AI 商业论证：利益相关者指南及 AI 使用场景

AI 技术，例如异常检测和向量搜索等等，一度为很多企业提供了重要支持。然而，对大多数企业而言，使用自然语言与计算机对话（例如探寻企业绩效和探讨问题根因）在近几年才成为可能。如今，在 AI 的帮助下，计算机可以在眨眼之间完成艰难、复杂的数据分析工作 — 这不是什么难以想象的事情。但要想真正利用 AI 创造业务价值，企业不仅需要进行重大投资，而且不一定能取得与成本相匹配的回报。

简而言之，AI 将在企业中扮演重要角色（这一点已取得了广泛共识），但如何以坚实可靠的 ROI 计算为基础来有力论证 AI 的商业价值仍是一个难题。以下将为您介绍如何进行 AI 投资商业论证。

什么是 AI？

人工智能 (AI) 是一种旨在用于执行通常依赖人类智能的工作的计算机系统。AI 的常见形式之一是基于大规模数据集（来自互联网和其他来源）训练的大语言模型 (LLM)。经过适当训练后，LLM 将具备出色的语言理解能力，不仅可以在很多学科领域为用户提供强大帮助，还能为各类工作制定行动计划和方案。而在企业使用自身数据“喂养”LLM 后，这些功能尤其能为企业赋能增效。

关键要点

• AI 如今已融入到了很多业务应用中，它们帮助企业高效处理数据，为企业提供新洞察和提高效率。
• AI 功能发展迅速。当下的 AI agent 可针对复杂工作制定并执行行动计划，能够在安全访问企业数据的前提下处理很多曾经由人完成的工作。
• 企业应制定适当的 AI 采用计划，否则就面临被竞争对手超越的风险。与所有行之有效的企业战略一样，AI 计划也应循序渐进。

AI 的 9 个业务使用场景

2022 年，ChatGPT 问世，吸引了很多学生用户和企业管理层的目光。当时，ChatGPT 可以在一定程度上帮助学生完成作业，但并不具备广泛的企业场景实用性，需要进一步发展才能真正发挥业务价值。

时至今日，AI 取得了众多发展和突破，其中两项尤其能造福企业。其一，AI 增强了对企业数据的访问能力。这通常离不开检索增强生成 (RAG)，或者模型上下文协议 (MCP) 的帮助。利用 RAG、MCP 以及类似的可提供高度相关数据的技术，LLM 可基于上下文解答问题，例如客户关于产品详情的疑问和高管关于销售预测的 What-if 场景探索。

其次，AI 可以制定工作计划，它既能理解既往工作的完成情况，又能使用适当工具集完成更复杂的工作。这被称为 "agentic AI"，在创造真实业务价值方面正变得越来越重要，尤其是在 MCP 应用驶入快车道的背景下。显而易见，AI 是否适用于企业已不再是问题，问题在于时机和方式。

企业可在以下 9 个领域利用 AI 创造业务成功。

1. 客户服务

大多数客户服务互动都具有重复性特征。这意味着，可访问问题历史、解决方案和产品文档的 AI 能够扮演一线客服座席角色，甚至在新型工具的加持下超越一线客服。例如，agentic AI 可“学习”过往互动信息，与客户进行互动式对话来解决客户的问题。在 AI 商业论证上，这一点尤其适用于拥有完整、广泛的客户服务数据的企业。具体而言，AI 具有以下 5 大重要能力。

