Bonus：AI 提效的理想在企业实现了吗？与 CIO 们聊聊 AI 落地的问题与挑战
24:41 Share

欢迎来到 What's Next 科技早知道第八季和全球创新第一时间同步

Hello 大家好 欢迎来到我们今天的科技早知道那过去的一周啊 全世界好像都在聊这个 Go.io 然后全世界都在期待着苹果 WDC 甚至是这个 Meta 会不会用一个新的 XR 眼镜来回应哈那在过去的九年间 然后科早其实追过的热点非常多那上周我其实参加了一个还挺不太一样的一个会议然后我也担任了主持我的名字叫做丁教 我是科技博客节目叫科技早知道的主理人

所以今天其实大家也来自各个行业有健康然后有物流律所金融对非常不拖的业态最近我们其实聊的各种新的产品新的 AI 技术非常多

但这个会上直接就会有一些 CIO 或 CTO 直接就说现在的媒体或者是技术的提供方然后把 AI 吹得神乎其神导致他们的 CEO 产生了很多认知的偏差然后他们是觉得自己的压力现在非常的大我觉得可能或多或少今天这个时间点可能会存在 CEO 们对于 AI 的能力过度期望的问题我不太同意我觉得不是 CEO

是因为我们的 CIO 从来没有给 CEO 讲明白我干了这件事情我能为你挣多少钱这个 AI 不仅只是这个技术的问题更多的还是在组织里面的内部的问题那我刚刚说的这个会议其实就是这个腾讯云 AI 产业应用峰会那在这个峰会上面其实有一个

被频繁提及的一个共识就是在现在来看的话 AI 本身不是一个难题了那难的是是不是能够穿透企业的就是各种流程呀然后以及组织的结构然后变成日常的一部分那今天和我来聊聊这个话题的也是我在这个会场认识的一位朋友他是腾讯云智能的首席架构师王伟

然后我们在现场也聊了聊然后发现其实他也在日常的工作当中其实也看到了很多类似的 CIO CTO 的一些这种痛点吧然后我们今天就跟大家来聊一聊我们在这次会上看到的这个 CIO 的坦白局大家都说了什么然后以及这个王伟他在这个工作当中有没有一些其他的案例能够给我们一些启发的那 AI 到底怎么用用成什么样子了在现在的企业里面哈喽王伟你好你好丁教

这是我的观点所以您的观点是这个其实技术一直都在但是没有那么好用然后现在好用了之后可能大家其实思维还没转变过来我觉得不是叫好用人家就是不用所以说现在是一个企业家他真的是要去应用技术相信科学要相信在座各位 CIO 对企业来讲是能创造价值的所以是 CEO 吐槽局这个 CEO 本身自己不要被 marketing 忽悠了然后要多学习

就会说这个 CTO 在

过去的两年间或两三年间其实是面对着很多的这个 CEO 不太懂技术然后听了好多各种各样的一些这个市场上的忽悠然后就一定要他们实现一些什么样的这个企业里面的这个应用甚至是一些是硬性的上面压下来的你今年要在三个场景四个场景然后做好一些应用但对于 CTO 或 CIO 来说的话那这个可能有的时候是这个 mission impossible 就没办法达到的特别是

可能从一个技术的这个落地然后到这个后面的实际在组织里面的这个实际的应用其实这中间其实是需要蛮多时间的对我不知道在您的这个工作当中是不是其实看到很多这样子的这种张力吧这种这样的一些这个矛盾在企业内部当中

没错其实一开始陈国老师在讲这一点的时候我就非常有共鸣我们自己的日常工作在面向很多企业来去做 AI 的咨询或者架构设计的时候也会发现比如说现在我们要去做知识库的大模型运用但他们的知识数据都没有归笼好

有一些想要做智能体来去服务于它的业务流程但他们的业务流程可能还停留在很多分杂的散乱的系统里面在线下的系统里面他们的组织架构也停留在传统的方式中如果基础的建设还没有跟上的话又怎么样能够更快速更彻底的用上 AI 用好 AI 其实是一个非常大的问题

