他们如何使用它，它在他们的日常工作中如何定位，以及什么会使它真正有用。准备好根据实际反馈调整界面、时间安排，甚至模型的行为了。将其视为与用户一起构建，而不是为用户而构建。拥抱增强 AI 系统的概念，这些系统能够支持人类决策，而不是试图完全取代它。

• 成本和时间的螺旋上升：最初是一个快速的两个月原型，往往变成六个月的漫长故事，耗尽预算，使团队疲惫不堪，并在整个团队中造成挫败感。这是 AI 项目中最常见的陷阱之一：低估了事情需要多长时间，以及未能认识到何时应该止损。

AI 项目本质上都是探索性的。你经常与混乱的数据、不确定的价值和不断变化的需求打交道。这就是为什么在项目中建立决策点或清晰的检查点至关重要，以评估项目是否仍然可行。模型是否达到了基线性能水平？它是否运行得足够快，足以有用？是否有明确的回报投资路径？如果对任何这些问题的回答是尚未，那是可以的-但仅限于某个程度。关于设定限制要有纪律性。如果一个用例在定义的时间或预算窗口内没有证明自己，那么暂停、转型或完全关闭它可能更明智。这样可以为那些正在工作的想法加倍投入资源，并向利益相关者表明，你的团队做出的是战略性的、数据驱动的决策，而不仅仅是沉没成本的承诺。

现在你已经准备好设置你的 AI 项目，我将分享一些启动的技巧。

项目设置的实际技巧

在过去十年中，无论是从内部还是 AI 咨询项目中构建机器学习和 AI 项目，我都积累了一些可以帮助你设置 AI 项目的策略。显然，具体细节可能需要根据你组织的规模和雄心水平进行调整，但在高层次上，它们将为你提供一些指导原则。

• 寻找原子 AI 用例：保持原型范围小-可以在短时间内测试的内容（例如，在四周内）。这确保了项目团队能够快速收集真实反馈，并迭代或继续前进。

图 8.4：原子 AI 用例

这里创建原子 AI 用例的想法是，除了影响和可行性（我们之前讨论过的维度，见第六章）之外，我们现在还关注第三个维度：测试或原型化解决方案有多容易。如果解决方案不能轻松原型化，那将是一个巨大的障碍。

我喜欢遵循 20-20 规则。原型应在 20 天内完成，成本不超过预期年度价值阈值的 20%。例如，如果你的阈值是每季度 10K 美元（即每年 40K 美元），那么 20%等于 8K 美元。如果一个原型需要更多的时间或预算，通常是一个迹象表明范围太大或商业案例太弱。当然，调整这些数字以适应你组织的规模和风险偏好，但始终将它们保持在较低端。

• 采用混合项目管理风格：在路线图阶段，你使用了一些瀑布式思维来概述时间表、预算和跨部门资源需求。然而，一旦开始原型设计，就需要切换到敏捷心态进行日常执行：

  • 迭代冲刺：规划 2-4 周的周期。每个冲刺的目标是交付一个可感知的改进（例如一个可工作的数据摄取管道或模型 V2，将错误率降低 5%）。

  • 频繁测试：使用真实或代表性的数据快速评估结果。你发现问题的越早，越好。

  • 风险评估：实施简短的风险检查点。如果你发现你的数据处理管道无法处理新的文件格式，或者你的供应商解决方案与你的企业安全要求不兼容，请立即解决。

  • 利益相关者反馈：让相关的业务负责人保持知情。他们可以确认原型是否满足真正的业务需求，或者你是否偏离了正确的方向。

• 组建正确的团队：大多数组织在专业的 AI 技能方面仍然存在差距——尤其是在那些由旧技术驱动的公司中。为了一个有效的 AI 原型，你需要一个混合团队：

  • AI 专家：熟悉你选择的建模方法的数据科学家或机器学习工程师。

  • 业务领域专家：对实际问题了如指掌的人。他们会防止你陷入死胡同。

  • 翻译人员：那些既懂数据又懂业务的人。他们确保投资回报率始终放在首位，并且 AI 专家构建真正相关的东西。

  • IT/基础设施：能够启动（或采购）环境、处理数据摄取并规划任何安全限制的人。

  • 项目经理或团队领导：协调任务、监控进度、组织冲刺，并确保利益相关者保持一致。

请记住，这些是角色，不一定是人。对于非常小的项目，只有 1-2 个人承担这些角色并不罕见，这可能一开始是可行的，但正如你所想象的那样，这种情况不会持续太久。

有效地管理 AI 项目意味着接受不确定性，优先考虑范围明确的原型，并创造一种文化，允许你快速调整——而不牺牲交付业务价值所需的架构和对齐。

下一个重要的行动项目是如何评估和演进你的原型，我们将在下一节讨论。

评估和迭代你的原型

一旦你有了工作模型，原型设计并不结束。你需要一种系统的方法来评估它是否值得进一步投资——以及如何为实际条件进行优化。将你的原型视为迷你产品，而不是你将培育成生产的种子。它可能被种植在一个小型的测试环境中，但它必须已经考虑未来的运营需求，以避免在扩展时遇到死胡同。

图 8.5：从想法到生产的原型种子

在许多传统的软件开发项目中，原型通常是一次性构建的——快速测试，最终被丢弃并重新以正确的方式为生产构建。人工智能原型则不同。现实情况是，你的 AI 原型通常是你最终部署解决方案的种子。在原型设计期间做出的模型、数据工作流程、集成点和 UX 决策并不会简单地消失；它们会被带入（并且通常扩展）到生产中。

逆向思考

因为 AI 原型最终会作为你的生产系统继续存在，所以采用逆向思考的方法是值得的。换句话说，将每个原型都视为它最终将在真实环境中为真实用户服务的样子——因为它很可能就是这样。

• 优先考虑最终目标：即使在初始原型阶段，也要确定最终的商业成果和用户需求。例如，如果你的计划是通过减少通话处理时间 50%，那么从第一天起，就要考虑这个指标来设计 AI 交互（例如聊天机器人的流程或预测性建议的出现方式）。

• 尽早涉及真实用户：团队往往只使用合成数据或精心准备的数据来验证原型。但混乱的真实世界使用是最好的试金石。将你的 AI 展示给实际最终用户——无论是内部团队还是外部客户——可以揭示你可以早期修复的关键工作流程问题。

• 以未来为导向进行构建：你仍然可以保持原型轻量级，但选择在你想要扩展时不会成为障碍的工具和基础设施。例如，如果你选择了一个只能处理几千份文档的快速 SaaS AI 平台，当你的数据需求激增时，你最终不得不重新构建应用程序的大部分内容。

哪些会持续存在，哪些可以升级

当从原型过渡到生产时，你的 AI 系统的一些组件会被保留，而其他组件则需要重建或首次添加。提前考虑这一点可以帮助你避免死胡同，并以模块化的方式设计你的原型。

下图展示了人工智能解决方案的核心组件在高级别上的情况：

图 8.6. 人工智能解决方案的高级组件

在原型设计过程中，你自然会关注这些组件中的几个——AI 模型、基本的工作流程逻辑，以及可能的数据管道的轻量级版本。这些是你验证这个想法是否可行的必需品。

其他组件，如监控和管理，很少是早期原型的部分。这没关系。你不需要一个完整的合规仪表板或漂移检测系统来验证你的 RFP 聊天机器人分析器。但重要的是要记住，如果解决方案进入生产，这些缺失的部分最终将变得至关重要。

将其视为构建种子：原型包含了你的工作流程、数据流和模型的早期形态，但还没有生产全框架。在第九章中，我们将探讨这些组件如何从原型发展到生产，以及为了实际交付而加固它们需要做什么。

但现在，让我们强调三个值得特别注意的关键组件：

• 核心模型：如果你的聊天机器人或计算机视觉工具在原型阶段无法很好地解释数据，它不会在生产中神奇地修复自己。关于模型架构、训练数据和推理速度的早期设计选择通常保持不变。

• 数据管道：如果你为原型依赖手动数据准备，你需要一个健壮的数据管道用于生产。该管道将继承在原型阶段构建的数据格式、清洗步骤和刷新周期中的任何怪癖。

• 用户采用：人们在原型中如何实际使用你的 AI（例如，提供反馈或纠正错误）将塑造他们在生产中的习惯。如果原型的用户体验令人困惑，那么在更大的用户群中将会加倍困惑。

避免废弃人工智能

• 即使快速构建也要考虑长期性：尽可能保持你的初始编码或平台决策的灵活性。原型中的快速修复可能因为过于专业化或依赖于单一供应商的解决方案而变成昂贵的重做。我有一个客户，他们使用了一个名为 Carbon 的 RAG-as-a-Service 初创公司来原型化他们的客户支持聊天机器人。当 Carbon 被 Perplexity 收购并在几周内停止运营时，他们不得不从头开始。

• 拥抱反馈循环：人工智能系统依赖于持续学习。如果你的原型忽略反馈或随意收集反馈，你将带着一个次优模型开始生产。相反，设计用户友好的方式，让企业主或客户能够报告错误、提供更好的数据或突出边缘情况。

• 考虑运营成本：一个令人印象深刻但生产成本过高的原型（例如，使用高端 GPU 24/7 以获得微小的收益）无法扩展。确保在早期就讨论成本因素，如云使用或许可。你将在下一章中了解更多关于这些成本因素的信息。

• 构建（甚至）最小化生产路径：概述如果你的原型成功，它将在哪里“生存”。这不需要从第一天开始就进行完整的 DevOps，但确实要考虑基本的版本控制、模型部署选项（例如，容器）以及你将如何监控运行时性能。许多现成的 AI 工具和 SaaS 产品根本不提供这些指标，而且你以后也无法添加它们。我们还会在第九章和第十章中更深入地探讨这一点。

原型设计不是一项可丢弃的练习。你前期所做的努力会强烈影响你的最终产品。质量和可持续性很重要。即使你正在快速推进，也要避免可能导致未来陷入困境的选择。AI 原型在生产中会增长、演变和适应；它们不会从头开始。

通过认识到你的原型已经处于真实、生产环境中的引力范围内，你可以避免传统 IT 原型中的废弃陷阱，并让你的 AI 项目能够更快、更平滑地扩展。

一旦你有一个工作原型——不管多粗糙——真正的学习就开始了。让我们看看你如何可以完善它并创建一个完全功能的人工智能产品。

开发你的原型

原型是活生生的实验；它们的主要目的是收集反馈并指导你的下一步行动。彻底评估它们并吸收它们可以帮助你验证假设并完善你的方法。

• 定义明确的成功标准：在你让真实用户测试你的 AI 之前，设定客观的阈值，以表明原型是否满足你的业务需求。这些可以包括以下内容：

  • 定量性能：分类模型是否达到了最低的精确度/召回率？生成模型 90%的时间产生可接受的响应吗？

  • 用户采用：相关部门的员工是否真的使用了试点解决方案？或者他们是否回归到手动流程？

  • 时间节省或成本影响：你是否看到了手动工作时间的可测量减少或销售转化率的增加？

    提示：使用前一章中相同的四个价值杠杆（成本、质量、速度、数量）或你部门的 KPIs 进行对齐。

• 进行快速、真实世界的测试：在人为的实验室条件下，AI 的结果可能看起来很棒，但遇到真实、混乱的数据时可能会失败。尽快将你的原型推入接近真实的环境，即使它只是用户基础的子集或部分数据流。这就是你快速发现边缘案例的方法：

  • 数据差距：处理某些请求所需的数据。

  • 集成问题：由于基础设施不完整导致的性能缓慢或错误。

  • 用户行为：意外的用户输入或不同的用户期望。

• 尽早和经常收集反馈：邀请试点用户直接反馈。例如，如果你的销售团队正在测试一个 RFP 聊天机器人，你可以问他们以下问题：

  • 聊天机器人是否减少了准备提案所需的时间？

  • 聊天机器人偶尔会产生尴尬或不正确的陈述吗？多频繁？

  • 如果它是可选的，他们会继续使用聊天机器人吗？

利用观察反馈，有时，正式的调查可能会说“一切都很好”，但使用日志显示采用率很低。这是一个红旗，表明解决方案可能实际上不适合日常工作流程。

• 转向或继续的决定：试点运行了一段时间（几周或几个月）后，收集所有数据并决定以下哪一项：

  • 进行下一步：原型展示出足够的潜力，表明你已经准备好解决最后 20%的完善工作并转向生产。

  • 转型：某些方面需要重大改革——也许你发现不同的供应商可以做得更好，或者需要不同的数据方法。

  • 暂停或停止：业务影响或可行性根本不存在。现在停止比继续投入更多资金到死胡同中更好。

如果你必须转型或甚至暂停，不要气馁。这是过程的一个自然部分。事实上，健康的原型应该有更高的早期失败风险。这是你如何保护资源并将它们引导到路线图上其他高潜力用例的方法。

许多时候，你可能希望根据获得的价值来优先考虑你的原型。让我们谈谈你如何实现这一点。

为最大学习效果对原型进行排序

如果你从你的待办事项中排出了多个原型，考虑你解决它们的顺序。正如你在更高层次上对路线图进行排序一样，你还需要优化你的原型计划以获得最大的协同效应：

• 从快速胜利开始：尤其是如果你是 AI 的新手或需要立即的证明来获得更多的支持，例如，你可能会选择一个可以在几周内证明或证伪的原子 AI 用例。

• 应用学习：从你的第一个原型中获得反馈和知识（例如，如何高效地存储文本数据或如何最佳地与供应商的 API 接口）可以重新用于加速后续原型。

• 转向关键用例：一旦你的团队和基础设施从小型原型中成熟起来，就承担高影响、更复杂的项目。

让我们看看所有这些元素在实践中可能看起来是什么样子。

原型实践：重新审视我们的 RFP 聊天机器人分析器示例

现在，如果你想构建我们的 RFP 聊天机器人分析器的原型，你会怎么做？以下是一些可以帮助你构建这个原型的提示。

• 制造与购买决策：你可以组建一个团队，由各种团队成员专注于原型的不同方面。

  • 一个市场营销经理来提供真实的 RFP 数据。

  • 一个对哪些数据需要、在哪里存储、如何存储以及如何访问有良好理解的数据翻译者。

  • 一个 IT 专家，负责设置环境将文档发送到供应商的 API（如果适用）。

  • 一个项目经理（在较小的公司，这个人可能是数据翻译者）来保持试点有序。

• 在真实环境中测试：然后在上周收到的真实 RFP 数据上运行聊天机器人。起初，聊天机器人有 8 个正确答案中的 10 个。但一些 RFP 文档有特定领域的术语，这会使其困惑，导致错过关键事实，尤其是在涉及图形或表格时。在某些情况下，模型只是超时，这尤其发生在较大的 PDF 文件上。

对于初学者来说，模型开发通常在历史数据（此处为 RFP PDFs）上进行，然后可以在新或最新文件上测试模型以检查其性能。

• 收集反馈：让销售团队使用聊天机器人执行实际 RFP 任务的一部分。让他们跟踪使用情况并填写快速调查。他们发现了以下情况：

  • 聊天机器人显著减少了您团队的标准提案请求书（RFP）起草时间（平均减少 25%）。

  • 它在与专业合规表格的斗争中感到困难。

  • 销售代表更喜欢聊天机器人直接集成到他们的 CRM 系统中，而不是需要登录到单独的网页界面。

• 决策：销售团队决定继续进行下一迭代，探索部分构建方法：使用经过合规数据训练的定制大型语言模型（LLM），然后重新使用供应商的界面进行其他所有操作。影响这一决策的因素如下：

  • RFP 响应时间减少了 25%，这是一个令人鼓舞的减少。

  • 他们看到通过添加特定领域的数据或定制微调来解决合规差距的途径。

通过这种方式仔细进行原型设计，他们避免了过早投资于定制的、完全内部解决方案，或者花费预算在不太适合目的的供应商许可证上。

关键要点

原型设计是大型 AI 想法接受首次实际测试的地方。通过仔细平衡制作，

与购买决策相比，通过结合结构和敏捷性管理您的 AI 项目，并严格评估每个原型的性能，您将您的战略愿景转化为可衡量的商业成果。

这里是您构建有效和可扩展原型的关键要点：

• 制作与购买选择：在早期原型中，不要使事情过于复杂。利用现成解决方案可以降低风险并快速获得反馈。对于核心、高战略价值用例，您最终可能倾向于构建和拥有知识产权。

• 有效的 AI 项目管理：以小增量进行规划，但确保每个冲刺与您的更广泛路线图保持一致。建立跨职能团队，跟踪风险，并预期在过程中进行一些调整。

• 原型作为活实验室：从小规模的原子 AI 用例开始，以便您可以快速验证想法。拥抱短周期迭代，从第一天开始定义成功标准，并牢记生产现实以避免后续返工。

• 迭代、集成或退出：并非每个原型都能最终进入生产。这是正常的，快速失败比将时间和金钱投入到死胡同中要好。对于赢家（成功的原型），在试点中进行改进，然后自信地扩展。

