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。

开普云参与由中国网络空间安全协会及国家互联网应急中心联合发起的“中文互联网基础语料3.0”发布仪式9月17日，在昆明召开的2025年国家网络安全宣传周人工智能安全治理分论坛上，中文互联网基础语料3.0正式向社会发布。作为该语料的贡献单位之一，开普云受邀参加发布仪式。在中央网信办相关部门指导下，中国网络空间安全协会会同国家互联网应急中心等单位，在前期发布中文互联网基础语料1.0和2.0的基础上，依