AI的快速发展对现代商业社会带来了深远影响，在客户服务领域彻底改变了企业与客户互动的方式，带来了服务质量提升、客户体验增强、经济效率提高以及数据利用改善。然而，对于很多企业来说，当前企业级的AI引入（局部、个人使用AI工具不在本文讨论范围，个人工具只要有帮助越早越好），主要有四个问题：
▶价值定位：上下认知没有对齐，没有统一的战略策略。价值衡量对不齐，就会导致同样一个事情有人觉得做了很好、有人觉得不好，这说明在企业内部没有形成对这个事情的目标，自然也没有价值评判标准——要鼓励创新，以提升企业价值定位
▶场景应用：不知道从哪里做起，对AI的场景形态缺乏思考，看到别的企业做什么自己也想做，如何适配、能不能用起来都不一定——要以场景本质+开放迭代看场景应用
▶技术方案：企业没有做好技术准备、架构设计，引入外部信息为主的大模型、个人助理没有问题，但是企业内原有的业务数据、知识内容都没有AI化，甚至可能会出现员工不知情的情况下将公司机密信息上传到外部AI大模型的情况——AI最高点是新技术，但最低点是原有业务的AI化
▶引入路线：引入企业级AI时，势必会面临内部需求繁多、内部系统改造等情况，紧迫的不做会导致与业务冲突，有一些影响不大的瑕疵时因为担心决策风险又退而不前，会导致路线的模糊——有长期规划，能接受短期和迭代
要想清楚做AI的目标是什么，价值是什么，给谁用，解决什么问题。例如某企业想增加一些创收或者更好地维护好客户复购，让服务产品化，将服务收入从覆盖1000家客户扩展到2000家客户，从1个亿的收入增加到2个亿的收入，这就是很好的价值点。不是围绕着企业价值目标的智能化都是无效投入。
明确了价值就是有了战略定力，接下来就是找到与价值密切关联的场景，以场景本质+开放迭代的视角，在场景中寻求智能解决方案带来的提升。本质是这个业务场景对目标来说有没有必要，核心是什么，做选择的时候都要用这个来判断。开放是以现在or未来、局部 or全局来做思考，最好是有未来解决全部的思考，但是能开放性地以现在、局部做成长型的决策。场景有内部寻找和外部寻找两种方式。
就是在场景中找到AI可以提升、替代的点，寻找引入新场景的机会。内部寻找切记要聚焦、有明确的改善方向，不要模糊的以大客服场景定位，最好是能聚焦在明显的信息偏差不对齐、数据量个人处理不过来，有一定规模收益的点上。比如某小家电厂商的客服要在很多文档库中搜索、判断、组合信息才能发回给客户，回复慢且能同时能处理的Case有限。这就是一个可以用AI提升的点。
外部场景需要有对场景、数字化都比较熟悉的人参与，避免不了解外部方案的匹配度和专业度，并且要重点关注业务需求的适配、伙伴公司的产品成熟度和长期计划。以售后宝的AI长期计划为例，一方面，售后宝是国内在售后服务领域客户数量最多、投融资规模最大的企业，会长期在这个领域发展，不是简单的技术供应商，而是长期的合作伙伴。另一方面，售后宝的AI产品是可试用的，已经在上百家企业推广使用，是开箱即用且可以迭代的，例如在售后宝的智能派工场景，很多AI化的派工策略都已经Prompt化，通过Prompt可以带入策略，并支持策略的微调。
技术方案
不迷恋大模型，以够用、专用的标准
采用“两多两专”的方案
以下是当前阶段落地企业级AI时，关于技术方案的几个热门问题：
Q1：采用什么样的模型？
国内的还是国外的？哪个厂家的更合适？以阿里云上的AI计算服务为例，如果使用LLM 8B的模型、4090的卡，大概年费用在10万-20 万左右，当然如果量增加、配置提高会需要更高参数和服务器资源。
Q2：什么样的专有化方案具有更高性价比？
如果不能接受数据对外部大模型传递，那API的方式就不可行的，要部署企业级的专有模型或混合模型。比如售后宝的一个案例中，客户部署混合模型，就是以外部信息为主时采用外部模型、引入API 即可；对专有内容进行访问时则访问专属模型，比如查询企业内部研发文档等。
Q3：原有数据如何AI化？
这是企业非常关心的问题，哪些内容可以构建AI数据的中台，然后构建应用；还是由用户视角转化AI数据然后创建AI应用。从售后宝的实践来看，用户参与数据AI化还是比较好的形式，可以对原有数据结构做一些清洗，避免错误数据和冗余数据增加AI化的成本和幻觉变量。按照小宝AI原有的解决方案，可以采用AI触发器调用原有业务系统、知识库的数据，对于比较确定的业务是比较好的。但是对于一些视角特殊的情况，需要做二次数据构建的，很多厂商在使用多维表的方法，即原有数据通用API、导入的方式到有AI能力的多维表，然后从多维表再创建AI助理应用，这种方式非常值得关注。
Q4：AI的配置管理放在哪里？
引入的外部模型API、分发的License需要统一管理吗？专有AI企业应用需要统一的管理平台吗？AI助理注册在哪里？目前的情况来看，部分API类使用的订阅账号有企业账号分配机制，但是对联合身份验证还支持得不好，需要注意做动态管理。企业专有模型的接口汇聚、调用、账号、机器人、微调都要有专属的配置工具，比如小宝AI就可以配置多模型、做微调管理、多机器人管理等方式。
Q5：AI场景落地在哪里？
用户的需求在哪里，AI的入口就在哪里，比如一部分是软件内部，一部分是企业Portal或通讯平台的入口。以小宝AI为例，既可以在应用中使用，也可以通过钉钉这样的入口使用。
在引入路线上，互联网公司、科技公司的热情和速度大于传统企业，这与行业有关，也与工作方式和原有数据的AI Ready程度不一样。总的来说我们有三个观点：
个人的、外部的，要早于组织的、内部的
比如某科技公司很早就给全员开了ChatGPT的账号，先从外部用起来，全都是用来提高知识查询效率的。企业内部促进个人使用AI的工具非常重要，在内部AI化中，先提高人的AI Ready度，无论是提效为目的还是以个人学习为目的，都好。
先不规划缜密的大蓝图大周期，从有价值能参与的场景入手
一方面，AI还是比较新的，尤其是与企业组织架构、流程的融合还没有那么多定式，我们的认知可能是不全的，因此不建议画蓝图。另一方面，AI技术发展太快了，无论是商务模式、技术方案都有很大变数，不宜以当前需求做大的蓝图规划，更好的情况是只要有价值的点、能共创的点就先做起来，边做边规划、边迭代。
单个场景从“能用”到“好用”
对于已经确定的场景，要实现“能用”到“好用”的体系认识，比如以企业级AI知识库为例，要能规划好原有内容如何AI化、如何管理配置、如何使用等课题，避免为了上而上，到最后没人用。从钉钉反馈的统计数据来看，一个组织中AI活跃度一下子上升又下降，主要的原因是工作习惯以及是否能真正解决问题。因此要极力避免以尝鲜能用为目的、不以好用为目的的应用构建、推广路线。
AI不仅仅是技术的引入，更是企业的变革。因此，企业要做好人员Ready、原有数据Ready，以价值为导向，以本质+开放重新思考场景，并通过稳定安全的技术方案，走逐步迭代发展的路线。这个过程很复杂，但是每个复杂的地方都会变成认知差异，变成人无我有的差异，企业拥有了这个差异化竞争力才能赢在AI时代。