摘要

在本章中，我们关注了在开发原型时需要考虑的各个方面。这包括是否创建内部解决方案或从外部供应商购买的决定。我们还讨论了如何有效地管理您的 AI 项目。我们学习了如何评估和迭代原型，以及它们如何作为一个完整的解决方案发展。通过 RFP 聊天机器人的案例研究，我们展示了如何将这些原则付诸实践。

在下一章中，我们将探讨如何使这些原型投入运营，并随着组织内 AI 的成熟来管理您的 AI 堆栈——这样您就可以可持续地扩展您成功的 AI 原型，并继续为您的业务带来有形的投资回报。

|

现在解锁这本书的独家优惠

扫描此二维码或访问packtpub.com/unlock，然后通过书名搜索此书。 | |

| 注意：在开始之前，请准备好您的购买发票。* |

| --- |

第九章：扩展 AI 驱动系统和工作流程

在前面的章节中，我们已经探讨了从识别高影响力的 AI 用例到有效地原型设计和验证其潜力的旅程。然而，从原型阶段过渡到完全运营、可扩展的系统带来了一系列独特的挑战——以及机遇。

扩展 AI不仅仅是使你的原型更大。相反，它涉及从探索性验证到稳健的运营交付的谨慎过渡，确保你的 AI 解决方案不仅有效，而且在长期内也是可持续的。

本章将引导你通过将 AI 原型扩展到生产就绪系统的关键过程，为你提供一个高级路线图，说明你在 AI 之旅中可以期待什么。然而，请注意，尽管发现和原型设计 AI 解决方案的过程往往相当标准化，但有效地扩展它们在很大程度上取决于你特定的组织。

因此，将本章视为一个入门指南，而不是一个详细的蓝图。

在本章中，我们将涵盖以下主要主题

• 理解人工智能产品生命周期

• 扩展 AI 解决方案的核心目标

• 从原型到生产：核心组件和策略

• 扩展的五个杠杆

• 调整人员和目标：扩展 AI 的组织方面

• 在规模上管理成本

• 监控和指标

• 扩展 AI 解决方案的实用步骤

理解人工智能产品生命周期

那么，“扩展 AI 解决方案”究竟意味着什么呢？在实践中，这意味着在 AI 产品生命周期的两个不同阶段之间积极转换：发现和交付。虽然这些阶段可能看起来是线性的，但事实上，它们代表了不同的操作模式，每个模式都有其独特的目标、方法和挑战。

让我们先谈谈人工智能产品生命周期中“发现”和“交付”阶段之间的区别。有什么区别？

发现阶段是探索性阶段，你的主要目标是验证。在这个阶段，你正在积极测试你的假设——你的 AI 用例在技术上是否可行，是否产生可衡量的价值，以及是否有效地解决实际业务需求。这正是你在第七章和第八章中所做的。在发现阶段，你的重点不是完美或完全的稳健性；相反，你是在快速原型设计、实验、学习和适应。发现阶段拥抱不确定性，并鼓励快速迭代以最小化投资风险并迅速发现关键见解。

交付，另一方面，是将经过验证的使用案例扩展到稳健、可靠和可操作的系统中。在这个阶段，关键目标从探索和验证转移到稳定性、可维护性和运营集成。交付需要与发现不同的工具集。交付不仅仅是快速行动（有时甚至可能有些混乱），它涉及周密的规划、纪律性的执行以及遵守确保你的 AI 解决方案满足业务标准的流程，这些标准包括可扩展性、可靠性、性能、可维护性和安全性。

从发现阶段过渡到交付阶段不仅仅是技术里程碑，它代表着心态和方法的根本性变化。以下是发现阶段和交付阶段之间的快速比较。

| 发现阶段 | 交付阶段 |

| --- | --- |

| 快速迭代 | 结构化规划 |

| 实验心态 | 严格治理 |

| 最小限制 | 明确标准 |

| 非正式流程 | 正式流程 |

| 创新重点 | 可扩展性重点 |

表 9.1：AI 解决方案发现阶段和交付阶段的比较

从一开始就清楚地认识到这种区别将帮助你避免常见的陷阱，即过早地将探索性原型扩展到完整的生产系统，或者相反，意外地将僵化的交付框架应用于推动创新。换句话说，过早扩展会导致生产中的脆弱原型。过晚扩展会让你陷入原型炼狱。

清单：你准备好扩展了吗？

在我们深入交付阶段之前，先解决一个问题。你怎么知道是时候从发现阶段切换到交付阶段了呢？虽然没有一种适合所有情况的答案，但在过去几年的应用人工智能咨询中，我开发了一个内部清单，帮助我识别那些准备好投入生产的 AI 解决方案，以及那些很可能无法满足现实世界要求并可能导致大量资源浪费的解决方案。请注意，这个清单并不能保证成功。它更多的是为了防止你过早地进入生产阶段，并展示那些（可能）仍然缺失的盲点。以下是我用来决定是否从发现阶段转向交付阶段的标准：

| 标准 | 描述 | 如何衡量（示例） | 红旗 |

| --- | --- | --- | --- |

| 明确验证的价值 | 原型已展示出明确且可衡量的商业价值或影响（例如，降低成本、节省时间、用户满意度）。 | 返利模型、A/B 测试结果、KPI 提升（例如，≥ 20%）。 | 没有跟踪指标；收益不明确。 |

| 正面用户反馈 | 初始用户持续提供正面反馈或对原型表现出强烈的参与和热情。 | NPS ≥ 40，SUS ≥ 70，正面调查/访谈。 | 完全没有用户反馈。用户感到困惑、不参与或批评。 |

| 技术可行性已证明 | 核心技术问题或风险已得到解答或缓解 - 对 AI 解决方案在技术上是可行的有很高的信心。 | IT 批准完成；通过技术审查，工作原型。 | 经常出现错误，依赖未来的增强，设置脆弱。 |

| 需求增长 | 增加的用户需求表明组织对更广泛的应用感兴趣或存在明确的潜在应用范围。 | 使用趋势、等待名单、内部请求。 | 使用保持平稳或下降。高流失率。不清楚谁需要它。 |

| 领导层支持已获得 | 高级利益相关者或决策者（通常在相应的业务单元）已明确表示愿意资助 AI 解决方案的未来发展。 | 预算已批准；赞助商已指定。 | 没有赞助商。没有所有权。 |

| 道德和合规性检查通过 | 虽然你可能还没有考虑到所有道德和合规性相关的细节，但很明显，总的来说，你的 AI 解决方案将符合你组织的道德和合规性标准。 | 数据保护影响评估已完成，合规性检查通过。 | 存在开放合规性问题；未知风险。 |

| 集成路径已理解 | 对于 AI 原型如何在现有工作流程、系统和流程中集成已有明确的认识。 | 界面已定义；架构和所有者已对齐。 | 不清楚它如何融入现有工作流程或谁负责实施。 |

表 9.2：从发现到交付准备情况评估清单

简而言之，价值很大，红旗较少。

作为一个实际例子，假设你成功创建了一个功能原型，你的 RFP 聊天机器人分析器不仅能处理新的（未知）提案，而且每周至少能节省忙碌的销售人员 1 小时的时间，达到最低价值阈值。除了早期测试用户外，你组织中的更多人现在正在积极要求访问。你的清单显示了价值验证、用户热情、坚实的技术可行性和稳健的利益相关者支持。在这个阶段，转向交付模式既是逻辑上的，也是及时的。

当你准备好进行这种转变时，请记住：从原型过渡到生产就绪的 AI 解决方案并不仅仅是像我们在上一章中探讨的那样扩大你的原型。通常，它涉及对可以直接转移的内容、需要增强的内容以及必须完全重建的内容进行仔细评估。

现在我们知道了我们是否准备好扩展（或不是），让我们来看看扩展成功实际上是什么样子。

扩展 AI 解决方案的核心目标

正如我们在本章开头发现的那样，扩展不仅仅是交付更大的软件。它是关于满足五个核心目标，使您的 AI 系统在扩展规模上具有可行性。这些目标包括容量、可靠性、性能、可维护性和安全性。每个目标都在确保您的 AI 系统不仅在技术上工作，而且仍然是对您业务的资产而不是负债方面发挥着关键作用。

图 9.1：五个 AI 扩展目标

首先，在我们深入探讨如何实现这些目标之前，让我们对这些目标的意义、它们的典型关键指标和里程碑有一个高层次的了解。

容量

容量扩展 是您的 AI 系统处理不断增加的数据量、用户和交易而不会崩溃或使成本失控的能力。这通常涉及两个维度：向上扩展（向单个系统添加更多资源，如 CPU、内存或存储）和向外扩展（添加更多实例或节点以分担工作负载）。真正的容量规划平衡这两者，确保增长可以快速且经济高效地得到支持。

容量扩展的关键指标和里程碑的一些示例如下：

• 负载处理： 跟踪系统在性能下降之前可以支持多少请求或交易。

• 负载下的延迟： 监控随着使用量的增长，响应时间是否保持在约定的预期范围内。

• 数据新鲜度： 检查数据管道是否可靠地在规定时间内提供最新的输入。

• 弹性成本概况： 观察随着系统扩展，每请求或每用户的成本是否保持稳定（或下降）。

一些典型的挑战包括：

• 过度依赖脆弱的原型修复（手动导出、脚本）。

• 在单一系统中遇到瓶颈（如数据库、队列、API）。

• 供应商速率限制或许可限制在早期测试中不可见。

• “以防万一”过度配置基础设施，导致浪费支出。

高容量确保您的 AI 解决方案与您的业务同步增长。它防止了导致信任下降的减速和中断，避免了昂贵的重建，并通过保持扩展效率来保护利润率。简单来说：强大的容量在现实世界的压力下使采用可持续。

可靠性

可靠性 是您的 AI 系统在现实世界条件下提供一致和正确结果的能力。一个可靠的系统不仅保持在线，而且即使在数据、使用或条件发生变化时，也能产生用户可以信赖的输出。

一些关键指标和里程碑示例，有助于跟踪可靠性包括：

• 系统可用性： 跟踪系统正常运行时间与服务级别协议的符合情况。

• 管道成功率： 监控数据处理是否一致地完成且无错误。

• 模型准确性和稳定性： 在一段时间内衡量模型准确性、精确度、召回率或其他相关 KPI。

• 恢复速度： 评估系统在失败或中断后恢复的速度。

• 输出一致性：检查预测在运行和环境之间是否保持稳定。

在构建可靠系统时可能会遇到的一些典型挑战包括（但不限于）：

• 由于数据漂移导致模型准确度下降。

• 静默数据损坏或对质量监控的缺失。

• 过度拟合到不反映现实世界变异性测试条件。

• 基础设施的单点故障或脆弱的重试机制。

• 警报疲劳 - 过多的信号而没有可操作性的优先级排序。

可靠的 AI 系统通过与用户和利益相关者建立信任。它们减少了昂贵的停机时间，防止错误输出传播到业务决策中，并鼓励广泛采用。不可靠的系统，无论是由于故障还是不准确的预测，都会迅速侵蚀信心，可能比完全不使用 AI 更具有破坏性。

性能

性能是您的 AI 系统快速有效地响应用户交互或处理需求的能力。一个性能良好的系统以用户期望的速度提供见解，而不进行过多的资源消耗。为了衡量性能，您可以利用以下关键指标和里程碑：

• 响应时间：跟踪从用户请求到系统响应所需的时间。

• 吞吐量：衡量系统可以处理多少请求或事务

  同时进行。

• 资源效率：监控 CPU、GPU 和内存利用率相对于工作负载。

• 优化影响：比较模型架构或服务技术（例如，更小的模型、量化）以平衡准确性和效率。

  记得包括更多与您的组织用例相关的指标和里程碑。

在构建性能良好的系统时，您可能会遇到以下一些挑战：

• 准确但速度过慢或成本过高的模型。

• 由低效管道或网络瓶颈引起的延迟峰值。

• 模型按需启动时的冷启动延迟。

• 缺乏优化，导致计算浪费和更高的成本。

高性能通过确保交互感觉无缝来推动用户采用。它还提高了生产率并降低了基础设施成本。另一方面，性能不佳会导致用户沮丧、工作流程缓慢和投资回报率下降。

可维护性

可维护性是指您的 AI 系统在一段时间内可以轻松管理、更新和故障排除的难易程度。一个可维护的系统是模块化的、文档齐全的，并且设计为在需求和数据变化时安全地演变。

你可以跟踪的一些指标和里程碑示例包括：

• 部署节奏：跟踪新功能、模型或修复可以推出的频率。

• 变更安全性：监控新版本失败率以及出现问题时它们可以多快地回滚。

• 文档质量：评估系统设计、数据流和流程是否被清晰地记录和可访问。

• 入职速度：衡量新团队成员如何快速成为系统生产力。

这里有一些你应该注意的挑战：

• 混乱的代码、管道或基础设施，使更新变得有风险。

• 缺乏标准化测试，导致未检测到的回归。

• 糟糕的文档，减慢了新团队成员的进度。

• 手动部署会增加错误风险并延迟改进。

可维护的人工智能系统降低运营风险和成本。它们允许团队更快地迭代，安全地修复问题，并适应新的要求。没有可维护性，人工智能解决方案会迅速积累技术债务，使它们变得脆弱、昂贵且难以进化，从而削弱其长期商业价值。

安全

安全是保护您的 AI 系统的数据、模型和基础设施免受未经授权的访问、滥用或泄露。随着原型扩展到生产阶段，安全对于合规性、信任和弹性变得至关重要。

一些关键指标和里程碑示例包括：

• 数据保护：验证敏感数据在传输和静止状态下是否加密。

• 访问控制：监控基于角色的权限和身份管理实践。合规准备：跟踪遵守 GDPR、HIPAA、SOC2 或 ISO/IEC 27001 等框架的情况。

• 模型鲁棒性：评估对对抗性输入、模型盗窃或数据泄露等风险的暴露。

• 可审计性：确保在需要时可以追踪系统活动和数据流。

你可能会遇到的典型挑战包括：

• 过于宽泛或模糊的访问权限，暴露了敏感数据。

• 在受控系统之外存在影子数据副本。

• 人工智能特有的漏洞（例如，LLM 中的提示注入，推理攻击）。

• 在团队或地区之间不统一地应用合规标准。

安全的人工智能系统保护您的组织免受监管处罚、声誉损害和运营中断。强大的安全实践也建立用户信任，促进人工智能解决方案的更广泛采用。相比之下，弱安全可能会阻碍扩展努力，招致法律风险，并损害利益相关者的信心。

这五个目标——容量、可靠性、性能、可维护性和安全性——共同描述了当人工智能系统扩展时成功的样子。但了解目标还不够。为了真正实现它们，你需要了解你的原型组件如何演变到生产阶段。一些元素可以直接迁移，而其他元素必须重建或加固以适应现实世界。在下一节中，我们将重新审视人工智能解决方案的核心组件，并探讨指导它们从原型到生产的策略——保留、增强、重建或建立。

从原型到生产：核心组件和策略

当从发现转向交付时，原型充当了您生产系统的种子。在原型设计期间组装的核心组件不会消失——它们会进化。一些可以几乎不变地向前推进，其他则需要为了规模而重建，还有一些全新的组件必须首次添加。

要使这种进化变得实用，通过清晰的策略来审视每个组件很有帮助：保留、增强、重建或建立。这些策略可以防止浪费，避免废弃 AI（在生产中无法使用的原型），并确保您将精力集中在最重要的地方。

