华为大咖说丨落地的果子先拾：关于AI价值场景选择的10点思考

全文约4349字，阅读约需10分钟

在AI走向业务的趋势下，笔者在供应链领域AI辅助货期加速场景进行相关探索和建设，经历了AI场景从0到1的完整建设过程，对场景选择有一些思考，希望通过本文将所沉淀的经验分享出来，供大家在选择AI场景时参考。

 01 为什么要选好场景？

 AI辅助业务从0到1的建设项目中，特别要重视场景的选择，选好场景可以说项目就成功了一半。在AI建设项目中，与数据、算力、算法三要素相比，场景选择更为重要。大模型不是所有东西都擅长，选好场景可以避免技术上和业务自身消耗大量精力去验证和催熟，先聚焦突破一个城墙口，技术和业务高效结合，一个热点（场景）反复加热，制造需求引爆点，形成创造新增长和新应用的“链式反应”。

图1：场景和AI三要素的关系呈现

02  怎么选场景？

 了解了为什么要选场景，可该怎么选场景呢？笔者总结了自己在AI辅助业务从0到1的建设项目中的10条经验分享给大家。

1.找成熟的“果子”

对于已有大量数字化基础和工具的场景，比如已有RPA、SQL、BI等应用的场景，AI大模型可以调用，实现强强联合，落地更快，效果更好。AI的优势是对经验和知识的有效沉淀和学习，因此同步要建设经验数据集，那么经验知识积累丰富的场景就更“成熟”。

是否有足够的数据集也是判断成熟的重要因素，比如在客户订单中，付款是备发货的一个关键条件，AI无法辅助判断客户是否能及时完成付款，这个场景涉及客户内部经营、交付目标、政策、组织等大量变量要素的影响，无足够结构化数据集支撑AI推理，就很不“成熟”。而数据充足的场景也有很多，如货期加速每年就有大量的结构化数据集，又如人脸识别、智能驾驶都属于典型的有大量数据积累的场景。

2.选场景，而不是造场景

在供应订单领域存在大量的规则，要进行更新、维护和查询，确实比较耗能，我们曾考虑让订单规则可以被AI智能维护更新、上/下架等，但回到规则的本质是需要对业务的深刻理解，并基于战略规划及流程进行设计，这需要专家用经验、智慧和创造性去维护。我们团队经过多次讨论分析，发现这种场景本质上对AI没有需要，至少在AGI到来前没有必要，就如画家的创作，没必要让AI去辅助甚至是替代，没必要“造场景”让AI硬上。如此一来，是不是说业务的痛点就是最需要用AI去解决的呢？不一定，比如有用户反馈收货地址更改作业过程复杂、步骤多、审批环节多，非常耗能，但这个诉求其实通过优化流程和IT就可以实现，不需要大模型的能力，不能为了AI而AI。 

3.寻找专一的大事、高频的小事，控制好场景颗粒度

大而专：越复杂越宏大的场景越难用AI去辅助，但是其中简单的大事，却值得用AI去做，比如coding写代码就是简单的大事，节点少，跨角色协作少，标准明确单一，决策链单一。这种场景的特点是卷入业务范围深，但不广，不需要跨太多流程和角色。AI在领域实践中，对于非通用且持续变化的业务知识的学习训练，一方面缺乏足够的训练集数据，另一方面业务频繁变化的训练成本高，导致了对需要真正理解业务后才能实现的复杂处理和综合推理，目前还很难由大模型实现，因此从大而简开始更合适。

小而美：对于海量重复、决策链条短、覆盖受众多的场景，AI可以优先实现。典型场景如供应链货期加速、欠料分析等；或者具备可拉远、可共享的特点的业务，如共享客服专员文档查询和下载等；再比如硅谷很火的宠物共情AI产品traini，就是通过AI技术进行宠物行为翻译和宠物语言翻译的小而美应用。

