这些天我一直在回想我们最近这一年交流过的一些企业想想他们的技术发展经历和那些负责人。翻过来调过去的想又琢磨一下过去的那些年突然发现企业不论是搞信息化、数字化还是现在搞智能化其实一直都在用同一套剧本先狂热接着撞南墙最后醒悟补课。这些用一条Gartner技术成熟度曲线就能把话说透了。文中图片均来自网络一、 不断重演的剧本搞大数据那会儿大家拼命往Hadoop里倒数据以为建了湖就有了一切结果挖湖挖挖着挖着发现给自己挖了一片沼泽很多时候想要看个报表连个准数据都取不出来最后还得老老实实补数据治理的课。各大公司集体上云初期很多业务部门自己刷信用卡买资源爽了没几天账单爆了安全事故频发企业这才明白“管云”比“上云”重要。企业搞移动化拿PC网页套个壳就叫App高并发一来直接崩盘用户体验极差最后还得是重头再搞微服务和CI/CD。每次都是业务冲在前头狂欢然后让基建在后头收尸人家说三军未动粮草先行。咱们这粮草怎么永远都得等饿死一批了之后才知道发货呢押粮官何在借个东西一用…二、 为什么总是要等到撞墙我深深的思考大企业里面都是人才济济一定有人早就看到了可能要撞墙难道就不能提前把路线规划好吗后来我意识到这真不行不是因为所有企业都短视这是企业业务和技术融合时的底层逻辑决定的。当一个新技术出现了假使我们的科技部门要推动这项技术落地的基建工作。我们要面临的首先是算账问题。业务和财务盯着预算问“这套东西能带来多少收入”在跑通核心场景前没人答得上来。不是你说这个东西有价值就是有价值方向没错但还需要能量化。但新技术往往缺乏的就是可量化的参考。而且话说回来真的有人能拍着胸脯打着包票说这套新新技术的基建就一定怎么怎么样吗其次是认知问题实践才出真知板子没打身上怎么知道痛没被大模型幻觉坑过企业不会知道RAG调优有多要命以前没泄露过数据安全部门就觉得API网关没必要没在生产上啃过硬骨头企业就不知道自己的真实力。没经历过痛就开不出药方。预算从来都是靠业务疼出来的从来不是规划出来的。三、 AI落地的场景狂热与撞墙把话题转到当下AI落地拆开来看就是四样东西模型、算力、数据、场景。模型有大厂去卷大多数企业没必要也没能力自己炼算力成了新生产力的基础设施标准化的方案或租或买没啥技术含量按需选用即可。至于数据吗咱们内部不是有的是吗于是大家一窝蜂跑去狂热找场景调公有云API写报告、上智能客服觉得AI落地真简单。熟悉的一幕又在上演。当时间走过一两年甚至仅仅走过几个月撞墙时刻就再度到来这往往是企业试图把AI塞进核心业务时。企业先撞上成本墙Token调用费随规模指数级爆涨很多企业发现单笔交易的成本逐渐失控场景虽好但已经用不起了或者说不值了撞的更硬的墙是数据墙大模型读不懂也用不好企业的内部数据这让审批Agent总是被上当受骗系统把辣条推给糖尿病患者客服机器人乱说话似乎所有想象中美好的场景最后都没法落地。究其原因买了API只是买了别人的大脑而企业自己的数据与业务知识是这个大脑的血液与神经,脑袋再好也需要有数据来激活。没有这些API最终只是空中楼阁。不过我也惊喜的发现现在第一批的企业已经开始像过去回过头补多云管理、建DevOps做主数据一样开始为AI补上基于数据本体的数据清洗管道、补上大模型评估与监控体系、RAG知识库补上面向生成式AI的安全架构…现在的速度比之前快得多得多。四、 结语拥抱规律水到渠成除了科技大厂和强合规的行业大多数企业在AI落地时撞墙是组织运行机制下产生一种必然现象企业组织的运转模式不是某个人用一个PPT就能扭转过来的。所以大家没必要害怕撞墙或是因此自责这是规律我们躲不过。但认识到了规律我们可以有节奏有策略的调节时候一到赶紧把基建补上。我相信企业把底座打扎实的那天就是智能化转型真正开始的那天。私以为信息化时代的一切场景都可以是AI应用的场景。我们不需要想破脑袋科技管理人员更应该思考的是如何把AI的技术底座真正建构起来。当底层数据干净了、数据语义通畅了、工程管道稳定了技术完备了场景自然水到渠成。