下面的图表回顾了在第八章中引入的核心组件，现在叠加了它们的交付策略：

图 9.2：将 AI 组件从原型转移到生产的策略

为了使这一点更加具体，表 9.3提供了每个组件的详细视图——推荐的交付策略、为什么该策略很重要以及您可以用来实施该策略的常见策略：

| 组件 | 交付策略 | 解释 | 常见策略 |

| --- | --- | --- | --- |

| AI 模型核心 | 保留和增强 | 如果在原型设计期间训练的模型及其架构有效，您通常可以在生产中在此基础上构建。最重要的是，性能是否在真实的生产数据和条件下保持，这通常需要持续的工作或调整，但不需要对整个模型进行彻底的改造。 |

• 使用适当的指标在更大、更多样化的数据集上进行验证（例如，对于预测，使用 RMSE/MAE；对于分类，使用精确率/召回率/F1；对于排名，使用提升/AUC；对于 LLM，使用通过/失败或人工审查）

• 建立反馈循环以捕获用户更正和记录边缘情况

• 与更快或更便宜的替代方案进行基准测试，以确保投资回报率

• 比较不同供应商或模型提供者的弹性和性能

• 改进提示

• 在更多数据上微调模型

|

| 基本工作流程集成 | 增强 | 核心工作流程（用户交互模式、如何消费见解等）保持不变，但集成必须更深入，以允许构建增强的用户体验。 |

| --- | --- | --- |

• 通过 API 或连接器将功能直接嵌入到企业系统中（CRM、ERP、CMS）

• 设计方便性：用户不应需要离开他们的正常工作流程（回想一下第五章中的 TRICUS 原则）

• 早期涉及后期采用者以鼓励除热情的测试者之外的采用

|

| 概念数据管道 | 保留 | 您数据管道的设计逻辑（使用哪些数据、如何流动、如何转换等）应从原型到生产保持一致。如果它发生重大变化，原型可能没有反映真实的生产需求。演变的是物理实现。 |

| --- | --- | --- |

• 从原型到生产保留整体数据流设计

• 验证所选来源和转换在规模上是否真实

• 将管道逻辑与治理规则（所有权、隐私、保留）保持一致

|

| 技术数据管道 | 重建 | 虽然概念流程保持不变，但技术构建必须升级。原型通常使用快速修复，如 CSV 导出或脚本。但这些无法扩展。生产管道必须自动化、监控，并足够弹性以适应现实世界的数据量。 |

| --- | --- | --- |

• 自动化数据移动（例如，用计划作业替换手动导出）

• 在必要时使用编排工具（例如，Airflow、Prefect 或云调度器）

• 添加质量检查（在处理前标记缺失值、重复项或错误）

• 启用日志和警报（以便失败立即可见）

• 构建弹性（重试、回退或备份以防止小错误破坏管道）

|

| 治理和合规 | 建立 | 治理和合规在原型设计阶段往往（故意）被忽视，但在迁移到生产阶段时是必不可少的。一个忽视隐私、安全或监管规则的运行中的 AI 系统可能带来的风险大于价值。在生产中，治理确保您的系统值得信赖、可审计，并与法律和组织标准保持一致。 |

| --- | --- | --- |

• 使用基于角色的权限限制访问

• 定义明确的数据收集、存储和删除政策

• 记录关键决策，例如使用了哪些数据集和模型以及为什么

• 早期涉及法律、合规和安全团队以防止后期问题

• 与相关法规保持一致（例如，GDPR、HIPAA、SOC 2、行业特定规则）

|

| 用户体验和培训 | 增强 | 原型通过早期采用者验证了可用性。对于可能抵制变化的更晚采用者，生产需要进一步细化以适应更广泛的受众。成功的交付取决于培训、支持和无缝融入广泛日常工作流程的用户体验。 |

| --- | --- | --- |

• 使用多样化的用户群体测试接口以改进可用性和可访问性

• 开发入职和培训计划以简化采用

• 提供持续的支持渠道（帮助台、应用内支持、文档）

• 在推出后收集结构化反馈以推动持续改进

|

| 监控和维护 | 建立 | 监控在原型中很少存在，但在生产中至关重要。AI 模型随着数据、环境和用户行为的变化而退化。没有系统的监控和维护，性能会随着时间的推移而下降。 |

| --- | --- | --- |

• 记录输入和输出以创建故障排除的审计跟踪

• 在不同间隔持续跟踪技术、运营和战略指标（参见本章中的监控和指标部分）

• 通过比较新数据与训练数据来检测模型漂移

• 定义重新训练触发器（例如，当准确度低于阈值时）

• 为错误或停机时间建立事件响应操作手册

|

| 其他基础设施 | 重建或增强 | 预期对支持所有先前组件的规模化需求进行重大升级。 |

| --- | --- | --- |

• 用企业级环境替换试验设置（笔记本电脑、SaaS 账户）

• 根据安全和规模需求，将工作负载迁移到云、本地或混合基础设施

• 实施 CI/CD 管道以可靠地部署更新（参见后续的 AIOps 部分）

• 根据应用程序的关键性，规划备份、故障转移和灾难恢复以增强弹性。

|

表 9.3：从发现到交付的组件过渡概述

这种细微的方法——明确识别保留、增强、重建或建立的内容——至关重要。成功规模化的关键是平衡原型中验证过的元素与仅在生产中出现的新的运营需求。

简而言之，从原型到生产的过渡更多是关于深思熟虑的规模化，而不是简单的扩大规模。通过明确区分发现和交付阶段，并系统地管理这一过渡，您的组织为可靠、可持续和有影响力的 AI 部署打下基础。

在这个基础之上，接下来的问题是：实践中是什么因素使得这些策略得以实现？

要进行深思熟虑的规模化，您需要在人员、流程、数据、技术和运营方面拥有正确的推动力。这些是规模化的五个杠杆，我们将在下一节中探讨。

规模化的五个杠杆

仅靠技术很难实现 AI 的规模化。即使有明确的目标和定义良好的组件策略，成功也取决于将它们付诸实践的组织力量。这些力量以五个关键杠杆的形式出现：人员、流程、数据、技术和AI 运营（AIOps）。

每个杠杆都扮演着独特的角色：

• 人员提供交付所需的技能、领导和采用。

• 流程提供了结构，但不会扼杀敏捷性。

• 数据为每个 AI 系统提供动力。

• 技术提供安全高效地服务模型的基础设施。

• AIOps确保一旦部署，AI 系统在长时间内保持准确性、可信度和价值。

单独来看，这些杠杆增强了规模化特定方面的能力。共同作用，它们可以为您提供更大的杠杆，以成功地将 AI 原型转化为可持续、受控且符合业务需求的解决方案——正如以下图示所描述的最佳方式。

图 9.3：实现 AI 规模化目标的关键杠杆

让我们更详细地探讨这些关键推动力。

人员

在发现阶段，你很可能依赖一个遵循两比萨法则（aws.amazon.com/executive-insights/content/amazon-two-pizza-team/）的小型敏捷团队。团队成员可能身兼数职，承担从数据科学到基础设施管理，再到商业分析和非正式利益相关者沟通的多样化责任。

然而，当从发现阶段过渡到交付阶段时，是时候重新考虑团队的结构和规模了。不再是两比萨，你应该准备订购完整的自助餐。将你的 AI 解决方案扩展到生产涉及扩大团队的大小和多样性，分配明确定义的角色和责任，并确保你在关键领域拥有正确的专业知识深度。

随着你团队的规模扩大，你的团队自然会从紧密的创新单元演变为一个更广泛的跨职能团队，这个团队共同拥有实现可扩展性、可靠性、性能、可维护性和安全性的多样化能力。在许多情况下，这可能意味着将项目完全转交给一个完全不同的交付团队。

这个交付团队通常包括专门的数据科学家或 AI 专家，确保模型的准确性和可靠性，ML 和数据工程师负责管理可扩展的数据基础设施，以及 IT 基础设施专家在规模上维护系统性能和安全。你还将涉及专门的业务领域专家或产品所有者，确保 AI 解决方案与实际业务需求保持紧密一致，并继续创造价值。

虽然原型设计通常在最小程度的正式监督下进行，但扩展到交付阶段意味着明确与组织的内部框架、治理政策和法规合规要求保持一致。与数据治理、IT 安全、企业架构、合规、法律专家或工作委员会（员工代表机构）等内部团队的协作成为日常业务。

与最终用户的互动也将变得更加结构化和正式化。定期的用户培训课程、全面的文档和持续的支持系统对于推动广泛采用至关重要。这也涉及到为你的解决方案获得一致的支持。并非每个用户都愿意与 AI 合作 - 一些用户可能担心被取代，或者训练一个未来可能取代他们工作的 AI 模型。预见这些担忧并积极与用户互动将变得更加重要。

随着你涉及更多的人和利益相关者，沟通和管理变得越来越重要，我们将在本章后面更深入地探讨这一点。

但你究竟如何让所有这些人保持联系、保持一致并朝着正确的方向前进呢？这就是下一个关键杠杆 - 流程 - 发挥作用的地方。

流程

正如你的团队结构必须从原型设计发展到生产阶段一样，你对流程的方法也需要成熟。

在发现阶段，敏捷性至关重要，但可能是不正式的。快速迭代、最小限制和松散结构化的冲刺允许你的原型团队快速创新并在面对新的见解或挑战时轻松调整方向。

然而，当你进入交付阶段时，保持敏捷性变得更加复杂。你现在需要协调更大的团队，管理多个利益相关者，并符合既定的内部政策，同时还要交付可预测的结果。在交付模式下，敏捷并不意味着没有结构地工作。相反，它意味着在提供清晰性、一致性和治理的框架内嵌入敏捷原则，这些是有效管理复杂性的必要条件。

实际上，这通常涉及采用诸如 Scrum(www.scrum.org)、Kanban(www.atlassian.com/agile/kanban)或扩展敏捷方法，如 Scaled Agile Framework (SAFe) (scaledagile.com/)等框架。这些框架通过定义明确的角色、结构化的计划周期和系统化的协作流程来正式化敏捷性，使多个团队能够以敏捷的方式工作，同时在更广泛的组织中保持一致性。定期的冲刺周期现在变得更加系统性地计划、审查和调整。产品负责人、Scrum 大师和敏捷教练等额外角色指导团队，促进跨团队协作，并持续重新调整优先级和期望。

你采用哪种流程框架在很大程度上取决于你的组织，特别是已经在那里建立的 IT 交付流程。

例如，如果你的组织仍然主要采用传统的（瀑布）IT 交付模型，那么从一开始就引入完全敏捷的 AI 项目可能会造成困惑或阻力。习惯于固定范围、严格时间表和顺序工作流程的团队可能会发现敏捷交付方法不熟悉或具有破坏性。在这种情况下，更有效的方法可能是从较小的、自包含的 AI 倡议开始，这不需要广泛的组织变革。或者，你可以将 AI 交付框架与现有的阶段门或里程碑驱动流程对齐，同时在这些阶段内嵌入敏捷周期——如迭代模型开发或实验。这种混合方法尊重组织的交付文化，同时在最有价值的领域引入敏捷性。

数据

虽然敏捷流程有助于你管理团队协作和任务协调，但你的 AI 系统的有效性仍然取决于另一个关键维度——数据。没有清晰、稳健和可扩展的数据管道，即使是最结构化的敏捷流程也无法实现有效的 AI 交付。

在原型设计阶段，数据处理通常是一项动手操作、临时性的活动。团队使用小型、精心挑选的数据集进行工作——有时是手动提取、离线清理，或者仅为了测试一个想法而一次性收集。在探索阶段，这是可以接受的，因为目标是证明可行性，而不是为了规模或可靠性进行优化。

然而，一旦进入交付阶段，这些临时管道很快就会变成一种负担。生产系统需要自动化、弹性、安全的数据流，能够持续运行并处理现实世界的混乱，如不规则输入、缺失字段、版本不匹配和规模波动。

换句话说，虽然你的数据管道的概念逻辑可能从原型转移到生产，但技术实现几乎总是需要重建。原型可能能够处理手动上传的 CSV 文件和几百条记录。你的生产系统现在必须从云仓库、CRM 系统或实时 API 自动提取数据，并且每天能够处理数百万行数据。

这种过渡引发了一些关键问题，你需要在交付阶段早期解决这些问题：

• 你的数据刷新周期是否定义良好且自动化？

• 你是否有对输入的一致架构和版本控制？

• 你如何处理实时中的异常或不完整数据？

• 数据存储在哪里，谁可以访问？

• 你的数据源是否为跨用例或地区扩展做好了未来准备？

这些问题的答案不仅影响性能，还影响安全、合规性和可维护性。随着你的系统规模扩大，你对监管风险的暴露也会增加，尤其是如果你的数据包括个人信息或敏感信息。在交付过程中，你需要与数据治理和合规团队紧密合作，以确保你的管道满足内部和外部要求，例如 GDPR、HIPAA 或行业特定标准。

另一个关键考虑因素是数据血缘。在原型设计中，通常没有人会问数据从哪里来或如何转换——只要它能工作。但在生产中，你需要从端到端跟踪和审计数据流。如果一个模型开始表现出不可预测的行为，你需要确定问题是否出在模型逻辑上，还是在上游数据源的一个微妙变化上。许多组织使用 OpenLineage (openlineage.io/)或 DataHub (datahub.com/)等工具实现数据血缘，这些工具可以与 Airflow、Spark 或 dbt 等现代数据平台集成。

最后，不要低估标准化的价值。原型设计通常快速且粗糙——定制脚本、自定义文件格式和一次性数据修复。在规模扩大时，这会创造技术债务。

交付应旨在实现标准化的预处理逻辑，以可重用的 ETL 组件和跨团队、应用程序共享的数据合约的形式：

• 可重用 ETL 组件是模块化的提取-转换-加载（ETL）构建块，可以在多个项目中应用，而不是每次都编写自定义数据摄取脚本。可重用性提高了一致性，减少了错误，并加快了入职速度。例如，一个可重用的 ETL 组件可能是一个用于清理时间序列数据或加载客户记录到数据仓库的标准化的函数。您可以在 Azure 指南中了解更多关于 ETL 概念的信息（learn.microsoft.com/en-us/azure/architecture/data-guide/relational-data/etl）。

• 共享数据合约定义了团队或服务之间交换数据的结构、格式和期望。它们作为正式协议（如数据 API）并帮助确保数据的生产者和消费者保持同步。例如，一个合约可能指定客户 ID 字段必须是非空字符串，并具有特定的格式。像 Protocol Buffers 和 Apache Avro 这样的工具，或支持数据合约范式的工具（例如 DataHub、OpenMetadata），有助于强制执行这些规定。有关数据合约的更多信息，请参阅此 DataHub 博客文章：datahub.com/blog/the-what-why-and-how-of-data-contracts/。

这些实践不仅减少了返工，而且使更多团队能够在彼此的工作基础上构建，而不会引入脆弱的依赖。在您的交付方法中将数据视为一等公民，确保您的模型拥有在生产中茁壮成长的基础。

技术债务

技术债务是指为了快速交付而采取捷径在软件、数据或系统设计中的隐藏成本。就像财务债务一样，它可能会随着时间的推移积累利息——以增加维护负担、降低灵活性和增加失败风险的形式。

在 AI 项目中，技术债务通常表现为未记录的脚本、手动数据管道，甚至供应商锁定。

虽然这些可能在原型中是可以接受的，但如果未得到解决，它们将成为扩展、可靠性和协作的障碍。

当合适的人选到位，敏捷流程正式化，生产级数据管道成形时，成功 AI 交付的下一个推动者是您的技术堆栈。现在让我们来谈谈它。

技术

在原型阶段，技术起到了辅助作用，但在交付阶段，它成为实现上述扩展目标的核心支柱。

在发现阶段，你的团队可能使用的是轻量级环境。可能有人手动启动了虚拟机，在 Jupyter 笔记本中训练模型，并通过临时仪表板共享结果。这些设置非常适合学习和快速实验 - 但在许多情况下，它们无法扩展。这意味着要从临时设置转移到结构良好、受监控和管理的环境，这些环境集成到你的更广泛的企业基础设施中。

这种过渡通常会引发三个关键问题：

1. 你的基础设施能否与你的 AI 工作负载一起扩展？

AI 系统通常需要与传统软件应用非常不同的资源配置。从用于模型推理的 GPU 到用于服务 API 的自适应容器，你的交付基础设施必须能够动态适应工作负载峰值。这不仅仅是向问题投入更多的计算能力 - 这是要高效地管理计算，确保资源弹性，并避免成本激增。这里的关键原则是适应性。你希望一个系统能够快速扩展以满足需求，而不会过度配置闲置的资源并增加成本。快速扩展意味着什么 - 是几毫秒还是几天 - 完全取决于你的用例。对于许多内部应用，如果需要，手动增加一点服务器容量通常比从一开始就投入大量努力构建一个完全自动化的 Kubernetes 设置更实际。关键是，你实际上能够随着工作负载的增长而扩展。