我觉得那个对我还比较印象深的一个嘉宾那个是爱康国宾的高总然后他其实说他们从最开始把 AI 引入到公司里面其实已经是三四年的时间了他其实很早就开始布局了我就不知道这个其实是一个正常的一个时间线就得三四年我们才能看到一些实际落在这个盈利表上面的一些真实的一些产出

AI 它可以很快速的有效果比如说我们今天再去开会我们可以用一个语音识别的能力来去把我们今天会议的内容直接转化成文字甚至提取出来的重点对这是很简单的直接的收益但对于一个企业而言的话它想要看在利润的报表上能够有一些的呈现对它的业务流程有彻底的改变可能至少要三年甚至要更长的时间

我们有一家医药零售的龙头的企业客户它在全国大概有 1 万 6 千多家的零售门店 5 万多名员工每天要处理百万级的这种药品的咨询问题有时候是药品的差异甚至于说某种药换了包装找不到这种问题都是非常多的然后非常考验员工对药品的理解力然后稳定的服务能力

首先我们大概是在一年前先基于腾讯云智能体的开发平台来去接入了 1600 多份的药品的资料库我们通过知识库 RAC 的能力已经去帮他们去实现了也帮他们去节省了很多的工作量把原来只有白天依赖人工的变成了 24 小时可以服务那天的分享中有一位 CIO 应该也分享过这个问题

大概十年前我们去做工业之间在这个过程中我们需要花很大的功夫比如说我们的算法同事在工厂的一线的生产车间大概驻厂了半年多去采集不同的情况下的缺陷的数据缺陷的照片然后从算法的角度首先来去看这些缺陷这些光学的缺陷能否通过算法来去识别出来识别的准确率能否从比如说 90%提升到 95%乃至更高它这么叫量品率吧

但接下来遇到的第二个问题也是非常实际的虽然算法可以做但是产线上采集照片的工具它的流程没有那么自动化那么瓶颈就不在于算法而在于说能否更快的

把这些产线上生产的每一个原部件的照片给提取出来在这个过程中算法就需要跟它的产线结合起来再跟自动化的生产工具机械工具所结合起来我们去打造了工业质检的一体机那么这台一体机可以每分钟可以应对在产线上快速的精准的去提取到

每一个元器件的 5 张照片甚至 10 张不同角度的照片那么这些照片从算法的角度它的返回如果达到比如说毫秒级的这种情况下那整个产线的效率是不会中断不会受到影响的而它的量频率又能够提升至少 10 个百分点甚至更高举这个例子其实是说

AI 的算法能力是需要跟本身的业务的流程所深度的融合它不只是 AI 单向技术所能解决的问题它可能跟传统的自动化控制机械原理很多方面都有关系

我那天听下来感觉从一个新的 AI 产品的一个落地到实际能够应用到企业内部我感觉至少需要 12 个月甚至 18 个月的这个时间这是最最最少的是的 是的其实像刚刚说的那个过程大概半年的时间驻扎在工厂半年的时间跑通整个产线和机械化再通过半年的时间不断的论证从一条产线到十条产线甚至到更多的产线那这个其实就需要这个 CTO CIO 还挺大的魄力的因为

这个不是说是可能短时间一个季度就能在这个报表上能看见到的任何东西他需要的全都是钱人时间那有的时候可能 CEO 他就不太懂的话他就是不是就放弃了所以说可能另外我记得应该是这个冯昭辉他原来是爱康的那个 CEO 他就说

不是 CEO 不懂技术是有的时候 CEO 他没有办法给老板把整个故事讲得特别清楚因为大家是做技术出身的然后可能说那省多少钱我能挣多少钱这个数字可能有的时候 CEO CTO 他是没办法给老板提供的这是不是也是一个企业在 AI 化的一个很大的一个问题我觉得是的刚刚我们讲到的工业质检工业质检我们去探索了一年半探索了两年

再去落到另外一个产线的时候看上去好像解决的也是缺陷的问题但事实上每个产线的情况也不一样它的速度不一样它的算力的基础信息的采集它的产线的结构都是不一样的那这些过程可能是把原来我们用一年半两年的时间缩短成了一年但要走的路和要付的成本其实本质上没有太大的差异

