GPT就是一个刚刚毕业的大学生

当有了这个认知之后,对GPT的预期就有了正常的理解:他要完成的工作,就是一个大学生能完成的事情。这个认知曾帮助我少走不少弯路。

借由这个认知,分享一下企业AI降本增效的理解: 在企业场景做AI探索,核心关注的问题是:如何降低用人成本,从而提高利润。

当然,这种降低的结果有可能是裁员广进计划,也有可能是让AI做了一些以前碍于人工成本较高,无法启动的项目,从而增加营收。

如果目标固定,那判断场景价值的方法应该是: 场景价值=该场景人数*单位时间用人成本*使用频率*单次效能节约时间 举个例子,如果有个企业内部的流程,每天有100个人使用该功能,每天使用10次,通过AI,每次使用提升5分钟。这个人的企业用人成本是15000。

那场景价值就是:100*10*5=5000分钟/天 一个月就省下5000*21.75/60=1812.5小时 这些小时值多少钱呢?15000/21.75/8*1812.5=156250 相当于这个场景理论上制造出了15.625w的额外收益 但企业面临的问题是,无法将这些收益量化在账上,需要配合业务管理措施(如增加工作,或者直接淘汰那些不干活儿的人)来把这些时间省在账上。

—————–

当有了这个判断思路,在找场景落地时,还需要遵从三个原则: 原则1:由简单到复杂

比如你发现,客服场景中,20%的退货问题占用了80%的人力,你期望解决退货。但实际上退货也可以拆分主要矛盾和次要矛盾,主要矛盾是在于收集用户情况上,比如发送的货品,是否已从货仓发出?用户是否收到?货是否破损?等等。 次要矛盾才是,按照不同的业务要求,做退货和退款的协议处理。 上来想解决这个大的场景,无疑是非常复杂的。然而如果只是让GPT多轮对话收集用户信息,反而是简单的,且能节约人工沟通时间。所以,识别核心矛盾,以及入手找到小成本解决大问题的环节,是非常重要的

原则2:由点及面

这个逻辑其实是基于原则1的,当你完成了一个点之后,你会发现相同的技术方案能解决其他场景的不同问题。这时候就可以开始构建出面的能力,作为一种中台化的力量去解决企业内各个业务场景的不同问题。

原则3:由内向外

所有内部的降本,都为了构建成本优势。从内部开始,推向外部。他就会慢慢变成行业解决方案的SaaS。 但如果内部都没跑通,就想给外部解决,无疑是不接地气的妄想。 当然,企业内部AI探索来说,由内向外也可以理解为,内部探索大于toC的探索尝试。(碍于LLM合规和试错成本)

—————–

除此之外,企业内部探索时,会遇到3种棘手的问题 – 知识库建设 知识库往往需要专业能力,落地依赖这些数据建设 – 业务反馈链路过长,导致迭代慢 业务并不关注AI,会投入较少时间创新 – 看见的力量 业务要看见效果才会尝试,所以前期基本个人从0到1

—————–

接下来的时代,将会是Agent逐步取代人工的时代。 这个时代能胜出的企业SaaS系统,很可能是BPM这种业务流程化系统。 当下Agent也都在不断和做数字化链路的业务流程系统合作。 Agent会作为一个实体被插入到流程节点中,完成某个流程中微小的具体的一个环节。 当Agent的能力逐步提升到可以完整链路协作后,MetaGPT画的饼就会达成。公司组织架构将面临巨大的重构挑战。 接下来仍会不断出现越来越多的以一敌百的超级个体公司。 这是一个充满机遇的时代,真的太酷了。

------本页内容已结束,喜欢请分享.亦可扫码进入我们的交流服务群------

感谢您的来访,获取更多精彩文章请收藏本站。

© 版权声明
THE END
喜欢就支持一下吧
点赞0 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片

    暂无评论内容