企业内部B端产品如何有效落地AI？作者结合实战经验，详细剖析了其中的难题，并分享了一套实用的方法论，助力团队在AI落地过程中实现认知对齐与业务价值最大化。

正文开始前，这里先叠个甲。

1.小弟只是抛出自己在实践过程中的一些方法论总结，并不会涉及到具体的技术实现、AI方向问题，这些不在这篇文章的讨论范畴内。

2.小弟的观点可能是错的，因为我只是从我的视角抛出一些我总结的方法论，这不一定适用于其他场景，欢迎各位大大理性讨论。

在内部B端场景落地AI的各种难题

想必做内部B端产品的各位，在最近两年AI爆发后，都遇到了一个问题“怎么把AI给整合到我们的业务上来？”

大家都期望利用“强大”的AI来实现“增长、盈利、降本、增效”这几个目的，但是实际操作起来，或许就犯难了。

这里会遇到的问题，我分成了两类：

1.人的问题

这是指在AI落地的过程中，与我们相关联的各利益方会抛给我们各种各样的问题，这些问题会阻碍我们的业务推进。可以分为团队自身、业务方、公司高层方面的问题。

首先，团队自身层面可能出现“定位”、“路径”等的问题。

比如，大家常常会感到困惑，不知道AI到底能帮我们做什么？具体应该怎么做？能做成什么样？

想不清楚这些问题，我们对待AI落地，无从下手。

其次，来自业务方会存在“AI方向”、“资源调配”、“认知对齐”等的问题。

比如，AI这个领域方向太多了，技术路线也很多元。有时候，团队会有点迷茫，不知道该往哪个方向发力，不知道哪个方向才是最适合我们业务、最能出效果的。

又比如，业务会出于各种原因不配合我们，像是“觉得AI会取代我们，不积极支持”、“想法天马行空，可能他们经常被各种“行业颠覆的”短视频洗脑。一开口就是训练个行业大模型，明天就业务全链路升级”。

想不清楚这些问题，执行起来困难重重，还容易走错路。

最后，也会感受到来自“管理者”的“认知对齐”等问题。

有些管理者对AI的期望值可能定得过高了，天天想着用AI去替代某个团队、干掉某个流程，追求颠覆性的效果。这也有可能是很多自媒体天天鼓吹行业颠覆有关，很多高层是充满焦虑的。

他们可能不能很清晰地认识到AI当前能力的边界在哪里，对团队的实际能力和项目落地的复杂性，认知也可能存在偏差。

这一块如果没有处理好，我们可能无法获得资源支持项目。甚至可能被怀疑我们能力问题，导致职场生涯受到影响，甚至工位不保。导致“AI真正落地到业务”这个愿景，就无从谈起了。

2.事的问题

对齐人的认知之后，就是怎做事的问题。在这个过程中，可能遇到以下方面的问题：

AI落地的步骤应该是怎么样的？先做系统，还是先想办法让业务用起来？

设计系统框架的时候，要怎么设计，才能和已有的业务系统结合起来，而不造成成本的浪费。

诸如此类的问题，都对应着AI落地的“方法论”，缺乏方法论的指引，可能使得AI的落地困难重重，导致项目由于实现成本、人力资源、价值呈现等诸多原因而流产。

前期工作，认知对齐！

下面，就来讲讲我对于这两类问题的解决思路。

首先先讲讲“人的问题”，人的问题其实都是“认知”层面的问题。为了解决这些层面的问题，需要分别进行自我、业务、向上等3个方向的认知对齐，也对应着来自3个方向的问题。[自我认知]明确自身团队的定位和边界

首先是自我认知，这里第一步是要“明确自身团队的定位和边界”。

我们要先明白，我们当前团队在AI应用层面的定位是怎么样的？我大致分为4个类型的团队及其能做到的AI探索程度：

第一类是无相关开发能力的团队。是指我们没有相关的技术人力资源来构建AI相关的功能。这种情况下，只能聚焦部署成熟开源项目、工具，或者是购买第三方的成熟AI服务。比如在图片生成场景直接使用MJ、SD，在视频生成场景使用可灵、即梦。