• 驱动聊天机器人和语音助手自动化处理客户查询请求：过去，非 AI 型聊天机器人的不足常常导致客户心生沮丧，迫不及待要切换到真人客服。当然，即使使用 AI 技术，企业也应通过适当方式，确保聊天机器人和语音助手直接、准确、快速地服务客户，赢得客户满意。
• 基础问答，包括基于文档进行评论和做出响应：当聊天机器人以 AI 独有的方式回答客户问题时，客户更有可能接受聊天机器人。例如，Amazon 的 Rufus 不仅能综合文档信息和既往客户评论来为客户提供有益洞察、介绍产品特性，还能分享已购买客户对商品的看法。在产品支持上，AI 聊天机器人可针对一个问题，基于自身知识库快速列出潜在解决方案，或提供人工座席无法轻松提供的洞察。
• 情绪分析：当需要帮助时，客户不一定有耐心详细描述自己遇到的问题，也未必有耐心忍受客服提出的各种简单问题，例如“您接通电源了吗？”对此，AI 能够评估聊天信息或客户语调，帮助座席识别客户的不耐烦或气愤情绪 — 这对于有效提供客户支持至关重要。
• 工单分类和路由：当有支持请求传入时，准确进行工单路由至关重要。客户属于需要为之提供顶级服务的高价值客户吗？哪些产品出现了问题？谁可以有效解决客户的问题？通过跟踪既往的问题解决案例，AI 可以出色地分配客户支持问题的去向。
• 个性化客户支持：无论是 AI 还是人工座席，能否提供个性化的客户支持都取决于客户支持系统中数据的质量。而在为内含高质量数据的客户支持系统注入 AI 后，AI 能够快速查找并实时提供高度相关的客户信息，甚至是以更加个性化的方式与客户互动 — 当 AI 直接处理客户支持请求时。

2. 营销和销售

AI 的一大重要价值是它能够快速筛选数据，为企业制定专属且通常是特定于具体客户的营销和销售策略。当充分利用既有 CRM 和营销自动化系统时，企业能够更快速地获得 AI 回报。另外，数据质量越好，AI 创造的价值就越高。销售人员是否认真记录了客户互动信息？也许记录了，也许没有。无论如何，AI 都能为企业赋能。但总体而言，数据越丰富，AI 成果越出色。

• 销售线索鉴定和培育：您企业的目标是什么？在未来两年内将客户规模扩大一倍，还是扩大 10% 或 20%？您的销售团队是否充分了解竞争形势，是否全面掌握了潜在客户信息？如果您的销售团队源源不断接到客户电话，而且 10% 到 20% 的增长率就能让您满意，那么 AI 赋能销售的重要性，可能就不如它对高增长企业或已拥有广泛客户群体的企业那么高。这种情况下，AI 商业论证往往较为艰难 — 相比客户服务等领域的 AI 投资而言。对于希望进一步开辟新市场或推出新产品的企业，AI 商业论证则较为简单。例如，当拥有大量销售线索但只能集中培育其中一小部分时，AI 有助于企业对销售线索评分。
• 识别潜在客户：如上所述，AI 可以为新产品或新服务生成理想客户画像 (ICP)。它能够分析人口统计、在线行为、社交媒体活动和历史购买数据，识别人工操作时可能错失的数据模式。随后，AI 可以使用 ICP 和销售线索评分策略，为营销工作指引方向。
• 优化营销活动：对于生成了大量数据（例如数百或数千条销售线索）的企业，AI 可帮助企业在真正付出成本和开始行动前，识别具有成功潜力的理想推介方案，进行营销活动建模。对于部署了完整销售线索跟踪流程（从潜在客户挖掘直至成交）的企业，AI 可以从数据中捕获新洞察，帮助企业优化未来营销活动。
• 客户细分：考虑到 AI 擅长查找大型数据集中数据的相似性，使用 AI 来查找与理想客户相似的潜在客户对企业而言极富吸引力。基于可靠的数据，AI 可以快速定位潜在的盈利性客户，很多时候还能进一步解释背后的原因，展示哪些产品适用于盈利性客户。随着所摄取的数据越来越多，AI 的表现将越来越出色。
• 客户沟通，包括起草沟通信息和监视客户响应：基于企业收集的电子邮件、Linkedln 文章、其他通信资料以及各种沟通方式的统计数据，AI 可以分析哪些沟通在效果上更出色，进而创建有效的沟通信息。在这方面，数据质量同样十分关键。同时，请勿奢望 AI 创建可直接向客户发送的沟通信息。及至目前，AI 创建的信息仍然需要在人工审核后才能发送至客户和潜在客户。
• 动态定价和推荐：对于所有希望实现动态定价的企业，AI 的快速数据分析和预测能力都十分宝贵。例如，对于即将到来的客场作战的纽约洋基队赛事，洛杉矶道奇体育场的经理可能会遇到这样一个问题：正常价值 100 美元的座位有可能卖出 1000 美元（甚至更多）。应该如何定价，在保证售出所有门票的同时获得尽可能多的收入？如果您的企业也面临类似困境，AI 驱动的动态定价可提供重要帮助。当然，如果您和圣地亚哥佩科公园体育场 (Petco Park) 的经理一样，经常面临教士队 (Padres) 门票无法售罄，即需求低于供应的情况，那么动态定价可能不大适用。

