企业建立AI战略的参考因素和框架结构

推荐语

AI战略不是奢侈品，而是企业数字化转型的必需品。无论规模大小，制定清晰的AI路线图都能避免资源浪费和方向迷失。

核心内容：
1. 行业属性、企业规模和竞争态势是制定AI战略的三大关键维度
2. 业务目标与数据基础是AI战略落地的两大支柱
3. 不同规模企业实施AI战略的差异化路径与典型案例

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

写一个偏“虚”的话题：企业如何建立 AI 战略。之所以觉得偏虚，是因为我们大多数企业，尤其中小企业是不太重视战略规划的，领导们更喜欢看到实打实的应用展示，并希望知道 AI 能提高多少收入或者能减掉几个岗位。

但是 AI 策略也有它的重要性。首先制定战略能够让我们想清楚未来到底要干什么，或者不干什么，保障 AI 战略配合业务战略（或者某些企业老板的想法就是业务战略），避免为了 AI 而 AI。它能够确保我们后续的 AI 项目和 AI 投资有迹可循，并且避免各部门或个人之间的低效投入。此外很多大的企业是需要先明确战略规划，批准之后才允许启动预算和项目规划的。因此无论是大公司还是小公司，在投入真金白银之前，好好想想 AI 策略肯定没有坏处。

建立 AI 战略时首先我们要考虑行业属性。例如：

• 制造业：可能更多地希望 AI 聚焦在生产制造领域，提升整体生产效率，降低运维成本，从而实现比对手更快、成本更低的产品；
• 医疗行业：希望利用 AI 在 病情诊断或者药物/器械研究上，同时还要保证监管合规；
• 金融行业：希望重点在风险评估与建模，欺诈和个性化客户服务方面；

不同行业的聚焦点会有所区别。另外要考虑的是企业规模。例如大型企业会全面考虑 AI 能力发展，能够投入大量的资金、人力、技术等，在某些深度和广度的业务场景进行长期投资，例如利用 AI 技术来判断国内外供应链的风险、全面预测销售需求等。但是中小企业更多强调速赢，希望 AI 能够解决某种短期痛点或者诉求，能达到立竿见影的效果。

第三个维度是竞争态势。行业的头部企业已经开始利用 AI 来巩固他们的地位，例如利用 AI 研发新的产品、制定行业技术标准、大规模提升生产效率或质量等。这些企业已经把 AI 作为核心竞争力之一，并不断利用新技术来创造新的机会，甚至形成新的行业垄断。中部和尾部企业更多是观望，尝试利用 AI 突破头部的垄断，但由于速赢思维，很难突破。

因此，无论对大、中、小型企业还是头部或者尾部的企业，明确 AI 战略绝对不是浪费时间。

制定AI 战略所参考的因素

在制定 AI 战略之前，我们可以参考以下几个话题，先对 AI 形成一个充分完整的认知。

第一个是业务战略和目标。可以是大公司那种几百页的 PPT，也可能是老板的一句话。总之我们要明确未来企业的业务方向和目标是什么，然后 AI 如何辅助达到那个目标。我们要避免为了 AI 而 AI（除非是以 AI 为主业的企业），尤其避免陷入技术误区。对于业务战略，AI 是否可以帮助，在哪里帮助（具体到业务场景和用例），是我们需要想明白的。大的公司可能需要几周甚至几个月的时间来梳理这个问题。

第二个是数据的可用性和质量。我们需要明确数据资产，例如数据质量，完整度，所有权等。AI 战略通常也会包含数据战略，或者和已有的数据战略形成交叉。无论企业大小，都要强调数据治理的重要性。如果之前没做好的，可以参考 AI 驱动的数据治理来完善这部分工作。另外也要明确数据存储和获取，是否已经具备数据湖，是否可以共享数据等。

第三个要考虑的是技术。企业要考虑未来如何发展 AI，是在云上，还是通过本地一体机；是采用单一产品（可能被供应商锁定）还是多元产品；是发展自己的能力还是外包等。现有 4A 架构能否支撑 AI 发展。大企业还要面临大量的老旧系统等问题。

第四个因素是人员能力。之前写过一篇 AI 灯塔项目的文章，里面提到了各种不同的 AI 角色，例如 AI 架构师，数据架构师，AI 产品经理，ML 工程师，AI 测试，培训和推广人员等等。对于大公司，我们是否具备了完整的 AI 开发团队，AIOps 是否已经建立。对于中小公司，是完全外包还是采用混合模式。