场景颗粒度：业务切片要切出来的大小也很重要，太大可能不适合大模型消化，太小有可能对单个业务无法提供完整服务。例如在供应的货期承诺和货期加速切片成两个独立的颗粒时更聚焦高效，但如果再将货期加速场景继续向下切片，切成货期加速分析和货期加速执行，影响体验的同时效率也会受损。

4.场景选择考虑未来能够进行1~N拓展，基于核心业务特点构建AI能力

供应链订单领域的核心场景，主要基于数据从分析、决策到执行的过程，我们需要基于这个核心业务特点找到对应的引爆点，未来能够在其他核心业务上实现快速拓展，这也决定了场景需要是流程中的一个关键活动。因此，我们选择了AI辅助货期加速场景进行探索，该场景具备横向做深和纵向拓广的基础，不仅能够支撑我们向主动加速服务、产销协同方面去做深，同时支撑了我们向供需调配、履行风险分析等核心业务去做广。

5.少一些让大模型全都学会的天马行空，多一些大小模型结合的脚踏实地

在供应链业务中，AI场景除了涉及意图理解、知识问答、文档检索和下载，更多的是数据分析、以及分析到决策到执行。这种特点对AI智能体输出的准确性要求高，可解释性要求高，责任风险高，不能含糊不清或者产生幻觉。

我们团队在设计场景方案时，最终决定通过将大模型智能泛化能力+小模型的精准计算能力结合，来兼顾智能和准确。在货期加速场景项目前期，由于我们过于聚焦如何只通过大模型能力去实现，不重视小模型，做了大量的训练和调测后，项目不停的碰壁。比如对于加速需求准入的判断有明确的规则，当大模型专家试图训练大模型去理解规则时，解析准确率虽然持续提升，总会出现一定概率的幻觉，后来我们将规则变为小模型并由大模型来调用，不仅完美地解决了这个问题，而且这样做还可以更容易地维护和更新规则，省去了每个规则变化都要重新去训调大模型的过程。同时让大模型聚焦于货期加速过程中的邮件解析、语义理解、NL2SQL（自然语言到SQL语言转义）、NL2API（自然语言到API）、NL2workflow（自然语言到工作流）、分析总结等大模型擅长的部分。在大部分涉及实际作业的场景中，从自动化、数字化到全智能化，都不是一步能完成的，有一个智能化逐步深化的过程，那么大小模型结合应该就是必经之路。

6.业务规则不明确时，要对准业务本质

业务方案正在发生变化和调整，流程正在优化中，在这种背景下如何选场景呢？在货期加速业务中，面对外部不确定风险和需求节奏的不稳定，以及细分商业模式的变化，订单加速规则也在持续发生着变化，而货期加速的本质不会发生变化，都要解决用有限的资源做到最合理的供需匹配的问题，以实现对需求满足度的最大化。因此，我们建场景时直接面向不会改变的货期加速业务本质，用AI去辅助解决货期加速需求的响应、分析决策和执行等本质业务，同时将可能变化的规则部分封装成可灵活配置的小模型，以不变应万变，场景选择实现了不受流程规则调整带来的不确定性的约束。

7.基于AI的擅长点，业务和技术要双向奔赴

在项目初期选场景时，作为业务人员的我和团队几个核心成员，由于AI基础知识缺乏，把大模型想的几乎无所不能，把AI当牛，以为喂好草，牛奶就可以挤出来了。实际上当前的大模型存在明显偏科，擅长做语言相关的语文题，而不擅长做精准计算的数学题和过于复杂的推理，因此要避免在做业务机会点讨论时，将过多的精力投入到AI不擅长的方向上。

场景选择中要重视技术的建议，当前大模型技术还在快速成长迭代的阶段，几乎以月为维度进行创新，从GPT4到O1，再到最近发布的O1-mini的迭代，时间缩短到了X周，因此技术和业务应该双轮驱动，对于实现的可行性需要做一定的技术规划，至少是业务方案想要实现的目标与技术趋势要一致，将大模型擅长的能力充分发挥出来。例如我们在货期加速意图理解训练时，有用户的加速需求实现目标为8月底，我们没有去定义并告诉大模型8月底的范围是什么，而是借助大模型自身的能力让它去认知8月底就是8月31日或在此之前几天。