3. 运营

AI 非常适合用于自动化运行那些可能遭遇异常情况的重复性流程，尤其适用于通常以 ERP 为核心、使用一套兼容系统来运营业务的企业。为了充分释放 AI 的价值，企业可能会希望将 AI 应用于运营和财务数据。这意味着为以 ERP 核心的运营系统，或负责从企业运营系统拉取数据的数据仓库部署 AI。

当然，这并不等于企业不需要为供应链管理这类单点系统部署 AI。以日常业务整体视图为基础，AI 能够带来更出色的的组织级运营效率提升和更有价值的组织级洞察。

• 供应链优化：在为供应链管理 (SCM) 系统集成 AI 后，AI 可以帮助企业监视供应商绩效变化，评估供应商；还可以帮助企业调整采购流程，开辟更多采购来源。在商业论证上，考虑到 SCM 系统依赖大量的工程性工作来切实发挥作用，来自 SCM 系统供应商的 AI 往往更有说服力。此外，当使用 AI 分析供应链详细数据并为 AI 提供销售预测和运营绩效信息时，AI 能够帮助 SCM 系统及早识别潜在供应链问题，为企业提供更有价值的洞察。
• 库存预测：AI 有助于更快地做出更详细的预测，这一点在 AI 商业论证上十分重要。具体到库存管理，当以详细的销售数据为基础时，AI 驱动的库存预测尤其能发挥出色效用来帮助企业优化库存。此外，agentic AI 还能就新订单为企业制定计划或提出建议，进一步优化库存。
• 机器人流程自动化 (RPA)：机器人流程自动化技术支持企业自动化运行重复性流程。过去，RPA 与 AI 并无关联，但如今这一现象正在发生变化。具体而言，假设要在一个应用内添加一个新账户需要 5 个步骤。企业可以为此创建一个 RPA，更快地为新员工赋予应用访问权限。不过，这虽然听起来合情合理，但实践中 RPA 带来的效率提升不一定能超过企业在 RPA 创建工作上的投入。如果平均一个月只需要添加 10 或 20 名用户，RPA 可能是大马拉小车。如果要在短期内添加数百名用户，RPA 大概率就物超所值了。对此，AI 视觉和数据捕获功能可帮助 RPA 高效处理所有类型的数据录入工作，例如在应收账款和应付账款方面。当 AI agent 使用 RPA 处理工作任务时，这一优势将更为突出。更多信息，请参见以下“财务”章节。
• 预测性维护：主动维护远胜于手忙脚乱地修理机器设备。不过，维护工作过于频繁可能造成资源浪费，而通过监视设备状态和使用 AI 分析设备数据，AI 可以在一台设备开始显露异常迹象时“通知”企业。很明显，这是一种利好。问题在于，使用物联网 (IoT) 传感器改造老旧设备可能在成本层面通不过企业审查，这也是很多制造商迟迟不愿行动，选择等待设备淘汰的原因。由于大多数制造设备的使用寿命是以十年为单位计算的，这种等待可能极为漫长。但是，只要企业上马了 IoT 技术，AI 就能快速筛查海量数据，发现异常。简单来说，在预测性维护上，AI 显著有益于加装了 IoT 传感器的设备 — 这在医疗卫生行业十分常见。

4. 财务

财务团队似乎经常处于疲于应对的境地. 对此，AI 可处理很多通常会消耗大量资源的常规任务。例如，为文档捕获、理解和分类而构建的 AI 可以显著减少财务领域的手动数据录入工作。在应收账款领域，AI 可以正确地将付款信息录入账簿，通常可胜任必要的总账录入工作。此外，AI 还可以匹配采购订单与货物收据和发票，确认是否已按计划收货和发票信息是否准确无误。