其实这次这个腾讯云呢其实也是三个主要的产品嘛然后一个就是企业内部知识库然后一个智能体开发平台就还有一个是这个 CodeBuddy 是这个

编程 AI 我不知道在这三个领域里面现在大家其实是您看到的哪个是利用的率或者是大家落地更快的一个领域首先有两个定义首先第一个叫如果我们讲 agent 的产品它可能是某一个 APP 或者小程序的概念比如说我们在企业里面把刚刚提到的请假流程智能化以后每个人只需要

语音跟他去对话说我明天想要去新西兰旅游然后旅游一个礼拜我想要请一周的年假他自动的去关联系统关联我剩余的年假关联我的上级部门关联 HR 和财务行程等等的各种部门这是在叫做智能体的应用的这个层面就是您说的智能体的产品但这个已经是可以实现了是吧

对理论上每一个过程都可以实现但实现的过程就是我刚刚提到的它需要打通系统需要跟不同的组织相关联第二个方面我们刚刚也提到的叫智能体开发平台我们是希望与面向于更多的企业也好提供一个更便利的这样的工具比如说我刚刚入职一年我的年假大概是什么样子它需要关联背后的知识那么再去关联更多的生态的插件

我要去请假的话语音的识别就我刚刚提到的我不想输入文字我不想去上传照片怎么样能够更便捷的把流程变得自动化也需要很多生态上的各种插件这个过程中去如何把这个流程给快速高效方便的给搭建起来也需要一个平台级的能力来去把它串起来

包括我们刚刚提到的叫请假智能体如果这个请假智能体还要再去关联到我希望公司帮我去预订协议酒店订机票订车票这些东西也会去关联到其他的系统那么这就会涉及到其他的智能体比如说叫做差旅智能体那这些多智能体之间的协作叫做 multi agent 也是平台层面可提供的能力所以它不是一个简单的

时间或者工作量的一个衡量就是它意味着一个企业要把它过去 10 年 20 年建的信息化系统和数字化系统清晰的梳理重建或者规整一下对 这个每个企业的情况不一样可能是月级别的然后也有可能是数以年级别的

但落地难不意味着说不落地很多企业也都在比如说从第一步的知识库的建设已经很多在去落地了知识库的建设梳理到了一定程度自然而然的就会引发出来知识库怎么用

知识库怎么用其实就触及到了我们刚刚说到的组织和流程我们就可以把智能体的给去打开当智能体形成了一个突破口的时候再去刚刚提到的系统间的壁垒或者组织间的这种壁垒自然也就会打破就现有一个突破口第二个点而言的话不要过度的去期望它能解决所有的问题我自己做 AI 做了 10 年

每一次包括那天分享也是美国一段时间总会存在从怀疑到过度期望从怀疑到过度期望我觉得现在是大家对智能体是有点过度期望的这个时间点因为过度的期望甚至连尝试的这第一步骤都不做你要承诺我或者你要告诉我如何实现 100%我才去做第 10%我觉得应该是先从 10%做可能某一天它就能到了 60%不要一上来就觉得它一定要做到 100%

而做到 100%又没法去动起来的话这个时机就会错过的因为现场参加的 CLCTO 们我觉得给我最大的感触的其实就还是在医疗领域行业包括刚刚讲的是爱康国宾的高总然后不仅仅只是可能做了一些提效的工作其实有一些他之前是不可能的工作然后现在也完成了

所以我们就是做了什么现在大家如果再来我们这边体检的话我先说结果我们现在是行业中间是千分之一的癌症发现率但是我们这边可以发现到千分之一点八就是高于行业基本上百分之八十那这个水平其实是比协和或者 301 这样的

国家公认的最好的这样的医疗中心其实这个水平还要高这个大家知道中国的医疗体系是什么越是资深的医生他越懂得越少他只懂自己科对吧这个专科的医生才值钱在中国全科医生其实不被看中那么好的医生也不多所以这种造成实际上总检对他来说是一个形式但现在因为有 AI 的话我可以把总检把 20 多个科室的

