支持私有化部署
AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


企业建立AI战略的参考因素和框架结构

发布日期:2025-07-11 12:19:52 浏览次数: 1534
作者:数智AI Studio

微信搜一搜,关注“数智AI Studio”

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。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询