没有专业 AI 团队，企业如何实现大模型驱动业务变革？

作者 |InfoQ 数字化经纬

来源 | InfoQ 数字经纬，管理智慧

咨询合作 | 13699120588

本文仅代表作者自己的观点，图片来自 pixabay

目前流行的大模型技术是人工智能领域的一个重大变革，其巨大的应用潜力正在对各行各业产生深远的影响和影响。如今，许多企业已经将生成型人工智能的深度应用作为未来战略的关键组成部分，旨在通过 AI 对R&D、流程、业务进行技术重塑，帮助企业挖掘新的市场和机遇。

但由于大模型技术诞生时间短，实际应用处于初步探索阶段，需要找到对大模型有深入了解的技术业务人才，建立一个足以带领企业实现的技术业务人才。 AI 对于企业来说，战略团队普遍是一个巨大的挑战。特别是对缺乏前沿技术人才储备的传统企业而言，如何快速建立符合自身需要的企业？ AI 团队，如何平衡内部培训和外部招聘，不熟悉。 AI 如何构建技术人事部门的能力评估体系等问题急需解决。

AI 团队与 AI 能力建设

如何设置企业？ AI 有关职位，他们的职责是什么？

李明宇：企业落地 AI 一般来说，技术是从 IT 部门开始导入，在这个过程中保持部门原有的岗位设置是没有问题的，但是有些岗位的职责会有所不同。比如过去产品经理和采购经理更注重整套设备和系统的采购，现在更注重新技术如何推动业务智能化等等。

在此基础上，更进一步，公司可能会从各个业务部门选拔员工，形成一个跨部门的虚拟部门，其中会有一个岗位负责拉通各个实体部门，收集各个部门。 AI 与技术团队的需求和沟通对齐，类似 AI 建筑师的角色。

李家贵：一般来说，在企业的战略或管理中，董事长或创始人、高管、CTO 为了发起研究、培训和内外交流，这样的角色可以称之为 CAO。银行等大型机构甚至可以成立一家大型机构 AI 专业班，一般设在董事长、总经理办公室，进行一把手推动。

二是执行层面。大科技企业主要分为三类执行职位，第一类是 AI 产品经理，他首先要负责做情景。 POC，而不是像以前那样先做研发。 POC。由于 AI 这个项目有可能交付失败，AI 有自己的能力界限，而且能力缺陷特别大，所以在做情景。 POC 以前直接做R&D落地可能会造成很大的损失。在产品验证可行后，R&D人员将进入市场，这里有两个职位：

一个是微调、预训练等与大模型相关的岗位，只有少数公司有能力设置；其他公司只需要调用大模型。 API 也就是说，有关职位需要深入了解大模型的局限性，然后负责基于大模型的应用开发。

另一个职位是一个新的类别，也就是一个大模型的数据职位。有两种方法可以提高数据的有效性、答案的准确性或减少模型的幻觉。第一种是微调。这里最难的部分是区分高价值的问答；二是通过 RAG，此处还涉及到数据清理。这两种方法都需要数据职位负责。

陈秋丽：顺丰应用 AI 长期以来，大模型技术兴起后，我们主要考虑如何结合大模型来改变现有的模型。 AI 能力。我们的团队设备没有明显的变化，例如负责引进 AI 业务和技术是技术的主要类型。

AI 在落地过程中，另一个重要角色是业务解决方案，负责搭建业务和算法的桥梁，并设计 AI 解决方案，与产品经理、检测、开发等角色进行沟通。

另外一个重要角色是数据分析，解决方案是否可行，需要通过分析大量数据来判断。 POC 效果和问题原因，协助方案迭代等。算法测试也是一个非常重要的角色。大模型需要专门的测试人员，在上线前测试效果。与传统R&D流程相比，收集客户反馈是一个很大的区别。有时候我们会专门设置这个职位，有时候会让数据分析员工兼职。

在 AI 在团队发展建设过程中有哪些挑战？

李明宇：我们计算所的同学在那里 AI 研究方面都有较深的积累，各自都有自己专业化的行业。但是和公司合作开始落地大模型的时候，发现大模型的实践往往涉及到很多研究领域，比如用大模型做知识问答，和之前的知识地图有什么区别和联系？R&D人员对这种问题并不十分熟悉。在生成软件代码之后，如何使用大模型进行测试？是使用基于大模型的检测工具还是传统工具？假如对检测了解不够，此时也会遇到阻碍。我们的应对方法是从团队中整理出一个系统，找出推动大模型企业落地时各个层次和阶段需要具备哪些知识，找出自己的盲点，根据自己的情况学习和补充。