第五个考虑因素是业务运营模式。它是和人员能力紧密结合的。它要考虑的是我们如何把 AI 应用结合到日常业务中。正常情况下，我们在制定完 AI 战略后要制定业务运营模式（operating model），它包括了组织如何应变，开发运维模式，技术迭代，需求变更管理等。

第六个是 AI 治理与管控。想必大家都听说过大模型的幻觉。如果只是胡说八道就算了，但如果一名普通员工获取了公司财务预算那怎么办。AI 治理是一个新的话题。它包含了我们熟知的数据安全，也包含了 AI 伦理和道德，甚至 AI 歧视：不同权力的人可以访问和获取的 AI 能力不同，造成算力歧视和不公平性。

第七个是投资与 ROI 收益。现在的经济情况让我们不得不把这个因素单独拿出来。尤其针对中小企业，我们能够投入多少，期望得到的回报（ROI）是必须要回答的问题。这就意味着在后续用例探索过程中，是可量化的价值收益重要，还是感性的收益更重要，例如使用满意度。其结果会影响到 AI 实施的路径和资源投入。对于大公司，这可能决定了我们接下来要做多少份商业 business case 了。

最后一个建议的考虑点是竞争态势。我们的竞争对手在干什么，整个行业的发展方向是什么。作为头部企业，我们如何利用 AI 建立更稳固的优势地位。对于尾部企业，我们是采用追赶策略，还是采用差异化策略，还是换个赛道。遗憾的是，由于 AI 消除了信息差，尾部小企业不但难以获益，反而拉大了和大企业的差距。因此想清楚要用 AI 干什么就至关重要了。

以上 8 个因素只作为参考。我仅是通过这几个标准要素来涵盖大部分的行业和企业，肯定会有遗漏。您可以在制定完整的 AI 战略之前拿它们做成 check list，然后逐个检查，例如我们是否考虑了数据，是否考虑了安全治理等等。

AI 战略框架

分析完几个重要因素之后，我们可以开始着手搭建 AI 战略框架了。

AI 战略框架的目的是把纯粹的规划转变成结构化的格式，为后续执行提供指导意见。有些公司喜欢把框架画成房子图，有些喜欢画成块状图等等，按大家喜好了。AI 战略框架一般包含以下元素或者结构。

首先，也是最重要的，战略愿景（vision）和原则（principle）。这里描述了公司为什么要发展 AI。它会基于企业愿景或者使命，描绘出 AI 战略愿景，例如成为 AI 驱动的行业领先企业。同时有些企业会描述一系列的原则，例如降低成本，提升质量，增加收入等。对于头部企业，AI 愿景可以非常“重”，例如重构客户体验和服务。对于一般类企业，愿景可能是利用 AI 提供客户服务流程，提升客户满意度。

第二是业务发展目标。这里描述我们发展 AI 的业务领域，聚焦的场景或用例，以及希望能够达成的目标。有些公司在这里也会明确 AI 相关的 KPI 或者每个项目的 ROI。例如计划在阶段一降低 30%成本，阶段二提升 80%客户留存，阶段三实现研发自动化等。头部公司可能会设计非常积极的目标，横跨多个业务域等。一般公司可能只会针对几个用例设计未来的量化目标。

如果我们用房子图来描述的话，以上的愿景和目标一般就是房顶了。接下来是画房子的立柱。我在这里分了三个。您可以按照需要增加或者减少。

第一个柱子是技术和数据战略。这是企业如何构建 AI 能力的核心之一，一般会包含数据战略、基础设施、和工具。数据战略包括数据治理相关内容，还有数据存储和管理方案。基础设施和工具包含了未来软硬件架构和产品规划，例如是与大型供应商结盟（例如 SAP，微软，阿里等）还是自研。

第二个柱子是组织和人才。这里定义了企业未来在 AI 人才方面如何发展，如何储备，还包括组织机构的变化，例如是否成立 AI 发展委员会，AI COE ，AI Lab，AI R&D 中心等。另外这里还可以定义企业的 AI 文化等。

第三个柱子是 AI 治理。这里描述未来 AI 策略管控，流程体系，治理框架，安全保障，伦理道德等。对于银行、医疗等受严格监管的行业，AI 治理策略必须走在落地实施的前面，否则可能会带来不可估量的风险。

画完柱子，接下来就要画底座了。AI 战略框架底座就是我们未来的几个发展阶段，即路线图或者时间轴。一般来说我们习惯用三段式来描述战略发展阶段，AI 也适用。例如第一年（Phase 1)重点发展数据等基础设施和 AI 灯塔项目。第二年（Phase 2)重点推广并发展复杂的用例。第三年（Phase 3）向智能生态发展。这里要为每一个阶段定义重要的交付物。