• 费用处理：如今，一些企业的员工已经可以使用智能手机 App 在费用发生时捕获费用报销信息。对此，AI 不仅可以提高准确性，一般还能验证费用是否符合企业指南要求，由此简化流程，加快费用审批和报销速度。
• 欺诈检测：企业可利用 AI 来查找可能代表非法活动的交易异常。由于擅长识别异常，AI 被信用卡发行方、保险公司以及其他金融机构广泛应用于欺诈检测。AI 驱动的异常检测速度极快，有助于企业及时暂停可疑交易 — 直到获得进一步验证。
• 财务预测：通过访问必要数据，AI 可以全面基于历史信息和尚未交付销售的数据，出色地为企业创建财务预测。由于 AI 能够快速基于新假设创建新预测，它尤其适用于场景规划工作。具有财务预测结果解释能力的 AI 系统更受青睐，尤其是当其支持更长时间讨论，能够提供潜在方案来改善财务结果时。与所有业务案例一样，AI 在财务预测上的准确性同样深受数据质量的影响。企业面临的财务预测挑战越严峻，AI 工具商业论证就越简单。当使用集成式套件处理财务和运营工作时，企业能够更快地获得 AI 回报 — 相比须整合数据和进行数据标准化才能启动分析工作的企业。
• 信用风险评估：AI 可以分析申请人的信用水平，但人工审核是否符合适用法律依然不可或缺。面对法律的信贷公平性要求，企业须了解 AI 信贷评估过程并证明其公平性。

5. 人力资源

AI 可以帮助员工和新入职人员了解企业的记录系统、政策和福利，还能在编写岗位说明和职责清单上提供有益帮助。

• 候选人匹配：AI 可以为企业内的空缺岗位匹配适当的候选人。对此，企业须加以严格控制，仅使用 AI 来匹配特定的任职资质，避免触犯法律要求和陷入歧视风险。同时，HR 应时刻保持警惕，及时发现 AI 行为失当问题并采取纠正措施。
• 员工访谈安排机器人：在连通员工日历后，AI 可以基于员工日程来自动化安排访谈时间。此外，环境感知型 AI 系统还可以在访谈过程中记录访谈信息，将访谈信息注入员工评估过程。
• 员工入职助手：无论是为新员工订购、配置 IT 设备和应用，还是通过培训和文档为新员工提供指导，AI 都大有用处。此外，在新员工入职期间及随后时间内，AI 还能为新员工解答企业政策和福利方面的问题。
• 劳动力分析：如果能访问整个企业范围的员工工时、出勤和工作完成情况数据，AI 可以帮助企业识别劳动力缺口。

6. 产品开发

在产品开发领域，AI 工具通常表现为 AI agent，它们能够在企业构建真实原型之前帮助企业开展设计、编码、测试和模拟工作。以下是几个例子。

• 基于用户反馈分析结果界定产品特性优先级：在开发一项关键产品前耗费数天时间来筛查数千条评论，探究客户更期待哪些特性？AI 只需几分钟时间就能完成这项工作，基于探索结果为企业释疑解惑。
• 自动化运行测试和 QA：AI 尤其适用于会生成大量数据点的测试流程。在这方面，AI 异常检测投入使用已有数年之久，它们能够帮助企业识别在使用其他分析方法时可能遗漏的细微问题。此外，AI 还常常被内置到视觉系统，帮助企业快速检测缺陷。
• 洞察产品使用情况：AI 能够深入产品特性级别来洞悉产品的使用模式，尤其有益于会详细记录使用日志的 SaaS 产品。在这方面，企业可以使用 LLM 来总结数据，快速、有效地捕获洞察。
• 使用生成式 AI 创建产品原型：数字孪生技术可以为产品创建计算机模型，以供企业模拟真实设备和活动。这一技术不算什么新鲜事物，如今则在 LLM 的加持下更进一步，支持更快地创建数字孪生。例如，Nirvana 就结合使用数字孪生和 LLM，为原型设计工作构建了一个数字孪生创建和测试工具。目前，大多数数字孪生工具都可以模拟真实系统，例如一个制造车间，甚至是一座城市。它们使用 LLM 从传感器和日志文件摄取数据，进而预测特定输入（例如一个社区中的一个热浪期或一家工厂中的一台新设备）的结果。不过，要想可靠地创建产品原型，类似的大数据集不可或缺。当缺少这类数据时，AI 驱动的数字孪生技术可能无法证明其投资合理性。

