华为大咖说 企业应用 AI 大模型的“道、法、术” -- 法：落地篇 （上）

本文作者：郑岩（华为云 AI 变革首席专家）全文约 2865 字，阅读约需 7 分钟

在探讨企业如何应用 AI 大模型的“道、法、术”系列文章的前两篇文章中，我们已经深化了对“AI 大模型”的理解，并通过“AI 场景 12 问”洞察了潜在的 AI 应用场景。现在，我们将目光转向更为关键的实践环节，即本篇的核心——“AI 变革五阶八步法”。

或许您已经听说过“三层五阶八步”这一方法论。实际上，这一方法论自我们团队初步提出以来，经过集团 AI 专家们的深入研讨、丰富和持续调整，尽管名称未变，但其内涵和认知已经历了多次迭代和升级。

本次分享旨在延续前文的脉络，同时总结我们在实施过程中的实际经验和教训，为企业 AI 应用提供更为全面和实用的指导。

“五阶八步”的关键在于一套理念：AI 大模型的应用，是一场变革。

这一说法的依据在于，我们将 AI 大模型视为一个“生命体”。正如人类在企业中需要流程、组织、数据和 IT 的支撑，同理，“AI 生命体”在企业中也需要其对应的流程、组织、数据和 IT 来确保其有效运作。接下来，我们就来深入解析，AI 大模型的应用落地，到底意味着哪些变化。

第 1 阶业务价值

① 识别业务痛点

所谓识别业务痛点，其实跟传统 IT 解决方案里没太多区别，基本的方法论也都是适用的，包括分析用户旅程、Design Thinking、商业模式九宫格、SWOT 等等。

不过，AI 大模型适用的场景，其实是有特点的，我们称之为“高能耗 + 高门槛”（自己总结的特点，欢迎指正）：

高能耗 ：可以从非雇员的角度来审视。一般非雇员团队的工作范围是非核心、低门槛、可替代性强的工作，属于海量、高频、重复的场景，非常适合 AI 介入。比如说，客服、电网销、测试等。

高门槛 ：可以从业务流效和风险地图两个方面来审视。一般意义上，高风险、高经验要求、业务规则复杂、流程频繁变化的场景，很适合 AI 介入辅助人，因为 AI 可以及时更新自己的知识库、掌握最新、最完整的流程规范要求。比如说，合同签审、商务申请、客户洞察等。

② 明确业务目标

为了让整个 AI 项目能有个一致的方向，设置业务目标是必须的。

虽然在前一篇“AI 场景 12 问”里，我们在筛选场景时，对业务价值、业务成熟度、业务运营目标等做了强调。这里再拿出来，是为了把前面初步确定的目标/指标，变成可以确保落地的目标/指标，写在项目的 charter 或计划书里。

接下来，我将分享一些 AI 大模型在企业应用中的经验和思考。

1、AI 适用的四类场景

AI 大模型在企业业务中创造的价值主要集中在四个维度：增收、降本、提质、增效。相应的，则会产生四类比较核心的业务目标：

1. 增加了多少收入？--> 用钱来衡量，关注由 AI 带来的外部收入增加，这是最直接、最具有说服力的财务指标。

2. 降低了多少成本？--> 用钱来衡量，评估 AI 如何帮助企业降低内部成本，实现成本效益的最大化。

3. 提升了多少质量？--> 通过作业质量的问题数或客户满意度来衡量，确保 AI 在提高产品或服务质量方面发挥积极作用。

4. 增加了多少效率？--> 利用计时或计件的方式，明确业务活动的时间指标，量化 AI 在提高工作效率方面的贡献。

2、一些思考

这里有几个有趣的思考：

“四类目标”背后其实是“四类场景”，是有“鄙视链”的，大致优先级排序就是我上面的顺序，能够用“钱”来衡量的，就不用“质”来衡量，也就绝不用“效”来衡量。

这四类目标，其实在某些场景下，要综合起来看，可能会横跨多个，也有可能会互相演化。尽可能从下往上演化，就价值目标就升级了。如果确实不行，再降级。当然，要降级时，就值得审视下这个场景要不要搞了。