其实统一的做总结所以这样其实极大极大的提升了它的质量同时效率也提升了当然还有一些可能更粗浅的一些应用就是

其实就是写报告嘛写这个医疗诊断那我在我们的场景中间是在超生的同时原来超生医生要写诊断的那现在我不让超生医生写诊断了原来有一个护士啊超生负责操作专门有一个护士或者记录员要把医生的诊断给他记录下来所以他做的工作非常非常的简单就是听 理解

这个工作我们现在也用 AI 来代替所以我们公司在大概三到四年的期间其实我们业绩涨了 50%但是我们的整体的人员实际上是降了 20%的

对我觉得这个其实是对我还挺大的一个震撼的然后包括不仅只是在国内的三四线城市他们也在想出海到一些这种医疗条件没有中国那么好的一些地区比如像是这个印尼这个东南亚的一些地区然后他们的医生其实更少然后我觉得这个其实是让我觉得我们以往就说的就是这个

降本增效降本增效这个我们提出就说了很多了但是我觉得在实际的成果上面这应用上面它是实际的能够让整个服务然后让这个产品然后变得更好能够更多的汇集汇普更多的大众我觉得这个是让我感触还挺深的一个点那您有没有看到这个有一些这个方面的医药领域行业大家动的一些痛点就比如说是其实有一些

COCTO 他们会讲到一开始这个企业数据库它是很差的这个原始的数据其实是很难直接被利用到的我不知道中间其实是经过了一个什么样的一个过程或者他们就选用了更好的模型还是怎么样这个问题是怎么被解决的

本身医药的知识或者它的数据是相对封闭的无论是医院还是医药的公司那么在去拥抱大模型的这个时代里面那么首先第一步它需要把自己手里的数据哪些是绝对敏感的哪些是可公开的哪些是可以放到模型里面去训练的当我们去做知识应用的时候需要对知识有一个系统的梳理和分级那么第二个环节其实我们也是说的我们在用大模型的领域里面

有一些东西比如说是需要医生签字的那 OK 我们通过 AI 的影像识别或者 AI 的诊疗的辅助我们可以帮医生把原来需要十分钟半个小时做的事情缩短成了五分钟甚至更短那么第二个点就是我们刚刚提到了在流程的方面有一些东西是可以通过 AI 来去插入进来而不是彻底的去改变大家对于

AI 的接受程度或者对于自己信息对于流程的坚持的程度是不一样的那么我们可以分级的分步轴的去进行一个执行讲一个最近遇到的一个情况它其实不是医药领域因为最近智能体这个应用比较火到处都在讲这个我们的很多的企业类的客户一上来跟我们去做一些交流上来就说我想要做一个企业的超级智能体想要做一个政务办事的 minors

他们希望这一个智能体能够包罗一切但这是不现实的比如说我们在一个企业场景中就尝试从一个内部的流程来出发搭建一个请假智能体那么在请假的过程中传统的流程中需要去判断请假的原因

假期开始和结束的时间是否涉及一些重点的关注项比如说病假婚丧假出国以及相应我们需要提供一定的佐证那么在这个过程中传统是一个个部门你的主管你的上级的上级人事人力包括财务各种部门来去确认的那么围绕着这个流程那就会涉及很多的内部系统和很多内部的组织需要去对接和梳理一方面在技术的维度上不同的系统

它的开发时间是不一样的有些系统的开发时间可能停留在了 15 年前有一些可能是最近几年开发的

那么它的技术架构可能也是不一样的这就意味着我们再去做系统级的对接能力的对接上而言的话在系统层面需要非常复杂的梳理另外一个方面除了技术之外不同的组织比如说人事财务你的主管部门各种的业务部门它对于每一个流程或者通过 AI 来去实现效率提升和成本优化这件事的视角是不一样的比如说我们通过 AI 智能体的方式

把這個辦事的流程給縮短了 30%的工作量那是不是 30%的人就沒有工作了他們的視角或者立場是不一樣的他甚至可能會有抵觸的情緒其實在現場其實有那個律師事務所的 CTO 然後他其實也講了因為律師這個傳統來說是需要非常多的實習生了每年然後大概可能是有好幾百個 300 到 600 個這樣的實習生每年

其实我听完之后感触还蛮深的因为在我们这种内容行业其实也是需要你要从一个刚毕业的学生然后成长成一个这种比较好的记者和编辑你也是需要很长的时间的这种实习的经验的如果我们第一步就是最基本的最基础的工作我们全都让 AIT 带了我们后面其实是会出现一个人才的端层

