01INTRODUCTION TO GENERATIVE AI先用业务语言认识 GenAI。
理解它能生成什么、为什么会出错，以及如何接入企业知识。
先用业务语言认识 GenAI。
理解它能生成什么、为什么会出错，以及如何接入企业知识。
生成式 AI 会根据学习到的模式，生成文字、图片、声音、视频、代码等新内容。企业真正需要理解的不是模型名单，而是它能否在可信数据、清晰流程和责任边界内稳定解决问题。
AI 与 GenAI 的演进
从“让机器执行规则”，走到“让模型理解上下文并生成内容”。
人工智能成为计算机科学中的独立研究方向，目标是让机器完成需要人类智能的任务。
互联网和数据规模增长推动机器学习，让系统可以从数据中持续改进判断。
深度学习在图像、语音和复杂模式识别方面取得突破。
大规模预训练模型让普通人可以通过提示词生成文本、图像、声音和代码。
LLM 与 RAG：通用能力如何变成企业答案
模型负责理解和生成，企业知识与检索负责给它正确上下文。
大语言模型（LLM）
LLM 专门处理和生成人类语言。它能总结、推理、改写和生成内容，但不会天然知道企业最新制度、产品信息或内部流程。
- 能力强不等于答案一定正确
- 参数更多不等于更适合每个企业任务
- 关键输出仍需来源、评估与人工判断
检索增强生成（RAG）
RAG 在模型回答前，先从企业授权资料中查找相关内容，再把检索结果作为上下文交给模型。它更适合制度问答、产品知识、SOP 和内部助手。
- 支持文本、数字、图像、音频等资料
- 用向量检索寻找“语义相近”内容
- 仍需要权限、版本和内容质量管理
常见 GenAI 模型与企业用途
以下是能力类型，不是供应商采购清单。
文本生成
报告、邮件、文章、客服与教育内容。
常见模型：GPT、Llama、Gemini、Qwen 等图像生成
设计概念、广告素材、视觉故事与创意表达。
常见模型：DALL·E、Stable Diffusion 等音频生成
语音助手、有声内容、播客与音乐草稿。
适用于多语言与无障碍场景视频生成
营销视频、培训内容与个性化视觉素材。
需要特别关注版权与真实性翻译与本地化
实时翻译、文档翻译与跨区域内容适配。
专业术语仍需词库和复核语音识别与合成
会议转录、语音命令、屏幕阅读和客服录音。
注意告知、授权与个人信息3D 与多模态
产品设计、游戏资产和文字图像音视频协同。
适合复杂内容工作流代码生成
开发、测试、调试、重构和技术文档。
必须保留代码审查与安全测试文档理解
从合同、发票、表格和图片中提取、分类与校验信息。
适合高频结构化流程模型和产品持续变化。选型时应以任务质量、数据政策、集成能力、成本和长期可控性为准。
02TRANSFORMATIVE & GROWTH OPPORTUNITIES四类企业价值，先选一项作为主指标。
效率、体验、成本和收入之间有关联，但首个项目不应同时追全部。
四类企业价值，先选一项作为主指标。
效率、体验、成本和收入之间有关联，但首个项目不应同时追全部。
GenAI 的价值不在“生成得像不像人”，而在它是否减少业务摩擦、让客户获得更及时的服务，并把员工时间释放到需要判断和创造力的工作。
提高效率
自动完成内容初稿、资料查找、重复问答和数据整理，缩短等待与交接。
建议指标- 平均处理时长
- 一次完成率
- 每周节省工时
个性化体验
根据客户资料与偏好，在合适渠道提供更相关的产品、服务和沟通。
建议指标- 首次响应时间
- 客户满意度
- 转化与留存
降低成本
减少人工复制、重复处理和跨系统查找，让资源投入更聚焦。
建议指标- 单笔处理成本
- 返工与错误率
- 外包或加班成本
增加收入
通过更快响应、个性化推荐、精准营销与新服务形成增长机会。
建议指标- 线索转化率
- 客单价与复购
- 新服务收入
首个项目只设一个主指标，再加两个保护指标。例如以“处理时长”为主指标，同时监测“准确率”和“客户满意度”，避免单纯追求速度造成质量下降。
03IMPLEMENTATION APPROACH: BUY OR BUILD现成方案，还是定制能力？
不是二选一的信仰问题，而是企业阶段、控制需求与总成本的判断。
现成方案，还是定制能力？
不是二选一的信仰问题，而是企业阶段、控制需求与总成本的判断。
对于常见需求、经验较少或希望快速启动的企业，先采用成熟方案通常更合适；当流程独特、数据敏感、需要深度集成或能形成竞争优势时，再考虑定制与建设。
购买现成方案
通过成熟软件快速使用 GenAI 能力，减少从零开发和运维负担。
- 上线更快，初期投入较低
- 供应商负责产品维护和更新
- 适合通用办公、内容、客服和 HR 场景
- 定制、模型控制与深度集成可能受限
定制或建设
把现有模型接入企业数据、系统和工作流，形成专属应用或 Agent。
- 贴合独特流程、数据和交互
- 对安全、权限和模型选择控制更强
- 可沉淀为企业专属能力与知识产权
- 需要更多技术、预算和长期运维
成本
不要只比订阅费与开发费，要计算集成、基础设施、维护、支持、人才与培训的总拥有成本。
偏向建：高频长期使用，且能承担建设与维护。
业务要求
通用场景已有成熟方案时，购买更实际；需求独特、流程复杂或能形成竞争优势时，定制更有价值。
经验水平
刚接触 GenAI 的企业，可以先用成熟方案积累经验、建立内部信心和识别更多场景。
