AI赋能不应贵气：深度解读AI助力企业渡过经济寒冬以及如何落地AI的路径

AI很棒可是给人感觉“很贵”因此我不敢用

继GPT4后Dalle3、Sora、GPT4.5、GPT5的消息以及前天突然出现的GPT 2.0（GPT二代，有人说这就是OPEN AI的新产品：Q*）但凡涉及到AI的一系列新闻给人予很震撼的感觉。放眼望去AI正在欣欣向荣。而业界人们看到的另一种景像却是真正愿意为AI埋单、落地的企业凤毛麟角，AI真正在企业落地的也少之又少。

那么AI到底可以帮助到我们什么呢？

整体互联网进入“后互联网经济”、整体环境也决定了降本增效的大原则。行业已经不再追究“暴发”式增长，而是去寻求较稳妥的“小增量、多波次”式增长。

我们的企业数字化革命是始于90年代后期经历过的互联网变革可以从整体上划分成3个波次的增长（基本和互联网本身的发展阶段相符）：

90年代后期到2009年前的：不计成本式投入，那时连如何回报、怎么回报都没想好，因此出现的都是巨头；
2009年~2015年左右的：互联网变现经济又被称为移动互联网经济，投入与回报主要看流量。投入也是愿意投入的，但是已经提出来ROI。因此此时没有回报的互联网实体会很快消亡。因此这段时间摩尔定律不提了主要提的是：梅特卡夫定律；
2015年~2023年左右的：其实是梅特卡夫定律发展的最高峰，不乏一些泡沫存在。不过那时人们已经开始提到了不要盲目投入不再“不计成本”的投入了，但还是提出了“先做加法、再做减法”的思路，主要争夺的方面还是“流量”而讲究的一个是“回报>投入“

一直到现在。。。在现今社会上特别是整体处于后互联网经济这个大前提下如果再让一个企业动辄上百万的去做一些投入这显然已经不现实、也不可能了。再说白点有一样东西从2023年开始不再会被业界所认可，那就是“你投个7-8位数能引流”，NO。。。Mission is impossible！

很多企业也知道AI，几乎所有的企业都一致认为：啊，AI。。。的确是一个好东西，可是它能为我带来什么？

我们都经历过“中台年代”，它恰恰发生在2015-2023年这段时间。很多企业为了“中台”已经付出了7~8位数的投入了，当然真正的中台要成功不仅仅是技术上的成功更多还是需要在经营、运营思想上结合着技术去做出改变才能成功。所以现在又来一个AI，AI的确是好啊，可是在企业经营者的脑海里它有一个代名词，即：“贵”。

这对AI的全面落地和真正推广普及形成了很大的阻力，当下环境的情况下不允许也不会出现为了AI而去AI做投入就像：2000年初的那些“投入”了。那么我们就从企业数字化三代历程来看AI如何去落地以及AI如何可以真正走进千家万户。

从三代历程我们可以发觉整个互联网、数字化是一个“逐步理性”的过程，即：从“类情感、情怀式消费”到“真正可以帮助到我什么、落地一个是否真正可以高频使用”这么一个“消费”过程。

说白了：人们在追求刚需。

非刚需的再炫也只会被人们认为是一个“噱头”，持久不了。

我们也发现了AI从2024年3月开始进入到了这么一种“陷阱”。

但AI真的只是一个“噱头”吗？如果不是为什么落地的企业那么少？

本人借着已经落地了4个企业级AI实例在本文中为你展开一些AI落地的思路同时也由此抛砖引玉引发一些同行们共同、进一步深入的来探讨这个问题。这一系列思路和探讨其实就是基于以下几个“提问”而出，因为我们团队在落地AI时也常常反问自己这几个问题，这几个问题实际上是从2022年年底至今一直伴随着我们的经历的。

