IT 部门能不能自己做?
会用工具,为什么还不够?
红线表示自建 FDE 团队的累计成本:开始时承担组建投入,之后持续支付人员费用。即使某个月没有新的高难需求,薪资和团队维护也不会自动停止,所以这条线起点较高,并随时间继续向上。
会搭知识库、调用模型、编排工作流,只是起点。真正耗时的,是调研、分类、清洗、标注、评测和后续运营。内部 IT 团队如果缺少这部分经验和持续投入,仅把工具部署好,往往接不住完整的落地工作。
答案是否稳定、错误能否修正、知识有没有人维护,决定了员工能否持续使用。工具会进步,把企业知识、流程和规则整理清楚的工作仍然需要有人做。
知识治理,具体要理清什么?
- 知识怎么组织:分哪些类、建哪些库、各放什么文档;多个版本以哪个为准。
- 部门边界怎么划分:谁维护哪些内容,在哪里维护。
- 文档如何准入:格式和质量有什么要求,不合要求的内容怎样修改。
- 回答如何纠错:哪些问题能直接回答,哪些必须追问;答案错了由谁改,改后怎样验证。
自建成本,为什么会持续增加?
高难问题可能偶尔才出现,团队的薪资、培养和维护却需要持续承担。直接招聘外部人才,要承担长期用人成本;从内部培养,也要投入学习、探索和管理。人才供需、初期适配和后续迭代,还会影响费用增长的速度,因此红线并不只是固定斜率的直线。
一支团队只服务一家企业,同类经验和技术投入很难充分摊薄。我们服务多个客户,可以复用技术、积累相似问题的处理经验,把解决高难问题的能力成本分摊到多个项目里。
红线与亮蓝线代表自建团队和外部交付两种投入方式,应分别比较,不能相加。同样也不能仅凭预算高低,判断两种方式一定能交付相同效果。
持续学习,也需要有人组织
AI 变化很快,需要持续接触同行、项目和新方法,判断哪些能够用于业务。外部团队接触不同客户和行业,可以把这些经验带进来,参与新路径的探索和试错。
内部自建同样需要管理投入:谁带着团队学,如何安排探索,怎样判断学到的东西能否解决问题。只安排一个“研究 AI”的任务还不够,时间、激励和评估都要落实。
回报到底在哪里?
先验收哪类回报?
金线表示项目被实际使用后,逐月积累的产能价值。刚开始需要磨合和采用,增长较慢;员工用得稳定后,每个月改善的工作能力持续累加,曲线才逐渐向上。
只看短期交付,已经付出的成本可能还没有被产能改善覆盖。把观察时间拉长,才能同时看到后续投入和价值积累;金线能否超过蓝线或红线,取决于实际采用、维护和复用效果。
先看具体工作有没有改善:报告生成时间是否缩短,客服响应是否更快,合同初筛覆盖了多少风险点,新员工培训周期是否缩短,销售回复的质量是否提高。
这些过程指标更容易观察和归因。先记录原来的做法,再比较使用后的时间、质量和风险覆盖,确认一个环节有效,再谈扩大使用。
为什么先不承诺增收和利润?
收入、利润和成交率还受市场、产品、品牌、销售组织与客户资源影响。AI 可以改善其中的环节,不能单凭一个工具就承诺最终经营结果。减员也涉及岗位、职责和管理决策,不会因为节省工时就自动发生。
所以早期先验证流程是否跑通、答案质量是否达标、员工是否愿意使用。图中的产能价值是工作改善的示意折算,不等于现金利润;评估项目回报,还需要扣除完整投入。
省下的时间,怎样再变成价值?
我们希望 AI 帮员工完成繁重、重复的工作,让人有时间学习和改进工作。省下的时间可以用于企业 AI 培训,再拿真实任务练习,把学到的方法用回日常工作。
这样形成“减少重复劳动—学习 AI—改进任务—再次验证”的循环。项目的目标是帮助员工把工作做好,让经验不断积累;节省工时并不意味着岗位会自动消失。
更长期的价值来自知识治理:已经理清的规则、标准、历史案例,以及代码、图纸、模型和文档之间的关系,可以继续供下一代模型使用。模型能力提高后,同一批治理成果有机会支持更多任务,前期投入的价值因而不只限于一次交付。
图中把员工采用、模型能力改善和知识复用一起纳入推演。长期价值仍需要员工持续使用、知识持续维护,并用真实任务检验;换一个更强的模型,不会自动把没有整理好的业务变成收益。
员工为什么愿意用?