第二类是有基础开发能力的团队。是指能够配置仅用于开发系统的技术人力资源，但并无AI相关的技术人才。在这种情况下，只能进行AI能力相关的API与业务系统整合，或者单独开发面向内部的AI系统。此外，还可以进行RAG技术应用，进行简单的大模型调教，用来满足企业定制化的诉求。

第三类是有小模型开发、微调能力的团队。是指团队中有基础的AI技术人才。在这种情况下，可以尝试特定场景的模型微调、定制化小模型开发，用来满足特定场景下的业务诉求。

第四类是有大模型自研能力的团队。有这种能力的团队，基本上已经是大厂级别了，可以进行更深层次的创新应用的探索。

第一类和第二类重点在于“整合”，即“通过研究市面上对业务有用的AI能力”，结合业务流程整合到业务上来，提供”业务+AI“的提效效果。而第三类和第四类重点在于“创新探索”，需要结合业务诉求和AI能力进行模型开发，相对来说“存在投产比不可预估”的风险，但是如果成了，收益也是十分显著的。

我们可以对标目前自身团队的配置，明确下我们属于那一类，也了解下目前我们能基于AI做到什么样的程度。

这里的关键是清晰认知团队当下真实能力水平，不盲目追求高大上。

[自我认知]AI落地B端的多个阶段

基于我们对自身团队定位和边界的认知，我们也可大致了解下AI落地B端的多个阶段，从而认知到我们可以做到什么程度。

阶段一，是单点接入赋能

指将AI作为独立工具解决特定、孤立的业务痛点。比如业务需要生成一张图片，生成一个视频，我们就接入相关AI生产能力，从而实现单点的赋能。此外，像是智能文档提取、基础问答机器人、会议纪要自动生成等，也算属于单点能力赋能。

这一阶段的特点是易上手、见效快、范围窄。达到的成本较低，通过部署成熟开源项目、工具，或者是购买第三方的成熟AI服务就能满足。是前文提到的“第一类无相关开发能力的团队”可以有做到的阶段。

阶段二，是工作流整合赋能

AI能力不再孤立，而是嵌入到现有的核心业务流程或系统中，为整条链路提供自动化或智能化解决方案。假设我们原本制作了一个图片生产能力，那这个系统就是关联业务的灵感库、素材库，自动生产图片素材，然后上传到我们的投放系统上。从而实现了“需求——制作——使用”业务流程的闭环。

这一阶段可以通过贴合业务流程，最大限度发挥AI的“提效”、“提质”作用。这一阶段需要“有基础开发能力的团队”的支持，从而进行系统开发，或者利用企业的数据资产进行RAG调教，从而用来满足企业定制化的诉求。

阶段三，是工作流智能调度阶段

就好像最近爆火的Manus、Lovart这些工具，他们可以通过用户输入一句话的需求，由大模型理解用户诉求，并规划任务执行顺序，同时调度所需的AI工具，最后完成任务的执行。

这都体现了现在的AI工具的一个趋势。AI工具越来越多，面对复杂且繁多的工具，人会陷入选择的困境。而且部分场景下，还会涉及到多个工具的组合使用，这无疑进一步加大了选择的成本。

所以现在的AI工具呈现的趋势，是一个“从人找AI”到“AI找人”的趋势。通过AI理解用户的“需求”，再智能匹配对应的AI工具，并完成任务规划和执行。

目前这一阶段大多数是通用解决方案，如果在内部定制化的场景落地，需要有一定“小模型开发、微调能力的团队”。

阶段四，是数字员工阶段

但这个阶段属于“对未来的展望”。意思是把员工的技能拆解一个个的AI工作流程，然后通过对业务环境进行感知，然后执行计划，最终进行满足业务诉求的行动。

但是目前这个只是一个展望，就不讲太多了。

通过分开这个四个阶段，我们可以大致对应上前面提到的4个类型的团队，在当前，阶段1、2、3、4一定程度上对应着团队类型1、2、3、4的上限。

但这也是当前阶段的对应关系，后面随着2、3、4阶段能力的“SaaS”工具化，仅有第一类能力的团队，也可以应用上最新的AI技术。现在工作流类工具越来越多，已经有一定这样的趋势体现。

