人人都談AI大模型是未來趨勢，企業(yè)里也焦慮的不行，不搞AI怕掉隊，搞了AI又難看到收益。問題出在哪兒呢？

從我們最近這幾年搞企業(yè)AI應用的經(jīng)驗來看，AI應用要成功，首先要找到好場景，但說起來容易做起來難。于是我們就提出了“AI場景12問”，下面就是我對這套方法對詳細解析。

這是我的AI應用系列第二篇，想談談“如何找個好場景”。場景找對了，那就成功一大半，這個道理放在AI大模型的應用上，再合適不過。

核心觀點：

本輪AI革命，在企業(yè)應用還遠未成熟，可奈何大家求AI心切，因此識別“好場景”至關(guān)重要

場景識別對了，大家投入才有回報；場景識別不好，折騰一圈，一地雞毛

分享AI場景“12問”及其背后的思考邏輯

PS.觀點不保證絕對正確，歡迎留言討論，兼聽則明。

01 為什么AI大模型這么“挑活兒”？

當我們站在企業(yè)內(nèi)部看AI大模型落地場景時，很容易被兩種情緒裹挾：要么AI無所不能，要么AI啥也不是。

當然，感謝業(yè)界的同行們一直不斷推出新產(chǎn)品，最近聽到的第二種聲音越來越少了，更多是急迫地希望做些什么。

坦率講，目前的企業(yè)AI大模型應用場景，如果挨個拉出來盤ROI，有正收益的是少數(shù)，特別是動輒幾百上千張卡的場景，單純看眼下收益，都是很難講的。

但是，AI變革的浪潮已至，我們又必須要跟上，所以如何選擇一個好場景，就至關(guān)重要了。

什么是B端产品经理？和C端产品经理有什么区别？

B端产品经理中的B是Business，商业的意思，B端产品经理首先就要理解这个职位的重要性，要设计出更适合这个项目需求的产品方案，B最终产品经理在日常工作中...

查看详情 >

這里我想分享“AI場景12問”和其中的思考邏輯。

02 如何識別好場景：AI場景“12問”

整體上，希望通過三個維度來評估：

D1：商業(yè)價值

D2：場景成熟度

D3：持續(xù)運營

這三個方面，分別代表著是否值得做、是否能做、做了以后是否能持續(xù)演進。

D1：商業(yè)價值

之前這個維度叫“業(yè)務價值”，為了更突出我們是商業(yè)組織，我特地改成了“商業(yè)價值”。

① 業(yè)務場景是否能清晰度量價值？

什么叫度量價值，無非是增收、降本、增效。能夠直接帶來收入增長或者成本降低，那是最好的，如果不能直接帶來收入，那效率提升也是不錯的。

舉個最近的例子：

1.如果AI助手能直接跟客戶打電話，并且成單，那這就是“增收”，這是可遇不可求的場景；

2.如果AI助手可以替代我們的一些資源（包括人和物），那這就是“降本”，這種場景次之；

3.如果AI助手可以在作業(yè)過程中起到部分替代或輔助作用，使得我們的現(xiàn)有人或物做事時，更快、質(zhì)量更好、效果更加，這就是“增效”，這種場景最次。

這里關(guān)于場景價值評估，我經(jīng)驗也有限，總結(jié)了這么幾個小技巧，可供參考：

1.重點關(guān)注“增收”和“降本”類場景，盡可能將“提效”類場景轉(zhuǎn)換成這兩種場景，具體給出計算邏輯，一旦邏輯清晰，計算和評估非常簡單，價值顯而易見。

2.“提效”類場景數(shù)量最多，但魚龍混雜，是很需要花精力探討和分析的。說實在的，每個人都有“提效”的訴求，我也恨不能找個AI幫我碼字，這樣對于我來說可以輕松愉快一些，但是這對于公司來說意義有限，這就是最大的矛盾點。

3.如果真的要做“提效”類場景，避免使用百分比。我們太多場景喜歡用“提效xx%”，年年做，年年提，擠擠總會有，這個游戲很容易玩兒，但是壞處是在業(yè)務側(cè)很難形成真正的壓力和動力，Nice to have，不做也無所謂，這樣的后果就是戰(zhàn)略資源被消耗掉了。如果要提，就把具體業(yè)務KPI的from和to拿出來，計算邏輯寫清楚。

