企業(yè)打算上 AI 的時候，有兩個問題幾乎一定會被提出來：
一是"我們數(shù)據(jù)中臺還沒建完，是不是得先建好再說"；二是"要不要訓(xùn)練一個我們自己的行業(yè)大模型"。
這兩個問題的答案，可能和很多人想的不一樣。
| 問題 | 結(jié)論 | 真正的前提 |
|---|---|---|
| 要不要先把數(shù)據(jù)中臺建好？ | 不必等全企業(yè)級的數(shù)據(jù)中臺建完 | 但"這一個場景"的數(shù)據(jù)必須可用、口徑必須對 |
| 要不要訓(xùn)練自己的大模型？ | 絕大多數(shù)企業(yè)不需要 | 先評估"現(xiàn)有模型 + 企業(yè)知識 + 工具調(diào)用"的組合 |
最常見的錯誤，是把"建設(shè)工作"當(dāng)成了"前提條件"。 數(shù)據(jù)中臺和自訓(xùn)模型都是重投入的長周期工程，一旦把它們設(shè)成門檻，AI 落地基本就無限期推遲了。
很多人說"數(shù)據(jù)沒治理好，所以不能上 AI"，其實混淆了三件不同粒度的事：
問數(shù)類 AI 出問題的典型原因，往往不是數(shù)據(jù)沒治理，而是同一個指標(biāo)在不同系統(tǒng)里定義不一樣：
AI 會照著它拿到的口徑，給出非常自信的錯誤答案。
一個立刻能做的檢查： 挑幾個管理層常用的指標(biāo)，要求 AI 的回答顯示數(shù)據(jù)來源、時間范圍、篩選條件和計算口徑，然后和原報表逐條核對。這一條做下來，能擋掉大部分問數(shù)類事故。
不必問"數(shù)據(jù)中臺建沒建完"，問這四個：
四個都過，就可以起步。
第一，成本高、難度大。 2024 年流行過企業(yè)微調(diào)自己的垂類模型，實踐下來投入和復(fù)雜度都遠(yuǎn)超預(yù)期。
第二，不劃算。 通用大模型的迭代速度和泛化能力，已經(jīng)明顯超過企業(yè)自己微調(diào)的垂類模型。你花大力氣訓(xùn)出來的效果，可能幾個月后就被新一代通用模型追平了。
第三，有更便宜的解法。 企業(yè)真正缺的往往不是"更懂行業(yè)的模型"，而是讓模型能夠訪問企業(yè)私域知識和業(yè)務(wù)系統(tǒng)。
| 手段 | 解決什么 | 投入 |
|---|---|---|
| 提示優(yōu)化 | 讓模型更好理解任務(wù) | 最低 |
| 檢索增強（RAG） | 讓模型用上企業(yè)私域知識 | 低 |
| 工具調(diào)用 | 讓模型查真實數(shù)據(jù)、調(diào)業(yè)務(wù)系統(tǒng) | 中 |
| 模型訓(xùn)練/微調(diào) | 改變模型本身行為 | 最高 |
注意：這四步不是必須依次完成的階梯。 別默認(rèn)"先提示詞、再 RAG、最后微調(diào)"，應(yīng)該針對具體問題直接比較效果和成本。
三個條件同時具備：
通常先明確場景，再選模型。
因為問答、預(yù)測、文檔處理和系統(tǒng)執(zhí)行這四類任務(wù)，對準(zhǔn)確性、時延、費用和隱私的要求完全不同。場景沒定，模型無從比較。
企業(yè)AI 的起點不是一個宏大的建設(shè)計劃，而是一個具體的業(yè)務(wù)問題。
不要等數(shù)據(jù)中臺，先把這一個場景的數(shù)據(jù)和口徑解決掉；不要急著訓(xùn)模型，先讓現(xiàn)有模型接上你的知識和系統(tǒng)。省下的時間，投到"選一個高頻、規(guī)則清晰、可量化的場景先跑起來"上，比什么都值。
