發布地址：（略）
你應該如何開始，誰應該實施你的第一個AI項目？詹娜·列平科娃博士/2025年4月22日
不久前一個合作伙計隨意地向我詢問了他們組織的一個AI應用案例。他們希望通過使用AI來回答新員工的重復性問題，從而使他們的入職過程更高效。我建議了一個實際的聊天方法，將他們的內部文檔整合進去，然后他們帶著自信的氛圍出發，計劃“與他們的IT團隊交談”以推進此事。
從經驗中我知道，這種樂觀是脆弱的。普通的IT團隊沒有能力實施完整的端到端人工智能應用他們自己。事情就是這樣：幾個月后，他們陷入了困境。（略）慢得令人惱火，而且也很清楚他們在開發過程中誤解了用戶的真實需求。（略）優化的問題不同。大多數用戶在幾次嘗試后就放棄了，再也沒有回來。要解決這些問題，需要重新思考他們的整個架構和數據策略，但損害已經造成。員工們感到沮喪，領導層已經注意到，圍繞人工智能的初步興奮已經消退為懷疑。很難為另一個廣泛的開發階段進行爭論，因此這個案例被靜靜地擱置了。
這個故事并不罕見。（略）的出色營銷創造了一種人工智能易于獲取：（略）
但這并不意味著你需要買所有的東西——這就像你有100美元，卻在餐館花掉，而不是（略）。第一個選擇可以立即解決你的饑餓問題，但第二個選擇可以確保你有一周的食品。
那么，你應該如何開始，誰應該實施你的第一個AI項目？這是我的看法：忘記build-or-buy，專注于合作和學習。（略）應該在內部建立AI專業知識——這將為他們的AI戰略和未來的活動提供更多的帶寬。同時，AI是一門復雜的工藝，需要時間來掌握，失敗是無處不在的。從失敗中學習在理論上是好的，但在現實中，它會導致時間、資源和信譽的浪費。為了高效地實現AI成熟度，公司應考慮與可信的合作伙伴合作，這些合作伙伴愿意分享他們的專業知識。一個現實和謹慎的設置不僅會確保更順利的技術實施，還會解決與你的AI策略相關的人和業務方面的內容。
接下來，我將首先概述人工智能中構建或購買決策的基本要點（輸入、輸出和權衡）。然后，您將了解一種更細致的合作伙伴方法。它結合了構建和購買，并強化了您的內部學習曲線。最后，我會以一些關于人工智能合作伙伴關系的實用觀察和建議來結束。
人工智能中的自制或采購決策基礎
首先，讓我們將一個經典的自制或購買決策分解為兩個部分：輸入——你應事先評估的內容，以及輸出——每個選擇對你的業務在未來意味著什么。
輸入
為了做出決策，您需要評估您的內部能力和用例的要求。這些因素將決定每個選項可能有多現實、有風險或有回報：
●組織的AI成熟度：考慮您的內部技術能力，例如熟練的AI人才、現有的可重用AI資產（例如數據集、預構建模型、知識圖譜）以及可以轉移到AI領域的相關技術技能（例如數據工程、分析）。還要考慮用戶在與AI互動和處理其不確定性方面的熟練程度。隨著您的AI成熟度提高，投資于技能提升，并敢于構建更多的內容。
●領域專業知識需求：解決方案需要多深入地反映您的行業特定知識？在需要專家人類直覺或熟悉法規的應用場景中，您的內部領域專家將發揮關鍵作用。他們應該參與開發過程，無論是內部構建還是與外部提供商緊密合作。
●用例的技術復雜性：并不是所有的AI都是一樣的。一個依賴于現有API或基礎模型的項目比一個需要從頭開始訓練自定義模型架構的項目要簡單得多。高復雜性增加了構建優先方法的風險、資源需求和潛在延誤。
●價值和戰略差異：該用例是否是您戰略優勢的核心，還是更多的支持功能？如果它是您行業（（略））所特有的，并且能夠增加競爭差異，那么建設和共同開發可能帶來更多價值。相比之下，對于一個標準用例（例如文檔分類、預測），購買可能會更快、更省錢地取得成果。
建造或購買決策的后果
一旦你評估了輸入因素，你將需要映射出你的自制或采購決策的下游影響，并評估權衡。以下七個維度將影響你的時間、成本、風險和結果：