4.“降本”的收益計算要從“投資”角度來看。這里我舉個“巡檢”的小例子，在沒有AI的時候，只能每天人工檢查x次，有了AI，可以每分鐘都檢查一次，這么一算，看似節(jié)約了不少成本。實際上，這個事兒就搞反了，應該看業(yè)務上愿意投多少錢來增加人力做巡檢，AI節(jié)約的只是這些投資。

② 落地后收益評估，3年期ROI是否為正？

ROI評估這事兒非常重要，投資不看回報，那是非營利性組織，咱們不能這么搞。

這一條存在，是為了加強第一條的存在感，同時也避免為了一個小場景過度的投入資源。

這里其實我們給AI類的投資留了個buffer，就是“3年期ROI”，核心是因為AI大模型的應用太新了，能夠上線即巔峰的場景又太少，大部分場景上線以后都不能直接形成價值，需要持續(xù)地喂養(yǎng)和優(yōu)化，因此我們希望資源和人力的投入可以在中期形成真正的業(yè)務價值。至于為啥是3年，說實話，這個數(shù)是我自己預估的，可能不同領(lǐng)域情況會有差異。

D2：場景成熟度

場景成熟度包括業(yè)務成熟度、數(shù)據(jù)成熟度、技術(shù)成熟度。這三個成熟度，是從華為AI團隊借鑒來的，從數(shù)據(jù)、業(yè)務、技術(shù)三個角度來審視。具體細節(jié)內(nèi)容上，增加了一些自己的思考。?

D2.1?業(yè)務成熟度

③ 業(yè)務場景有明確的業(yè)務Owner（對投資和結(jié)果負責）

Owner很重要，這個事兒可以倒著想，如果一個AI場景，沒有業(yè)務Owner，會導致什么問題：

1.沒有人投資，這是最直接的。雖然我們現(xiàn)在很多AI基建的投資都是IT空載，但是AI應用的落地，終究是要業(yè)務投的，業(yè)務要感知到這個投資；

2.沒有人對結(jié)果負責，這個也很重要。一般業(yè)務Owner是業(yè)務流程Owner，也是業(yè)務部門主官。他能夠?qū)Y(jié)果關(guān)切，一方面說明我們做的事兒對口，另一方面也是對業(yè)務團隊的驅(qū)動力（AI場景落地能不能成，我越來越覺得跟IT有關(guān)系，但是很有限）。

④ 業(yè)務場景有明確的流程規(guī)則（業(yè)務說得清）

這個不過多贅述，是不是說得清這事兒，其實就是業(yè)務是不是成熟，還是很容易辨別的。一個還在不斷調(diào)整、不斷變化的業(yè)務，過早地搞AI，甚至數(shù)字化，對雙方都是一種煎熬。

⑤ 業(yè)務場景有明確的用戶觸點（業(yè)務已數(shù)字化）

智能化的基礎(chǔ)是數(shù)字化，業(yè)務數(shù)字化的程度，決定了AI能不能落地。這輪AI大模型的應用，和傳統(tǒng)的IT應用最大的差異，就是AI大模型需要數(shù)據(jù)喂養(yǎng)。沒有數(shù)字化，何來數(shù)據(jù)呢。（這里提到的數(shù)據(jù)，是全場景、全流程、全方位的知識數(shù)據(jù)，主打的就是“全”，越完整越好）

再一個，沒有數(shù)字化，就意味著我們的AI落地以后，沒有現(xiàn)成的觸點接入，就意味著沒有現(xiàn)成的流量繼承，就意味著AI運營的成本會大大增加。

從另一個角度看，如果一個業(yè)務場景還沒有數(shù)字化，或者數(shù)字化程度不高，以我的經(jīng)驗來看，一定是有隱情的，還是不碰的好，要碰也是要先把數(shù)字化補上再說。

D2.2 數(shù)據(jù)成熟度

先提一嘴，這里提到的數(shù)據(jù)，包含知識數(shù)據(jù)，且暫時以知識數(shù)據(jù)為主。另外，這兩條，是從AI訓練的兩個階段來看對數(shù)據(jù)的訴求，一個是冷啟動，一個是持續(xù)運營。

⑥ 業(yè)務數(shù)據(jù)是否足夠支撐0~1冷啟動（范圍清晰、完整、易獲得）

足夠支撐冷啟動，就意味著能夠達到上線標準。目前我們以AI答準率60%為基線，判定一個場景是否能夠上線。當然，也不排除有一些非常通用的場景，不需要額外數(shù)據(jù)，基模型能力就能夠支撐，不過，這種“天使”場景可遇不可求，不在后續(xù)討論范圍內(nèi)。