[自我认知]对内B端的壁垒

虽然当前阶段，大部分厂商都是通用场景方案，而不是满足企业的定制化需求。因此，他们对于我们垂直某行业的B端企业来说，这些AI能力的提效程度有限的，这里存在着“最后一公里的问题”。

在这个阶段，我们可以结合通用方案的情况和我们的垂直行业需求，构建相关的AI工具，提高AI在具体业务下的准确度，给到业务定制化的解决方案，最高效地满足业务诉求，从而辅助解决外部AI能力的“最后一公里”问题。

但是随着外部厂商的发展，随着他们能力、场景、行业的深耕，有可能某一天有某家厂商会推出“能满足我们业务需求”、“好用”、“便宜”的工具的，那这样我们内部B端产品团队的努力就白费了。

所以说，我们在探索AI方向的时候，也要考虑壁垒构建的可行性。

个人觉得，判断是否能形成壁垒可以有这几个方面：

1.是否具有足够的定制化优势？

第三方厂商（SaaS）是做多家公司需求的，做的是标准化产品，在特定场景上一定存在效率流失，相比起定制化工具，不够好用。而且有些特殊的业务场景，第三方厂商并不一定能赋能。就算第三方厂商推出低代码平台，短时间内这里还是有巨大的入坑门槛。

因此我们要判断，我们企业的流程是否有足够多的定制化场景，能够区别于第三方厂商提供的“赋能”，保证使用内部的工具能够有足够高的效率提升。

同时，我们要保证这里的定制化场景是否足够多，是否会被第三方厂商在短时间内覆盖，以保证我们能够区别于第三方厂商，不然老板是没有理由为“内部B端产品团队”买单的。

2.是否能够积累行业最佳实践？

第三方（SaaS）是行业平均水平的最佳实践，内部系统是企业的最佳实践。如果我们内部企业是能够形成领先于行业的最佳实践的，那么我们便不需要第三方厂商的赋能，而是可以自行探索，并进行沉淀，从而实现自我内部的赋能。

3.是否能避免数据风险和安全问题？

这一点是头部公司和处于竞争激烈行业的公司的担心点。采用内部系统是能够一定程度避免这些风险的。所以我们要判断我们所处的行业，是否能通过内部系统避免这种风险。

如果不是头部公司，或者竞争并不激烈的行业，这一块的风险是相对较小的，那么我们便有可能不需要通过自研内部系统来规避风险。

4.是否能够提供更便宜的解决方案？

部分SaaS提供的定价往往很高，会打包贩卖一些不需要的额外服务，导致整体溢价。因此，如果内部B端产品能结合业务的实际需求，提供刚好合适的功能，并且控制整体的开发成本。那么我们相对SaaS来说，也是具有一定的优势的。

