这是我本年的一个小目标 - 企业AI应用系列的第2篇，全套地址附上：

1. 企业应用AI大模型的“道、法、术” – 道：认知篇
2. 企业应用AI大模型的“道、法、术” – 法：场景篇 - AI场景12问
3. 企业应用AI大模型的“道、法、术” – 法：落地篇 - AI变革三层五阶八步法（还没写完）
4. 术：要不要写个技术方案的？
5. 术：要不要写个知识管理方案的？
6. 术：要不要写个运营方案的？
7. 。。。待续

题记

场景找对了，那就成功一大半，这个道理放在AI大模型的应用上，再合适不过。

这是我的AI应用系列第二篇，想谈谈“如何找个好场景”。

ps，刚看了一眼，上一篇刚好是一个月前，看来我这个系列这是要按月刊来了。。。

TLDR，核心观点：

• 本轮AI革命，在企业应用还远未成熟，可奈何大家求AI心切，因此识别“好场景”至关重要
• 场景识别对了，大家投入才有回报；场景识别不好，折腾一圈，一地鸡毛
• 下文将我们当下的一些心得体会，总结成AI场景“12问”，并分享下背后的思考逻辑

同样的，观点不保证绝对正确，欢迎留言讨论，兼听则明。

目录

1、为什么AI大模型这么“挑活儿”？

当我们站在企业内部看AI大模型落地场景时，很容易被两种情绪裹挟：要么AI无所不能，要么AI啥也不是。

当然，感谢业界的同行们一直不断推出新产品，最近听到的第二种声音越来越少了，更多是急迫的希望做些什么。

坦率讲，目前的企业AI大模型应用场景，如果真的挨个拉出来盘ROI，有正收益的是极少数，特别是动辄几百上千张卡的场景，单纯看眼下收益，都是很难讲的。（小打小闹的除外）

但是，AI变革的浪潮已至，我们又必须要跟上，所以如何选择一个好场景，就至关重要了。

这里我想分享我的“AI场景12问”和其中的思考逻辑。

2、如何识别好场景：AI场景“12问”

整体上，希望通过三个维度来评估：

• D1：商业价值
• D2：场景成熟度
• D3：持续运营

这三个方面，分别代表着是否值得做、是否能做、做了以后是否能持续演进。

D1：商业价值

之前这个维度叫“业务价值”，为了更突出我们是商业组织，我特地改成了“商业价值”。

① 业务场景是否能清晰度量价值

什么叫度量价值，无非是增收、降本、增效。能够直接带来收入增长或者成本降低，那是最好的，如果不能直接带来收入，那效率提升也是不错的。

举个最近的例子：

1. 如果AI助手能直接跟客户打电话，并且成单，那这就是“增收”，这是最最好的场景，可遇不可求；
2. 如果AI助手可以替代我们的一些资源（包括人和物），那这就是“降本”，这种场景次之；
3. 如果AI助手可以在作业过程中起到部分替代或辅助作用，使得我们的现有人或物做事时，更快、质量更好、效果更加，这就是“增效”，这种场景最次。

这里关于场景价值评估，我经验也有限，总结了这么几个小技巧，可供参考：

1. 重点关注“增收”和“降本”类场景，尽可能将“提效”类场景转换成这两种场景，具体给出计算逻辑，一旦逻辑清晰，计算和评估非常简单，价值显而易见。
2. “提效”类场景数量最多，但鱼龙混杂，是最最需要花精力探讨和分析的。说实在的，每个人都有“提效”的诉求，我也恨不能找个AI帮我码字，这样对于我来说可以轻松愉快一些，但是这对于公司来说意义有限，这就是最大的矛盾点。
3. 如果真的要做“提效”类场景，避免使用百分比。我们太多场景喜欢用“提效xx%”，年年做，年年提，挤挤总会有，这个游戏很容易玩儿，但是坏处是在业务侧很难形成真正的压力和动力，Nice to have，不做也无所谓，这样的后果就是战略资源被消耗掉了。如果要提，就把具体的业务KPI的from和to拿出来，计算逻辑写清楚。
4. “降本”的收益计算要从“投资”角度来看。这里我举个小例子，我们在云基础设施领域做AI场景盘点时，识别到了机房智能巡检的场景。业务表示，在没有AI的时候，只能每天人工检查x次，有了AI，可以每分钟都检查一次，这么一算，节约了上万人年。这个事儿就搞反了，应该看业务上愿意投多少钱来增加人力做巡检，AI节约的只是这些投资。

② 落地后收益评估，3年期ROI是否为正

ROI评估这事儿非常重要，投资不看回报，那是非营利性组织，咱们不能这么搞，这么搞直接结果就是对自己的奖金不负责任。

这一条存在，是为了加强第一条的存在感，同时也避免为了一个小场景过度的投入资源。

这里其实我们给AI类的投资留了个buffer，就是“3年期ROI”，核心是因为AI大模型的应用太新了，能够上线即巅峰的场景又太少，大部分场景上线以后都不能直接形成价值，需要持续的喂养和优化，因此我们希望资源和人力的投入可以在中期形成真正的业务价值。至于为啥是3年，说实话，这个数是我自己拍的，可能不同领域情况会有差异。