7. 数据分析

过去，数据分析工作离不开一支具有专业技能的专业团队，还离不开成本高昂的工具。同时，决策者也必须从战略角度出发来界定分析对象。面向分析工作的 AI 正在改变这一切。如今，得益于自然语言提示和报告功能，数据分析工作正日益走向自助化，支持业务用户提出自己感兴趣的问题。关于使用 AI 运行数据分析，一大关键是访问广泛的企业数据。如此，AI 才能发挥其价值，例如基于销售管道数据评估需求，基于库存数据制定日程安排。此外，AI 和数据分析工作的另一共同趋势是正日益向云端迈进。

• 自然语言查询界面：如今 Oracle Database 23ai 等数据库支持用户使用自然语言（而不是 SQL 语句）来查询数据。当然，它们还能提供强大的安全保障，支持行之有效的访问控制，帮助企业更轻松地将 AI 分析应用于更广泛场景。
• 异常检测：作为一项机器学习功能，异常检测问世已有一段时间了。如今，LLM 增强了这一技术，降低了企业在训练数据集预处理上的工作负担。从欺诈检测到预测性维护，AI 异常检测能够在数据分析层面为企业提供广泛支持。
• 报告生成：数据查询请求（例如 SQL 查询语句）能够返回数据，或许还有数据表，但也就仅此而已了。LLM 则支持在一个大表中为所返回的数据创建解释，总结查询结果。此外，LLM 还有益于创建数据可视化图形 — 过去这一工作通常要消耗大量时间且依赖专业人员和专业工具。简而言之，AI 可以在短短几分钟时间内生成以图形形式来提供丰富洞察的报告。
• 数据清洗和扩充：数据去重和标准化是一些企业启动数据分析前的必要操作，尤其是当使用来自多个供应商的后台应用时。数据扩充（关联两个或更多系统中的事件）则能提高数据在分析工作中的价值。对此，AI 可以自动化运行通常耗时、易于出错的手动流程，为企业提供数据清洗和扩充支持。对于数据清洗，AI 算法可以分析各个字段中数据的相似度并进行评分，以此识别和合并重复性记录 — 即使两条记录并不完全匹配，例如 “Jen Smith, 123 Main St.” 和 “J. Smith, 123 Main Street”。AI 甚至还可以执行数据归一化操作，查找和修复常见错误，例如拼写错误、格式错误和数值缺失。对于数据扩充，AI 则能自动化关联来自多个系统的记录；帮助企业捕获预测性洞察；提取并为非结构化数据（例如社交媒体文章）添加结构。

8. 安全性和 IT

AI 为企业带来了增强数据安全性和优化 IT 运营的宝贵机遇。例如，AI 异常检测可以实时监视活动，帮助企业识别并缓解安全威胁。不过，考虑到攻击者也会使用 AI，企业需要一如既往地抢占先机。从好的方面来看，如今 AI 正日益被集成到复杂企业应用的管理系统。例如，Oracle 从 2018 年就开始在一些数据管理产品中推出自治管理功能，在 2023 年更是推出了 Oracle Autonomous Database。这些系统通过自配置、自修补和自调优来减轻 DBA 工作负担，使 DBA 专注于汲取数据价值。

• 威胁检测和事件响应：如上所述，AI 异常检测（辅以其他技术）能够在攻击行为启动时识别攻击者。同时，AI agent 在这方面表现也越来越出色。此外，AI 加持下的事件响应也不再是简单地关闭攻击路径，而是可以记录事件并通知安全团队。
• 日志分析：日志分析工具已不是什么新鲜事物。不过，在 AI 到来之前，它们只能回答使用方面的问题，识别哪一用户在哪些时间进行了哪些操作。增加 LLM 能够增强日志分析工具的总结功能，还能强化威胁检测系统。
• 帮助台自动化：过去的 IT 帮助台系统表现不佳，常常让用户失望而归。对此，可访问问题解决记录的 AI 有助于企业构建一个更出色、可使用 GenAI 语义搜索功能来查找类似问题及解决办法的帮助台系统。不过，请注意，所有 AI 帮助台都高度依赖记录数据的质量和完整性。