1、定制化：人工智能解決方案可以根據組織的具體工作流程、目標和領域需求進行調整的程度。定制化通常決定了解決方案在滿足獨特業務需求方面的適應性。
2、所有權：知識產權（IP）以及對底層AI模型、代碼和戰略方向的控制權。內部建設提供了完全的所有權，而購買通常涉及許可另一方的技術。
3、數據安全：涵蓋了數據如何處理、存儲在哪里以及誰可以訪問。在受監管或敏感的環境中，數據隱私和合規是核心關注點，特別是在數據可能與外部供應商共享或處理的情況下。
4、成本：包括初始投資和持續的運營費用。建設涉及研發、人才、基礎設施和長期維護，而購買可能需要許可、訂閱或云使用費用。
5、上市時間：衡量解決方案的部署速度以及開始產生價值的速度。快速部署在競爭激烈或（略）場中通常至關重要；延遲可能導致失去機會。
6、支持與維護：涉及誰負責更新、擴展、修復錯誤以及持續的模型性能。內部構建需要專門的資源進行維護，而外部解決方案通常包括支持服務。
7、AI學習曲線：反映了獲取：（略）
現在，在實際操作中，二元的自建或采購思維通常會導致無法解決的權衡。以之前提到的入職用例為例。（略）數據的機密性。同時，他們沒有內部AI（略）。他們可能通過外包聊天架構和持續支持，同時內部建設數據庫來取得更多成功。因此，你不應該在整個AI系統層面上決定自建或采購。相反，應該將其分解為組件，并根據你的能力、約束和戰略優先事項來評估每個組件。
邁向領域知識與人工智能專家的握手
在組件級別，我鼓勵您通過專家需求的視（略）分自制或采購的決策。大多數B2BAI系統結合了兩種類型的專家知識：領域專家知識，（略）內部，和技術AI專家知識，如果您還沒有專門的AI技能，可以通過外部合作伙伴引入。接下來，我將分析AI系統每個核心組件的專家需求。
表1：AI系統組件所需的專業知識和合作模式
商業機會：定義正確的AI問題
你知道嗎，AI項目失敗的主要原因不是技術問題，而是選擇了錯誤的問題來解決？你可能會感到驚訝——畢竟，你的專家團隊對問題有深入的理解。問題是，他們沒有手段將他們的痛點與AI技術聯系起來。以下是一些最常見的失敗模式：
●含糊或不適合的問題定義：這真的是AI擅長的任務嗎？
●缺乏努力/投資回報率估算：結果是否值得為AI開發和部署投入時間和資源？
●不切實際的期望：“足夠好”對于不完美的AI意味著什么？
另一方面，有許多組織將AI作為目的本身，創造解決方案尋找問題。這浪費了資源，并在內部侵蝕了信心。
一個優秀的AI合作伙伴幫助評估哪些業務流程適合AI干預，估算潛在影響，并模擬AI如何創造價值。雙方可以通過聯合發現工作坊、設計沖刺和探索性原型設計，共同塑造一個專注且高影響力的用例。
數據：（略）的燃料
干凈、結構良好的域數據是核心資產。它編碼了你的流程知識、客戶行為、系統性能等信息。但僅靠原始數據是不夠的，（略）。這就是AI專業知識發揮作用的地方，設計管道，選擇合適的數據表示，并將一切與AI的學習目標對齊。
通常，這包括數據標注——（略）對示例進行注釋。這可能顯得繁瑣，但請抵制將它外包的誘惑。標注是管道中最具上下文敏感性的部分之一，正確完成它需要領域專業知識。事實上，許多今天的微調任務在小但高質量的數據集上表現最佳——因此，請與您的AI合作伙伴密切合作，以確保工作集中且可管理。
數據清理和預處理是經驗起決定性作用的另一個領域。你可能聽過這句話：“數據科學家的大部分時間都花在清理數據上。”這并不意味著這個過程應該緩慢。擁有對你的數據模態（文本、數字、圖像……）有經驗的工程師，這個過程可以大大加速。他們會本能地知道在何時應用哪些預處理技術，將數周的試錯變成數小時的高效設置。
人工智能：AI模型和架構
大多數人認為人工智能項目從這里開始，但這只是故事的中間部分。需要深度人工智能專業知識來選擇或微調模型、（略）架構。例如，您的用例應該使用預訓練模型嗎？您需要多模型設置嗎？哪些評估指標是合理的？（略）中，不同的AI組件（如模型和知識庫）可以組合成多步驟的工作流程。