李家贵：首先，在 AI 在时代，如果产品经理是对的 AI 不了解大模型的基本原理，基本不能胜任。 AI 工作产品。另一方面，R&D工程师应该了解场景、产品设计和感受，否则他的投资可能会白费，所以他应该学习场景。 POC 基本理论。商品和研发也要充分互动，才能发现 AI 大型模型能有效的高价值场景，否则可能一事无成。第二，在模型领域，人们普遍缺乏经验，尤其是实践经验。大型模型的能力边界并不明显。只有亲自尝试，才能发现具体的问题。解决问题后，公司的 AI 能力也会自然提高。总的来说，有两个挑战:第一，业务需要理解 IT，商品要了解情景；二是缺乏实践经验。

陈秋丽：团队经理首先要对团队能力有清晰的期待和认识，其次要明白很难找到完全符合要求的候选人，所以在坚持招聘标准的时候要在面试过程中进行微调。并且在团队找到部分员工后，其他人选应该遵循互补的思路，让团队成员更好地配合。同时，我们也要鼓励员工横向拓展工作，积累经验。最终，虽然新技术迭代速度很快，但是在公司场景中更新技术要非常谨慎，整个过程需要长时间的测试和验证。所以管理者要平衡新技术的引用、成员的热情和主动性以及落地的稳定性，这也是一个难点。并非所有的新事物都应该立即应用，但是团队也应该继续探索新技术。我们的团队会有分工，有些人会负责跟踪和研究前沿成果。

高岩：企业落地 AI 在能力过程中，遇到的第一个普遍困扰就是大模型如何在业务场景中落地，产生实际价值。在这个过程中，每个人都想了解同龄人的良好实践，找出自己需要提高的能力，了解自己需要得到什么帮助。二是企业在大模型方面缺乏技术能力，包括知识治理、数据治理、数据有效性等方面存在困难。与此同时，在学习新知识的过程中，企业员工个人能力不足、工作流程调整、员工不满和压力都是问题。

这一问题体现在人才方面，即业技复合型人才相对稀缺，例如金融行业的人才。 AI 技术人员需要了解金融工作流程、风险特征等；制造业的技术人员需要了解生产线的运行、质量检验和生产线的优化。传统行业在对外招聘这类优秀人才时，也会遇到很多薪资和地域限制，但在内部培训过程中需要支付大量资源进行培训，成本压力也很大。

AI 培养人才的方案和实践

如何培养公司既懂 AI 了解应用场景的复合型人才？

李明宇：AI 大型模型是比较新的技术类别，与具体业务相结合也没有普遍的手段。举例来说，我曾经在医疗领域做过一个大模型落地，在模型验证的时候很难找到合适的人来检验模型水平。找病人验证基本上是不可行的，找行业专家验证，我们需要非常高水平的专家来检查，但是这种专家资源是非常稀缺的。这是一个例子 AI 在落地过程中，技术研发对业务的认知需要很深的水平，而业务对技术的理解也需要很高的水平，这些都代表着巨大的挑战。

所以从业务层面来看，业务人员需要对大模型技术的核心有一个全面的了解，知道如何评价模型的落地效果。技术人员需要深入一线生产。比如医疗领域的大型R&D人员要融入医生的工作环境，了解医生的医疗过程，在这个过程中对比模型的结果和医生的诊断，然后咨询医生的基本问题。通过这种方法，可以更好地填补业务与技术之间的差距。而且大模型产生幻觉的概率是肯定的，所以技术人员要知道业务方不在乎什么错误，业务方不能容忍什么错误，而不仅仅是从概率的角度来看这些幻觉问题。

李家贵：我提出了一个五级理论将复合型人才分为五个层次。。第一层叫 AI 知识，要了解大模型的技术原理。第二层叫做 AI 见识，也就是可以使用简单的生成式 AI 有一定使用经验的工具。第三层叫做 AI 胆略，勇敢地使用它 AI 工具可以做一些生意。第四层叫做 AI 成识，就是用简单的 AI 工具可以解决问题，得到结果，比如使用。 AI 敲击代码，生成纪要等。第五层叫做 AI 常识，就是把 AI 能力融入到当前的工作和系统中。