这些天我一直在回想我们最近这一年交流过的一些企业想想他们的技术发展经历和那些负责人。翻过来调过去的想又琢磨一下过去的那些年突然发现企业不论是搞信息化、数字化还是现在搞智能化其实一直都在用同一套剧本先狂热接着撞南墙最后醒悟补课。这些用一条Gartner技术成熟度曲线就能把话说透了。文中图片均来自网络一、 不断重演的剧本搞大数据那会儿大家拼命往Hadoop里倒数据以为建了湖就有了一切结果挖湖挖挖着挖着发现给自己挖了一片沼泽很多时候想要看个报表连个准数据都取不出来最后还得老老实实补数据治理的课。各大公司集体上云初期很多业务部门自己刷信用卡买资源爽了没几天账单爆了安全事故频发企业这才明白“管云”比“上云”重要。企业搞移动化拿PC网页套个壳就叫App高并发一来直接崩盘用户体验极差最后还得是重头再搞微服务和CI/CD。每次都是业务冲在前头狂欢然后让基建在后头收尸人家说三军未动粮草先行。咱们这粮草怎么永远都得等饿死一批了之后才知道发货呢押粮官何在借个东西一用…二、 为什么总是要等到撞墙我深深的思考大企业里面都是人才济济一定有人早就看到了可能要撞墙难道就不能提前把路线规划好吗后来我意识到这真不行不是因为所有企业都短视这是企业业务和技术融合时的底层逻辑决定的。当一个新技术出现了假使我们的科技部门要推动这项技术落地的基建工作。我们要面临的首先是算账问题。业务和财务盯着预算问“这套东西能带来多少收入”在跑通核心场景前没人答得上来。不是你说这个东西有价值就是有价值方向没错但还需要能量化。但新技术往往缺乏的就是可量化的参考。而且话说回来真的有人能拍着胸脯打着包票说这套新新技术的基建就一定怎么怎么样吗其次是认知问题实践才出真知板子没打身上怎么知道痛没被大模型幻觉坑过企业不会知道RAG调优有多要命以前没泄露过数据安全部门就觉得API网关没必要没在生产上啃过硬骨头企业就不知道自己的真实力。没经历过痛就开不出药方。预算从来都是靠业务疼出来的从来不是规划出来的。三、 AI落地的场景狂热与撞墙把话题转到当下AI落地拆开来看就是四样东西模型、算力、数据、场景。模型有大厂去卷大多数企业没必要也没能力自己炼算力成了新生产力的基础设施标准化的方案或租或买没啥技术含量按需选用即可。至于数据吗咱们内部不是有的是吗于是大家一窝蜂跑去狂热找场景调公有云API写报告、上智能客服觉得AI落地真简单。熟悉的一幕又在上演。当时间走过一两年甚至仅仅走过几个月撞墙时刻就再度到来这往往是企业试图把AI塞进核心业务时。企业先撞上成本墙Token调用费随规模指数级爆涨很多企业发现单笔交易的成本逐渐失控场景虽好但已经用不起了或者说不值了撞的更硬的墙是数据墙大模型读不懂也用不好企业的内部数据这让审批Agent总是被上当受骗系统把辣条推给糖尿病患者客服机器人乱说话似乎所有想象中美好的场景最后都没法落地。究其原因买了API只是买了别人的大脑而企业自己的数据与业务知识是这个大脑的血液与神经,脑袋再好也需要有数据来激活。没有这些API最终只是空中楼阁。不过我也惊喜的发现现在第一批的企业已经开始像过去回过头补多云管理、建DevOps做主数据一样开始为AI补上基于数据本体的数据清洗管道、补上大模型评估与监控体系、RAG知识库补上面向生成式AI的安全架构…现在的速度比之前快得多得多。四、 结语拥抱规律水到渠成除了科技大厂和强合规的行业大多数企业在AI落地时撞墙是组织运行机制下产生一种必然现象企业组织的运转模式不是某个人用一个PPT就能扭转过来的。所以大家没必要害怕撞墙或是因此自责这是规律我们躲不过。但认识到了规律我们可以有节奏有策略的调节时候一到赶紧把基建补上。我相信企业把底座打扎实的那天就是智能化转型真正开始的那天。私以为信息化时代的一切场景都可以是AI应用的场景。我们不需要想破脑袋科技管理人员更应该思考的是如何把AI的技术底座真正建构起来。当底层数据干净了、数据语义通畅了、工程管道稳定了技术完备了场景自然水到渠成。