（略）驗證和評估階段發揮作用。專家和未來的用戶需要檢查AI輸出是否合理，并符合他們對現實世界的期望。如果模型的輸出不能映射到業務邏輯，那么即使該模型在統計上很強大，但在操作上也是無用的。（略）時，（略）設置反映了他們的現實世界流程和需求。
定制AI模型和構建自定義AI架構是你的“副駕駛”階段：AI團隊進行架構和優化，而業務團隊根據業務目標進行指引和調整。隨著時間的推移，（略）行為的共同擁有感。
案例研究：在保險行業中利用AI專業知識支持進行建設
在一家領先的保險提供商，（略）——他們希望將這個項目保留在內部，以保留完全的所有權并緊密與專有數據和工作流程保持一致。然而，早期的原型在性能和可擴展性方面遇到了問題。（略）Anacode介入的地方。作為建筑和戰略合作伙伴加入。我們幫助內部團隊評估模型候選人，設計模塊化架構，并建立可重復的機器學習管道。同樣重要的是，我們舉辦了有針對性的技能提升會議，重點是模型評估、MLOps和負責任的人工智能實踐。隨著時間的推移，內部團隊獲得了信心，將早期的原型重新設計為一個強大的解決方案，并完全接管了運營。（略），而我們在項目期間提供的專家指導也提升了他們的內部人工智能能力
用戶體驗：通過用戶界面交付人工智能價值
這很有挑戰性。除了少數情況外，領域專家和深度AI工程師都不太可能為真實用戶設計出真正直觀、高效且愉快的體驗。理想情況下，您可以請來專門的用戶體驗設計師。如果這些設計師不可用，那就尋找對用戶體驗有天然感覺的相鄰學科的人。如今，許多AI工具都可以支持用戶體驗設計和原型制作，因此品味比技術技能更重要。一旦有了合適的人選，您需要從兩個方面為他們提供輸入：
●后端：AI（略）內部運作的見解?—?其優勢、局限性、置信水平?—?并支持設計諸如解釋、不確定指示器和置信分數等元素（參見本文，通過用戶體驗建立AI信任）。
●前端：領域專家了解用戶、他們的工作流程和他們的痛點。他們幫助驗證用戶流程，指出摩擦點，（略）互動的方式：（略）
專注于快速迭代，并準備好進行一些試錯。AIUX是一個新興領域，目前沒有統一的“優秀”標準。最佳體驗來自于緊密的、迭代的反饋循環，設計、測試和優化不斷進行，吸收來自領域專家和AI專家的意見。
支持和維護：保持人工智能的活力
一旦部署，（略）需要進行密切監控和持續改進。現實生活中的用戶行為往往與測試環境不同，并會隨時間變化。（略）需要被積極監控，以便早期識別和解決潛在問題。
監控的技術基礎設施（包括性能跟蹤、漂移檢測、自動重新訓練和MLOps管道）通常由您的AI合作伙伴建立。一旦建立，許多日常監控任務不需要深厚的技術技能。它們確實需要領域專業知識：了解模型輸出是否仍然有意義，注意到使用模式的微妙變化，并知道何時“感覺不對勁”。
一個設計良好的支持階段不僅僅是運營上的——它可以成為內部團隊的關鍵學習階段。它為逐步提升技能、（略）以及最終在時間推移中更好地自主管理AI系統創造了空間。
因此，您不應將AI的實施視為一個二選一的自建或采購決策，而應將其視為一系列活動的拼圖。其中一些活動具有高度的技術性，而另一些活動則與您的業務環境密切相關。通過在整個AI生命周期中映射職責，您可以：
●明確哪些角色和技能對成功至關重要
●識別您內部已有的能力
●識別外部專業知識最寶貴的領域
●計劃知識轉移和長期擁有權
重要的是，“領域”和“AI”專業知識之間的界限是不固定的。你可能已經有一些團隊成員在嘗試機器學習，或者其他人渴望成長為更具技術性的角色。通過合適的合作伙伴關系模型和技能提升策略，你可以逐步向AI自主性發展，在內部成熟度提高的同時，逐漸承擔更多的責任和控制。
在合作中，盡早開始并專注于溝通