当前AI可以应用在什么方面？

放眼望去是什么让你了解到了AI这个东西呢？

AI作文

AI写作文，这真的没话说。

用AI写出来觉得苦涩、干巴巴的都是没有真正利用好AI的！

我毫不夸张的说如果你的提示词用的好，写出来一篇暴文只需要15分钟的事。比如说我们团队就试着利用结构化的提示语让AI写出一篇博文甚至登上了科技杂志的前3页。而实际只用了15分钟。

再比如说我们试着用AI为一款口红生成一段广告词，结果这几个字的广告词出现了该企业在全国展会上成为了最吸晴的广告之一并收获了6位数的额外的、年轻新用户；

辅助学习开发

AI辅助学习与开发，这个没得话说了。目前最接地气最好的就是CURSOR、CO-PILOT了。便宜、好用，它彻底让“全栈”在研发型企业实现了，不是可能实现而已经在近半年来彻底的实现了。通过AI除了造原子弹几乎全部成为可能，AI用了好可以让一个人成为超人；

AI作图

哎！就是这个让普通大众感受到了AI的炫，像我画的这幅图，如果我不说真没人感觉到这是AI画的。

从MidJourney到Stable Diffusion再到Dalle3，它真的让一个不是专业美工、UI甚至是Creative（创意）的普通人达到专业人员的水平甚至是超过；

AI视频和AI理解世界

AI视频（包括了虚拟人、音频、聊天）我们把它称为AI Multimedia（AI多媒体），这个太强大了，特别是SORA，把整个AI界顶到了“抛物线”的“顶点”了就是这个领域；

AI能帮助到企业什么呢？

但是AI到此突然“嘎然而止”。我们发觉AI这都已经到达了整个数字化界的“顶点”了反而落地的更少了！这是为什么呢？

我不知道有多少人真正从AI聊天、写作文开始一直使用到2024年现在的并且一个领域都没有拉下过？

我相信不多，但是真正使用过的人从Dalle3开始就应该意识到了一种东西，叫“Token费“。其实从Gpt4开始Token每一千收费已经不便宜了，我们算过大约是1块6RMB，Dalle3更贵、SORA呢？你生成4-5个小视频已经很贵了其实。

还有。。。百模大战，由于各方面成本原因，现在看下来OPENAI其实这个Token费不是很贵，如果你要落地一个私有化布署的LLM你才会发觉什么叫“贵”。。。这时你的投入不止是之前“中台的投入”，可能是“数据中台+业务中台”的总和都不够花吧。

所以看着AI这么火，它到底可以用在哪些方面呢？我们总结一下，其实给绝大多数人感觉就在于这几个方面（当然我先说一下，给人造成的感觉是一种错觉、是不对的、是我们科技工作者没有宣传和正确的引导好AI的使用）：

娱乐用
个人工具而己
引流

好家伙，的确是这样的，其实目前人们对AI错误的认知还在于这3个方面。那么如上面所述，当然这也不是个人在说而是业界的共识了。

如果你现在还在和企业谈：引流、吸晴？

对不起，可能你的工具用的再好也不如一个KOL的效应大吧？但实际的付出、使用上的成本又是额外的。

那么在谈“回报>投入”时，显然AI在TO C端的应用上的回报只对个人形成而未对TO B即企业形成时，再加上一些使用上的不当、把AI使用好对于个体来说其实门槛远高于培养一个程序员（我上面提到的那几种提示语写法写的好的一年基本工资都在20-30万刀，即人们口中的百万年薪提示语工程师）以及一些Token费-其实主要还在于私布LLM上的投入把绝大多数企业“吓阻”在“决定实施”前了，都以为AI是一个“贵族”才能玩的东西。