D2：场景成熟度

这里的三个成熟度，是从HIS AI团队借鉴来的，从数据、业务、技术三个角度来审视，这里细节内容上，增加了一些我们自己的思考。

D2.1 业务成熟度

③ 业务场景有明确的业务Owner（对投资和结果负责）

Owner很重要，这个事儿可以倒着想，如果一个AI场景，没有业务Owner，会导致什么问题：

1. 没有人投资，这是最直接的。虽然我们现在很多AI基建的投资都是IT空载，但是AI应用的落地，终究是要业务投的，业务要感知到这个投资；
2. 没有人对结果负责，这个也很重要。一般业务Owner是业务流程Owner，也是业务部门主官。他能够对结果关切、给高优先级，一方面说明我们做的事儿对口，另一方面也是对业务团队的驱动力（AI场景落地能不能成，我越来越觉得跟IT有关系，但是很有限）

④ 业务场景有明确的流程规则（业务说得清）

这个不过多赘述，是不是说得清这事儿，其实就是业务是不是成熟，还是很容易辨别的。一个还在不断调整、不断变化的业务，过早的搞AI，甚至数字化，对双方都是一种煎熬。

⑤ 业务场景有明确的用户触点（业务已数字化）

智能化的基础是数字化，业务数字化的程度，决定了AI能不能落地。这轮AI大模型的应用，和传统的IT应用最大的差异，就是AI大模型需要数据喂养。没有数字化，何来数据呢。（这里提到的数据，是全场景、全流程、全方位的知识数据，主打的就是“全”，越完整越好）

再一个，没有数字化，就意味着我们的AI落地以后，没有现成的触点接入，就意味着没有现成的流量继承，就意味着AI运营的成本会大大增加。

从另一个角度看，如果一个业务场景还没有数字化，或者数字化程度不高，以我司的情况来看，一定是有隐情的，还是不碰的好，要碰也是要先把数字化补上再说。

D2.2 数据成熟度

先提一嘴，这里提到的数据，包含知识数据，且暂时以知识数据为主。另外，这两条，是从AI训练的两个阶段来看对数据的诉求，一个是冷启动，一个是持续运营。

⑥ 业务数据是否足够支撑0~1冷启动（范围清晰、完整、易获得）

足够支撑冷启动，就意味着能够达到上线标准。目前我们以AI答准率60%为基线，判定一个场景是否能够上线。当然，也不排除有一些非常通用的场景，不需要额外数据，基模型能力就能够支撑，不过，这种“天使”场景可遇不可求，不在后续讨论范围内。

具体落地时，还考虑要到业务是否能够清晰的说清楚需要哪些数据、是不是方便拿到这些数据。目前大部分知识类场景都是通过RAG来实现，R的本质就是搜索，搜索就要有个知识清单，这个清单包括哪些知识，要业务输出，然后IT来评估可行性。比如，我遇到有场景需要CSDN的技术博客，这类就很难获取。

⑦ 业务数据是否随作业持续产生、更新和反馈

一个AI场景冷启动结束后，就到了持续运营阶段。这个阶段由于企业场景的用户基数极其优先，没办法获得海量的用户侧反馈（OpenAI的MAU有1亿，我们可能大部分场景不会超过1千），按5%~这就使得我们要不惜一切手段来“榨干”作业过程中反馈、留痕的可能性。

这块扯远一点，我们后来探讨出一种玩法，叫“作业即标注”也就是说，每一次作业动作的过程中，都预埋了标注和反馈过程。这当然需要巧妙的设计，甚至略微改动原有IT的交互逻辑，更甚至通过牺牲一点点用户体验为代价。

D2.3 技术成熟度

⑧ 现有技术能力是否能够支撑场景实现（技术可行、风险可控）

前面整这么多，总体上都是在做业务场景的评估和分析，也就是业务侧的梳理和分析为主。基于前面评估OK的前提下，技术同学要开始工作了。

这里有个巨大的“陷阱”，或者是认知上的反差：AI大模型为什么POC这么简单，做好却这么难？

在传统IT开发的场景上，技术可行性是容易评估的，一般技术架构或者SE同学都能够胜任；但是针对AI大模型相关场景，很多时候是要评测的，也就是要试一下，做个POC。

不过，AI大模型的POC反倒是我见过最容易的，就是搞几句提示词拿基模型试一下。这轮AI创新的非常重要一环，就是引入了自然语言指令，使得人人都能操作AI大模型。

然而，企业垂域场景，大概率第一次试结果是不太好的（大概就是瞎猫碰见死耗子的概率，我印象非常深刻，不论是文本还是多模态，没有超过10%的）。

于是下一步就是要AI技术专家或者AI SE来判断下，这个场景是否可以改进。改进就分两块，要么是“等”，要么是“调”。

• 等，就是等AI基模型能力提升：比如之前盘古11B是做不了多轮的，输出也不规范，指令遵从也不太行，38B v17就能做一些，最新的38B v24就更好。
• 调，就是要看，这个场景是不是能做微调：针对典型任务（高频、规范、标准），准备几百上千条数据调一下是合适的，但是针对尚未从业务上收敛、抽象的任务，是没法调的，也就是用少量数据没法教会大模型干活。