具體落地時，還考慮要到業(yè)務是否能夠清晰地說清楚需要哪些數(shù)據(jù)、是不是方便拿到這些數(shù)據(jù)。目前大部分知識類場景都是通過RAG（檢索增強生成（RAG）是指對大型語言模型輸出進行優(yōu)化，使其能夠在生成響應之前引用訓練數(shù)據(jù)來源之外的權(quán)威知識庫）來實現(xiàn)，R的本質(zhì)就是搜索，搜索就要有個知識清單，這個清單包括哪些知識，要業(yè)務輸出，然后IT來評估可行性。比如，我遇到有場景需要CSDN的技術(shù)博客，這類就很難獲取。

⑦ 業(yè)務數(shù)據(jù)是否隨作業(yè)持續(xù)產(chǎn)生、更新和反饋

一個AI場景冷啟動結(jié)束后，就到了持續(xù)運營階段。這個階段由于企業(yè)場景的用戶基數(shù)極其有限，沒辦法獲得海量的用戶側(cè)反饋（OpenAI的MAU有1億，我們可能大部分場景不會超過1千），這就使得我們將不遺余力地挖掘和利用作業(yè)過程中的每一個反饋和留痕數(shù)據(jù)，確保最大化地從這些有限的數(shù)據(jù)中汲取價值。

這塊扯遠一點，我們后來探討出一種玩法，叫“作業(yè)即標注”也就是說，每一次作業(yè)動作的過程中，都預埋了標注和反饋過程。這當然需要巧妙的設計，甚至略微改動原有IT的交互邏輯，更甚至通過犧牲一點點用戶體驗為代價。

D2.3?技術(shù)成熟度

⑧ 現(xiàn)有技術(shù)能力是否能夠支撐場景實現(xiàn)（技術(shù)可行、風險可控）

前面整這么多，總體上都是在做業(yè)務場景的評估和分析，也就是業(yè)務側(cè)的梳理和分析為主?；谇懊嬖u估OK的前提下，技術(shù)同學要開始工作了。

這里有個巨大的“陷阱”，或者是認知上的反差：AI大模型為什么POC（POC：Proof of Concept，為觀點提供證據(jù)）這么簡單，做好卻這么難？

在傳統(tǒng)IT開發(fā)的場景上，技術(shù)可行性是容易評估的，一般技術(shù)架構(gòu)或者SE同學都能夠勝任；但是針對AI大模型相關(guān)場景，很多時候是要評測的，也就是要試一下，做個POC。

不過，AI大模型的POC反倒是我見過最容易的，就是搞幾句提示詞拿基模型試一下。這輪AI創(chuàng)新的非常重要一環(huán)，就是引入了自然語言指令，使得人人都能操作AI大模型。

然而，企業(yè)垂域場景，大概率第一次試結(jié)果是不太好的（大概就是瞎貓碰見死耗子的概率，我印象非常深刻，不論是文本還是多模態(tài)，沒有超過10%的）。

于是下一步就是要AI技術(shù)專家或者AI SE來判斷下，這個場景是否可以改進。改進就分兩塊，要么是“等”，要么是“調(diào)”。

等，就是等AI基模型能力提升。

調(diào)，就是要看，這個場景是不是能做微調(diào)：針對典型任務（高頻、規(guī)范、標準），準備幾百上千條數(shù)據(jù)調(diào)一下是合適的，但是針對尚未從業(yè)務上收斂、抽象的任務，是沒法調(diào)的，也就是用少量數(shù)據(jù)沒法教會大模型干活。

另外還有一個，就是“風險可控”，當然這背后雖然可以建立一套AI安全的玩兒法，但是無論如何AI大模型的“幻覺”是一種不可消解的風險，只能做風險規(guī)避和一定程度的接納。如果某個場景不能容忍任何不確定性，那就確實還不適合，至少當下不行。

⑨公司內(nèi)是否有成功經(jīng)驗，可以復用/借鑒

這里我特地強調(diào)，是公司內(nèi)部有成功經(jīng)驗，有三個意圖：

1.正視自己的技術(shù)能力差距，無論是基模型還是模型應用。比如我們看到GPT4可以干啥、甚至微軟office的copilot可以干啥，對于我們的參考意義有限。把有限的資源押注在這樣一些不確定性上，是很有風險的，卡點會非常多。