以上四点，是我们推动内部AI落地的时候需要考虑，并逐渐做起来的事情。否则，某一天外部市场的颠覆，可能会使得我们的努力前功尽弃。

[业务认知]扫描业务机会点

以上3点自我认知辅助我们梳理了“我们能做什么的问题”，接着我们就要去探索“我们要做什么”。就需要找到业务的方向，这时候需要先进行业务认知，扫描业务的机会点。

我的思路是这样的：

首先，我们需要进行领域划分，盘点好大致的业务类型。就假设公司会涉及到设计、客服两个领域。

然后我们针对这两个领域拆解其中的业务流程，梳理其中的核心环节，比如：

设计的核心流程是“寻找灵感”、“制作草稿”、“收集素材”、“成稿”、“上线”。

客服的核心流程是“客服培养”、“了解问题”、“解决问题”、“跟进”、“反馈收集”、“记录报告”、“客服管理”等环节。

接着，我们需要通过这些业务流程，分析AI的切入点，重点是找到其中的痛点，比如重复、低效、易错、信息过载等的情况。

这个过程十分考研我们对业务的理解能力，所以我们可以通过“业务调研”、“业务访谈”、“业务轮岗”等方式挖掘其中的切入点。

然后，我们可以评估这些切入点是否能被当前（基于团队能力的）AI技术解决或优化，并分析其中的可行性难度。

假设我们从设计领域的“寻找灵感”方向找到“行业情报收集”、“灵感提取”切入方向，我们可以线去分析其中所需的AI技术。

比如行业情报收集需要信息采集，也就是爬虫技术，这里基本最核心的功能不涉及AI，AI只会在“提高采集精准度”上发挥作用，所以这个方向整体实现难度是“简单”。

又比如灵感提取需要对多模态物料进行分析，提炼出可供素材设计的灵感。这里涉及到“图片/视频内容提取、图片/视频内容分析”两方面的技术，目前内容提取相对较为简单，但是分析出行业所需信息是难的，所以这个方向实现难度是中等。

我们可以按这个表格的形式，尝试列举到所有的切入点，并盘点其中AI技术的实现难度。

判断实现难度可以通过下面几个方法辅助调研。

这个AI技术有多少相关的公开信息？我们可以查查这个AI技术，有多少公开的学术研究、专利、媒体报道。相关的信息多说明这个方向具有一定的可行性。但是也有可能说明该方向只是前沿研究性质的内容，距离实际落地还有距离，所以在调研完这个方向后，我们还要调研下后面两个方向。

这个AI技术有多少企业在发力？我们可以查查这个AI技术，有多少企业在发力研究，或者表示对这个方向有研究意愿。发力的企业多说明这个方向具有一定的价值，且具有较高的可行性。当然，这里也有一些企业在“做难且正确的”事情的，因此这个判断维度主要是作为辅助参考。

这个AI技术有多少开源能力/商业化能力？我们可以查查这个AI技术，有多少已经现成的开源能力，或者是商业化能力的。因为这意味着，这个AI技术已经具有一定的成熟度了，我们可以直接站在企业的肩膀上发力。

核心是判断是否有足够的借力点，省的我们重复造轮子。

[业务认知]业务价值预估与优先级排序

然后我们进入下一步，对业务价值进行预估，从而确定最终的业务实现优先级。

因为有些AI方向虽然看起来高大上，但是一结合业务并无什么卵用，那研究并落地这些AI能力的目的是什么呢？只是为了看起来牛逼吗？

比如我们是一个内部客服系统，最近AIGC很火，我们在客服系统上增加了生成图画内容的功能。这看起来很高端，但实际上并不能解决客服业务中的“用户问题解决”的核心诉求。

比如我们是一个内部的视频处理系统，最近让角色跳科目三很火，为了赶上热点，我们赶紧在系统上弄了一个图片跳舞的AI能力。看起来确实挺跟热点的，但是实际内部业务上会用到多少这种需求？做了似乎浪费人力成本。

所以我们要梳理一套内部的价值评估标准，用来对多个的AI切入方向进行梳理。

价值判断有几个维度：

1.用户数量：该AI能力能被多少内部B端用户所需要？这决定了AI发挥作用的范围，即用户量有多少？

2.使用频次：该AI能力能被使用的频率有多少？这决定了AI能力能否经常性发挥作用，还是偶尔被用一两次。

“用户数量”和“使用频次”两个维度都是用来判断AI能力方向的需求规模的。如果最终盘下来只有一两个人能够使用上或者整体使用频次很低，那么可以说这个AI能力其实发挥作用的空间很有限。