陈秋丽：在具体的项目和业务落地过程中，我们将进行培训 AI 复合型人才。落地场景有两种，一种是知识问答等场景，另一种是服务物流和供应链的场景。后者需要大量的业务经验，所以我们将在这类项目中配置业务专家，AI 专家们，设定一个共同的团队目标，然后在落地过程中，大家互相了解，互相交流，互相帮助，就会逐步培养出需要的人才。

除了传统的培训体系，我们企业还会安排技术竞赛，其中根据实际业务抽象一些话题给大家进行实战演练，让大家成立自己的项目组参加比赛。在比赛过程中，我们将有专家帮助他们建立解决方案，并通过比赛过程提高他们的能力。

高岩：我会分享一些案例。首先是我们为一家互联网经济企业所做的。 AI 大模型培训课程的关键是培养十几个业务骨干对大模型基础和发展趋势的认知，进一步深化学习技术，掌握模型部署方法，然后 LangChain 工程实践与智能体应用实战。通过这些系统的内容学习和项目实践，以及后期的培训效果测试，客户开始构建业务。 AI 模型，缩短商品迭代周期，提高产品质量，获得许多价值。

第二例是我们与某集团合作的案例。 AI 大型实战项目，以赛训结合的方式落地。这个大型国有企业有 23 一个业务单位，我们前期会进行整体系统的培训，致力于 AI 大模型开发设计的办公提效应用。训练结束后，我们分成两条跑道，一条是办公室。 AI 技术应用，不需要参与者有编程背景，另一条跑道是大模型开发和应用输出，主要针对编程人员。本项目是培训与竞赛的深度结合，竞赛项目与客户等业务单位、需求场景高度相关。例如，题目涉及基础 AI 大型招聘流程自动化系统，AI 员工助手、AI 安全检查，智能提单机器人等。

项目建成后，产生了智能购物车、知识库助手、多模态订单管理系统等多项有价值的项目成果。这些成果在客户的根线下孵化，我们在孵化过程中不断提供有针对性的培训援助。这个项目的亮点是项目结果可以在赛后快速转化为实际生产力，有效促进新技术与集团各分子公司的业务场景紧密结合。。同时 在项目过程中，也与产业技能复合型人才的培养有关，磨炼了一批精通业务逻辑的人才，同时也掌握了先进技能。 AI 复合型技术人才。在项目推进过程中，客户的内部宣传也很到位，在公司 AI 在文化建设方面取得了显著成效。

第3例是东风岚图 AI 大型实战训练营。该训练营主要面向客户内部的数字R&D人员，包括数字战略规划部门、数字营销、SCM 与精英学生一起制造。训练营是分阶段进行的，基本部分是建立学员对学员的关注。 AI 认知思维、提高阶段和强化阶段各自提高阶段 AI 应用技术，并形成 AI 场景化能力和输出。对于传统的加工制造业，我们所做的培训就是如此循序渐进，系统地逐步提升知识能力。同时，我们也会结合自己的工作和具体的需求场景，让学员有实际的产出，把自己的好主意、好主意纳入其中。 AI 产品孵化创意库。

再次向我们介绍 AI 培养人才的方法论。先总结一下 AI 粮库人才模型。该模型是由信通院泰尔终端实验室、北京银行、华润等20多家企业和单位共同研究推出的极客时间。这将 AI 人力资源分为四层。顶层是 AI 思想管理人才，也是如此 AI 实践者，他们需要有战略思维和战略思维。 AI 概念，能引领企业进入 AI 发展趋势，推动实际变革。下一层是 AI 应用人才，也是如此 AI 他们需要精通应用程序的实践者 AI 实现业务价值升级的技术和场景应用。他们也是 AI 行业技术复合型人才，负责将技术与业务结合起来发挥价值。第三层是 AI 技术赋能者，将精通模型构建、提醒工程等技术，具有丰富的大模型开发落地经验。第四层是 AI 技术开拓者，主要关注建设与维护 AI 技术平台，同时掌握算法优化等能力。这种职位涵盖了数据科学家、算法和数据工程师、前端和后端、测试、运行和维护等角色。基于这种粮库模式，我们梳理了一些技能机制和相应的学习路径，以及针对不同类型人才的标准化训练营，涵盖线上线下课程培训、赛训结合项目和实践课题等。

第一阶段教授以大模型应用开发训练营为例。 AI 核心基础知识，第二阶段是 NLP 核心技术，第三阶段是大模型开发，微调实践经验和技能，智能问答和智能问答。 Agent 系统开发，智能体开发，系统优化等。训练营设置了专家打磨的前沿课程体系，还包括应用。 AI 提高日常工作效率的技术内容，以及面向 AI 教学领导者的发展方向和战略等内容。我们也有分行业 AI 场景应用主题，实践案例分析等。

