本文转述了 Arkady Moreinis 关于企业实施 AI 的材料。我对内容进行了压缩，并用自己的话重新表达。
许多企业以相同的方式开始实施 AI：给员工购买聊天机器人的订阅，或者在 ChatGPT 之上做一个界面，把它嵌入原有流程。几个月后，企业发现并没有明显的财务回报。Arkady 认为，原因在于流程本身没有改变。只有当工作逻辑围绕 AI 重新设计时，AI 才会开始创造收入。
四个错误
人成为瓶颈
如果 AI 只是员工的助手，流程速度就会受人的速度限制。模型每分钟可以处理数千个任务，而员工可能每小时只检查并转交一个任务。系统的大部分能力因此处于闲置状态。
只自动化局部环节
如果 AI 只帮助文案人员或只帮助设计师，每个环节虽然分别加快了，但部门之间的连接仍然不变。企业整体效率几乎不会改变。
没有边界地工作
没有明确边界的系统会开始编造事实，并执行随机操作。
与通用模型竞争
企业无法在基础算法层面击败 ChatGPT。自有解决方案的价值来自数据：私有、经过清洗并且结构化的数据。
五个步骤
1. 由 AI 负责流程，人在关键节点介入
Arkady 建议把原有模式倒过来：主要工作由 AI 完成，人只在两种情况下介入：
- 需要法律签字，或者必须由某个人承担责任；
- 数据不足，只能依据经验和直觉作出判断。
把任务交给人时，AI 必须提供完整上下文：正在发生什么、已经完成了什么，以及当前的问题是什么。员工不应该从零开始了解情况。
2. 让智能体负责端到端指标
应该让 AI 智能体负责一个贯穿多个部门的最终业务指标。具体职位或部门职能反而是次要的。
材料中的例子是：智能体负责让专家的预约尽可能排满。它接收咨询；如果预约数量不够，就联系过去的客户；如果仍然不够，就自行启动广告或冷邮件推广。
3. 边界与指标
为了让系统的行为可预测，需要提前确定两件事：
- 未经人批准系统不能越过的边界；
- 可衡量的成功指标。
只要指标达成，并且系统没有越过边界，个别动作上的小偏差就属于正常运行。
4. 数据与专家经验
通用模型基于公开互联网，以平均方式回答。为了让方案形成企业优势，Arkady 建议：
- 收集并结构化通用模型无法访问的私有数据；
- 将企业优秀专家的经验数字化，包括他们的笔记、决策和复杂案例分析。这样可以为非典型任务建立专家的数字孪生。
5. 按结果付费
不一定要把所有东西都在企业内部开发。市场上正在出现 AI 机构，它们依靠自己的基础设施快速、低成本地完成工作，并按结果收取 success fee，而不是按小时收费。
试点前检查清单
- 已确定目标指标：清楚 AI 要改善哪一项财务或运营指标。
- 已设定边界：明确系统可以自行做什么，哪些操作需要人批准。
- 已配置上下文传递：需要人介入时，AI 会传递历史和问题本质。
- 流程由 AI 负责：人在关键节点检查结果并作出决策。
- 系统依赖企业数据：数据是企业自有的、经过清洗并准备好的。