试用初期难免遇到问题,员工也需要花时间学习。要给试用和反馈留出时间,并用适当激励鼓励大家提出需求、指出错误、一起改进。
使用中的问题有人回应,改进能在工作中看见,培训才更容易转化为持续使用。
产品会贬值吗?为什么现在做?
什么会贬值,什么能留下?
先分清两条蓝线。细蓝线比较不同时间开始时的一次预估报价;选定入场点后,亮蓝线从这笔报价出发,再逐月累加运维费用。选择入场时间,是换一个时点比较价格,不是每到一个时点都重新支付一次项目费。
这笔投入是否会贬值,要看买到的是什么。通用聊天界面、简单提示词,可能随着模型升级和技术普及变得便宜,甚至失去独立价值。
我们做的是梳理企业自己的规则、标准和历史案例,建立代码、二维图纸、三维模型、文档之间的关系。这些工作依赖业务沟通和数据对应,价值不只取决于今天用了哪一个模型。
模型升级后,已有投入还能用吗?
模型能力和产品形态都在变化,今天合适的方案,之后可能需要调整。提前理清的数据、规则和关系,可以供新模型继续使用;能带来多少新增价值,还要回到业务中验证。
因此,交付一个系统只是开始。企业也需要逐步建立理解 AI、发现需求、调整方案的能力,让知识治理随业务和模型一起迭代。
技术便宜了,项目就一定便宜吗?
技术成本只是项目投入的一部分。当前报价示意包含技术基础、专业交付和市场供需溢价:技术项可能波动或下降,而专业人才与交付能力紧缺时,供需溢价可能上升,抵消技术降价。业务调研、知识整理和评测也需要人来完成。
选定入场点后,亮蓝线按这次报价加上后续运维累计,不会跟着未来的市场报价重新计费。图中尚未把企业内部协作、算力、培训等所有可能费用逐项展开,实际投入要按项目范围核算。
为什么不一直等?
金线的高度表示累计产能价值,斜率表示单位时间新增的价值。刚开始时,员工使用、流程磨合和知识复用都不充分,单位时间创造的价值还不够高;这些能力逐渐积累,金线才有机会变得更陡。
一直等,推迟的不只是开始累计的时间,也包括把单位时间价值做高的过程。即使以后买到更成熟、更便宜的工具,企业仍要经历学习、试用和改进,不能一开始就获得成熟使用后的产能。
图上的横轴是入场时点与随后经过的时间。移动入场点,会重新计算报价、团队费用和采用条件;比较到同一个未来观察点时,早开始多了实践与复用的时间,晚开始可能用上更成熟的工具,却少了一段积累期。因此曲线会重新变化,不是简单平移。
所以,要同时看还能积累多久,以及每单位时间能创造多高的价值。是否值得现在做,仍要比较实际改善、等待成本与试错成本:先选一个具体环节,验证有效,再扩大投入。
谁来保障可靠和安全?
在安全的范围内提升效率
安全事故作用在原有的收益上,提效带来的收益可能被一次严重的错误完全抵消,甚至产生巨大的事故,提效带来的价值可能是 20% 到 30%,但安全事故带来的损失可能是指数级的。
所以我们唯一、必须且能做的事情,就是在安全的范围内提升效率。事实上,所有技术的革新也都是先从最安全的一个切入点开始,在实践中再去探索能够更多地作用在什么地方。
出了错,由谁处理?
错误怎样被发现,由谁负责,怎样快速修正,哪些输出需要人工复核,都要在项目中明确。不能把责任笼统归给“AI 出错了”。
服务双方需要结合具体场景和服务范围,约定知识由谁维护、异常由谁接手、高风险输出由谁复核,以及修正后由谁验收。把这些安排落实,业务负责人才能知道问题出现后怎么处理。
公有 API 和私有化,怎么选?
调用外部模型时,问题、检索片段或上下文会发送到服务端参与推理。数据是否保留、是否用于训练,要看服务商协议和具体配置。
私有化适合高敏感、核心业务等场景,但部署在内网并不能替代权限管理。选择部署方式时,需要一起考虑数据分级、传输加密、存储策略、日志留存、访问权限和脱敏机制。
按数据和场景分层使用
公开信息、行业资料、营销素材和通用办公文本,可以选择符合企业要求的 API;内部制度、流程文件和业务知识,需要结合权限、脱敏和日志机制使用;合同、财务、经营分析和客户隐私,则需要更严格的部署和访问控制。
把谁能使用、在哪调用、能否追踪、谁来复核说清楚,再逐层推进。低敏场景先用起来,高敏场景严控边界,核心场景考虑私有化或专属部署,避免一开始就让所有场景承担同样重的投入。