到目前為止，你已經知道，關于AI系統的構建或購買的決策應該在單個組件的層面進行。但如果您的團隊還沒有AI方面的專業知識，（略）及其組件最終會是什么樣子呢？答案：盡早開始合作。當您開始制定AI戰略和設計時，引入一個您可以信賴的合作伙伴來指導這個過程。選擇一個您可以輕松、開放地與之交流的人。從一開始就進行正確的合作，將增加您順利且成功地應對AI挑戰的機會。
選擇一個擁有基礎AI專業知識的AI合作伙伴
您的AI合作伙伴不僅應該交付代碼和技術資產，還應該在合作過程中幫助您的組織學習和成長。以下是一些常見的外部合作伙伴類型，以及您可以從每種類型中期望什么：
●外包：這個模型簡化了復雜性——你可以快速獲得結果，就像攝入快速碳水化合物。雖然效率很高，但很少能帶來長期的戰略價值。你最終得到的是一個工具，而不是更強的能力。
●學術合作伙伴關系：非常適合尖端創新和長期研究，（略）在現實世界中的部署和采用。
●咨詢合作伙伴關系：在我看來，（略），（略）。一個好的顧問能夠賦能你的工程師，幫助他們避免昂貴的失誤，并為諸如“我們的用例需要什么合適的技術棧？”、“我們如何整理數據以提高質量并啟動一個強大的數據飛輪？”、“我們如何在不犧牲信任和治理的情況下進行擴展？”等問題帶來實用的經驗見解。
詳細的合作伙伴選擇框架超出了本文的范圍，但這里有一條寶貴的建議：對那些在2022年GenAI熱潮后突然將“AI”添加到其服務中的IT（略）保持警惕。他們可能會用時髦的術語來吸引你，但如果AI不是他們的核心競爭力，你可能會為他們的學習曲線付出代價，而不是從互補的專長中受益。選擇一個已經完成艱苦工作并準備將這些專長轉移到你身上的合作伙伴。
加強溝通和協調
在合作伙伴關系模型中，有效的溝通和利益相關者的齊心協力是至關重要的。（略）中需要正確處理的一些重要溝通角色：
●領導層和領域專家必須識別并清楚地傳達值得解決的業務問題。
●終端用戶需要盡早分享他們的需求，在使用過程中提供反饋，并且理想情況下成為塑造人工智能體驗的共同創造者。
●IT和治理團隊必須在推動，而不是阻礙，人工智能創新的同時，確保合規性、安全性和安全性。請記住：這些能力不會完全成熟地出現。
在AI項目中，出現不一致和無效率的孤島的風險很高。AI仍然是一個相對新穎的領域，僅術語就可能引起混淆。如果你曾經發現自己在爭論“AI”和“機器學習”之（略）別，你就會明白我的意思。如果你還沒有遇到過，我鼓勵你在下次與同事聚會時嘗試一下。這可能和與你的伴侶開始的“我們需要談談。”的對話一樣棘手。“我們得談談。”
雙方都應該努力消除歧義和斷層。你的內部團隊應該投資于提升技能，并建立對AI概念的基本理解。另一方面，你的AI合作伙伴必須各讓一步。他們應該跳過術語，使用清晰、面向業務的術語，以便你的團隊能夠真正使用。有效的協作始于共享理解。
結論
真正的問題不是“我們應該自己開發還是購買人工智能？”而是“我們如何在速度、控制和長期價值之間取得平衡，以增長我們的AI能力？”答案在于將人工智能視為技術與專業知識的結合，成功的關鍵在于將合適的資源匹配到合適的任務上。
對于大多數組織來說，（略）是合作?—?結合你的領域優勢與外部的人工智能專業知識，以更快的速度構建、學習，并最終擁有更多的AI旅程。接下來您可以做的是：
●將您的AI用例與內部能力進行匹配。誠實面對差距。
●選擇那些傳授知識而非僅僅交付成果的合作伙伴。
●確定要自行開發、購買還是共同創建哪些組件。你不需要做出二選一的決定。
●在過程中提升你的團隊。每個項目都應該讓你更強大、更自主，而不是更依賴于伴侶的資產和技能。
●從專注的試點項目開始，這些項目為內部學習創造價值和動力。
通過今天采取戰略性、能力提升的方法，為您在長期內成為一個人工智能capable（并最終成為人工智能驅動的）組織奠定基礎。