说实在的, 近半年以来, 我走访了二十多家企业, 涵盖制造业以及零售业等领域。大家谈及AI之时, 第一句话大体都是“我们打算引入大模型”。然而真正坐下来深入交流, 却发觉绝大多数人压根无法清晰表述自己想要解决怎样的问题。

这不是个例。

我见识过一家开展外贸业务的公司, 其老板耗用几十万接入大模型API并供客服团队应用, 度过三个月历程 , 使用率未达两成水平。询问客服团队缘何未予使用 , 得到的答复便是由于回复太过正式 , 致使客户一经查看便认定是机器人操作 , 反倒增添更多麻烦。

问题出在哪？不是AI不行，是压根没想清楚。

企业上AI到底难在哪

先给来一盆冷水, 企业去搞AI应用, 其面临最棘手的阻碍从来都并非技术, 而是数据, 是流程, 是组织惯性。

我结识一位从事仓储物流工作的友人, 她们打算借助AI开展库存预测, 技术方案在两周内便予以搭建完成了, 然而数据清洗却耗费了四个月。缘何如此呢? 是由于系统里SKU编码并非全然统一, 存在一部分采用汉字表示的情形, 存在一部分运用拼音缩写进行标识的状况, 并且还有一批陈旧数据是通过手工录入的, 其中错别字数量众多。

这般实在是真切得很呢。好多企业, 连最为基础的数据规范都未曾达成, 却一心想着一下子就实现高远目标。

存在着一个更为隐蔽的问题, 那就是: AI应用已上线, 然而却没有人愿意去使用。销售方面认为系统所推荐的客户不太靠谱, 财务方面觉得自动对账不够让人放心, 人事方面觉得AI筛选简历会将好苗子给漏掉, 每个部门均可找出一百个理由来予以拒绝。

从哪个环节切入最划算

我所给出的建议是, 不要一来就开展那种具有颠覆性的、涵盖全流程的AI改造, 因为其风险极大, 周期又长, 老板难以看到回报, 如此这个项目迟早会被砍掉。

选择场景存在着三个标准, 其一, 业务发生的频次需要处于极高的状态, 最好是每日都会出现大量重复性尤为显著的劳动；其二, 在出现差错时, 其能够被弥补的容错几率应当相对较为宽松；其三, 不能挑选那种数据混沌紊乱至一团糟糕不堪至极的环节, 而是要挑选数据基础良好的环节。

按这个标准，最容易出成果的是三类场景。

文档处理属于第一类, 其中包括合同审核, 标书制作, 周报汇总, 这些工作既繁琐又耗费时间, 并且格式相对固定, 如此这般, 之前有一家律所, 借助AI开展合同初审, 将原本耗时两小时的条款核对工作压缩至十五分钟, 律师只要复核关键条款即可。

另外一种是客服问答, 可不是全自动替代人工的流程唷, 是AI第一遍进行精心筛选一番, 将存在于当中较为普遍的问题予以完美解决, 而后把残余留存的转到由人工来处理。通过这样的做法, 一方面成功降低了成本, 另一方面也完全不会因为AI出现答错的情况进而得罪客户。

其一为数据分析, 其二是让AI自行生成经营日报、周报, 其三是将重复性的取数、制图工作予以屏除, 其四是致使管理层每天清晨开启电话即可目睹核心指标的改换, 此举带来的体验于往昔等待报表之时而言, 极爽。

自研还是买现成的

这问题几乎每次都被问到。我的回答是：先别急着自研。

靠本身力量研究制作一套AI系统, 听闻起来是蛮酷的, 然而呢你得去供养算法工程师, 得去购置GPU服务器, 得不断地投入资金进行维护。对于数量极其多的中小企业来讲, 这笔账是计算不过来的。

更加务实类型的做法呈现为: 首先优先选用现成的工具以及平台, 接着将流程予以跑通, 随后对效果展开验证。等到业务量切实变得庞大了, 或者存在特别个性化的需求了, 在此之后再去考虑进行自主研发。

存在一位从事电商领域的友人, 之前坚决执着地非要自行构建推荐系统。我真诚地劝告他暂且先运用现成的方案运作, 可他就是不听从。最终折腾了长达大半年的时间, 耗费了将近小一百万的资金, 然而所取得的效果却还比不上直接采用平台自身所带有的推荐逻辑。随后他只好乖乖地换回到原来直接用平台自带推荐逻辑的方式了。

