AI 策略 - 制定组织 AI 策略的指南

AI 目标： 每个组织都希望 AI 为其人员和流程增加价值。 该值必须来自可保持安全且高效运行的 AI。 它必须适应你已有的技能和数据，并保持在预算范围内。 AI 挑战： 目标是明确的，但达到该值并不总是直接的。 团队经常进行大量试验，但收效甚微。 有些人在整个组织内部构建了相互冲突的解决方案。 在其他地方，安全问题和低可信度限制了人们可以使用的内容，从而阻碍了 AI。

AI 解决方案：许多组织都转向Microsoft AI 解决方案来满足这些挑战。 Microsoft 提供了广泛的功能，使你能够灵活高效地满足各类用例需求，并在 AI 规模扩展的过程中确保其安全。 本指南为决策者提供了一个框架，用于指导该工作，并将 AI 投资与业务需求保持一致。

建议： 通过按顺序完成以下部分中的决策，创建符合业务需求的 AI 策略。 每个决策都会确定塑造下一个决策的约束条件，并始终聚焦于价值创造。

1. AI 用例识别

制定 AI 策略的第一步是用例识别。 此步骤定义决策者如何发现 AI 可以改善整个组织的业务成果的位置。 目标是首先呈现有意义的优化机会。 该列表不需要详尽无遗，不过可以。 其目的是让每个人都对对业务最重要的事情有共同的看法。 按顺序处理，以便每个用例都追溯到实际值。

1. 从业务问题开始。 在考虑 AI 之前，先找出组织在哪些方面需要取得更好的成效。 最清晰的信号显示在人们的工作方式中，例如反复手动工作或审批速度缓慢。 用纯词来定格搜索，例如“结果在哪里错过预期”或“人们在重复任务上花费时间在哪里”。此方法使 AI 始终以价值而不是新颖性为点。 权衡：广泛扫描会呈现大量机会，因此请聚焦于既可衡量又有意义的成果差距。

2. 将问题转化为用例。 将每个业务问题表述成一句简短的话，点明所开展的活动及预期结果，例如“帮助支持人员根据内部文档作答，从而缩短问题解决时间”。确认这项活动发生得足够频繁，值得为此投入。 权衡：早期方案往往模糊不清，因此在继续操作之前，将它们细化为清晰且可行的描述。

3. 对用例进行分类。 根据用例创建值的方式对每个用例进行分类。 使用此决策来指导以后的技术选择。

   • 个人工作： 这些用例改进了个人或团队在现有工具中的工作方式。 示例包括编写帮助或会议准备。 它们与生成式 AI 解决方案（如智能 Microsoft 365 Copilot 副驾驶®）紧密保持一致。

   • 业务自动化： 这些用例改变了组织的运作方式或提供价值。 示例包括自动化客户路由或需求预测。 它们通常需要与其他系统集成，并且可以组合多个 AI 类型。

4. 请考虑所需的 AI 类型。 这只是一个需要考虑的事项，而不是最终决定；你可以随着用例逐渐明确，再重新审视这一点。 对结果中所需的一致性的粗略感缩小了接下来的技术选择范围。 你以后可以自由地调整它。

   • 生成式 AI（非确定性） 产生的输出即使对于相同的输入也可能有所不同，并且在输入是非结构化数据（如自然语言或文档）时表现良好。 它适用于工作流未修复以及希望系统创建内容或协助人工决策的情况。 如果你事先不知道确切步骤，并且可以接受输出存在一定差异，就采用这种方式。

   • 非生成 AI（确定性） 从结构化输入生成一致且可重复的输出。 它适用于定义工作流的情况，并且相同的输入应导致相同的结果。 对于预测或异常检测等依赖准确性的任务，请采用这种方式。

在每个业务领域应用相同的顺序。 可重复的流程可以减少混淆，避免你在不需要时诉诸生成式 AI，并为下一步选择解决方案路径做好准备。

2. AI 技术策略

应选择哪些Microsoft AI 解决方案？ 确定哪些用例需要哪种类型的 AI 后，就开始进一步明确每个用例应采用自建还是采购的方式。 Microsoft 提供了四种采用模式，在共同责任方法下，这些模式通过牺牲一定的自定义能力来换取简化。 它们分别是即用型 Copilot、低代码 SaaS 开发、托管 PaaS 开发和 Azure 基础结构。 从第一个模型移动到最后一个模型时，你可以获得控制权并放弃速度。