为什么AI给企业感觉“很贵”？它真的贵吗？

在此我们需要回答两个问题。

为什么给人以“贵”-其实它真的不贵

贵在AI的基建上

主要还是娱乐新闻媒体里经常说到GPU、算力、能耗。放眼望去动不动就是建一个水电站、动不动就是一个湖的水用于冷却这些字眼。

另外，企业采购的常规操作是什么呢？询价：

于是企业采购去网上查查：4090显卡起步。。。哦。。。9,000~16,000。。。介个。。。一块还不够？

再去查查：A100。。。哦。。。价格就没有标准了。。。H100。。。X100X。。。

好吧，我先把价格放在Excel列表里。

第二天，采购把价格送到企业经营者手里这么一看、一算。。。哎，投入是一个法拉利，要实现的业务目标其实只是骑一辆共享单车比原来多花40分钟可以到达的，这太不值了。

当然，如果你可以用法拉利的用户体验和速度到达而只用共享单车的车费企业当然愿意埋单。

但事实就是如此。

贵在选型上思路还是没有转变过来

那么我们换一种实现使用MAAS，即每1000Token收费的MAAS。从2023年年底开始OPEN AI为首进行了3轮降价，像笔者使用的企业级GPT，3.5已经降价到了忽略不计价格上了（可以满足90%以上企业AI应用场景），GPT4也便宜的不行。

只是。。。唉。。。这话不知当说不说，我还是希望、恳切的希望一些模型真正在对企业落地AI上这个MAAS可以看齐GPT的收费水位线以让每个企业无论它的规模都可以用得起AI。

贵在市场对AI的认知度不够

当然，如果只说MAAS其实这不是大头，它大约占据了总成本的不到3分之1，还是贵在“架构上”。会用AI由其是原生AI应用开发的人员的工资太高，高到大于了投入回报比；贵在想“捞一票”上即一次性把之前付出的成本一下收回来导致了报价的离谱。

所以目前市面上大量充斥着落地一个AI动辙7位数、8位数的成本，太多太多。而如果选用了“私有化布署”大模型的，那么。。。这个钱烧起来不亚于2000年初烧portal类网站需要投入的钱。

同时企业实施AI不能单纯靠“情怀”、靠“激情”、靠“炫”。而要真正的想清一件事那就是：我花10块钱我至少可以得到15块钱的效益。不要做盲目投入和实施。一定要脚踏实地的去做选型、多方听取意见并结合自身业务“切准”了做哪一块实施？

AI真的贵吗？

接着我们来回答第二个问题。

不贵，真心可以做到普惠和大众化。

上面了几个贵的问题一旦解决了就不会贵你会看到一个很“平民化”的AI。

要回答这个问题我们需要把错误的认知做一个“切割”。

企业需要回答我自身哪一块业务的确需要以及确实可以使用AI

就近3年来说（远的不说）我们的企业需要把目标定位在以下这两点上来用AI：

能否从中长期降低成本；
能否提效；

流量端、额外增益的事不好评价，就我们客观的来说之前泡沫最多的也是产生在所谓的额外增益，这个话题甚至到了2022~2023都带有一定的“玄学”了。

如果经历过“双中台”的那些个企业想必看到我这句话都会面颊带红的眠着嘴笑了。只问一句话：起到了作用没？

回答可能是：哇，你们有中台了。。。

然后呢？没有后面了。

可能只有这个作用吧？

所以当为一个“玄学”去埋单，我们不妨回归IT的本质！什么是IT的本质？

用TOGAF的话来说：IT是为企业带来快速实施并形成对于竞争对手具备不对称竞争优势来用的。

那什么是好的IT技术？这又涉及到科技的本质！

那科技的本质是什么？让我们接地气的来看科技的本质：

因为这个东西的出现可以让原来重复做很久才能做成的事一下子就做好了！
因为这个东西的出现，原本需要花100块的事现在只要10块钱就能完成了！

这是业界、包括OPENAI创始人、微软AI团队一直在反反复复强调的一件事。AI的出现是用来普惠普通人的，而不是说再需要花1万块钱结果连原来花100块钱能做到的都没有做到这么一种结果。