2.公司內(nèi)部的同學已經(jīng)做成，已經(jīng)拿出來分享的場景，反而是我們喜而樂見的，這意味著“觸手可及”，拿來抄個作業(yè)很順手，哪怕不能抄，交流交流學習討論下也是不錯的。

3.我一直認為我們是AI技術(shù)應用團隊，要以業(yè)務成功為唯一目標，把突破創(chuàng)新讓給更專業(yè)的人，做好AI應用過程的學習、提煉、總結(jié)，是我們的“道”。不求高精尖，只求能落地，越簡單、低成本、易復制，就說明把AI應用玩兒明白了。

D3：持續(xù)運營

這一章節(jié)是我們最后加的，并不是不重要，而是在早期易被忽視，很難充分意識到其重要性。

“持續(xù)運營”放在這里，是為了突出“生”和“養(yǎng)”同等重要，甚至“養(yǎng)好”比“生好”在項目成功、業(yè)務成功方面更重要，也是希望跟業(yè)務主管強調(diào)這方面的重要性。

上圖是一個AI助手的持續(xù)運營示例，可供參考，核心是業(yè)務和IT的聯(lián)合，且以業(yè)務側(cè)為主（在業(yè)務運營、知識運營之外，新增了AI訓練師角色）。

⑩ 有清晰的業(yè)務運營目標

一個AI場景，除了業(yè)務價值的指標之外，還需要很多過程指標，需要觀測其分子分母、周邊因素、關(guān)鍵依賴（比如知識）、副作用等等，業(yè)務運營是需要設計的。

?業(yè)務目標有運營數(shù)據(jù)支撐（過程可度量）

原則上一個相對成熟的業(yè)務，會有一套現(xiàn)成的業(yè)務運營體系，我們要做的是從其中摘到AI應用強相關(guān)的部分，再加入IT側(cè)的過程指標，如AI應用情況（比如性能、并發(fā)、UV/PV、資源消耗）、反饋情況（比如答準率、搜準率）、NSS等等。

?業(yè)務有持續(xù)運營的組織、資源、機制和能力

運營要有流程和組織支撐，才能有生命力。我司的管理哲學就是把公司制度建筑在流程上，所以沒有固定的模式在支撐，運營工作會變成“腳踩西瓜皮”，干到哪兒算哪兒，甚至有一搭沒一搭地搞，哪怕搞看板、搞分析、搞預警，都沒個啥用，最后生成一堆任務也沒人執(zhí)行。

當然，這一切背后，其實只有一個，就是要業(yè)務主管非常清楚地意識到，這里需要投入，而且需要持續(xù)投入。

以上這十二個問題，并不是我個人的經(jīng)驗，是華為的集體智慧。

最后，我還想說，目前業(yè)界關(guān)于AI應用有兩種認知：

1.一種是“AI+”：真正的AI應用是沒有AI就無法運行的。畢竟大家總用“汽車”和“馬車”來類比AI和傳統(tǒng)IT，給馬車裝個內(nèi)燃機可能不是我們想做的?，F(xiàn)在的很多創(chuàng)新類的AI產(chǎn)品，包括chatgpt就屬于這種。

2.一種是“+AI”：就是在很多場景上，增加AI屬性，一點點翻盤。這個觀點一樣有支撐，就像移動互聯(lián)網(wǎng)來了之后，PC網(wǎng)站還在，線下門店也還在，但是互相支撐后，效果更好了?，F(xiàn)在的copilot式操作，就是這么個玩法。

這里的核心，是你拿AI當什么。如果你認為這是生產(chǎn)力工具，那一定是all in，全換，過去不值得留戀。如果你認為這是基礎(chǔ)設施，那一定是適用的先來，適配一個切換一個。

我自己內(nèi)心是認可生產(chǎn)力工具的說法的，但是現(xiàn)實情況是企業(yè)要運轉(zhuǎn)，運轉(zhuǎn)邏輯是寫好的，現(xiàn)在掀桌子就都沒得吃。

所以，我一直有個觀點，當下的AI大模型場景應用，是面向未來的一種蓄力和能力儲備，從量變到質(zhì)變的過程。比如我們從去年單獨看客服AI，到現(xiàn)在可以看客戶服務全流程，逐漸把售前、售中、售后都拉齊以后，一個AI+的雛形就有了，這個過程可能需要3～5年甚至更久，但非常值得。