9. 法务与合规性

AI 助手正逐步接手当下很多属于律师和律师助手职责的繁琐工作，不仅速度更快，而且准确性更高。因此，法律行业将和很多其他行业一样，在未来不到 5 年时间里发生翻天覆地的变化。AI 一般可在以下方面发挥作用。

• 合同分析和总结：即使律师希望自己阅读合同，LLM 依然有其用武之地。例如，在谈判阶段，当一份新的修订版合同摆上案头之际，AI 可以突出展示和总结合同内容变化，节约大量时间。
• 监管变化监视：监管变化监视服务可在相关机构通过新的监管法规时“通知”企业的法务团队。AI 可以审查合同和其他文档，识别新法规将对哪些方面产生影响，甚至在某些情况下就满足新监管要求提出适当建议。
• 合规审计：合规审计的第一步是确定企业须遵守的法规列表，这通常也是最艰难的一步，尤其是对于跨多个司法管辖区经营业务的企业。完成这一步后，AI 可以审查合同和合规证明文件，就文档缺失问题及原因向企业提出建议和解释。
• 法律研究助手：AI 驱动的相似度搜索功能十分擅长查找高度相关的案例法。

如何创建 AI 商业论证书？

由于 AI 可触及大多数职能领域的广泛影响力，因此 AI 商业论证书的创建 — 相比确立一项需求和为一个解决方案编写审查报告 — 更为复杂。20 世纪 70 和 80 年代，一些企业就在这个问题上付出了高昂代价，身陷重重困境。当时，一些企业按照自身需求，支付巨大成本购买各种前沿的单点式解决方案，随后却在解决方案集成上遇到了重大困难：难以连通各种产品来构建一个整体式业务管理系统。

它们不仅要支付巨额的购买成本，还不得不雇佣大量的全职集成人员来使用中间件将所购买的前沿解决方案连接在一起。随后，一个更严峻的挑战接踵而至：收集各种系统的数据，为分析工作（以更深入洞悉企业整体表现和预测未来绩效）准备数据。

以“史”为鉴，如果不制定一个有效的 AI 采用策略，企业就有可能重蹈覆辙，白白浪费 AI 可能带来的竞争优势。对此，本文提供了以下步骤供您参考。

1. 成立一个 AI 卓越中心委员会
将对 AI 感兴趣的部门主管和企业 IT 负责人召集在一起，了解各方在 AI 方面的目标和关注点。AI 卓越中心委员会应确立 AI 采用的切入点、制定 AI 采用计划、跟踪 AI 成功案例。

2. 了解供应商的 AI 路线路
如果您当前的供应商提供 AI 服务，而且还计划在未来推出更多服务，那么您可以在现有应用上测试供应商的 AI 特性，更高效地制定一个更全面的 AI 战略。

推动员工采用 AI 的一个有效方式是将 AI 直接融入工作流，由员工来检验其优劣。如果一项 AI 特性需要员工千辛万苦才能访问，它很可能被闲置在一旁。此外，如果您的主供应商没有制定 AI 路线图，或者您采用多家供应商的系统且无法轻松将各种系统集成在一起，那么请将更换供应商（尤其是传统的本地部署应用供应商）提上议程。否则，当竞争对手使用 AI 而您却不知道如何采用 AI 时，您将被市场浪潮抛在身后。在这个问题上，云技术应用相对而言通常能更快速地供应 AI 特性。

3. 制定适当的数据策略
“好 AI 离不开好数据”虽然已是陈词滥调，但却无比正确。例如，如果希望使用 AI agent 来自动化处理应收账款和应付账款工作，那么您至少需要将 AI agent 连接到财务、销售和库存管理系统。希望使用 AI 来辅助场景规划工作？那么您可能需要一个可供 AI 访问的数据仓库或数据湖。总而言之，当您可以轻松、正确地为 AI 创建数据连接时，AI 往往能更快地带来更高的回报。