3.提效价值：使用AI能力后，能够节省人力多少成本。一般在同等工作内容和工作质量下，对比人工处理的时间和机器处理时间的差异。

4.产出价值：使用AI能力产出的内容，能在业务中发挥多少价值。这里可以用直接产生的收益，或者间接产生的辅助收益进行衡量。

“提效价值”和“产出价值”两个维度是用来衡量AI能力的单次价值的。

我们可以使用一个公式来进行整体AI方向的价值衡量：

AI方向价值=用户数量*人均使用频次*单次提效价值+用户数量*人均使用频次*单次产出价值

通过使用量化价值和量化的成本对比，我们便能判断这个方向的性价比和优先顺序。

举一些实际的例子。

假设我们在研究AI美术相关的能力，目前有视频编辑和图片编辑两个方向，但是团队人力有限，我们要选择优先哪个方向呢？

那么我们便按上面4个维度进行拆解：

以上数据为虚构示例。

可以看这个表，可以分别算出两个内容的具体值。

AI视频编辑的工具价值乘起来是400w，当然这是一个假设值。

AI图片编辑的工具价值乘起来是110w

那么很明显可以看到，AI视频编辑工具的价值是整体偏高的。目前这两个技术都有借力，所以成本相似。因此，在不讨论其他因素的前提下，AI视频编辑工具是更值得探索的。

这个过程中，我们可以保留一些“当前团队能力无法满足，但高价值”，且在适当“补充人力”后可够到的方向。用于后续争取资源。

因为我们最终是为AI的价值服务，而不是需要局限于当前的团队能力。

[业务认知]基于已有方先与团队对齐

完成了方向梳理后，我们需要再次和业务团队进行对齐，形式可以是通过把方向制作成大致的说明文档。这里需要看团队的理解能力，可以是文字说明，也可是高保真原型。

这里需要做的事情主要是：

第一，通过把已有的方向和团队对齐，让业务设想下自己使用这些功能时候的场景，从中甄别哪些是伪需求，从而修正我们的方向设计，避免我们由于“业务理解程度不高”导致的方向错误。

第二，一定程度上进行业务价值的前期验证，我们需要得到“频次预估”、“价值预估”，修正我们一开始的价值判断，从而优化我们的功能排序。

第三，我们需要给业务打预防针，减少“AI取代他们”的顾虑。

减少业务的顾虑，是要建立“AI是与人协创”的认知。

AI是对“能被总结出规律内容”的归纳，本质上是滞后于“不断创新发展”的前沿领域的。

我们要知道，人能做的事情，AI才能去做！

AI就好像是个实习生，拥有各项技能，但是不会怎么用，需要我们总结出一套SOP，指导他们进行业务。而他们也会在这个过程中不断成长，只要我们还能够带他们，教会他们新的知识和内容，那么我们就不会被他们取代。