怎样在 AI 在项目建设过程中选择和识别人才？有什么方法可以激励团队成长为？ AI 复合型人才？

李明宇：首先，我们会观察员工是否会在日常工作中使用。 AI。谁愿意具体使用？ AI，并不一定与他的技术水平、知识背景密切相关，更多地取决于他的性格特点。有些人更喜欢依靠确定性的工具或自己的思考，而另一些人则更喜欢同意。 AI 交流。此外，由于这一领域属于创新业务，在业务发展中逐步完善了具体的工作内容和工作方法，我们也会更加关注员工的自我驱动力和工作主动性，不能说领导安排什么就做什么。当然也要看基本素质和专业基础。

对激励手段来说，我们的方法比较简单，就是 AI 有关职位的薪酬奖励将设置得更高。最终要评估绩效时，具体的方法我们也在探索中。

陈秋丽：我们没有设置特殊的激励措施，主要是根据团队产出的结果来确定绩效。另外，关于 AI 在招聘工资方面，岗位会有一些差异。

沟通交流

现阶段企业是否会这样做 AI 建立专门的人才部门？还是根据技术情况安排专门的人员？

陈秋丽：专业团队的建立取决于公司的战略投资状况。公司愿意投入多少成本和精力来建立这样一个团队，这与他们对这个团队所带来的价值的预期密切相关，这是一个投入产出的问题。对专职人员来说，一般是很难做到的，因为 AI 落地一般需要复合技能，一个人很难实现目标，很多场景在招聘团队成员时很难提前考虑。因此，建立一个能够提高自己的学习团队更为重要。

目前公司还没有 AI 怎样建立团队？怎样保证？ AI 职位人效？职位人效？

李明宇：大多数企业都会涉及到多少？ AI 能力部门，但要提到基于生成式的部门 AI 或者大型模型带来的全新业务赋能或创新能力，大多数企业都在实践中。因此，对于这样的团队建立，评估等级，绩效评估，这些事务也处于探索阶段。一般而言，公司还是根据具体项目组建团队，先确定场景，再有一定的积累，再根据具体目标选择团队成员。而且具体的团队方式和效率评价这些，目前还很难下结论。

李家贵：对于团队能否产生价值，可以从三个层面来考虑。

第一个层面是如何定义价值？在这里，我们应该考虑你目前的业务是否有发展前景。目前的业务有客户群吗？有利润吗？有利润吗？如果这项业务没有利润和收入，我们希望通过 AI 立即改变局面是不现实的。所以一定要在主业较强的前提下谈人效。

其次，组建团队时一定要寻找复合型人才，既懂商品又懂研发，最好是全栈技能，情景 POC、产品验证，数据测试都可以完成。

第三个方面，我们在评价人效的时候，主要看能不能通过引进来评价。 AI 能力，帮助其它团队减少员工或开支，产生更大的收益，转化商业价值。

用 AI 有助于编程大概可以改进。 30% 效率，这是不是？ AI 提高效率的效果？

李明宇：30% 在领导眼中，提高效率肯定是提高效率的结果，但是这个数字和许多人的期望是不同的。许多人感到改善 100% 效率并不夸张，那为什么要在实践中提高呢？ 30% 甚至十几个百分点都很常见？有两个原因，一是不同的员工对不同的员工。 AI 有些员工不喜欢用不同的态度。 AI，喜爱手写代码，AI 对于他们的帮助很小，还有一些员工手写代码能力差，使用能力差， AI 帮助后效率的提高是显而易见的。所以不同的人有不同的进步，平均下来可能是 30%。其次，很多业务的部门设计都会涉及到很多阶段，比如代码编写只是软件开发过程中的一个阶段， AI 只有一两个部分加速，即使这一两个部分的效率大大提高，对整个业务的影响也不会那么明显。

李家贵：行业内衡量R&D效率的指标有两个，一个是 AI 递交率，一个是代码的采纳率。在整个行业中，采用率大概只有一个。 50% 到 60%，大企业也只能达到这一水平。通常的提交率是 20% 到 30%，比较优秀的公司可以达到 30%，因此 30% 提高效率已是一个很好的数字。

陈秋丽：除提高效率外，我们还应注意 AI 为员工节省的时间是否得到充分利用，如果员工只是在节省了时间之后闲着，对于企业来说价值就不明显了。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com