1. 你的工具和平台是否支持运营移交？

在原型设计阶段使用的工具（例如，本地开发环境、SaaS API）通常缺乏在生产环境中所需的访问控制、监控或集成钩子。在交付过程中，你的堆栈至少应该支持版本控制（例如，Git），可能还需要 CI/CD 自动化，以及肯定需要强大的监控和日志记录。正确的选择完全取决于你的用例。例如，实时系统通常比批量工作负载需要更多的自动化和可观察性。最重要的是，你的工具能够使开发到运营的过渡更加顺畅，而不会增加不必要的手动修补工作。

1. 你是否可以最小化重建次数？

虽然你的原型的一些组件可能需要重新设计，但尽量减少不必要的重建。如果你的原型设计工具与你的生产平台兼容（例如，使用 Azure ML Studio 或 Vertex AI），你可能能够重用模型端点或管道配置。这就是为什么从一开始就选择正确的工具 - 支持实验和交付的工具 - 可以显著简化你的扩展之旅。

在这个方面，另一个重要的考虑因素是模块化。在规模上交付 AI 并不意味着构建一个单体系统。相反，模块化架构允许你隔离组件——模型、API、管道和仪表板——并独立地发展它们。这使得更换技术、升级单个组件以及降低故障风险变得更容易。

安全性也与你的技术栈紧密相连。你做出的基础设施决策，例如云服务提供商、访问架构或数据存储格式，将直接影响满足内部安全和合规要求的多容易（或困难）。与你的 IT 和信息安全团队紧密合作，选择符合操作需求和监管预期的技术。

因此，虽然在原型设计阶段技术可能退居次要位置，但在交付时，它成为了一个关键启用程序。你在这里做出的选择将要么加速你的 AI 采用，要么成为限制规模、增加成本或引入不必要风险的障碍。

AIOps

一旦你的 AI 系统上线，在生产中运行并交付价值，你的工作还没有完成；这只是监控、维护和优化的持续循环的开始。由于数据漂移、用户期望的演变或商业条件的变化，AI 模型自然会随时间退化。这就是我们下一个启用程序的作用：AIOps。

AIOps 指的是一系列操作实践、工具和流程，确保你的 AI 模型在长时间内保持准确、有用和可信。它类似于DevOps，专注于可靠地部署和运营传统软件，但将这些实践扩展到 AI 的独特挑战——例如监控模型准确性、检测数据漂移和管理重新训练周期。

在原型设计阶段，模型性能可能通过快速评估来衡量：一个测试数据集、几个指标和一些非正式的利益相关者验证。但在生产中，你需要严格的、持续的监控——因为从用户行为到上游数据源再到市场动态，任何东西都可能意外地发生变化。因此，AIOps 最关键的作用是持续监控你的 AI 系统，并在事情偏离轨道时向你的团队发出警报。这包括：

• 模型性能监控：准确率、精确度、召回率或其他关键绩效指标是否低于可接受的阈值？

• 数据漂移检测：输入数据的特征是否随时间变化，这可能需要你更新或调整你的模型或提示？

• 管道健康：从摄取到推理的所有系统是否运行顺畅，或者是否存在瓶颈或故障？

• 延迟和可用性：你的 AI 服务是否足够快地响应用户和工作流程？

结构良好的 AIOps 将在问题出现时自动标记问题，从而实现快速调查和解决。这不仅仅是避免每个问题，而是在问题变成更大的问题之前捕捉它们。

因此，一个健康的 AIOps 设置也包括反馈和迭代的机制。这意味着除了标记问题之外，你还能随着时间的推移应用更正，并使用更新数据重新训练模型。许多组织犯了一个错误，将模型部署视为一次性事件。实际上，AI 模型就像活系统一样，需要更新、重新训练、版本控制和偶尔的完全替换。AIOps 为你提供了管理这一生命周期的结构。

为了实现这一点并做出正确的决定，你需要清晰的归属。下个月谁负责检查模型性能？如果模型突然产生错误，谁会被告知？

在一个良好的 AIOps 设置中，很清楚谁将做什么，以及总体上谁对 AI 系统的健康负责。如果你还没有专门的 MLOps 或 AIOps 职能，从小处着手：实施性能仪表板，自动化漂移检测，并定义每个用例的可接受性能意味着什么。然后，随着你的 AI 足迹增长，逐步发展这些实践。

这些五个促进因素——人员、流程、数据、技术和 AIOps——为你提供了扩展 AI 并成功所需的组织肌肉和结构弹性。

实际案例：扩展 RFP 聊天机器人分析器

为了使这些概念更具体，让我们回顾一下我们之前章节中的 RFP 聊天机器人分析器原型，并看看当它经过深思熟虑地扩展到生产时会发生什么：

1. 应用清单：假设聊天机器人原型已经展现出可衡量的价值。反馈热情，需求已超出初始测试组，领导层已为下一步工作确保了预算。准备清单已有效完成：价值得到验证，技术可行性得到证明，以及理解了整合路径。表 9.4展示了应用清单的一个示例：

| 标准 | 评估 | 红旗/关注点 |

| --- | --- | --- |

| 价值 |

• 具有访问权限的销售人员每月处理 RFP 的速度提高了约 10 小时；每年节省约 10K 小时。

• 高吞吐量而不增加成本，更快的响应时间。

| 无。 |

| --- |

| 用户反馈 | 早期测试者的反馈非常积极 | 更广泛的调查仍待定。UI 仍需改进。 |

| 技术可行性 |

• IT 审查完成。

• 性能已经足够好，足以有用。

|

• GenAI 堆栈仍处于新阶段。平台决策仍悬而未决。

|

| 增长需求 | 早期测试者热情但尚未鼓励内部推广项目。 | 更广泛的需求信号待定。 |

| --- | --- | --- |

| 领导支持 |

• 销售部门负责人同意赞助实施的第一年，并分配预算。

• IT 分配一个项目经理。

| 无。 |

| --- |

| 道德 | 法律/合规性审查仍在进行中，但尚未发现任何初始障碍。 | 最终批准正在进行中。 |

| 集成路径 | 嵌入 CRM/SharePoint 工作流程。 | 集成测试尚未完成。 |

表 9.4：RFP 聊天机器人分析器的就绪清单

1. 定义扩展目标：随着交付的临近，团队明确了五个扩展目标：

   • 容量：确保聊天机器人能够同时处理至少 10 个活跃的 RFP，而不会减慢速度。

   • 可靠性：保持至少 90%的准确性（10 个聊天请求中有 9 个处理完毕，提供完整、真实的信息）并确保系统在关键投标周期中可用。

   • 性能：保持响应时间在 10 秒以下，即使是大型、复杂的提案。

   • 可维护性：允许有效地监控和测试新模型，预计每 6 个月更新一次。

   • 安全：使用加密、访问控制和可审计性保护敏感的 RFP 数据。

2. 应用组件策略：使用表 9.3中的框架，团队将原型元素映射到其交付策略：

   • AI 模型核心（保留）：保留了现有的模型方法，但用额外的、合规性强的文件进行了更加严格的测试。

   • 工作流程集成（增强）：不是使用单独的界面，聊天机器人被直接嵌入到 CRM 中，销售人员可以在他们的日常工作中使用它。

   • 技术数据管道（重建）：用自动连接器从共享驱动器直接提取 RFP，取代了手动 PDF 上传。

   • 治理和合规性（建立）：增加了日志记录以跟踪文档访问，合规性官员审查了处理敏感数据的政策。

   • 监控和维护（建立）：建立了仪表板以跟踪准确性、延迟和利用率，并设置了故障或异常的警报。

3. 利用五个推动因素：扩展需要不仅仅是技术。组织拉动了五个杠杆来支持过渡：

   • 人员：组建了一个新的跨职能团队，由专门的产品负责人领导，并得到 IT 和销售专家的支持。

   • 流程：敏捷冲刺继续进行，但增加了更正式的测试、文档和发布门。

   • 数据：管道自动化，治理团队定义了保留和隐私政策。

   • 技术：原型从试验设置转移到云托管解决方案。团队选择了一个与他们的 CRM 兼容的定制供应商解决方案（混合方法）。

   • AIOps：在 IT 领域，实施了持续监控以检测数据漂移、跟踪采用情况并触发重新训练。产品负责人负责控制这些关键绩效指标。

4. 结果：通过遵循这种结构化方法，RFP 聊天机器人分析器扩展成了一个生产就绪的系统，它：

   • 在销售组织内每年节省数千小时，并允许更快地响应 RFP。

   • 即使引入了新的文档格式，也保持了稳定的准确性。

   • 在公司的合规框架内安全运行。

   • 由于无缝的 CRM 集成而实现了广泛采用。

   • 为其他 AI 用例的发展奠定了关键基础。

因此，组织最终得到了一个解决方案，它扩展了原型中证明的价值，自然地融入了现有的工作流程，并且获得了更广泛用户群体的支持。

当然，扩展 AI 解决方案的过程很少像这个例子所展示的那样简单。每个组织在过程中都会遇到自己的摩擦点、权衡和意外。

从流程角度来看，将敏捷交付实践嵌入以销售为导向的环境中可能会产生摩擦，特别是如果业务利益相关者期望严格的截止日期或立即的结果。数据管道也可能变得脆弱——特别是对于可能意外到来的新 RFP。

在技术方面，将聊天机器人深度集成到 CRM 或 SharePoint 等系统中可能会引发实施问题或成本争议，因为这可能会影响其他团队。衡量采用率、准确性和成本趋势也可能变得复杂——使用量的激增可能会迅速将推理成本推高到最初的预测之上。在人员方面，一旦聊天机器人达到不太懂技术或持怀疑态度的销售团队，采用率可能会放缓，需要更强的培训和变革管理。

为了进一步探讨这些挑战，我们现在将聚焦于扩展过程中的三个特别敏感的领域：资助、使用和批准你所构建内容的人员；大规模运行 AI 解决方案的成本；以及随着你的 AI 足迹在组织内增长，你监控所发生情况的能力。

对齐人员和目标：AI 扩展的组织方面

到目前为止，我们谈论了很多关于技术使能器，这些使能器允许你在整个组织中扩展 AI 系统。但如果你的员工不支持，这一切都将微不足道。

实施 AI 需要得到那些 AI 意图增强的员工的认可。这种组织准备需要与技术准备紧密同步，如下面的图所示：

图 9.4：同步技术和组织准备就绪

图 9.4 展示了在扩展 AI 解决方案时技术和组织准备之间的关键平衡。成功的 AI 实施不仅需要强大的技术系统，还需要积极参与、准备充分的员工。仅仅发展技术（如开发 AI 模型或基础设施）是不够的。同时，组织需要适应和改变，确保员工理解和接受新的 AI 工具。这包括解决员工担忧、提供培训和将 AI 集成到现有工作流程中。

简而言之：无论你的解决方案多么先进，如果预期使用它的人不相信它，那么它就无法产生结果。将人工智能融入日常运营不仅仅是一项纯粹的技术练习——它是一种文化转变。一种转型。它触及人们的工作方式、他们的决策方式以及他们在组织中的角色。

员工很少因为不理解其好处而抵制人工智能。他们抵制它是因为他们不相信这些好处适用于他们。为什么他们要支持可能颠覆他们的工作或重写熟悉流程的系统？为什么他们甚至要接受一个人工智能系统可能比他们自己更好地完成部分工作的未来？

人工智能焦虑是真实的——当“为什么”不清楚或没有说服力时，抵制变化的本能也是真实的。

这就是为什么组织准备就绪必须与技术准备就绪同步发展。前面的图表显示了这两个力量如何随着时间的推移共同增长。一个没有另一个就会产生摩擦、阻力，最终导致失败。

随着你沿着人工智能之旅不断前进，从理解核心概念到推出实际用例，你的组织必须与之并行进化。你不仅仅是实施软件，而是在引导人们进行思维方式的转变：帮助他们理解人工智能如何融入他们的工作，它改变了什么，以及为什么它很重要。

不幸的是，许多倡议在这里遇到了困难。最常见的陷阱出奇地一致：模糊的战略叙述、过度炒作的承诺、缺乏培训、缺乏变革支持，以及缺乏反馈机制。他们专注于交付模型，而不是支持模型周围的人。

以人为本的人工智能转型颠覆了这种逻辑。它不是从算法开始的。它从员工开始。

重点是“这个模型能做什么？”转向“这将如何帮助某人更好地完成工作？”以及“我们如何向我们的员工解释这个解决方案？”

这意味着将技术进步的速度与组织实际能够吸收的变化速度相一致。

这并不意味着暂停一切，直到整个组织都“准备好”。但这确实意味着认识到人工智能的成功建立在两个基础之上：你系统的成熟度以及你人员的准备就绪。就像你的技术堆栈一样，组织准备就绪可以（并且应该）逐步发展，一步一个脚印。

这段旅程始于一个引人入胜的改变故事，它不仅解释了正在发生什么变化，还解释了为什么。它继续以专门的团队引导转型，一个结构化的学习之旅，使员工能够有意义地与人工智能互动，以及持续的反馈循环，以确保组织随着解决方案的进化而进化。

简单来说：没有一家公司仅仅因为拥有最快的模型或最干净的数据而被 AI 改变。改变发生在人们感到被赋予力量，而不是被工具所取代时。这就是将能力转化为影响的原因。这就是为什么最终扩展 AI 与心理学和信任一样，与基础设施和算法一样重要。

接下来，我们将讨论在您扩展 AI 解决方案时如何管理成本。

规模化成本管理

添加到目前为止我们讨论的所有元素显然会增加您 AI 解决方案的成本。因此，一旦您的 AI 解决方案在生产中扩展并开始累积成本，一个问题会反复出现，来自财务、来自领导层、来自您自己的团队：这还值得吗？

答案取决于您是否准备好如何应对AI 项目与传统 IT 项目在行为上的不同，尤其是在成本方面。

看一下以下简化的插图：

图 9.5：IT 项目成本与 AI 项目成本对比

您在这里看到的是一个常见的模式。

在传统的 IT 项目中，大多数成本通常是前置的。在实施过程中，您会大量投资——构建系统、集成软件和培训用户——然后成本通常会随着时间的推移而趋于平稳。无论您有 100 个用户还是 10,000 个用户，每个用户的成本都保持相对稳定（除了软件许可可能基于使用量之外）。

AI 项目遵循一个非常不同的节奏。

尽管早期开发成本可能较低——特别是如果您从现成的组件开始——但 AI 引入了随着解决方案增长而出现的振荡和扩展成本。模型再训练、微调和一般模型维护引入了一个周期性的成本块，随着时间的推移会再次出现，导致您的 AI 解决方案的维护成本（或多或少可预测）会周期性地上升和下降。这使得预算解决方案变得困难，因为您总是需要保留一些储备金以应对意外情况，例如，由于底层数据变化。

此外，AI 成本通常随着使用量的增加而更明显地扩展。一个每天处理 50 个查询的模型可能运行成本低廉。但当您将相同的模型扩展到处理多个业务单元的 50,000 个每日请求时，推理成本、计算负载和延迟处理基础设施可能会迅速增加成本。在试点阶段看起来效率很高的解决方案在扩展后可能会变得出乎意料地昂贵——尤其是在需要保持响应时间和模型准确性的负载下。这是因为 AI 模型通常依赖于专门的硬件，如 GPU 或高性能 CPU，这些硬件比您平均的 IT 堆栈要昂贵得多。

那么，您如何应对这个问题？

不要试图从一开始就模拟每个边缘成本案例。相反，我建议一个更实用和可扩展的方法：我们之前在第七章中介绍的价值阈值和成本上限模型。

这里是这些方法的快速回顾：

• 价值阈值是指 AI 用例需要产生的最低商业价值——通常定义为时间节省、增加转化率、成本避免或其他与业务相关的指标

• 成本上限定义了分配给开发、部署和维护该解决方案的最大年度预算——包括基础设施、许可和内部资源

如果您的 AI 用例的成本低于成本上限且高于价值阈值，则被视为净正面——合理且具有商业价值。如果等式两边的任何一方发生变化，您的治理流程应强制重新评估：要么提高阈值，要么优化系统以将成本控制在可控范围内。