我觉得AI和我们的合作其实可以分为三层。

1.最底层是低复杂度的基础工作，这些工作内容占据了最高的工作量。

这些工作可由AI完全自动进行，不需要我们耗费人力。

2.第二层是有一定挑战的工作，这些工作里AI能够辅助我们进行一些重复工作，但是最重要的关键还是在于我们人自身的判断和执行。

在这一层，我们和AI是合作的关系，AI在这里充当的是我们的助手。

3.最顶层是复杂度最高的工作，这些工作往往是具有创新突破性质的工作。

这些工作从本质上讲，是无法被AI替代的。除非我们远远落后于行业前沿。行业的大模型知识遥遥领先于我们。

该领域也是我们的核心壁垒，只要我们能走在AI前面，那么AI将很难追上我们。

[向上认知]基于对齐结果向上管理

到这时，我们就已经有了基于“自我认知”和“业务认知”得出的AI方向了。

这时候我们需要进行向上管理。

首先，我们要对齐“预期”。需要告知：

团队边界：我们的团队能做到什么程度的内容，如果要做到这个程度的内容，需要打造什么样的团队。

方向与价值预估：我们需要告知目前能做到什么事情，并告知相关价值。

风险预估：我们需要告知，哪些方向是目前“实现难度大”的，需要告知实现难度大的内容，具有“ROI不确定”的风险。

通过对齐这些内容，我们需要做到：

确认上级的预期，调整优先级。因为我们得出的方向，往往是缺乏高层战略视角的。所以我们要从向上管理的过程获取信息，从而修正我们的方向。

争取资源，并以此成立AI专项小组。

为什么要成立AI专项小组呢？

首先是可以获取人力资源优势，对齐目标，补齐人力。使得我们可以更高效率地推动AI的落地。

其次是通过专项小组，我们可以借此调度其他各线业务的支持。因为AI只是一个技术能力，所有业务都是+到AI上的，所以不能光整能力，需要业务基本盘，需要来自业务的支撑，需要充分调度各业务线的支持，如有特殊情况，能获取到来自上级的支持。

然后，通过小组的方式，我们可建立“边际成本递减”的成本优势，打造企业内的AI中台服务。由一个统一的小组来承担AI研究任务，可以显著降低重复成本、研究成本、学习成本和部署成本，只需投入一次，便能为整个团队服务。而且专门的AI研究小组能够集中人力资源，攻克技术难题。

最后，可以更好地运营“AI落地”这件事情。因为AI落地不仅仅是开发层的事情，更多是运营层、管理层的事情，要有一个能够从全局把控团队“应用AI这件事”的组织，做好团队AI+这件事情。

围绕共创生态的AI落地

接下来，我们就要开始推动“AI落地”的这件事情了。

小的认为，在对内B端，AI技术要能真正赋能业务，并不是先研究一个很叼的技术能力，然后再去找业务看看“有无什么作用？”

这就像拿着锤子，去到处找钉子。这不过就是一种自嗨的伪需求。

而我们应该做的，是找到钉子，再拿个合适的锤子过来。不是AI能做什么？而是我们的用户需要什么？

所以说，我们是要在业务中发现有价值的需求场景，然后基于这个需求去研究相关的AI能力，最后结合业务发挥作用。

因此，个人认为，我们是需要构建一个“共创生态”，以此辅助我们挖掘真需求，进行AI落地。围绕这个目的，我总结了3点方法论。

[建设基于AI的业务协创机制，积累最佳实践]

[围绕最佳实践构建系统功能，积累业务战果]

[围绕系统成果深化共创生态，构成良性循环]

下面具体谈谈。

[建设基于AI的业务协创机制，积累最佳实践]

我们第一步是“建设基于AI的业务协创机制，积累最佳实践”。

一个AI能力的落地，并不是可以直接从功能开发入手的，而是需要先判断其与业务场景的适配程度。

因为一个AI模型被吹得“能力很强大”，并不等于在企业的定制化场景下“能力很强大”，很有可能AI的效果就是不行的。

所以要落地一个AI技术，要先进行“可行性研究”、“业务测试”，再是“功能开发”等步骤。

因此从发现一个AI技术，距离真正落地还有很长的距离，而我们不可能让业务等我们先走完流程才用上AI，这会让业务浪费极大的机会成本，也会在内部积累一定的怨言。

所以，我们需要构建一个“基于AI的业务协创机制”，其可以做到：

通过一套标准化、快速的AI测试验证方式，保证快速验证AI技术与业务的适配程度。而且在后续AI迭代的时候，能够告诉业务最佳的选择。

通过一些快速部署的机制，让业务能够快速用上最新的AI能力，并在这个过程中，进一步判断AI和业务的适配程度，并积累业务的AI最佳实践。让业务辅助我们筛选掉一些“原本确定下来可实现、有价值，但是实际实现起来存在卡点”的方向，这些方向有可能是因为当前AI能力未能满足业务诉求，有可能是通过实践发现“价值没这么高”。