图2：AI擅长领域与不擅长领域对比

8.设定合理的场景目标，让AI慢下来思考，辅助业务创造价值而非替代人

聚焦真正能为业务创造价值的AI场景，而不仅仅是换个工作方法，或落入只追求快的误区。我们常常讲的“一键式完成”，实际并不一定是真正最有价值的场景目标，相对于响应速度，用户往往更需要准确、可靠、可解释、完整性、符合客观规律。

为什么说要符合客观规律？举个例子，在订单货期加速项目前期方案中，我们追求秒级完成加速，一直致力于解决系统无法实施完成数据调度和模拟的问题，后来有个订单专家提出，为什么一定要实时呢？慢一点又怎么样呢？而后另一位项目专家也提出，那么快就解决了，用户敢信吗，平时人拉肩扛去加速那么难，AI一上来就可以那么快吗，这符合客观规律吗？我和团队也逐步放下了对快的执念，能调用模拟器完成加速的就适当地快；解决不了的，就辅助慢思考，逐步辅助分析、逐步辅助加速。产品上线后，我们收集了用户的声音，也确实没有人觉得慢，反而大家更关心的是需要有更高的AI辅助加速成功率。

基于当前AI的发展阶段，建议场景选择可以更多聚焦于客户满意度、效率、决策质量等的提升。但场景目标定位不应该是减人、替代人，需要围绕AI辅助业务的主旋律展开，让人在AI的加持下变得更加强大，并且一部人逐步转身为训练、调优、标注等维护AI的角色，比如货期加速坐席在AI辅助的加持下，一部分人就可以逐步腾出手来去成为训练AI agent的标注师。

9.价值衡量：能够高效解决一个完整问题，用户愿意用就有价值

价值衡量不能复杂化，最有效的方式就是看有没有人愿意用。AI的工具最终是否成功，用户会用使用量来投票，所以要瞄准对用户真正有价值的场景，不能仅看成本是否最优，重点是能够帮助用户更高效地解决一个完整的问题，比如货期加速，不仅要做到给出加速方案，还要将订单按照加速目标执行排产下去。我认为AI辅助业务，在cost first还是value first中应该选择后者，用户愿意用，就是真正的价值，而不是局限于成本收益计算。AI建设与

10.流程优化同步

虽然是AI辅助业务，场景选择的过程中也需要突破当前的业务流程去寻找机会点。比如我们简化了加速的需求传递环节，简化入口，实现让一线供应人员快速调取后端的加速服务能力，目标定位将加速从被动滞后响应式转变为让一线用户自主自助地实时加速，场景就有了更大的价值空间。

03 总结

虽然很难选到天时、地利、人和兼备的完美场景，但还是要尽可能去选当前业务急需、技术相对成熟的场景。

场景选择需要与时俱进，实时了解和掌握技术趋势及动态，基于此去设计和思考业务场景选择；场景的目标也会持续变化，如企业的商业计划，最后生成的产品和商业计划往往大相径庭，目标也不是一成不变的。

比起场景选择，后期的建设和坚持更重要，不能太急于求成。很多大厂商的手机、车在前几代都默默无闻，萝卜快跑的智能驾驶背后也是大量人工接管，场景建设初期的表现不一定能说明场景真实的价值。要相信，坚持下去，让AI在业务中普遍存在。

最后，附上圈内大佬对2025年AI场景应用的预测：

① 杀手级应用很难出现：2025年将出现首批能直接介入用户生活的AI应用，但由于技术可靠性问题，大规模推广仍需谨慎。AI将继续以“无处不在”的方式融入各类应用，而非出现真正的“杀手级应用”。——《金融时报》Richard Waters

② 公司将继续尝试使用AI，但将其应用到生产级系统并实现现实世界中的大规模扩展仍然会比较谨慎。——学者 Gary Marcus