最后对于某些喜欢量化的企业，我们还可以再加一个底座，即指标和监控体系（形成 PDCA 闭环）。这里描述我们将采用什么样的指标体系来检查 AI 战略的执行力度和结果。这些指标体系可以是单独的，也可以和上面几个阶段相对应。

总之，对 AI 战略框架做一个总结。它包括：

• （房顶） AI 战略愿景与原则
• （房顶） AI 业务发展目标
• （柱子）技术和数据战略
• （柱子）组织和人才战略
• （柱子）治理与道德战略
• （底座）实施路线图
• （底座）监控指标体系

AI 发展路线图

AI 战略框架说完了，接下来说说底座：AI 实施路线图，因为它承接了顶层的战略，又描绘了底层的实施，是未来落地的关键。

为了避免大而全，我们一般采用 3 年三段式来规划 AI 路线。也有的企业采用两段或者五段式。对于这 3 年，每一年都有不同的发展目标和发展优先级。以下仅给大家做个参考。

阶段一/第一年：AI 基础发展阶段。重点在于建设 AI 基础设施和试点或灯塔项目尝试。基础建设包括：

• 数据和数据基础建设。例如完善数据治理体系，完善数据抽取、存储、清洗、算法、分发等基础能力
• 人员和组织建立。例如人员招聘，组织规划与建立，培训体系建设等
• 试点项目实施。参照之前关于快速启动 AI 灯塔项目的建议。在这一年我们一般会选取 1 到 3 个试点项目，进行完整实施并总结经验
• 治理框架建立与实施。完成 AI 所需的监管措施，避免后续给企业带来麻烦

这一阶段的发展目标是：小步快跑，展示价值。更多地让企业了解 AI，相信 AI 能够带来价值。同时在这一阶段要不断监控 AI 发展情况，完善 KPI 体系，为下一阶段做好准备。

阶段二/第二年：扩张与持续迭代阶段。这一阶段的重点变成了对 AI 成果的不断迭代与扩大，并不断尝试新的业务场景和用例。例如：

• 对阶段一成功用例进行迭代，不断扩大其范围
• 不断上新的项目，新的用例。既然已经接受 AI，那么要不断扩大战果
• 尝试在标准化流程中利用 AI 进行替代
• 完善治理体系，最大化降低 AI 风险
• 对 AI 应用进行全面的监控和 ROI 核算

对于头部企业来讲，第二阶段一般是 AI 腾飞的阶段，企业会从某个局部应用发展成全面应用。但是对于行业链条中局中或者末尾的企业，这一阶段是追赶的阶段。这时应该尽量聚焦在垂直领域，追赶上头部的脚步，而不应该过于激进，过于创新。

阶段三/第三年：优化与全面转型阶段。我们已经基本适应了“+AI”，开始向 “AI+”发展。阶段三关注：

• 各个业务域，整个企业级的 AI 推广
• 先进且自主的 AI 应用，例如多领域的 AI 智能体
• 体系化的 AI 产品迭代机制。和 DevOps 一样，此时的 AI 也同样形成和企业相适应的迭代模式
• 战略创新和新商业模式。这里就是我们前面提到的 AI+

到了第三阶段，我们之前制定的 AI 战略框架也基本都实现了。此时我们应该开始下一个 3 年的规划。

对于头部企业，阶段一和阶段二可能会投入巨量资金和力量来探索 AI，并且在阶段三对成功的案例进行疯狂扩张。中部企业会小心设计优先级模型，一方面学习并复制头部企业的玩法，另一方面小规模的进行创新尝试。尾部企业可能会在阶段一耗费更多的时间，因为要证明 ROI，否则企业可能会放弃 AI 战略。同时他们也可能借助外部力量，在阶段二或阶段三赶上来。如果一切顺利，尾部企业可能在阶段三展现出新的竞争优势。虽然小，但是可以稳稳的在市场立足，而不被头部企业干掉。

以制药行业为例。一家头部公司可能在三年内成功将 AI 融入到药物研发。一家中游制药公司可能在三年内将 AI 用于部分研究和临床试验领域，但尚无力将 AI 应用于药物研发。尾部企业可能仅在某些细分领域使用 AI，例如自动化数据录入或合规性检查。

头部企业会借助 AI 获得巨大的竞争优势（新药更快的上市）。中游企业仍然具有竞争力，但难以实现突破性进展。尾部企业面临在创新竞赛中落后的风险，除非它改变商业策略或者与外部进行合作。

以上内容希望能够帮助到大家建立 AI 战略。别忘了还可以让 DeepSeek 等大模型来搜索各企业当前的 AI 竞争战略是什么。很多信息都是公开的，可以为自己的企业做参考。