如果团队有能力在后续提供系统化解决方案，这个过程可以培育一批核心的种子用户，也便于后续促成“共创”生态。

而“基于AI的业务协创机制”，主要由以下流程构成。

AI探索：基于业务方向进行AI工具的实验与探索，对市面上的AI能力进行初筛。

能力引入：构建能够让业务使用外部工具的形式，一般有以下3种形式。第三方账号：申请预算购买账号，做好分发与管理，通过分发账号的方式让业务进行AI体验。开源部署：通过借助开源工具、第三方平台部署到内部，给内部使用。API：通过接入API，通过提需求或者简单上到系统的方式，给到业务使用。

业务试用：一批核心的业务成员，给我们业务视角去评估AI，辅助我们判断AI是否真的能带来价值。

最佳实践沉淀：通过业务使用，记录并沉淀我们的最佳实践案例库，用于为后续系统化做准备。

整体流程就是，先由AI探索者进行研究初筛，然后引入到内部进行业务使用，最终沉淀成最佳实践。

这个过程中，我们需要建立以下内容：

AI情报信息源：AI的发展是日新月异的，我们需要建立优质的信息获取渠道，以便我们能及时获取到最新的AI情报，然后进行实验与探索，从而找到对业务有价值的AI能力。

内部评价体系：需要内部建立一个统一且规范的AI评价标准，用来进行市面上AI能力的横向对比，以及AI能力迭代时候的纵向对比。通过量化的方式，来找到最适合业务的AI工具。

协作SOP：如果某个AI能力未能提供系统化解决方案，需要人力的方式保证业务运转。比如接入API来进行视频生成，需要业务方提交物料给到技术生成。如果需求方过多，会由于管理混乱导致效率低下。因此需要形成一套指引协作的SOP，来规范对接的流程，每个过程提交的物料。一来保证团队的高效，二来降低沟通成本。

最佳实践知识库：这套“基于AI的业务协作”的过程必定会积累不少价值的AI使用最佳实践。我们需要把这部分内容沉淀，并复用到其他业务方上。

因此，我们要构建一个统一入口的知识库。

这里的要点在于“统一入口”。为什么这么说呢？因为内部中台的本质是复用和沉淀，如果划分得很散乱，必定会增加业务理解成本，也不便于团队“积少成多”形成规模化效应（AI的发展趋势也是一种积少成多）。而且，假设我们后续要进行系统化，我们的系统也是会以这个“知识库”内所包含的内容为雏形进行发展的。

[围绕最佳实践构建系统功能，积累业务战果]

当我们的“基于AI的业务协作”模式跑起来，并源源不断积累“有价值”的最佳实践后，就需要考虑进行系统化建设，充分发挥AI提质、提效的作用。下面讲讲个人关于这一块的想法。

1.建设核心：以Allinone为核心进行系统化建设。

个人认为，系统的建设核心应该是遵循着“Allinone”思路的。

Allinone分为四层。

所有AI能力整合，集中内外部AI能力。

所有业务经验整合，集中所有优质业务实践、技术探索。

所有业务流程整合，集中所有业务流程，比如客服、设计从头到尾的流程。

所有应用场景整合，所有应用场景都调用我们系统，比如公司的数据分析后台、CRM后台、投放后台等等地方，都可以调用AI能力。

要做到内外部AI能力层面的Allinone，需要我们保持稳定的AI探索，并积累对内部有益的AI能力，这一块前文的“协创机制”就为此进行了一定的积累。

同时，“协创机制”过程积累的最佳实践，本质就是一种优质经验，由此，也构成了“业务经验”的Allinone。

而要做到业务流程层面的Allinone，需要我们“协创机制”积累的最佳实践，深挖相关业务流程，并积累AI能力的“点-线-面”。

AI能力的“点-线-面”其实对应着前文提到的“Ai落地B端”的多个阶段，单点接入赋能、工作流整合赋能、工作流智能调度阶段。

我们在“协创”过程中搭建的试用机制，某种程度上满足了“单点接入赋能”的诉求。但是这样仅仅只能服务于小部分人。由此，我们可以搭建一个功能来提供这些单点能力，让非协创成员也能用上这些能力。