让我们看看一个简单的例子。

假设您的 AI 系统被客户支持代理用于自动总结投诉电子邮件：

• 价值阈值可能被定义为：每个代理每周至少节省 3 小时。

• 如果有 50 个代理在使用，那么每周就是 150 小时 × 52 周 = 每年 7,800 小时。

• 以平均每小时 50 美元的内部成本率计算，那将是每年 39 万美元的价值。

• 如果总成本（基础设施、供应商费用和维护）每年限制在 100,000 美元，则解决方案在合理范围内。但如果计算成本因工作量增加而激增，这可能会使年度成本超过 300K 美元。现在您需要重新评估：您能否通过显示更多部门受益来提高价值阈值？

• 或者您需要降低成本（例如，通过使用更便宜的模型、更多缓存或异步处理）？

人工智能经济学需要积极的管理。您的 AI 解决方案不是一个“部署一次，走人”的系统。它是一个活的产品，需要定期的成本-性能评估。没有它们，您可能会面临基础设施成本逐渐增加、供应商账单未监控或低效的工作流程随着时间的推移侵蚀您的投资回报率。

这就是为什么这种简单的成本/价值框架如此强大。您不需要完美的会计模型。您只需要清楚了解成功是什么样的，您愿意投入多少来实现它，以及何时平衡点偏移得太远。

换句话说：不要过分关注确切的价值。确保您的 AI 解决方案持续超过一个真实、可触达的阈值（您在第四章中定义的）。当成本开始上升，几乎不可避免地会上升时，将其视为智能、战略重新校准的检查点。

在下一节中，我们将讨论定义和衡量商业影响的具体方法，采用清晰和可操作性的指标以保持与组织目标的协调一致。

监控和指标

我们已经在几个地方提到了监控——作为 AI 解决方案的一个专用组件，作为 AIOps 的一个关键部分，甚至在原型评估期间，您测量模型准确度时也是如此。每一次提及都反映了同样的现实：监控不是一个单独的步骤或工具，而是一根贯穿整个 AI 生命周期的线。

随着规模的扩大，变化是什么。监控从偶尔的检查或技术保障转变为成为一门独立的学科——它将系统健康、用户行为、成本信号和业务成果联系起来。

这不仅包括传统的指标，如延迟或准确率，还包括防止不安全输出的防护措施、跟踪潜在的个人身份信息（PII）泄露以及在生成模型中检测越狱尝试。这些隐私和安全维度与性能或可靠性一样重要，因为它们直接影响信任、合规性和用户安全。

到目前为止，我们主要关注数据作为推动我们 AI 的动力——我们摄取、清洗并输入模型的数据。但一旦我们的 AI 解决方案上线并投入使用，它就开始产生自己的数据，例如使用数据、性能指标和操作日志。这一新层与最初用于训练系统的数据一样重要。换句话说，AI 系统不仅消耗数据，还生成数据。成功扩展 AI 意味着知道如何使用这些数据来跟踪什么有效，什么无效，以及下一次优化应该发生在哪里。

从这个意义上说，监控不仅仅是用来捕捉失败的事情，而是一种复杂的形式分析，如果做得好，可以让你回答诸如以下问题：

• 用户是否真正与 AI 解决方案互动？

• 我们能否始终保持高性能？

• 我们是否看到随着时间的推移，输出变得越来越不有帮助？

如您所见，这不仅仅是工程问题，也是业务问题。如果一个模型默默失去相关性或准确性，用户将停止信任它。如果每推理一次的计算成本在价值没有相应增加的情况下上升，您可能正在走向负回报率。

AI 在生产中的最小监控设置在表 9.5中展示：

| 监控标准 | 描述 |

| --- | --- |

| 使用指标 | 预测次数、查询处理次数、活跃用户数、峰值使用时间和 API 响应时间。 |

| 性能指标 | 模型级别的统计数据，例如，准确率、精确率、召回率或业务特定的等效指标（例如，解决的投诉数量、加速的提案、受影响的转化）。 |

| 成本指标 | 每用户、每 API 调用或每部门的推理成本。计算峰值。扩展模式。 |

| 反馈数据 | 用户更正、点赞/踩评分和标记行为。任何能提供对现实世界模型质量洞察的信息。 |

| 系统健康 | 管道可靠性、延迟、错误率、再培训间隔以及数据摄入的成功/失败率。 |

表 9.5：生产中需要监控的最小指标集

当然，仅仅收集这些数据是不够的——你需要将其投入使用。这就是为什么仪表板不应该只为数据科学家构建，而应该为商业用户和产品经理共同使用。将你的指标与价值阈值/成本上限框架对齐。如果性能低于定义的关键绩效指标（KPI），则应触发调查或再培训。同样，如果没有价值增加而使用量激增，这也值得你的关注。

并且不要忘记：AI 在这里也能有所帮助。例如：

• 使用 AI 异常检测来标记模型准确性的突然下降

• 预测用户成本可能超过预算上限的时间

• 根据用户反馈提出增强用户参与度的策略

为了跟踪不断增长的复杂性，以下是一个简单的方法来组织你的监控标准，通过将其分解为三个相互关联的层级：

| 层级 | 焦点 | 示例指标和信号 |

| --- | --- | --- |

| 技术 | 基础设施和系统健康 |

• 管道正常运行时间和故障率

• 推理延迟

• 数据摄入成功/失败

• 基础设施使用（CPU/GPU/内存）

|

| 运营 | 解决方案性能和用户交互 |

| --- | --- |

• 每天的预测数量

• 活跃用户/部门

• 模型准确性、精确度、召回率

• 每次预测或每用户的成本

• 再培训频率

• 反馈循环活动（例如，标记的结果，点赞/踩）

|

| 战略 | 业务影响和对齐 |

| --- | --- |

• 实现的价值阈值（例如，节省的时间，影响的转化）

• 成本上限状态（例如，预计支出与预算）

• 随时间推移的使用趋势

• 每个部门或流程区域的回报率信号

|

表 9.6：组织监控指标框架

这种分层方法确保你不仅保持系统在线（技术），而且还确保它保持有用（运营）和有价值（战略）。随着你扩展 AI 解决方案，这种结构化、多层次的监控变得至关重要——不仅是为了证明你的系统正在工作，而且是为了持续优化、适应并将它们引导到最重要的方面。

我们现在将重点转向将我们的学习应用于实践。下一节将重点介绍你可以如何采取渐进步骤来扩展 AI。

扩展 AI 解决方案的实用步骤

扩展 AI 可能会相当令人不知所措。是的，它是复杂的。是的，它是跨职能的。那么，你如何在不过度消耗资源或失去焦点的情况下前进？

一种经过验证的方法是在完整、封闭的增量中工作——这与在原型阶段交付原子 AI 用例非常相似。将每个增量视为一个具有明确边界的迷你项目：它可以从头到尾交付，显示出可衡量的价值，并为下一轮提供经验教训。

一个强大的增量通常包括：

• 一个具体的用例或功能：足够窄以完成，但足够有意义以产生影响。

• 定义的价值阈值和成本上限：始终保持业务案例可见。

• 一个监控计划：跟踪技术性能和商业影响。

• 清晰的变革叙事：向受影响的用户解释为什么。

• 一个学习计划：为人们提供采用解决方案的知识和支持。

这些增量可以根据您组织的资源限制和优先级顺序或并行开发（图 9.6）。

图 9.6：随时间推移的完整封装增量开发（示意图）

这种方法之所以有效，是因为每个增量都足够小，可以管理风险，但又足够完整，可以建立信任和动力。

让我们回顾一下 RFP 聊天机器人分析器的例子，以及您如何构建完整、封装的增量。

示例：分阶段扩展 RFP 聊天机器人分析器

下面是如何逐步增长 RFP 聊天机器人分析器：

1. 增量 1：扩展到另一个销售团队：

   • 用例：将聊天机器人部署到原始试点团队之外。

   • 价值阈值：每个销售人员每周至少节省一小时。

   • 监控：跟踪新 RFP 格式的准确性、每个代表的用法和节省的时间。

   • 叙事：我们将扩展到另一个团队，看看这些好处是否在更大规模上仍然有效。

   • 学习：收集采用反馈并完善入职材料。

2. 增量 2：嵌入 CRM：

   • 用例：从独立界面迁移到 CRM。

   • 价值阈值：通过更好的工作流程集成，将采用率提高 20%。

   • 监控：比较独立版本和 CRM 集成版本的使用情况。

   • 叙事：现在您不需要单独的登录——聊天机器人会在您已经工作的地方迎接您。

   • 学习：记录集成挑战并创建可重用的模式，用于未来的 AI 应用。

3. 增量 3：添加合规性文档处理：

   • 用例：在合规性重的 RFP 上训练或微调聊天机器人。

   • 价值阈值：将手动合规性审查时间减少 30%。

   • 监控：特别跟踪与合规性相关的部分的准确性。

   • 叙事：我们将扩展聊天机器人的范围，进入最困难的领域之一：合规性。

   • 学习：加强处理敏感数据和与合规官员合作的过程。

每个增量都是独立的：它提前定义了成功，包括采用计划，并提供了下一周期的教训。

每个增量都增强了信心，提高了对齐度，并为你提供了一个可以从中学习的具体成果——无论是使用聊天机器人的新部门，还是推动工作流程的升级模型，或者是减少停机时间的改进再培训流程。

增量作为敏捷史诗

如果您熟悉敏捷方法，可以将这些增量视为史诗级任务：可以分解为更小的故事或任务但仍然能够独立提供有意义价值的工作单元。每个史诗级任务都有一个明确的目标、成功标准和学习成果——就像这里描述的增量一样。如果您想了解更多关于敏捷开发和特别是史诗级任务的信息，请访问这个网站：resources.scrumalliance.org/Article/epic-agile。

这也与流程杠杆有关。虽然原型设计通常依赖于松散结构化的冲刺，但扩展需要更严格的规划和协调。如果您已经知道如何处理其他项目的敏捷项目，那么您就处于优势地位。通过将每个扩展增量视为史诗级任务，您为团队提供了一个共享的容器，它平衡了敏捷性和结构：足够灵活以适应，但足够正式以协调利益相关者并跟踪进度。

在实践中，这意味着：

1. 将增量定义为史诗级任务：每个史诗级任务专注于扩展一个结果（例如，聊天机器人的 CRM 集成）。

2. 分解为故事和任务：技术团队处理集成工作，治理团队定义政策，培训团队准备入职——所有这些都在同一个史诗级任务中进行。

3. 关闭循环：在开始下一个史诗级任务之前，回顾您的对齐点（价值阈值、成本上限、采用、学习）。

逐步进行，这种增量方法允许您可持续和负责任地扩展 AI。每个周期都带来实际的价值，同时也在技术和文化上增强了您组织为未来做好准备的能力。

以一个真实的例子来说明：我合作的一家 B2B 公司有一个支持团队，他们为简单的客户支持聊天机器人进行了原型设计。在探索阶段，他们在不同的产品上构建了三个聊天机器人，证明了这一概念：这些机器人可以回答大约 80%的客户问题，减少工单数量，并让项目经理（他们一直在处理支持工作）能够专注于他们的实际工作。

他们没有急于在各个地方推出聊天机器人，而是将扩展视为一系列自包含的增量：

1. 增量 1：建立平台

由于需要覆盖 30 多个产品，团队意识到他们需要一个共享的中心来集中管理聊天机器人知识，同时允许每个产品进行适应性调整。他们选择了一个聊天机器人平台供应商，而不是从头开始构建，并将他们的第一个增量定义为设置具有基本监控、反馈循环和基于团队的访问等治理功能的平台。这为每个未来的聊天机器人提供了相同的基础：对性能的可见性、用户标记问题的方法以及持续改进的流程。

1. 增量 2 及以后: 逐个添加机器人

一旦平台建立，他们为每条产品线（网站）添加了一个聊天机器人。每个机器人都是其自身的增量 - 足够小以监控采用率和影响，但足够完整以向特定客户群体提供价值。只有在验证了使用率和准确性之后，他们才会继续进行下一步。

结果是分层扩展方法：首先平台，然后逐步更新聊天机器人。这保持了低风险，允许快速的学习周期，并确保每次扩展都建立在经过验证的基础上。8 个月后，公司有 20 个不同的聊天机器人上线，每月处理超过 10,000 条消息，并在一级客户服务中节省了数千小时的支援时间。

摘要

在本章中，我们探讨了从原型到生产的真正需要，而不仅仅是技术。

我们考虑了几个方面。首先是发现到交付的转变，以及需要重建与重用的内容。我们还讨论了扩展人工智能的五个关键推动因素（人员、流程、数据、技术和 AIOps）。人工智能扩展的一个重要方面，实践者必须真正关注的是如何吸引那些批准、使用和操作您的人工智能解决方案的人员。我们探讨了价值阈值和成本上限如何帮助您管理特定的人工智能成本。本章还强调了生成、跟踪和采取监控数据以推动持续改进的重要性。扩展人工智能永远不仅仅是关于性能基准或技术正常运行时间。它关于创建一个系统 - 包括技术、人员和流程 - 随着其增长而学习、适应和创造价值。因为在大规模下，人工智能不仅仅是您交付的东西；它是您与之共存的东西。

在下一章中，我们将探讨如何成功地将人工智能扩展到产生有意义的商业影响。

|

现在解锁本书的独家优惠

扫描此二维码或访问packtpub.com/unlock，然后按书名搜索。 | |

| 注意：在开始之前，请准备好您的购买发票。* |

| --- |

第十章：利用您的 AI 工具包

您已经走了很长的路。

您现在已经了解了现代 AI 的真正含义。您已经确定了高影响力的 AI 用例，设计了它们并优先排序，构建了工作原型，甚至探索了如何在您的组织中扩展这些原型。但仍然缺少一个主要部分——这并不是更多的理论。最终，是工具。不是那种需要六个月采购周期或跨职能 IT 协调的工具，而是团队可以立即开始使用以解决实际问题、测试真实想法和创造真实价值的工具。

在最后一章中，我们将转向实际赋能，向您展示如何将 AI 直接带入员工的双手、团队和业务单元。不是通过大规模的改革或太空跳跃赌注，而是通过日益强大、出人意料地易于访问的日常工具，这些工具旨在融入您组织现有的工作流程。

为了理解这些工具，我们将使用本书中早期介绍的一个框架：集成-自动化（IA-AI）框架——这是一个评估 AI 工具能做什么、如何融入您的运营以及您可以合理预期的回报率的实用视角。

在本章中，我们将涵盖以下主要主题：

• 重新审视集成-自动化框架

• AI 助手：易于入门工具

• 共飞行员：深度集成到工作流程中

• 自动驾驶仪：业务流程自动化工具

• AI 代理：自主任务处理

• AI 工具采用框架

• AI 工具地图：实用指南

重新审视集成-自动化框架

在我们开始之前，让我们快速回顾一下我们在第六章中讨论的 IA-AI 框架。这个框架根据系统集成和任务自动化的水平对 AI 项目进行分类。它定义了四个渐进式的用例类型，分布在四个象限中，如下所示：

• 助手是低集成度、低自动化工具，如 ChatGPT——非常适合写作、总结、构思或只是实验。

• 共飞行员深度集成但仍需要人工输入——想想微软 365 共飞行员在 Word 或 Excel 中的使用。

• 自动驾驶仪高度自动化但集成度较低——例如，一个 24/7 工作而不接触内部系统的聊天机器人。

• 代理是最先进的象限——它们结合了高集成度和高自动化，以最小的人为输入完成您业务中的全部任务。

让我们再次审视这个框架（图 10.1）。

图 10.1：集成-自动化框架

每个象限支持 AI 旅程的不同阶段。最好的组织并不是试图直接跳入代理复杂性——他们是有条不紊地排序工具，将它们与实际世界的成熟度相匹配，并在团队中逐步构建能力。

本章将带您了解：

• 探索哪些工具（以及忽略哪些工具）？

• 每个工具如何融入您的 AI 赋能路线图？

• 它们解锁了哪些能力，以及针对哪些人？

• 如何推出它们而不会压倒您的组织？

不论您是负责引导公司 AI 努力的个体贡献者，团队领导，还是指导企业 AI 战略的执行官，本章为您提供了将 AI 付诸实践的实用蓝图——从您团队明天可以开启的工具开始。