4. 制定 AI 采用路线图
AI 能够惠及企业的几乎每一个角落，因此一些企业选择立即全面上马 AI，集中精力开展可带来巨大影响力和高额长期回报的项目。这类巨型项目固然重要，但通过小型项目来为更宏大项目开辟道路同样不可或缺。企业应从可快速带来回报、可即时创造可观 ROI 的领域入手。关于 AI 的一个常见切入点是使用 AI 来自动化处理工作任务。

5. 让各部门按自身步调采用 AI，仅在必要时引导和推动
在一家企业中，开发团队可能已经在使用 AI 编写代码了，销售团队却行动迟缓。与此同时，HR 团队可能发现聊天机器人有助于员工了解企业福利信息和政策，财务团队可能发现 AI 减轻了 AR/AP 工作负担，加快了月度关账速度。随着此类 AI 快速提供回报资讯的传播，其他部门（例如上述销售团队）有可能也积极投入 AI 的怀抱。如果某一团队仍然犹豫不前，高管可以采取适当措施来推动其 AI 采用进程。

6. 分享 AI 成功案例
AI 能够自动化处理工作任务，有助于更好地分析数据，但在一家企业中，可能不是所有人都认可 AI。对此，小型 AI 项目成功案例能够有效展示 AI 价值，同时又不会让心有疑虑的员工感受到威胁。同时，它们还能证明 IT 团队制定了适当的计划来保障数据安全，证明 AI 能够正确、一致地执行自动化工作。

立即行动，充分利用 Oracle AI 的力量

无论在哪个领域，也无论选择哪种部署方式，Oracle 都能帮助您充分利用 AI 的力量。Oracle 应用面向数百个使用场景内置提供丰富的 AI 特性（包括数量仍在不断增长的 AI agent），而且您无需额外付费。Oracle Cloud Infrastructure (OCI) 可凭借出色的价格性能比优势助 AI 模型用户和创建者一臂之力。此外，Oracle 充分利用常用的开源工具和框架，提供丰富的 AI 服务和广泛的基础模型。最后，Oracle 支持您以理想方式将 Oracle 数据库与 AI 结合在一起，更好地执行数据分析以及其他工作。

要想为自家组织注入 AI 力量，企业需要执行一个复杂的多步骤过程，既需要谨慎规划，还需要做好数据准备。不过，这一切也会为员工赋予强大力量。有研究显示，IT、营销、销售和客户服务部门在 AI 采用上行动迅捷，HR、财务、运营、现场服务管理和其他团队也能从 AI 中汲取动力。同时，另一些研究显示，大型企业在采用 AI 上快于小型企业，但小型企业也在快速跟进。

部署 AI 后，您的员工将能够利用 AI 执行哪些创造性和面向客户的工作？

AI 商业论证常见问题解答

如何将 AI 集成到一家企业？

AI 的集成是一个战略性过程，主要包含 4 个关键步骤：首先，企业须明确 AI 可解决哪些挑战和提供哪些机遇，带来明确的投资回报，例如提高财务团队效率，或者在一线为客户提供支持服务。然后，企业须做好数据基础设施准备，以此提供高质量且可访问的数据来供 AI 模型使用。

接下来，在明确使用场景和将数据源准备就绪后，企业须选择适当的工具。目前，大多数组织都通过“既有软件+内置 AI 功能”的形式（例如 AI 驱动的数据库）来使用 AI，或者是选择云技术供应商作为 AI 合作伙伴。相比之下，针对具体需求开发自定义解决方案虽然可行，但成本却十分高昂。最后，企业须将 AI 解决方案嵌入工作流，开展员工培训，跟踪 AI 解决方案的表现和 ROI，以此指引未来项目。

AI 有哪些企业用例？

零售商可以使用 AI 驱动的推荐引擎来分析客户的浏览数据、历史购买信息和偏好，以及类似客户的行为。由此，它可以实时向客户推荐高度相关的商品，显著提升销售收入以及为客户构建个性化的购物体验。

生成式 AI 有哪些业务使用场景？

AI 可执行广泛的创造性和生产性工作。例如，营销团队在刚接触 AI 时常常使用 AI 来生成新闻稿件、博客文章、产品说明和社交媒体资讯。开发人员一般使用 LLM 来编写、记录和调试代码，而很多企业部署高级聊天机器人来处理复杂的客户和员工查询请求，汇总支持案例来辅助人工座席。