因此，企业需要静下心来把现有运营、经营上的流程逐步梳理一下，看看哪些环节是重复的、且无价值的又耗成本的，把它们理出来，理完后我们来看：

当没有数字化时如何实现的；
有了数字化时如何实现但还存在哪些点还在“重复和无意义”；
把上述这些点从一个个日常运作中的环节中提炼和体现出来，再来看哪些环节可以用AI取代；

比如说我们的团队就会这么去梳理一些环节：

把明细步骤列出来，标注上哪些是人工的；
一起和企业讨论哪些是重复的是否可以AI来降本增效；
确定需求和落地范围

再比如说这样的业务梳理：

只有且仅当企业把业务梳理出来后我们才可以找到那些“切入点”。

企业需要回答要私有化布署还是MAAS化AI这个命题

我曾在ChatGPT让我变成了“超人”-如何提升团队30%效能质量提高100%的阶段性总结报告-CSDN博客

这一文中已经说到过这么一个话题，那时是2023年5月份。

对于一般以“运营经营业务”为目标的公司，全部应该使用MAAS而不要去寻求拥有自身的“LLM”。因为那时业界已经出现过一轮“掉坑潮”了，即很多试图自己去做一个车轮结果偏离了上面我说的技术、IT的本质。

企业经营是来挣钱的，但是去做亏钱的事。。。这种“吃土”的事一定要慎之又慎。

AI的本质是工具化，你是造工具的还是拿工具造房子的？自身一定要定位清。

一个成熟的MAAS势必具备以下几大特征：

用多少收多少的模式；
单位成本目前业界的公认为：<2毛钱（文本类）、3-4毛钱（图形类）、1块钱（Multi Media）都按照每1000Token收费；
必须具备一秒钟至少50QPS的能力；
长文本（16K）内1-2秒响应、多媒体或者多模态判断4-7s响应（如：打标签、跑批、洗数）；
可以按照实际线上用量扩到4位数QPS的扩展能力（此时单位价格不会随着你拥有算力的变化而变化）；

这5点有1点没做到，那这个AI就没法普惠和普及！

因为有几个相当成熟的AI特别是如：企业级的GPT或者是另两个LLM已经做到这点并且在社会中已经发挥出了重要的作用快两年了，实事上是做得到的。

所以这不是神话，都已经用了1年多了，包括笔者已经实施的几个企业项目，那真心很便宜又适合企业级应用。

好好找一找、好好问一问、好好询一下，放下一些个人造车轮的情怀客观去选型。

如果你一定要追求私有化甚至是二开甚至说到LORA这些问题我们后面会作内容补充。往后看。

企业需要回答IT架构怎么定的问题

有一些LLM，它的并发跟不上或者是硬件要求太高导致了和企业业务系统集成时对学习曲线、运维成本造成了极大的压力。

我们都知道“人”很贵，因此当一个架构迫使企业花90%的精力去改动原有或者要集成的业务系统的架构和组织架构时，这个贵就往往会变得很离谱，90%的企业失败在AI实施的选型上，而这90%里的企业又有90%的企业是失败在没有选对架构层面上。

我们这么来想，AI就是一个工具，再说白了，它是一个API，上面已经说了，其实成熟的LLM的API化即MAAS具备了大并发、大流量的能力的（很多人不知道这个点）那么你在选择和决定架构时就按照API化集成就可以了不要把它想得太复杂，这也是我在这个系列中之前两篇讲到的坑“不要把AI它想得太复杂”。