但是我们

现在的这个组织形式我觉得大家可能还没有那么迫切的意识到可能是这个会发生一个这么大的一个变革对于我们自己内部来说的话我们其实也说那我们到底还要不要培养这个更好的编辑更好的这样的一个年轻的实习生然后怎么培养他们在 AI 的时代对你们会有这个年轻的工程师这样子的问题吗

对 其实我们自己也在思考就像您说的我们刚刚聊的是企业的全局视角其实从社会或者更大的群体上而言也是一个更宏大的视角我觉得思路是刚刚跟我们讲的三个点是类似的从我们无论是自己做开发还是各行各业现在都面临一个问题就是 AI 已经变得非常好用了抵触 AI 是没有用的如何通过 AI 把你原来做的

不可能的事情变成可能把原来低效的事情变成高效把原来枯燥的事情变得非常生动我觉得这是每个人都应该去做的事情这不局限于编程编辑律师他其实各行各业包括艺术应该都有这个东西那么我觉得首先从教育读书学习和认知世界这个角度

我们也要去像梳理知识梳理流程一样重新的再去看待它对 我们自己我自己也在不断的去尝试 AI 所能做的新奇的事情 AI 的技术在不断的发展 AI 可以解决的问题也在不断的去拓宽我觉得这是这个时代或者 AI 带给我们的一些更大的机会而不是说挑战嗯

我记得其实是那个泰康口腔的那个江总讲过他其实是在 DPC 出来之前他做过一些 POC 一些这个试点的项目但是后面发现其实

蛮不如他想象的那种效果是有一些效果但是效果不行会不会有一些这种 CIO CIO 他就直接就放弃了然后就觉得这个其实现在这个远不如广告说的那么好然后我们就不做这事了但江总他后面其实是做了很多新的其他的尝试但我不知道是不是很多企业其实就止步于此了就觉得这个就不是这么回事就算了

我觉得会的尤其是在过去两年在 DeepSig 出来之前市面上各种大模型的厂商也都挺多的然后大家各有所长但也各有所短就跟当年做计算机视觉的识别一样大家会觉得好像能拍到照片的情况下都能识别出来但事实上发现不是所以很多人也就放弃了在做 NRP 的时代在做智能客服的时代都是这个样子我认为大模型也是存在这个样子但不意味着说

你期望的那种绝对理想的场景实现不了 AI 就没有任何价值 AI 应该能从它能解决的问题去出发而不是说过度的去看它存在局限性的情况然后怎么样去补齐

所以我觉得这次这个讨论我觉得还是蛮有必要的因为刚才像您讲的大家还是在不断的了解这个 AI 的边界在哪里然后怎么再把这个边界再和我们组织内部的工作流然后甚至是企业组织架构我们的结合起来但我觉得这种讨论其实是虽然是跨行业的有一些这个互相之间没有办法借鉴但是我觉得共识就是大家不断尝试一定要把这个

不能说好像是我们全力拥抱 AI 但是首先我们得把心态放平了然后长线的我们去用 AI 去不断的去测试的这样的一个心态得先摆好我觉得这个应该是很大的 take away 我个人的观点因为我这两年有小朋友我觉得对 AI 应该是像对小朋友的这种关怀的态度与其去挑战它你能做什么不能做什么

不如说去相信他甚至持一个

陪他成长一个非常好奇的这种态度是他今天能做到这个了明天又能做到那个了他未来一定能做很多的事情 AI 才能够真正的成长得更健康也更强大是的即使是可能是一个小的 POC 的一个项目先跑起来先测试一下它的边界但是每隔一段时间其实 AI 它也在不断的增强能力我就觉得和去年我用 AI 是完全两种不同的这个写作方式

好的那我今天非常感谢这个王伟做客我们的节目然后如果有后续的一些这个讨论的话我觉得还是蛮想持续的了解然后现在我们企业实际的应用到哪儿的痛点是什么我觉得这次会议对我启发蛮大的谢谢王伟好了好了也谢谢丁娇

那我们下期再见