接着，我们需要基于已有的“业务实践”深挖其业务流程，并给到嵌入业务流程的解决方案，为整条链路提供自动化或智能化解决方案。这也是我们迈入“AI落地B端第二阶段”的关键。在这一阶段，AI的“提效”、“提质”作用会被进一步放大，给业务提供一条龙式的服务。

比如在阶段一我们只提供了一个“客服问答助手能力”，在阶段二，我们就需要考虑构建客服服务场景下一条龙式的服务，比如用户提出一个问题，对于问答助手没法解答的问题，我们可以记录问题的类型，登记成工单，然后分配给合适的成员进行跟进，并在跟进完成后，由AI进行质检评分。

最后，我们便可以进行“工作流智能调度阶段”的探索，尝试为业务流程带来更高提效的可能性。

接着，是应用场景层面的Allinone，我们可以通过以下两种方式来实现：

构建AI能力聚集地：我们可以将已有的AI能力聚合到一个系统上，从而覆盖各种AI的使用场景，并由此来培养“这个平台有所有AI能力”的认知，让更多人养成使用习惯。

封装并分发到各业务系统：大部分厂商原本就有一定的业务系统建设，用户也养成了相关的使用习惯。因此我们可以把AI能力封装成API、浏览器插件等形式，让其他业务系统按需调用。

当然，这两种方式是可以共存的，并不会互相影响。

2.构建顺序：MVP原则，先验证，后放大

确定系统的构建核心思路后，就是系统的构建顺序。

这里主要是遵循MVP原则，即最小可行性原则。通过这种方式最小成本验证价值，然后再规模化建设。

也可以理解为“先上线，再优化”。这个过程也是”积累战果“的关键，我们可以由此积累足够的系统价值证明。

当然，各位都是做产品的，这个原则大家耳朵估计都听到起茧子了，这里就不多赘述了。

3.兜底策略：海王思维，两手准备。

由于AI能力发展日新月异，我们通过“协创机制”选出来的AI方案可能只合适于当下，在未来却有随时被其他AI能力颠覆的可能性。

比如，一开始AI视频生成是runwaypikaluma比较厉害，但是现在基本上都是选择可灵即梦。

因此，在落地相关功能时，需要具备一种”海王”思维：

1）做好随时“分手”的准备：

确保基于AI相关功能的实现方案不要过于定制和耦合，明确好自身系统和AI能力的边界。把AI能力当作一个可随时替换的“插件”，做好随时替换的准备，当目前使用的AI能力由于成本或者能力问题需要替换的时候，可以随时抽身而退。

2）定期评估最佳实现方案：

由于当前AI发展日新月异，为了不让企业落后，产品团队需要定期接入最新的模型进行测试和验证，利用前面搭建的“内部评价体系”判断最新的模型与原有模型的差异，以用于判断“是否替换”或是“保持使用”。

当系统在稳定地构建的时候，我们要注意系统战果积累，为下一步做准备。

[围绕战果成果深化共创生态，构成良性循环]

基于前面两个环节积累的最佳实践、系统战果，我们需要定期进行战果宣导，可以通过内部期刊、宣讲会等方式来同步我们的战果信息。

以达到以下效果：

通过成功案例吸引更多的使用者，并通过用户培训教育降低使用门槛，吸引更多AI使用者，进一步发挥系统价值。

构建团队的构建内部公信力，成为生态的牵头人之一，便于向各方借力，进一步推动AI落地。

通过抛砖引玉的作用，挖掘更多的”生态共建者“，拓展共创规模，辅助我们找到更好的AI方向、AI需求，保证我们的AI应用能确实围绕”团队的真需求“开展。

围绕”共创生态“这个内核，我们先推动业务协创探索，积累最佳实践，围绕最佳实践落地系统，然后通过战果宣导刺激更多共创需求，再进行使能探索。

如此，便构成了一个良性的循环。

小结

以上，便是我个人关于内部B端产品落地AI的实战经验分享了。当然这些经验只是我从个人的经历中提炼出来的，并不一定适用于所有场景，但希望能个到各位启发。