让我们从第一个象限开始：助手。

AI 助手：易于入门的工具

如果您想在您的业务内部开始构建 AI 能力，这个象限是您开始的地方。

AI 助手是低集成度、低自动化的工具。这意味着它们不会触及您的内部系统，也不会代表您采取自主行动。但它们确实提供了几乎零摩擦的即时价值。这些工具是您在组织内构建 AI 素养的入门点——无需为每个小型用例单独调用 API 或开启 IT 工单。

有几种工具属于这个象限，例如ChatGPT (OpenAI) openai.com/，Claude (Anthropic)** claude.ai，和Poe (Quora 的多模型聊天包装器)** poe.com/login]。除了这些知名品牌，还有许多专注于不同领域的较小变体，例如Langdock** (www.langdock.com/)，它非常重视数据主权和控制。许多大型企业也开始构建这些工具的内部版本。

这些工具通常围绕一个简单的聊天界面构建，例如 ChatGPT 推广的界面。

图 10.2 展示了 Claude 的聊天界面。

图 10.2：聊天助手界面（此处为 Claude）

您向助手提供提示，它们就会生成回应。这正是它们如此强大的原因——它们是通才。它们不需要固定的集成点或明确的工作流程。它们就在您需要它们的时候出现。

这些助手可以：

• 几秒钟内总结密集文档

• 重写并个性化电子邮件

• 发起标题、标题或产品名称的头脑风暴

• 起草职位描述、简报或提案

• 从杂乱文本中提取结构化数据

• 翻译文本或调整语气和复杂性

• 按需生成想法、大纲或演讲要点

这些任务会消耗时间，耗尽精力，很少能证明进行完整项目的合理性。但有了能干的助手，你可以卸下精神上的重负，更快地继续前进。对于几乎所有商业职能的个人来说，这就像拥有一个超快的研究助手、作家、分析师和项目合作者，全部都在一个标签页中。例如，销售经理使用 ChatGPT 来撰写客户提案邮件的初稿，然后通过定制的 GPT 来检查语气和清晰度是否符合公司指南。原本可能需要相当努力的任务现在可以在显著更短的时间内完成——并且一致性更高。

这些工具开箱即用时不连接到您的内部系统，这几乎消除了采用的技术障碍。这正是它们作为第一步如此有效的原因。

为什么它们有效

助手的真正力量不在于它们能做什么，而在于它们所规范的内容。助手是通往 AI 流利的最容易的途径。它们做以下事情：

• 鼓励实验：无需设置或承诺——只需提问，看看会发生什么。

• 创造即时生产力提升：即使是单个提示也能节省一个小时。

• 民主化 AI 的使用：无需培训。任何会使用搜索栏的人都可以使用 AI 助手。

• 养成习惯：一旦人们获得一次胜利，他们就会继续回来——而这种一致性会积累动力。

一旦一些团队成员开始定期使用通用 AI 助手，其他人也会效仿。你会注意到人们：

• 向同事请求提示模板

• 比较不同模型之间的输出质量

• 创建他们自己的内部 GPT 或工作流程

• 分享节省时间或改进草稿的成果

这就是小型AI 习惯的开始，人们会建立自己的直觉，了解何时将任务委托给 AI，何时信任它，何时完善它。这是 AI 流利的基础。

这些工具也激发了自下而上的创新。与自上而下的软件推广不同，助手让好奇的人可以按自己的方式探索。通常，这会导致意想不到的过程改进或原型想法，这些想法从战略手册中是永远不会出现的。在成熟的公司中，一些最有价值的 AI 用例并非始于自上而下的倡议，而是始于一位员工使用 ChatGPT 和一个共享提示库巧妙地创造的一个解决方案。我看到了一个特别引人注目的例子，其中一家领先的德国媒体公司的两位编辑开始收集用于日常任务（如改进标题、创建文章摘要或编写预览文本）的有效的提示，并与同事分享。现在，这些提示的最佳版本以文章 AI 工具的形式被整个组织中的数千名编辑使用，迅速成为不可或缺的日常伴侣。而且这些助手并没有停滞不前。特别是在 ChatGPT 和 Claude 等主要平台上，新功能正在快速推出，例如 ChatGPT 中的任务（help.openai.com/en/articles/10291617-tasks-in-chatgpt），这允许您安排提示自动运行（例如，每天早上跟踪新闻提及）。另一方面，Claude 专注于推出大量连接器（www.anthropic.com/news/connectors-directory）到 Jira、Confluence 或 Google Drive 等工具，以及利用他们的模型上下文协议（MCP）添加自定义连接器的一种便捷方式。图 10.3显示了 Claude 使用其连接器集成多个工具。

图 10.3：Claude 中的连接器，用于更深入的集成

这意味着这个象限的一些经典限制——手动复制粘贴、缺乏上下文、集成有限——开始逐渐消失。虽然助手永远不会完全取代更嵌入式或自动化的解决方案，但它们正迅速成为通往这些解决方案的强大桥梁。

在您推出人工智能助手之前，您需要引入支持机制，建立规则和护栏，以确保它们的安全和有效使用。让我们看看您如何做到这一点。

人工智能助手集成的组织考虑因素

尽管人工智能助手易于采用，但它们仍然受益于轻微的治理。这包括：

• 使用指南：提供清晰的“可做与不可做”清单。例如，不要粘贴敏感数据。可以使用它来改进草稿或总结复杂材料。

• 提示库：创建针对您团队定制的模板或示例提示（例如，“使用金字塔原理框架为董事会会议构建这个演示”）。

• 精选访问：一些组织选择集中管理登录或许可证（例如，ChatGPT Pro 账户）以跟踪使用情况并简化预算。

• 轻量级赋能：进行现场演示、简短的工作坊或办公时间。即使是 15 分钟的用例演示视频也能帮助将无意识或怀疑的用户转变为好奇的用户。

这里的关键原则是轻量级。今天，每位员工都可以通过他们的个人手机或浏览器访问 ChatGPT。你施加的摩擦或限制越多，员工就越有可能默认使用他们的个人版本——这通常被称为影子 AI，这是一个从影子 IT借用的术语，其中员工在没有组织批准或治理的情况下带来自己的 AI 工具。而影子 AI 正是你想要避免的。这不仅是为了数据隐私，还因为它将使用与组织学习脱节。你不仅希望人们使用 AI，你还想了解他们是如何使用 AI 的，并帮助他们随着时间的推移变得更好。这改变了文化对话，从“我们能使用 AI 吗？”转变为“我们如何使用？”。

领导力影响

AI 助手可能最初是单个工具，但它们更广泛的影响在很大程度上取决于领导者的反应。

对于部门负责人和团队领导，目标不是微观管理使用，而是引导。鼓励团队分享他们最喜欢的提示，突出节省的时间，或举办非正式的“提示星期五”，让员工演示巧妙的使用案例。这从底层建立动力。

对于高管——尤其是 CAIO、CDO 或数字化转型领导者——AI 助手是早期表明文化变革的机会。不是通过大胆的声明，而是通过小规模的赋能行为：

• 分享你个人发现有用的提示。

• 转发一份带有注释的文档：用 Claude 总结了一下——出乎意料地好。

• 在团队检查中询问“这些天你在用 ChatGPT 做什么？”。

这些微小的信号很重要。它们表明 AI 不仅被容忍，而且你正在积极邀请员工加入这一旅程。当领导者将 AI 工具视为工作的一部分（而不仅仅是作为一项宏伟计划或风险因素）时，这给了其他人同样的权利去做同样的事情。

接下来，我们将探讨第二个象限：协作者——直接嵌入你现有生产力应用的 AI 工具。

协作者：深度集成到工作流程中

由于助手通常存在于浏览器标签中，协作者则存在于你整天使用的工具中。他们将一层智能带入熟悉的环境——你会在你的文档、表格、收件箱、笔记本和会议中直接找到协作者。这就是它们如此强大的原因：它们已经存在于工作发生的地方。

然而，协作者是被定义为相对被动的。他们建议，有时甚至主动，但他们不会代表你采取行动（我们很快会谈到另一个象限）。对于协作者来说，人类不仅参与其中，而且处于驾驶员的位置。

你现在可能已经看到了一些：

• Microsoft 365 Copilot 可以撰写会议摘要或将您的 500 字更新重写为老板可能会阅读的内容。

• Google Gemini 在 Gmail 中弹出，带有“帮助我写…”按钮。

• GitHub Copilot 建议代码，注释它，或在你浪费 15 分钟之前捕捉到那个缺失的大括号。

深度集成使 Copilot 能够在上下文中茁壮成长。它们通常知道你现在正在做什么：

• 在 Excel 中，您可以说，“将其转换为瀑布图”，它就会自动构建。

• 在 Outlook 中，您可以突出显示一封电子邮件并提示，“告诉珍妮我更喜欢选项 2”，它将知道从之前的电子邮件中 选项 2 的含义。

• 在 Docs 中，您可以添加新行并说，“总结一下结论”，Copilot 已经阅读了此文档中的所有内容。

• 在 PowerPoint 中，您可以上传产品简报并获得 10 张幻灯片 - 在您的自定义 企业形象（CI）中。

• 在 VS Code 中，您可以说“在这里调用 weather_forecast 函数”，Copilot 就知道这个函数期望哪些参数。

下表为您提供了一个受欢迎的 Copilot 列表，它们的典型用户表面以及它们添加的价值：

| 套件/工具 | 典型表面 | 它添加了什么 |

| --- | --- | --- |

| Microsoft 365 Copilot | Outlook、Word、Excel、PowerPoint 和 Teams | 起草回复、重写段落、构建数据透视表和自动生成幻灯片 |

| Copilot Studio/Power Automate | 低代码画布 | 构建您自己的特定领域聊天或表单机器人，并连接到 Dataverse 或 SharePoint |

| Google Workspace + Gemini | Gmail、Docs、Sheets、Slides 和 Meet | “帮助我写…” 按钮、数据清理助手、幻灯片主题和通话记录 |

| GitHub Copilot | VS Code 和 JetBrains IDEs | 预测下一行，生成测试，解释代码，并建议重构 |

| Google Colab (Gemini 窗格) | Jupyter 风格笔记本 | 内联代码生成、单元格解释和一键数据清理步骤 |

表 10.1：比较受欢迎的 Copilot

这些工具共同将生成式 AI 带到熟悉的工作表面上，而不强迫用户进入新环境。

为什么它们有效

Copilot 消除了我们与助手一起使用的许多复制粘贴工作，并使 AI 增强的工作流程更加无缝。当正确使用时，Copilot 对于已经使用 Microsoft 365 或 Google Workspace 等平台并具有内置 Copilot 集成的组织来说可以非常有效。这扩展了现有工作流程，无需任何更大的行为改变，并满足用户当前的需求，使 AI 的采用更加平滑且不那么令人生畏，而不是要求人们学习新平台。

然而，让我们谈谈期望，因为这是许多团队出错的地方。

当副驾驶推出时，我听到的最常见的反馈是“这就是全部吗？”人们通常期望的是更接近魔法按钮的东西，而不是一个有用的推动。这是公平的。尽管有大胆的市场营销和炫目的演示，但大多数副驾驶的互动出奇地……安静。它们不会重写您的整个电子表格。它们不会交付最终产品。它们所做的只是提供一个更快的起点、一个更智能的建议或一个更干净的草稿。

这不是失望，这正是重点。副驾驶不会为您做工作。它们是在帮助您使工作更顺畅。一旦您习惯了这一点，就很难回头了。

现在让我们来谈谈在您的组织中推出副驾驶（copilots）之前需要考虑的关键因素。

组织考虑因素

尽管副驾驶很方便，但它们并不总是即插即用。因为它们触及敏感系统并嵌入到核心业务流程中，它们需要深思熟虑的推广和管理：

• 许可和成本预期：例如，Microsoft Copilot 可能是按用户每月计费，通常比标准的 Microsoft 365 许可证贵得多。许多组织在更广泛的推广之前，会从有限的试点开始以评估投资回报率。

• 数据访问控制：这些工具可以访问用户可以访问的一切——共享驱动器、收件箱和日历。审查默认可访问的文档和系统至关重要，特别是如果副驾驶生成的输出可能会暴露机密信息。

• 培训和赋能：大多数副驾驶用户并非因为功能不足而失败，而是因为期望不明确。简短的演示和快速启动包可以显著提高采用率和感知价值。

• 性能预期：这些工具功能强大，但并非魔法。团队需要了解副驾驶模型的优势和局限性。例如，M365 副驾驶在底层数据结构良好时可能难以处理细微的 Excel 分析。

• 供应商锁定：另一个需要考虑的维度是供应商锁定的风险。许多公司选择使用他们已经使用的平台的副驾驶集成，然后就把 AI 集成当作完成了。然而，副驾驶应该被视为一个起点，而不是终点。对于价值较低的流程，这里那里的一些复制粘贴工作就足够了。对于更专业或更高级的流程，高级用户通常仍然更喜欢更高程度的定制或自动化，并且减少人工介入。但在我们讨论这些之前，让我们先了解一下副驾驶对领导力的影响。

领导力影响

业务领导者在他们团队中副驾驶的推广和实施中扮演着至关重要的角色——这个角色远不止是批准额外许可证的预算。

与通用助手不同，副驾驶是按照设计嵌入到您的流程中的，这意味着它们有可能加速实际业务流程。但只有当您决定谁可以访问、如何推广以及在哪里实际使用时，这一点才成立。

这不是“打开它，让每个人自己弄清楚”的情况。Copilot 可以做很多事情 - 但它们所做的并不都是同等有价值的。例如，Microsoft Copilot 在 Outlook 中可以撰写完整的电子邮件回复。但你的销售团队真的应该用它来回复客户吗？可能不是 - 至少在没有监督的情况下不应该。在这种情况下，一个匆忙生成的 AI 电子邮件可能会损害信任，而不是节省时间。

一个更好的领导举措可能是定义在你的组织中 Copilot 是用来做什么的：

• 在 Outlook 中，用它来起草内部更新，而不是外部沟通。

• 在 Excel 中，用它来发现趋势或清理数据，而不是构建最终的预测。

• 在 Word 中，用它来重构草稿笔记，而不是从头开始生成提案。

领导者应该清楚地传达这些期望。不是因为人们需要手把手地教，而是因为清晰性推动更智能的采用。

同样重要的是：尽早决定谁将首先获得 Copilot。你不需要一个完美的推广计划 - 但你需要一个战略性的计划。优先考虑高杠杆角色：

• 销售运营团队深陷于预测表格中。

• 策略分析师在处理幻灯片和 Excel。

• 内部沟通或人力资源部门起草公司范围内的更新。

给他们早期访问。设定一个时间框架（例如，8 周）。然后，收集反馈：通过测量获得 Copilot 访问权限的类似团队和没有访问权限的团队之间的性能来量化，或者通过调查试点参与者来定性。不要只是问，“你喜欢它吗？”而是：

• 它实际上取代了什么？

• 你信任它做什么？

• 什么仍然感觉是手工的？

• 这值得额外的费用吗？

这有助于你区分新事物和真正的投资回报，并为基于实际工作流程的更广泛推广奠定基础，而不是基于假设。

对于数字领导者、CAIO 或转型官员来说，Copilot 也是你组织数据准备性的早期试金石。Copilot 的一个隐藏价值是它们揭示了你的内部知识薄弱之处。如果一个 Copilot 无法生成好的提案，因为你的材料散布在 15 个文档中且没有一致性，那不是工具的错 - 这是对文档债务的洞察。

将 Copilot 不仅视为工具，而且视为知识工作的可重复使用的构建块的领导者将看到真正的回报。这就是复利价值开始的地方。

现在，让我们看看下一个象限：自动驾驶仪 - 任务不仅更容易完成，而且开始自行完成。

自动驾驶仪：商业工作流程自动化工具

如果 Copilot 能帮助你工作更快，自动驾驶仪旨在通过让系统接管整个任务来帮助你工作更少。

自动驾驶仪工具是高自动化和低集成：它们可以用最少的 human input 运行流程，但并不一定位于你的日常应用程序内部。相反，它们通常在后台运行，就像一个数字运营团队在安静而一致地处理重复性工作。

这是业务流程自动化与人工智能相遇的象限。您不必提示工具帮助您重写某些内容，而是可以自动化整个内容工作流程——例如，在 CRM 中监听新的销售线索，从电子邮件中提取公司名称，并根据这些数据生成个性化的跟进。虽然自动驾驶可以完全从头开始构建，但这是无代码工作流程构建者大放异彩的领域。最受欢迎的例子包括：