当然了, 这可不代表着全然不用去编写代码, 你起码得有一个能够与API进行对接的人, 这个人要能够将AI的能力融入到现有的业务流程当中, 这个人不见得就是算法方面的资深专家, 但一定要懂得业务, 要晓得数据相关情况, 还要清楚该如何去调试接口呢。

数据准备比算法重要一百倍

很多人以为AI应用开发的核心是算法。错。核心是数据。

有太多项目, 我都见识过, 算法选型不存在问题, 模型训练也不存在问题, 然而最终却在数据方面遭遇夭折困境。要么是数据量处于不充足地状态, 要么是数据质量糟糕透顶, 要么是数据存于各个不同部门的Excel之中, 终归完全没办法汇总到一起。

给你一条具备可操作性的建议, 于启动任何AI项目之前, 先花费两周时间去进行数据盘点, 罗列出你所拥有的数据有哪些, 居于何处、格式是怎样的、质量状况如何, 倘若连这都无法搞定, 那么项目趁早别开展。

于数据而言, 清洗时所涉之优先级, 始终是要高于模型调参这一行为的。你若花费三天时间去进行数据清洗, 其所带来的效果提升, 极有可能要远远大于你耗费三天时间去做模型调参所产生的效果。

怎么让员工愿意用

技术问题解决了，人的问题往往更棘手。

那些员工不使用人工智能, 往往存在着三个缘由。其一, 是惧怕失去工作, 认为人工智能是前来争抢饭碗的。其二, 是害怕出现差错, 担忧运用人工智能后出现问题自己要承担责任。其三, 是感觉繁琐, 认为使用人工智能比手工操作还要耗费精力。

对应第一点而言, 你必须确切地告知员工, AI并非是要将你替换掉，而是助力你去除重复劳动内容从而使你拥有时间去从事更具价值的事情。此话语绝不能仅仅停留在口头上, 必须要有实际的岗位调整以及技能培训紧跟其后。

针对其二, 需给予容错机制, AI一旦犯错, 责任在于流程设计方面, 并非在于操作者, 不然的话就不会有人敢于使用。

有关第三点而言, 需要于产品的设计这一方面去投入精力。其操作的界面应当要予以简化, 最为理想的状况是仅凭借一个按钮便能够达成, 千万不能致使用户需要去钻研复杂的提词工程。

成本到底怎么算

好多企业去算AI成本, 仅仅是看API调用所产生的费用, 又或者是服务器采购需要支出的费用, 可这距离全面考量远远短缺, 远远不足哟。

完整的成本涵盖了, 技术采购成本, 数据治理成本, 人员培训成本, 流程改造成本, 还有试错成本。后面的这几项加起来, 常常要比前面的那一项大出许多。

有一个相对较为靠谱的预算方法, 那就是, 首先要确定一个小目标, 比如说, “借助AI将客服响应时间缩短30%”。接着去计算达成这个目标需要投入多少。要是投入产出比能够计算得出来结果的话, 那就实施；要是计算不出来结果的话, 那就再等待观望一阵。

不要才一开始就去谋划什么“未来三年AI战略”, 那些写出来仅供向投资人展示而已, 相对于实际开展并无什么作用。

最后说两句实在的

从事AI应用开发这件事, 若说它复杂, 确实复杂, 若说它简单, 也的确简单。其复杂之处在于, 它关联到技术、数据、组织以及人这几个方面, 并且每个环节都有出现问题的可能性。而其简单之处在于, 只要你把握住“解决一个具体问题”这个关键核心, 那么其他所有方面都是围绕着这个核心来进行开展的。

非得追求那种大而全的AI中台, 非得迷信那种一站式解决方案, 别这么干。去找一个痛点, 一头扎进去, 做出相应效果, 接着再逐步扩展。这个路径虽说不是那么吸引人眼球, 但确实是行得通的。

世上企业众多, 我见识过不少, 常看到PPT上赫然写着“全面拥抱AI”字样, 然而实际上, 连一个能够切实落地的场景都寻觅不到。与其这般虚浮, 倒不如稳稳当当、脚踏实地先将一个微小场景钻研透彻。

到底而言, AI所具备的价值并非取决于你运用的是何等先进的模型, 却是在于它是否协助你成功地将事情给处理妥当。