把它当成API化集成就行了，那么你现有业务系统什么架构就什么架构好了。因此企业在选型时尤其是一些基于RAG架构的系统一定要考虑这几个点：

市面一般的云厂商支持的那些个CentOS8、ubuntu20、windows10就可以支持布署的而不要什么特殊机型、特殊芯片；
对于2023年近3年内出现的Python3.6+、JDK11、GCC3.8+以上都支持的就可以了；
RAG的架构需要考虑开发、CR、二开、找BUG快修BUG快、快速定位不需要高到天际线的技术能力才能解决的，要的是稳捷的通用化的技术即可。在这个点上我的建议是一个好的RAG系统不仅仅只有MAAS，如果只有MAAS那不叫RAG那叫“套壳”这做不了TO B端应用因此一定会存在一些小本地模型。那么对于小模型的开发、调用包括LORA、FineTune坚持用python这是主流。对于RAG中组织流程、衔接各小模型和MAAS间的Service Orchestration部分可以根据企业当前Legacy Business System己有模式：如你是Java你就用Java；如你是.net那么还用.net来集成即可，因此一个良好的RAG为：Java/.net+Python。这样做即考虑到了企业Legacy的兼容性又考虑到了学习曲线的平滑过渡多时还能使用“廉价云”；

这边再强调一句：近一年来LLM进化很大、已经成熟到既能支持大并发又便宜到比云服务还便宜的地步了，因此现在发展企业AI落地正当时（后续还要继续便宜，看GPT的举措就知道了）。

走私有化布署和MAAS会有什么区别？

这个问题不得不提，很多2023年失败了、以及巨亏的企业包括很多没有“见到黎明”的实施方都提到了：当时想到必须使用私有化这个点，因此逃不掉一堆的“卡”，那么卡山卡海没个8位数的确搞不定，而实际只需要“共享单车骑行4.5公里可以到达”的效果。因此这些都Fail了。

我们还是要静下心来抛开个人造车轮情怀来说这个问题，当初是什么让你决定让一家经营性质的企业要拥有一个自己的“车轮”？或者说甚至去“造一个车轮”？

回答来回答去，最最后面得到一个说得过去的理由：数据安全。

没错，这个点无可争执。

但这个点也充满着问题！

有了本地化的就真的数据安全了？看看近来发生的一些信息安全上的事故，这和MAAS（其实就是PAAS）还是本地化有关吗？

其实这个点和云出现时和IDC、CDC（托管机房）的争论是同样的。

无论是否MAAS还有私有化都需要高度重视信息、数据安全。信息数据安全无小事，一旦出事就一定是大事。

不是说有了私有化就可以代表万事大吉了。

事实上，无论是MAAS还有私有化这几个点是同样存在的而不是说有了私有化就不需要去做这几个点了。让我们一起来看一下。

无论是私有化还是MAAS都必须合规

两法两规范

两法：

国家个人信息保护法
国家互联网信息法

这无论是MAAS还是有私有化必须做到。不是说我有了私有化我的用户个人信息就可以随便传了。除非你的服务器在自己的办公楼内，就连IDC走专线这一点来说也需要遵守这两法中的内容且需要一丝不苟的严格执行；

两规范：

等保规范；
国家AIGC管理办法；

笔者经历和看到不少甲方强调了私有化后这两法两规范全都没有做到，最后都是“出大事”。因为没有从根本上去搞清和理解以及执行两法两规范。

这完全和是否用MAAS还是用私有化无关的。

因此必须做好、落实真正做到两法两规范。

这些点做足了，那么就不影响你的选型了，而且现在业界的目标、方向和鼓励人们使用也是以MAAS为主，那么企业必须做好这些信息安全、数据安全方面的保障措施。

比如说我们的团队在几个企业级的TO B实施过程中在安全合规这块付出了至少50%以上的研发精力和时间用于做足安全和规范。

这既是对企业负责也是对社会负责。

无论是私有化还是MAAS都必须具备性能、准确性兼顾

在和一些己Failed案例（业界有这种座谈会）时还提到了一个点，就是那些Failed的认为私有化还有一个好处就是并发性能。

事实是这样的吗？

我们说的LLM包括时下流行的RAG都是基于pre-train即预训练模型的，它的特点就是需要GPU来运算Token，这个性能完完全全依赖于GPU。那么当MAAS满足不了时拥有自己的私布LLM就能解决这个问题！