• Zapier (zapier.com) 是无代码自动化工具的品类之王。提供最多的集成，并连接常见的 SaaS 集成（例如，当在 Typeform 中提交表单时，发送 Slack 消息并写入 Google 表格）。

• Make(www.make.com/) 与 Zapier 类似，但提供更简单的 UI 和更具竞争力的定价模型，集成数量略少。

• n8n (n8n.io) 是一个支持 AI 逻辑和代理的开源替代品，具有可脚本化的流程。

查看图 10.4 中的 n8n 支持票务分类工作流程。

图 10.4：n8n 中的 LLM 驱动的票务分类工作流程

这个分类工作流程是经典无代码工作流程与人工智能能力交互的一个很好的例子。工作流程从左到右执行。在这种情况下，工作流程在网站表单提交时触发。在第二步中，表单内容被 AI 文本分类器解析，并向 LLM 发送提示——在这种情况下，来自 OpenAI。LLM 的结果是分类，可以是三个支持票务类别之一。n8n 根据内容路由表单，将其转发到相应的电子邮件地址，并在支持票务数据库中更新记录。

虽然详细讨论这些工具超出了本书的范围，但以下表格为您提供了简要的概述和比较：

| 工具 | 成立时间 | 优势 | 局限性 |

| --- | --- | --- | --- |

| Zapier, San Francisco, USA | 2012 |

• 7,000+ 集成

• 简单的 UX 和稳定性

• 强大的错误处理

|

• 规模化时昂贵

• 开发者扩展性弱

• 有限的分享/协作

|

| Make, Prague, EU (Celonis 的一部分) | 2012 |

| --- | --- |

• 比 Zapier 便宜

• 非技术用户的视觉编辑器

• 支持导入/导出

• GDPR 合规性（欧洲提供商）

|

• 2,000+ 集成

• 没有原生代码块

|

| n8n, Berlin, Germany | 2019 |

| --- | --- |

• 可自托管，开源版本可用

• 原生 Python/JS 脚本

• 适用于 AI 集成

• GDPR 合规性（欧洲提供商）

|

• 较小的集成库

• 更技术化的界面

|

| Microsoft Power Automate, Redmond, USA | 2019 | 完全集成到 Microsoft 生态系统 |

| --- | --- | --- |

• 供应商锁定风险

• 学习曲线陡峭

|

表 10.2：流行无代码平台的比较

当 Zapier、Make 和 n8n 等工具最初作为通用自动化平台起步时，它们越来越多地拥抱人工智能集成以保持相关性。这些平台现在支持从基本的 LLM 操作到更智能的人工智能驱动的工作流程。

但还有另一类工具——那些以人工智能为基础构建，而不是作为增强的工具。

这些是人工智能开发平台，从头开始构建、部署和运行人工智能驱动的流程、应用程序和代理（我们稍后会讨论）。每个主要的云服务提供商都有自己的这些人工智能平台版本。以微软的 Azure 产品为例，它是那些已经在微软生态系统中投入的企业的一个受欢迎的选择：

• Azure AI Foundry(ai.azure.com/)：一个中心枢纽，让您可以在一个地方构建由通用人工智能（GenAI）驱动的应用程序，例如定制的共飞行员或面向客户的聊天机器人。

• Azure Machine Learning Studio(azure.microsoft.com/en-us/products/machine-learning)：更专注于传统的机器学习和 AutoML 工作流程——例如客户流失预测、需求预测或回归建模。

• 其他云服务提供商提供类似的 AI 套件，例如 Google Cloud 上的 Vertex AI (cloud.google.com/vertex-ai) 和 AWS 上的 SageMaker (aws.amazon.com/sagemaker/)。

在主要云服务提供商之外，还有越来越多的轻量级、SaaS 友好的通用人工智能平台，针对特定的领域或用例。以下是一些值得注意的平台：

• Chatbase (www.chatbase.co/)：让您能在几分钟内将文档或网站转换为聊天机器人界面。特别适用于机器人入职、内部帮助台或可搜索的知识库。

• Harvey AI (www.harvey.ai/)：专注于法律文件和合同工作用例的人工智能平台。附带集成的流程构建器。

• Synthesia (www.synthesia.io/)：使用通用人工智能从文本输入生成基于头像的视频。广泛用于自动化培训、入职或营销的视频内容。

这样想：如果 Zapier 和 n8n 是添加了人工智能的自动化平台，那么像 Azure AI Foundry 这样的工具则是添加了自动化的人工智能平台。SaaS 工具如 Chatbase 和 Harvey 已经为您预先构建了许多东西，针对特定的用例，并允许（通常是有限的）定制。

您选择哪个取决于您团队的技术深度、基础设施需求以及更广泛的目标。但它们都指向同一个方向：从人工智能作为助手到人工智能作为系统的转变。然而，这些工具通常不会立即深入到您的 IT 系统中。您通常可以从文件上传或 webhook 开始，随着项目的进行逐步构建集成。

我的建议是选择一个平台，让您能够快速测试（并可能扩展）在助手形式中发现和验证的用例。这可能意味着引入一个无代码的工作流程构建器，如 n8n，扩展您已有的 Zapier 许可证，或者为您的开发者提供访问 AI 平台，如 AI Foundry 的权限，这完全取决于您的组织。快速访问一个多功能平台的可能性比工具本身更重要。拥有一个中心平台的好处之一是您可以快速测试与特定领域供应商解决方案（如 Harvey）相比，自定义集成表现得多好（或是否可行）。最终，这又是一个是买还是做的决定。如果您想深入了解这一点，我写了一篇关于 AI 是买还是做的文章：blog.tobiaszwingmann.com/p/ai-make-vs-buy。

那么，这些自动驾驶仪在哪里呢？你可能已经熟悉一些典型的流程自动化用例：自动发送电子邮件、路由表单数据，以及在不同系统之间同步数据。但是，将 AI 加入其中可以显著扩大其价值。您可以使用 AI 来增强多个任务，使自动化更好、更便宜、更快，或者只是更具可扩展性。以下是一些例子：

• 客户入职：解析新客户提交的文件，使用 LLM 提取相关元数据，填充内部系统，并通知账户经理。

• 内容再利用：监控 Google Drive 文件夹中的新内容，使用 AI 提取见解，生成 LinkedIn 帖子和摘要，并在 Buffer 或 HubSpot 中排队。

• 潜在客户评分和丰富：当潜在客户进入您的 CRM 时，使用 LinkedIn 的数据对其进行丰富，使用 LLM 分析职位名称，并根据关键词将其分配到正确的销售流程。

• 内部报告：每周总结支持工单数据，并在 Slack 频道中发布一份简单的趋势报告。

• 调查分析：使用 LLM 对客户调查中的自由格式反馈进行分类，并标记紧急问题。

一个经典的自动驾驶用例是一级支持聊天机器人 - 一个自动处理您网站上常规客户问题的 AI 系统，就像一个更智能、更互动的常见问题解答。

有几种方法可以构建这个：

• 使用 n8n 创建一个自定义的由 LLM 驱动的聊天机器人，该机器人连接到您的知识库并通过 Web UI 运行。这给了您控制权，但需要手动准备数据。

图 10.5：使用 n8n 构建的简单 HR 聊天机器人自动驾驶仪

• 使用 Azure AI Foundry 构建一个自定义聊天应用，该应用连接到企业数据源和其他 Microsoft 应用程序。

• 使用垂直平台如 Chatbase 在几分钟内启动聊天机器人 - 只需上传一些 PDF 文件或链接您的帮助中心，它就会立即生成一个可用的机器人（图 10.6）。

图 10.6：用于向 Chatbase 添加文件的界面

每种方法都自动化了相同的任务——处理常见问题，无需人工参与——但在控制、速度和集成之间有不同的权衡。

正是自动导航器在这里大放异彩：它们易于引入，灵活适应，强大到足以将一次性胜利转变为始终在线的系统。无论您是从拖放式聊天机器人构建器开始，还是从完全定制的流程开始，这些工具都使得在不每次都调用 IT 的情况下自动化实际工作成为可能。

为什么它们有效

自动导航器不仅节省时间。它们改变了工作发生的方式——通过将临时手动任务转变为可扩展的无手操作工作流程。以下是它们为何能够持续存在的原因：

• 从小处着手：许多工作流程都是从单个提示或一次性任务开始的。使用自动导航器工具，这种初始的成功可以转化为只需最小努力即可重复的自动化流程。

• 释放思维空间：魔法不仅仅是速度——它是专注。自动导航器处理无聊、脆弱或无脑的任务，这样您的团队能够专注于真正重要的事情。

• 它们创造杠杆作用：小型工作流程可以节省几分钟。但当它们每天在五个团队中运行 50 次时，您开始挽回几天的时间。

• 无需规模即可扩展：这里的大多数工具都是为了商业用户而构建的——不仅仅是开发者——因此，您无需扩大您的 IT 团队来扩大您的自动化足迹。

与协助和提供建议的副驾驶员不同，自动导航器采取行动。它们不会等待您点击开始；一旦设置好，它们就会全天候运行、路由、转换、更新、总结或聊天。

这就是为什么先从助手或副驾驶员开始是明智的：它们帮助您了解 AI 增加价值的地方，它失败的地方，以及自动化安全的地方。一旦这种理解到位，自动导航器就是合乎逻辑的下一步——但它们需要更多的结构和监督，因为当软件开始自行做事时，就需要更多地考虑所有权、责任和治理。

组织考虑因素

由于它们的自动化程度很高，通常由数据事件或系统活动触发，自动导航器需要比助手或副驾驶员更多的监督：

• 定义自动化边界：并非每个流程都从完全自主中受益。例如，将支持票务路由到正确的团队可以安全地自动化，但自动发送退款批准而不进行人工监督可能会使您面临财务或合规风险。一种良好的做法是将流程分类为可安全自动化、需要人工介入和永不自动化。一些组织甚至为新工作流程进行自动化审查，就像轻量级的代码审查一样。

• 审计和日志记录：确保自动化——尤其是涉及 LLM 的自动化——被跟踪。你希望了解什么被生成、何时生成以及为谁生成。当工作流程在后台运行时，不可见性可能会迅速变成一种负担。想象一下，一个每周对数千份调查回复进行分类的自动驾驶系统：如果分类逻辑出现偏差或损坏，你可能直到基于错误数据做出重大决策时才注意到。适当的审计轨迹——记录哪些工作流程运行了，它接收了什么输入，以及生成了什么输出——允许你回溯和故障排除。在受监管的行业（如医疗保健或金融）中，这些日志甚至可能是强制性的。

• 成本控制：一些自动化，尤其是具有高频触发器或复杂 AI 调用的自动化，很容易产生令人惊讶的账单。例如，每当在频道中发布 Slack 消息时，就会调用 LLM 的 Zapier 工作流程可能会每周产生数千次调用。考虑批处理（例如，每小时处理消息而不是即时处理）、缓存（存储常见输出以避免重复的 API 调用）或使用上限（在每日阈值后停止工作流程）等技术，以保持成本可预测。对于可能具有高工作负载的工作流程，在部署新的自动化之前，考虑在小型样本上运行成本模拟，以估计其财务影响。

• 影子自动化风险：就像影子 IT一样，员工很容易开始构建不受监控的工作流程。虽然这显示了主动性，但也创造了风险。为了在创新与治理之间取得平衡，你可能会考虑建立一个工作流程注册表，让员工记录他们的自动化。其他人创建了自动化小组或内部实践社区，让高级用户分享模板、获取反馈并避免重复造轮子。

注意事项

不要过度依赖 AI 来优化工作流程。仅仅因为你可以使用大型语言模型（LLM）并不意味着你应该这样做。许多自动化步骤更适合用基本逻辑（例如，if/then，正则表达式，查找表）来处理。将 AI 保留在需要判断、细微差别或文本转换的步骤上。

领导力影响

自动驾驶系统通常源于草根创新——一位高级用户在周末将某些东西连接起来并与团队分享。但领导层有很大的机会将这些自下而上的突破系统化。

作为领导者，你的角色是：

• 发现可重复的胜利：看看一个团队自动化了什么，然后问，“还有谁可以用到这个？”

• 投资重用：帮助团队将单个工作流程转化为可共享的模板或内部库。

• 支持工具访问：提供 n8n 或 Make 等无代码工具的许可证，并授权非工程团队安全地使用它们。

• 创建反馈循环：询问团队正在自动化什么，什么仍然是手动操作，以及上周什么出了问题。这创造了一个健康的自动化文化——一个人们构建、改进和分享的文化。

最重要的是，规范化自动化思维模式。当创建一个新流程时，问自己这个可以自动化吗？不是为了避免责任，而是确保你最聪明的人不会陷入重复性工作。

对于数字顶级领导（CAIOs、CTOs 或运营负责人），自动驾驶仪提供了独特的 AI 赋能视角。它们在战略和执行之间架起桥梁——让你的组织可以实验、学习和优化，而无需等待集中路线图或重大 IT 投资。

事实上，你的一些最高回报率的 AI 用例可能不是来自 LLM 研究或供应商合作，而是一个巧妙的自动化，将 20 分钟的任务变成每天 2 秒的任务。

接下来，我们将进入最后一个象限：代理——在这里，AI 不仅自动化工作，而且开始代表你决定、适应和行动。

AI 代理：自主任务处理

如果自动驾驶仪自动化任务，代理则更进一步：它们决定、行动、适应，甚至随着时间的推移而改进。这就是 AI 不再是被动助手，而成为运营行动者的地方。

代理结合了深度系统访问和自主执行。它们不会等待手动指令。它们根据目标、数据或触发器采取行动，并且可以在工具、部门和决策之间执行多步骤工作流程。它们不协助工作，而是运行工作。

你可能已经看到了这个的早期阶段：

• 一个 AI 系统，可以总结会议、标记行动项，并在相应项目中自动创建 Jira 工单。

• 一个聊天机器人，不仅像自动驾驶仪一样回答常见问题，还能验证用户身份、重置密码、获取运输详情，以及升级支持工单。

• 一个销售代理，负责研究潜在客户、撰写个性化的电子邮件，并更新 CRM 记录。

大多数代理 AI 工具本质上依赖于以下四个构建块：

• LLMs用于推理和决策。

• 工具或函数调用框架，用于与真实世界系统交互（例如，OpenAI 函数，LangChain）。

• 记忆或任务历史记录，以便在步骤之间访问知识和保持上下文感知。

• 自动化运行时用于协调工作流程。

这使得代理非常强大，但也非常复杂。它们需要仔细设计、测试、监控，并且通常需要 AI 和传统逻辑的结合才能可靠地执行。因此，它们通常不是最佳起点，正如我们之前讨论的那样。

代理工具并非适合所有人。但如果你的团队具备基本的脚本编写技能或技术人员，这些工具可以帮助你部署自己的代理。这些工具不是大多数团队开始的地方。但对于拥有技术人员或准备扩展的先进原型组织，它们提供了真正的杠杆。你通常可以在上面看到自动驾驶仪的 AI 无代码工具上构建 AI 代理。在这种情况下，代理只是你工作流程中的一个单独节点。

这里有一个来自n8n中潜在客户丰富化工作流程的例子，其中由 AI 代理节点完成繁重的工作，可以使用来自 OpenAI 的 LLM 来控制网络爬虫工具，为一家公司添加相关信息，然后将输出存储在 Google Sheets 文档中：

图 10.7：n8n 中用于潜在客户丰富化的 AI 代理

正如你所见，这个工作流程看起来相对简单，因为我们不需要连接复杂的规则，比如要抓取哪个网站，如果网站没有提供或者网站上没有找到相关信息会发生什么。这些都是代理根据我们给出的提示来处理的事情。

除了在现有的工作流程自动化工具之上构建，另一种构建 AI 代理的有效方法是使用更针对开发者的代理框架，例如 CrewAI(www.crewai.com/)和 LangGraph (www.langchain.com/langgraph)。这些框架的优点是它们通常提供更多的可定制性，但它们通常不提供像 n8n 或 Zapier 这样的工具所提供的全面路由和自动化逻辑，这些工具在规模自动化工作流程方面拥有超过十年的经验。这就是为什么即使是简单的条件逻辑或基本事物，如 HTTP 请求，通常也必须手动编码。