每种方法对技术水平的要求不同，所能提供的控制程度也不同。 使用以下部分中的决策树缩小选项范围。 然后，使用以下指南权衡 AI 解决方案的四个因素：

• 能力：查看Microsoft和Azure AI 解决方案的功能，了解它们是否符合用例的需求。
• 所需的数据： 确认存在所需的数据，并可供方案访问。
• 所需的技能： 在选择解决方案之前，请验证每个用例是否可通过当前功能实现。
• 成本： 评估解决方案是否符合预算。

Microsoft AI 决策树

Microsoft Copilots （SaaS 代理）

微软开箱即用的 AI 解决方案称为 Copilot，由于只需少量设置并可与您现有的数据配合使用，因此能够快速提高效率。 智能 Microsoft 365 Copilot 副驾驶® 为各个 Office 应用添加了 AI 助手功能。 产品内和基于角色的 Copilot 专注于特定工作角色和行业。 权衡：副驾驶可最快获得结果，但其可自定义程度不如定制解决方案。

SaaS AI 开发平台（低代码）

Microsoft提供了用于生成 AI 代理的 SaaS 开发选项。 Copilot Studio允许企业用户使用自然语言创建 AI 助手，而智能 Microsoft 365 Copilot 副驾驶®扩展允许你使用公司特定的数据和流程自定义企业Copilot。 权衡：SaaS 开发平台向业务团队开放开发，但大量自定义已达到限制，可能需要迁移到托管平台。

Azure 平台上的 AI （PaaS）

平台即服务是大多数自定义应用和代理的起点。 如果低代码 SaaS 开发无法为你提供足够的自定义，但仍希望Microsoft为你运行平台，请选择它。 你将获得一个托管环境来生成自定义代理和模型。 这项工作比 SaaS 开发更费力，但比自己运行基础结构少。 Microsoft管理平台，你不会维护服务器或训练基本模型。 权衡：托管平台比 SaaS 开发模式提供更强的控制力，但它也需要 SaaS 开发方案所不需要的工程能力。

请参阅 AI + 机器学习下列出的产品的单独定价页和Azure定价计算器，以生成成本估算。

Azure基础结构上的 AI

Azure基础结构可让你完全控制自己的模型和运行时。 它通常构建耗时最长，而且随着时间推移也需要投入最多的精力来维护。 如果必须自带模型、使用自定义运行时或满足托管平台无法满足的性能和符合性需求，请选择此选项。 权衡：基础设施提供最高程度的控制力，但也需要承担最多的运维责任。

请参阅 Linux 和Windows虚拟机的 GPU 价格。 使用Azure定价计算器进行估算。

3. 负责任的 AI 策略

在上述步骤中选择的任何模型和预算，负责任的使用都是大规模运行 AI 的条件。 你的组织需要制定标准，使 AI 公平且对每个团队负责。 你选择的模型决定了这些标准的应用位置，但标准本身在整个组织中保持不变。 应以微软关于负责任 AI 的指导为基础，而不是在此处定义这些标准。 请参阅 CAF 指南，以创建 负责任的 AI 策略 ，以建立一致的框架。

4. 数据策略

负责任的 AI 标准其强大程度取决于其背后的数据，因此接下来要考虑的是数据策略。 您的数据战略决定了您的优先用例是否拥有可供使用的、经过治理的高质量数据。 稳健的策略可获取并分类数据，并在 AI 持续扩展到 Microsoft 365 和 Azure 的过程中确保数据始终符合合规要求。 专注于治理基线和生命周期管理，而不是按工作负荷设计。 请参阅 CAF 指南，了解如何 为 AI 和分析创建数据策略。

5. 如何采用 AI

策略确定后，转入规划和准备工作。 AI 采用指南为初创企业和大型企业提供了核对清单，帮助将上述每一项决策在内置治理与安全机制的前提下落地到生产环境中。

后续步骤