从理论上看这样的说词毫无破绽，可现实是骨感的。你要做到上述我提到的成熟的LLM至少一秒钟50QPS可处理16K Token长度的上下文，你的投入可以去问问看需要多少？我告诉你你上手先要准备好8位数投在硬件上此时系统还没开始写第一行代码呢！

而每1000 Token1毛、两毛就让你拥有这样的能力时，这不香吗？

当然，MAAS不支持你LORA也不支持你Fine Tune。这点也可以当作一种说词，而事实是这样吗？

RAG的主要问题在于幻觉，这是因为LLM有一个这样的机制那叫：择优选取答案。举一个实际例子来说

问：我家在蓝天白云小区附近电信费哪里交？

RAG信息没有搜出蓝天白云小区倒是搜出其它7条电信营业厅地点、联系方式。然后扔给了LLM。

LLM真把一个远离你期望地点5公里外的甚至不是电信营业厅而是一个小报亭的电话它还能一本正经的说：你好，蓝天白云小区附近交电信费在XXX路XXX弄，电话是：XXX。

用户相信了跑过去一看，啊。。。是一个小报亭。

这是经典的LLM幻觉，连GPT4都有这个幻觉。

你说对着LLM来一个Lora或者是Fine Tune就能解决？此时我真的会告诉你：要不您先考虑拥有一个大点的淡水湖，再在其旁边造一个水电站，然后启动你的Fine Tune或者是Lora训练吧。

即使是3B一类的模型，一次Lora你们知道要多久吗？可能真正做过的人不多，大多是BERT级别的UIE一类的Lora，如果是一次类似我上述例子中的一个Lora+Fine Tune，普通32C CPU机器运行了60小时！只是单单这一个小幻觉的纠正而己。

因此说拥有一个至少7B的本地化的模型就可以随时Lora, FineTune的说词不是理由。因为在真正的日常开发中这样的动作不下数百次，那么每一次就需要60小时。。。为了节约时间于是“卡山、卡海”就这样烧起来了。。。

我们需要从数据源头、业务原子性上去考虑如何消除这样的幻觉。

成熟的RAG、好的RAG的幻觉是<0.1%的甚至可以做到无幻觉。因此业界对好的RAG有一个指标那就是“无幻觉”。

可以去听一下AI世纪对话中吴恩达、李飞飞的对话：在数据治理阶段的投入效果远远要好于后期的Fine Tune。

所以LLM就算是本地化了也不带这么玩的。

那么还是要说到性能，这个性能其实是一个“问+答”的响应时间，在本系列第一篇中我提到过，这个一来一去不是简单的两条数据这么一回事，它包含着“角色设定、历史上下文”再加上问和答共4部分组织起来的内容，而成熟的MAAS在QPS和响应时间上是同时满足这方面要求的，一般来说在极致长文32-64K长度，响应在4s以内而在小于这个长度的情况下MAAS的响应应该控制在1.7-2S。本地LLM一个7B的要做到这样的响应速度需要什么样的硬件？7位数，对。。。是中7位数还不是小7位数。。。因为。。。我还真干过（干咳）。

一定要选用成熟的、稳定的MAAS。哦。。。顺便提一句，如果你用的是云，在云上你也找不到这样的本地化布署，而是需要自己抗一卡车的“卡”去IDC、CDC同时。。。相应的数据中心会告诉你：你这么干电费是多少，这笔钱还没和你算。。。（干咳）。

我和我的团队如我在本系列第一篇文章中所述，我们踩了血坑，万幸的是我们没有死，因此才得到和总结出这些指标（这些指标和目前一线RAG不谋而合）。因为从一个50-75并发的企业级内部RAG应用来说达不到这个点，你的这个应用是没法实用的。