代理框架如这些在需要并行运行多个代理的情况下特别出色——例如，一个多代理系统，其中一个代理进行研究，另一个生成摘要，第三个在发布前进行 QA 检查结果。最终，确定哪些部分更适合作为静态自动化，哪些应该由代理处理，这是学习旅程的一部分，通常涉及大量的试错。

当它们工作时

在这个象限中，真正的问题不是他们为什么能工作？其价值显而易见。如果你能够运行整个工作流程，确定步骤，选择工具，执行它们，无需人工干预即可即时适应，并且几乎零边际成本地完成，那么其优势不言而喻。这是运营的梦想：无需规模扩张，但实现自动化。在团队休息时也能进行的工作。

不，真正的问题是：代理实际上是在什么时候工作的？

在实践中，代理很难破解。它们比本书中任何其他类别的 AI 系统对工作流程的混乱、边缘情况、权限、上下文模糊性和工具访问性更敏感。

与生活在生产力工具内部的 Copilots 不同，或者与遵循清晰的if-this-then-that流程的自动驾驶仪不同，代理必须导航动态环境并做出实时决策——通常是在信息不完整或不一致的情况下。这种程度的自主性需要不仅仅是良好的技术。实际上，它需要所有扩展杠杆都到位，这是我们讨论过的第九章：

• 人员方面： 你需要真正负责代理流程的所有者，即使它跨越了公司壁垒。在他们周围，你需要一个团队，随时准备监控、优化和改进代理（见下文 AIOps）。将代理视为数字同事，而不是工具。

• 流程：你不能以瀑布式的方式规划代理，因为你永远无法预见到它们会遇到的所有边缘情况。代理将自行探索未知领域。这意味着敏捷交付 - 短周期、快速反馈循环和迭代 - 这样你就可以在它们以未预期的方式表现时快速适应。

• 数据：代理依赖于结构化、授权和可访问的数据，这些数据提供了足够的上下文以可靠地行动。不，启动一个 MCP 服务器并不能解决这个问题。数据成熟度是首要的；简单的连接器随后才会到来。

• 技术方面： 在将代理暴露于生产系统之前，提供安全的运行时环境 - API、连接器和沙箱环境。在这个阶段，可靠性、可观察性和安全措施是不可协商的。

• AIOps：在所有 AI 解决方案类型中，代理需要最重的监控、日志记录和干预。如果你的团队之前从未发布过至少一个 Copilot 或自动驾驶仪实施，那么你可能还没有准备好使用代理。

最重要的是，你需要抵制将整个业务流程交给数字瑞士军刀并期待奇迹的诱惑。

大多数失败发生在团队要求代理过早、过多地执行任务，而这些环境尚未准备好的情况下。最好的代理擅长一件事。它们是通过以更简单、更高的人类在环参与度（如助手或 Copilots）的形式交付工作的 AI 解决方案而获得的能力。这将自然地告诉你哪些任务或工作流程适合更多的AI 移交。

在这个背景下，代理工具本身？坦白说，这是最容易的部分。

组织考虑因素

部署代理不仅仅是技术决策，它是一场组织变革。你正在赋予软件代表你的业务行动的权力。这改变了所有权、监督、问责制和信任的动态。

与增强人类用户的助手或 Copilots 不同，代理系统可以在没有持续监督的情况下运行。这意味着你需要将它们视为数字团队成员，而不是工具。它们需要政策、范围、升级路径和质量保证。

以下是组织必须做出的四个关键转变，以实现代理工具的运营化：

1. 定义边界：并非每个任务都应该自动化。并非每个工具都应该有权访问敏感系统。团队需要明确的指导方针，了解代理被允许做什么 - 以及人类输入不可协商的地方。这包括：

   • 哪些工作流程可以完全自动化，哪些可以部分由代理领导？

   • 当代理在继续之前应该请求人类确认吗？

   • 他们被允许访问或更新哪些数据源或系统？

就像为新员工设置访问权限一样考虑。你不会在第一天就给实习生无限制的数据库访问权限。你的代理应该受到同样的纪律约束。

1. 实施安全网：由于代理是自主运行的，它们需要内置的安全保障。这些包括：

   • 限制速率以避免垃圾邮件式地轰炸外部系统或过载 API。

   • 对输出质量进行限制（例如，验证生成内容是否符合业务规则）。

   • 当出现问题时采取的回退行为（例如，通知人类而不是无限期地重试）。

   • 在推广前进行隔离环境（沙盒中的代理测试）。

确保实施操作程序以监控和控制生产中的代理解决方案。

安全网让你有信心将你的代理从实验阶段推广出去，并赢得用户的信任。

1. 确保可观察性：与代理相关的最大组织风险之一是隐形。如果工作流程出现故障或行为异常，有人会注意到吗？有效的代理采用需要：

   • 对每个动作进行记录和审计跟踪。

   • 对代理逻辑和提示进行版本控制。

   • 对于运行时错误、决策分支或边缘情况，提供仪表板或警报。

没有可观察性，你就无法掌控——你只是在猜测。

1. 建立所有权：这是最容易被忽视的部分。每个代理都需要一个人类所有者。这个人需要：

   • 监控系统。

   • 审查并改进其行为。

   • 决定何时退役、再培训或升级。

没有明确的所有权，代理变成幽灵进程——没有人知道它们是如何工作的，为什么它们这样做，或者它们最后一次更新是什么时候。这是快速走向风险、失败或放弃的途径。成功使用代理的组织将它们视为活系统：它们会进化、适应，并需要关怀。

领导力影响

对于领导者来说，AI 代理既是强大的机会，也是对你数字成熟度的真正考验。为什么？因为代理不仅需要工具的推广。它们需要真正的文化转变。你要求团队信任一个做出决策的系统。你不仅引入 AI 作为增强剂，还作为业务流程的参与者。

这一切都改变了。

在代理驱动的环境中，有效的领导力看起来是这样的：

1. 设定信任标准：团队会反映你的态度。如果你不断质疑代理工具的可靠性，预期会出现广泛的犹豫。如果你过度吹嘘它们，预期会失望。但如果你公开探索代理适用和不适用的地方，你给人们提供了一个平衡、可用的操作手册。信任不是从技术开始的。它始于领导行为。

2. 将迭代与完美正常化：没有任何代理系统一开始就是完美的。目标不是构建无瑕疵的自主性 - 而是学习在您的环境中哪种自主性是有效的。领导者应该为团队创造心理安全感，让他们测试、迭代并随着时间的推移改进代理。这意味着奖励学习速度，而不仅仅是交付速度。问自己，这个代理做对了什么？ 它在哪些方面遇到了困难？ 我们学到了什么？ 这将实验转化为改进 - 将失败转化为进步。

3. 转变您的运营模式：代理采用改变了工作完成的节奏。审批更快。任务被委派给工作流程，而不是个人。周转时间缩短。但如果你继续围绕这些新能力保留旧流程，你将扼杀价值。领导者必须重新构想团队结构和期望：

   • 能否围绕更高价值的监督重新设计角色？

   • SLA 会因为自动化加快交付而改变吗？

   • 性能指标应该转向反映代理工作流程吗？

换句话说，不要只是将代理插入到您的组织中。为它们组织起来。最终，代理系统与其说是关于复杂的 AI，不如说是关于设计用于规模、弹性和自主性的工作流程。当您的团队不再思考我能用这个工具做什么？而是开始问，这个工具能代表我做什么？，您就进入了代理领域。

现在我们已经探讨了不同类别的 AI 工具 - 从入门级助手到高级自主代理 - 是时候考虑您的组织如何实际采用它们了。

AI 工具采用框架

当您开始评估 AI 工具及其在您组织中的应用时，一个自然的问题就是：您应该从哪里开始？

本节提出一个框架，该框架提供了一个结构化的路径，用于评估您当前的 AI 工具景观，确定改进的机会，并将 AI 采用融入您更广泛的工具策略中。

而不是关注抽象的成熟度标签，这个框架将您的AI 工具采用之旅建立在直接影响日常工作的具体阶段上。

让我们详细探讨这些阶段：

1. 诊断您的当前状态：从您在路线图过程中检查的部门或产品开始，进行简单的自我评估。

   • 我们今天使用哪些工具 - AI 助手、副驾驶、自动驾驶仪或 AI 代理？

   • 有哪些行为或例子支持这一点？

   • 我们的盲点在哪里？

   • 根据我们的路线图上的用例，需要哪些工具？

这不需要过于正式。一个简短的研讨会、内部投票或部门负责人同步可以揭示诚实、有方向的见解。即使只覆盖 3-5 个关键领域，也可以揭示主要差距和机会。

目标不是完美；而是意识。最重要的是实现对您今天所处的位置的共同理解。

1. 识别下一级举措：一旦你知道每个团队的位置，定义提升一个工具级别将是什么样子：

   • 从 AI 助手到副驾驶：例如，支持代表从随意使用 ChatGPT 撰写电子邮件草稿转变为在他们的工单系统中嵌入副驾驶，建议回复和摘要。

   • 从副驾驶到自动驾驶仪：例如，支持团队开始自动化整个工作流程，如 AI 处理工单分类和路由，无需人工干预。

   • 从自动驾驶仪到 AI 代理：例如，重新思考支持模型，使自主 AI 代理从头到尾处理常见问题，仅将边缘案例升级给人类代表。

我建议用行为和结果来界定这些举措，而不是用流行语。你可以从以下问题开始：

• 我们能进一步自动化哪些流程？

• 我们能加速哪些决策？

• AI 可以直接承担哪些任务？

• 业务的潜在影响是什么？

1. 有目的地优先考虑：并非每个团队成员都应该同时进步。使用该模型来优先考虑投资和支持将产生最大影响的地方：

   • 需求已经在哪里出现（人们进行实验，构建小型原型）？

   • 哪些手动流程正在造成重大瓶颈？

   • 领导层最开放于哪些变革？

关注下一阶段的 3-4 个试点领域。为他们配备正确的工具，跟踪结果，然后将学习成果扩展到其他领域。从已经显示出 AI 熟练迹象并具有高运营影响的单位开始（如支持或运营）。

1. 将其转变为持续对话：这个框架不是一个目的地——它是一段旅程。使用它来：

   • 按团队设定季度 AI 采用目标

   • 指导赋能和技能提升计划

   • 跟踪跨职能进展

   • 庆祝胜利（例如，市场营销刚刚从副驾驶转变为自动驾驶仪！）

随着时间的推移，这成为你用于 AI 成熟度的共同语言。

1. 嵌入战略规划中：最后，将 AI 的采用直接与你的业务目标联系起来。例如：

   • 如果你的目标是减少招聘时间，问：将招聘从助手转变为副驾驶对这个指标有什么影响？

   • 如果目标是提高客户解决时间，问：将支持从副驾驶转变为自动驾驶仪能解锁什么？

当工具采用成为你谈论业务绩效的一部分时，AI 就不再是副项目。它成为竞争力和战略的自然驱动者。

现在您已经看到团队在能力上的发展，让我们通过一个快速的工具参考来汇总所有内容，您可以使用它来支持这种增长。

AI 工具地图：一本实用指南

每天都有新的 AI 工具推出——每天都有另一个悄然消失。

尝试跟踪所有这些是徒劳的。但在某些情况下，对整个格局的高层次了解有帮助，尤其是在你指导实验或支持使用实际工具的团队时。

因此，我创建了 AI 工具图，您可以在图 10.8中查看，并通过此链接下载（github.com/PacktPublishing/The-Profitable-AI-Advantage/blob/main/ch10/AI_Tool_Map.xlsx）；随着工具的发展，这个工具图会不断更新。AI 工具图按功能分组不同的 AI 工具，显示它们在您的 AI 旅程中的位置，它们在集成-自动化 AI 框架的哪个象限中，突出实际用例，并标记需要注意的事项。

图 10.8：AI 工具图

将其视为您穿越炒作的捷径，这样您就可以专注于使用什么，何时使用，以及谁应该负责推广。

本节的目的在于向您展示如何将 AI 采用从以工具为先的思维模式转变为以意图和流畅性为先的方法。最成功的组织并不是那些追逐每一个新应用的组织，而是那些在各个职能中建立一致、团队级别的流畅性，从而推动真正的业务影响。使用上述框架，您可以指导进度并有意地选择工具，一步一个脚印。目标不是完美，而是可见的、共享的、战略性的向真正转型迈进。

摘要

您已经看到了框架。您已经研究了用例。您已经构建了原型并探索了如何扩展它们。

但最终，是工具将您的 AI 战略转化为可衡量的业务成果。不是因为它们是神奇的，而是因为它们是可用的。今天。

一些工具——如 ChatGPT 和 GitHub Copilot——可以带来快速、个人的成功。其他工具——如 n8n 和 Azure AI Foundry（或 Azure 上的服务生态系统）——则解锁了更多可扩展的自动化和系统级转型。

但它们都有一个共同点：只有在被赋予探索、执行和分享成功经验的人手中才能发挥作用。

不论是营销人员使用 ChatGPT 重写电子邮件，还是产品团队搭建一个由 LLM 驱动的助手，亦或是你的运维负责人在 n8n 中自动化报告，AI 已经从未来的概念转变为实际的功能杠杆。

获胜的公司不会是那些拥有最多工具的公司。它们将是那些学会了如何早期、频繁且在整个组织中有效地使用其中一些工具的公司。真正的优势不是令人印象深刻的科技堆栈。而是一个知道如何学习、适应和每天使用 AI 来构建的组织。

您不需要一个大型的发布。您只需要开始，并在前进的过程中构建您的路线图。因为 AI 转型并非从一场主题演讲开始。

它始于一个简单的提示，一个工作流程，以及一个愿意按下运行按钮的团队。

感谢您与我一同踏上这段旅程。我希望这本书能赋予您识别机会、优先考虑项目以及将 AI 扩展到您的业务中——并构建您的盈利 AI 优势。

请保持关注

要跟上生成式人工智能和大型语言模型领域的最新发展，请订阅我们的每周通讯 AI_Distilled，网址为 packt.link/8Oz6Y。

packt.com

订阅我们的在线数字图书馆，全面访问超过 7,000 本书和视频，以及帮助您规划个人发展和职业发展的行业领先工具。更多信息，请访问我们的网站。

为什么订阅？

• 通过来自超过 4,000 名行业专业人士的实用电子书和视频，节省学习时间，增加编码时间

• 通过为您量身定制的技能计划提高学习效率

• 每月免费获得一本电子书或视频

• 完全可搜索，便于快速访问关键信息

• 复制粘贴、打印和收藏内容

在 www.packt.com 上，您还可以阅读一系列免费的技术文章，注册各种免费通讯，并享受 Packt 书籍和电子书的独家折扣和优惠。

其他书籍

您可能会喜欢

如果您喜欢这本书，您可能会对 Packt 的其他书籍感兴趣：

《首席人工智能官手册》

Jarrod Anderson

ISBN: 978-1-83620-085-7

• 作为首席人工智能官（CAIO）开发和执行 AI 战略，确保道德合规

• 从构思到部署掌握敏捷 AI 项目管理

• 通过案例研究应用确定性和概率性 AI 概念

• 设计和实现用于自主系统优化的 AI 代理

• 使用经过验证的设计原则创建以人为本的 AI 系统

• 通过数据隐私和模型保护措施增强 AI 安全性

构建代理式人工智能系统

Anjanava Biswas, Wrick Talukdar

ISBN: 978-1-80323-875-3

• 掌握生成式人工智能和代理系统的核心原则

• 了解 AI 代理如何在动态环境中运作、推理和适应

• 使 AI 代理能够分析自己的行为并改进

• 实现 AI 代理可以利用外部工具和规划复杂任务的系统

• 应用方法以增强人工智能的透明度、责任和可靠性

• 探索 AI 代理在各个行业的实际应用

Packt 正在寻找像您这样的作者

如果您有兴趣成为 Packt 的作者，请访问 authors.packtpub.com 并今天申请。我们已与数千名开发人员和科技专业人士合作，就像您一样，帮助他们将见解分享给全球科技社区。您可以提交一般申请，申请我们正在招募作者的特定热门话题，或提交您自己的想法。

分享您的想法

现在你已经完成了《The Profitable AI Advantage》，我们非常想听听你的想法！如果你从亚马逊购买了这本书，请点击此处直接进入该书的亚马逊评论页面，分享你的反馈或在该购买网站上留下评论。

你的评论对我们和科技社区都非常重要，并将帮助我们确保我们提供高质量的内容。