另外还有一个，就是“风险可控”，当然这背后虽然可以建立一套AI安全的玩儿法，但是无论如何AI大模型的“幻觉”是一种不可消解的风险，只能做风险规避和一定程度的接纳。如果某个场景不能容忍任何不确定性，那就确实还不适合，至少当下不行。

⑨ 云内部、公司内是否有 成功经验 可以复用/借鉴

这里我特地强调，是公司内部有成功经验，有三个意图：

1. 正视自己的技术能力差距，无论是基模型还是模型应用。比如我们看到GPT4可以干啥、甚至微软office的copilot可以干啥，对于我们的参考意义有限。把有限的资源押注在这样一些不确定性上，是很有风险的，卡点会非常多。这类项目我们自己也有少量涉及，比如今年试点的多模态场景、Agent场景，但是一定是特事特办的，不能作为通用审视标准。
2. 公司内部的同学已经做成，已经拿出来分享的场景，反而是我们喜而乐见的，这意味着“触手可及”，拿来抄个作业很顺手，哪怕不能抄，交流交流学习讨论下也是不错的。
3. 我一直认为我们是AI技术应用团队，要以业务成功为唯一目标，把突破创新让给更专业的人，做好AI应用过程的学习、提炼、总结，是我们的“道”。不求高精尖，只求能落地，越简单、低成本、易复制，就说明把AI应用玩儿明白了。

D3：持续运营

这一章节是我们最后加的，并不是不重要，而是在早期易被忽视，很难充分意识到其重要性。

“持续运营”放在这里，是为了突出“生”和“养”同等重要，甚至“养好”比“生好”在项目成功、业务成功方面更重要，也是希望跟业务主管强调这方面的重要性。

上图是一个AI助手的持续运营示例，可供参考，核心是业务和IT的联合，且以业务侧为主（在业务运营、知识运营之外，新增了AI训练师角色）

⑩ 有清晰的业务运营目标

一个AI场景，除了业务价值的指标之外，还需要很多过程指标，需要观测其分子分母、周边因素、关键依赖（比如知识）、副作用等等，业务运营是需要设计的。

⑪ 业务目标有运营数据支撑（过程可度量）

原则上一个相对成熟的业务，会有一套现成的业务运营体系，我们要做的是从其中摘到AI应用强相关的部分，再加入IT侧的过程指标，如AI应用情况（比如性能、并发、UV/PV、资源消耗）、反馈情况（比如答准率、搜准率）、NSS等等。

⑫ 业务有持续运营的组织、资源、机制和能力

运营要有流程和组织支撑，才能有生命力。我司的管理哲学就是把公司制度建筑在流程上，所以没有固定的模式在支撑，运营工作会变成“脚踩西瓜皮”，干到哪儿算哪儿，甚至有一搭没一搭的搞，哪怕搞看板、搞分析、搞预警，都没个啥用，最后生成一堆任务也没人执行。

当然，这一切背后，其实只有一个，就是要业务主管非常清楚的意识到，这里需要投入，而且需要持续投入。

思考

这十二个问题，是我们的一些集体智慧，去年底跟云的各条业务线讨论对标的时候，收集到超过50个AI场景，今年是无论如何都做不完的，如何确保开工的场景都能有足够的收益，是我们一直在思考的。最后虽然收敛到8个，但是我内心还是觉得多了，当下落地一个AI大模型的应用还是太昂贵，无论是业务投入还是技术投入，不确定性又非常多，想做好就必须用工程手段填补，一来二去都是成本或者一次性投入，未来未必需要。

最后，我还想说，目前业界关于AI应用有两种认知：

1. 一种是“AI+”：以李开复为代表的，真正的AI应用是没有AI就无法运行的。毕竟大家总用“汽车”和“马车”来类比AI和传统IT，给马车装个内燃机可能不是我们想做的。现在的很多创新类的AI产品，包括chatgpt就属于这种。
2. 一种是“+AI”：就是在很多场景上，增加AI属性，一点点翻盘。这个观点一样有支撑，就像移动互联网来了之后，PC网站还在，线下门店也还在，但是互相支撑后，效果更好了。现在的copilot式操作，就是这么个玩法。

这里的核心，是你拿AI当什么。如果你认为这是生产力工具，那一定是all in，全换，过去不值得留恋。如果你认为这是基础设施，那一定是适用的先来，适配一个切换一个。

我自己内心是认可生产力工具的说法的，但是现实情况是企业要运转，运转逻辑是写好的，现在掀桌子就都没得吃。

所以，我一直有个观点，当下的AI大模型场景应用，是面向未来的一种蓄力和能力储备，从量变到质变的过程。比如我们从去年单独看客服AI，到现在可以看客户服务全流程，逐渐把售前、售中、售后都拉齐以后，一个AI+的雏形就有了，这个过程可能需要3～5年甚至更久，但非常值得。

我掐指一算，没有人比企业老板更希望一切岗位AI化…（扎铁了老心，手动狗头）