MAAS化的应用还需要注意“组合拳”的使用

前面我们说了，无论是从数据信息安全角度还是幻觉、性能来出发，本地化走的道路一定是“烧钱”，而做的事和你使用MAAS也是同样必须要做的事，这和是否本地化还是使用MAAS实际是无任何关系的。而MAAS的话你需要：选型得体。所以我告诉了大家MAAS选型时需要考虑的几个指标。

无论你是MAAS还是本地化前面这些问题都是同样解决，当然都可以解决如果不解决当年的云在第一年就不会再有后续像现在市场上这样的百花齐放的云生态了，归根到底这些叫“基础问题”的解决，只不过这次云变成了MAAS而己，和是否本地化根本无关。

但是在此之外我们还有一个点是真的和本地化还是MAAS化真的有关了。

我们知道LLM是一个强大的预训练的模型，通常都为AGI即通用人工智能。因此很多做Failed的项目在一开始觉得LLM是万能。比如说：

我需要通过在用户当前输入中提取（或者是历史输入中）联系方式以便于发送快递，我扔给LLM，我们且不说这样的做法已经涉及两法两规范不符合的前提下，本来一次“回话”现在要变成至少2次或者多轮回话，LLM来来回回的响应时间加一起都超过16S了，这样的应用根本不会有人再愿意用第二次；
我需要判断用户当前的输入意图是不是在：寻求男式T恤衫？因此我把用户的当前输入每次发给LLM去做判断。这样的问题也是典型的乱用LLM，即低效、也无性能体验又差；

类似上述这样的功能还有很多很多，会充斥着一个项目的每一个生命周期中。更甚至我还看到为了脱敏因此把用户的每次输入交给LLM去做脱敏后再返回。结果整个系统就不合规了。

因此我们不能只单单看到LLM，企业在落地AI类项目时其实并未和之前实施中台以及ERP类项目有什么太多不同或者革命性的不同，还是需要打“组合拳”。

不同的组件负责不同的“分工”，在合规的基础上呢还要考虑性能（性能就是体验、就是效率）、安全性此时需要考虑本地化，而最终让LLM只负责其中“计算、聚合、重复”的那一部分。

我们这么来举一个例子：

说之前我们有Office、有Word、有Excel、有PPT大大提高了人们的办公效率。但是我们还是需要依靠系统做成“工作流”以形成一个企业中日常办事流程和办公事务的OA流转。这一步已经数字化了，也是运行在本地的。这一过程已经很“2015-2023”了。

但是我们回头来看OA流转过程中那些个人为判断、打勾、否决、填表单、摘录信息的动作它还是没有真正的得以自动化。

之前的这种OA数据流它加速了文件流转对比传统“人肉传递”式的效率提高外还提高了数据的正确性、可回溯性，可是它的“执行”还是没有自动化。那么有了AI，那些个本来需要人为执行的步骤变成了真正的“自动化了”。

这是一个典型的AI到底可以帮助企业做什么的说明例子。因此业界包括OPENAI CEO在最近一次OPENAI的开发者大会也提到了一样东西那就是：把本来数字化革命中那些依然需要人为的、重复的步骤用AI去执行叫“超自动化”。

超自动化这个词不仅仅应用在我说的这个场景中，其实它是企业落地AI真正需要考虑的那些个点，因为超自动化不仅仅可以应用在OA这种场景、它还可以应用在各种其它应用比如说：AI CICD、AI数据分析、AI跑批等等等。

把这些环节一个个我们梳理出来、提练成AI节点、一些合规的、必须的、需要结合本地业务系统数据的我们是需要考虑本地化、最后再用多个AI把它们串起来，那么一个超级智能体就完成了。

因此它不仅仅只是LLM的工作还是多个本地小LLM、神经网络、决策引擎联合工作的一个“体系化”过程。我和我的团队也通过几个实际的落地形成了这么一套架构体系并且完成了我们自己的产品化。