跟业务对齐目标，其最好的办法就是把业务的计划拿过来，直接从业务团队的 KPI 里选取，或者采用与业务 KPI 强相关的支撑指标。 

再和大家分享 2 个错误案例：

错误案例 1-AI 回答准确率 xx%：这是最常见的 AI 项目目标，也是最容易犯的错误。AI 答准率是技术目标，不是业务目标，是无法让业务 sponsor 买单的，对准这个目标，很可能 IT 同学搞的很热火朝天，但是业务结果很差，最终项目早期热闹，上线以后就不了了之。

错误案例 2-AI 提效 xx%：提效百分比这事儿，太玄学了。这两年 AI 项目做下来，能不用比例就不要用比例，一定要用具体的计时或计件数。举个例子，客服场景的业务目标不应该是客服 AI 的答准率，而应该是客户的工单的处理时长、自助解决率、自闭环率等这些业务侧的 KPI。

3、一些难点

最后，业务目标这件事儿，看起来在整个“五阶八步”里是容易的，但实操起来可能是最难的。这里我们也踩过不少坑，有三个非常有趣的难点：

• 在开工前，如何证明 AI 介入就能带来业务目标改进？

• 在开工后，如何证明业务目标的改进是 AI 带来的？

• 另外，业务还会担心，万一业务真提效了，明年要砍我的预算或者人头怎么办？

对于前两个挑战，我们可能无法找到标准的解决方案，但关键在于业务团队的决心和投入。对于第三个挑战，则需要我们展现出变革的领导力，确保 AI 的应用能够带来真正的业务价值，而不是简单的替代或削减。

第 2 阶流程

有了场景和目标之后，剩下的工作就是 IT 解决方案设计的工作，只不过这一次我们融入 AI 元素，甚至以 AI 为核心来看设计。接下来的“流程、组织、数据、IT”四阶，其实都是 IT 解决方案设计过程中的思考维度。

为什么不仅仅只考虑 IT？很简单，就是只考虑 IT 整个事儿做不下去，别问我们咋知道的。下面先看“流程”部分。

③ AI 融入作业流 

在做整个设计时，基于“AI 融入作业流”来思考和规划，至关重要。

因为这里有一个陷阱：AI 飞轮转不起来。

为什么 ChatGPT 没有啥流程，咋的我们自己用一下 AI 大模型就需要流程了呢？

这里的核心是，AIGC 2B 与 2C 的区别，我跟大家捋一下这个逻辑，根源就 2C 类应用可以获得上亿的 MAU，2B 则只能以千、百为记。于是就开始这个恶性循环：

• 没有足够的用户

• 没有用户就没有反馈（主动反馈率低于 5%）

• 没有反馈就没有数据（足量的高质量数据）

• 没有数据就没有 AI 大模型的持续改进

这样就闭环了，企业内部 AIGC 应用，指望 AI 的增长飞轮自己能转起来，是没戏的。

但是我们也有我们的优势，那就是我们可以调整用户的流程、交互，甚至习惯，因为我们在某种意义上是“垄断”的。

这里的核心设计，就是“作业即标注”的飞轮。通过在作业流程中预埋 AI 的交互，让我们的用户在作业时，不经意间就使用了 AI，并对 AI 结果做了反馈。

第 3 阶组织

④ 成立 AI 团队 

如何组建一个 AI 团队这个事儿，我们也不能说完全搞清楚了，只是觉得：要干成这件事儿，现有的资源配置和角色是不够的。

这里大致给个示意（葫芦图），蓝色部分是传统软件开发的几个关键角色，红色部分是我们为了 AI 大模型应用而改造或新增的角色。

有几个新的概念，这里稍作解释：

AI 训练师：AI 的业务导师，教 AI 怎么做事的，关键业务活动就是标注数据、给予专业的反馈。

AI SA：这是关键角色，也是每个 AI 子项目的领头羊角色。一方面，承担了 IT 解决方案架构师的角色；另一方面，对 AI 能做啥、不能做啥、落地方案是啥非常清楚。这块的人才目前是最缺失的，属于复合型人才。

AI SE：这也是一个新的角色，包括提示词工程、模型微调、数据处理等等新 IT 技能。当然，除了新要求，也包括传统 IT SE 所专长的 IT 方案设计，毕竟 AI 大模型应用，还是需要一整套工程方法来支撑的。

看到这里，本期的分享到此为止。下一期，我们将继续分享“AI 变革五阶八步法”。

阅读原文