风险与治理
建设可提供更高控制，但企业也承担维护、安全更新和风险所有权；购买则需仔细评估供应商责任。
定制与集成
现成方案的模型、API 和界面可能限制深度定制；建设更适合复杂上下文、专属体验与跨系统工作流。
用 5 个问题形成第一版倾向。
这不是报价器，而是管理层讨论的起点。
04IMPLEMENTATION APPROACH: BUY采用现成方案：快速起步，也要认真治理。
通用场景适合先买，但配置、数据、培训和持续优化仍然需要企业投入。
采用现成方案：快速起步，也要认真治理。
通用场景适合先买，但配置、数据、培训和持续优化仍然需要企业投入。
可直接采用的常见场景
先从已有成熟产品、效果容易验证的工作开始。
购买前的四项检查
成熟产品也不是“开通账号就会产生价值”。
数据与时间投入
准备准确、最新、可授权的数据，并安排业务人员参与配置、测试和评估。
供应商与工具
比较易用性、功能、支持、稳定性、数据政策、集成和退出机制。
内容质量与责任
建立事实核验、品牌语气、版权、敏感内容与人工审批规则。
持续监测与改进
监测质量与采用率，收集反馈，持续调整提示词、知识和流程。
团队需要的三类基础能力
工具越容易用，越需要清楚“什么能输入、什么要核验”。
GenAI 基础
知道模型的能力、局限、幻觉、上下文和责任边界。
数据管理
会收集、清理、分类、保护数据，并理解输入外部工具的风险。
提示设计
能给清晰任务、上下文、受众、约束、示例和输出格式。
7 个提示词原则：每条都带示例
好的提示不是“更长”，而是让目标、材料和评价标准更明确。
01具体、清楚
示例：“为一款高端智能手表写 100 字产品描述，突出运动追踪、防水和简洁设计。”
要点：说明目的、长度、关键内容和输出格式。
02提供上下文
示例：“根据附件中的新加坡 iPhone 销售交易，生成管理层摘要。”
要点：说明数据范围、时间、业务背景和不能假设的内容。
03说明受众与语气
示例：“为对高端保险感兴趣但尚未购买的年长客户，写一封友好、清楚的跟进邮件。”
要点：告诉模型读者是谁、希望形成什么感受。
04给出示例
示例：提供一段符合品牌语气的旧文案，要求新内容保持相同结构和风格。
要点：示例比抽象形容词更容易对齐质量。
05设置约束和核验
示例：“不超过 150 字；只能使用给定资料；不确定时明确写‘资料未说明’。”
要点：写明禁止编造、必须引用和需要人工确认的部分。
06要求多个选项
示例：“生成 3 个邮件标题，每个不超过 20 字，并说明各自适合的受众。”
要点：便于比较、组合和选择。
07迭代与改进
示例：“根据以下反馈，缩短段落、增强结论，并列出你做了哪些修改。”
要点：把第一次输出当作初稿，逐步提高质量。
理解风险，并把控制放进流程
“员工要小心”不是治理机制；需要规则、技术控制与责任人。
幻觉与错误
对关键事实使用可信来源、限定知识范围、显示引用，并保留人工复核。
偏差与不公平
检查不同群体结果，使用多样化样本，保留申诉和人工判断。
过度依赖
明确 AI 是助手而非责任主体，关键决定由授权人员确认。
合规与伦理
定义不可使用场景、知识产权规则、记录留存和透明告知。
保护企业数据
为什么：向外部工具提交敏感资料，可能带来泄露、知识产权和声誉风险。
怎么做：员工输入前查看数据分类和工具政策；关键资料脱敏或使用企业批准环境。
验证供应商安全
为什么：攻击者可能通过供应商漏洞、恶意输入或越权访问影响企业。
怎么做：检查安全认证、治理流程、输入防护、漏洞测试、日志与事件响应。
公开案例：从具体问题开始
工具只是手段，真正的结果来自流程重构和团队采用。
18 小时 → 30 分钟
通过 GenAI 辅助选题、写作和 SEO，稳定产出内容，并把员工培训和后续客服场景纳入计划。
- 每月 4 篇文章与 10 条社媒内容
- 公开材料报告估算每年节省约 48,000 新元
重复任务时间 -56%
通过全天候智能客服加快响应，让团队转向高价值服务，并继续探索 Copilot 和数据洞察。
- 公开材料报告销售显著增长
- 投资在较短周期内得到回收
案例数字来自用户提供的公开材料摘要；正式发布前应复核来源、口径、时间和授权。
采用现成方案的 5 个起步步骤
从小范围、可衡量、可人工复核的项目开始。
- 1
识别场景
寻找高频、耗时、信息来源清楚且结果可衡量的任务。
- 2
选择合适工具
比较易用性、扩展、集成、数据安全、隐私和预算。
- 3
建立基础
准备负责人、数据、培训、使用规则和验收标准。
- 4
小步试点
记录质量、效率、采用和风险，达到门槛后再扩大。
- 5
监测与改进
持续更新知识、提示和流程，并跟踪业务指标。
05IMPLEMENTATION APPROACH: BUILD定制与自建：不是从零训练一个大模型。
多数企业是在现有模型上接入数据、系统和流程，形成可控的专属应用。
定制与自建：不是从零训练一个大模型。
多数企业是在现有模型上接入数据、系统和流程，形成可控的专属应用。
建设自己的 GenAI 方案，可以更贴合业务要求和工作流，也能加强对数据、权限、模型和体验的控制。代价是更高的投入、更多技术角色和持续运维责任。
两种主要建设方式
“定制与适配”适合多数企业，“专属方案”留给真正复杂和差异化需求。
定制与适配
修改现有产品或模型，增加 RAG、企业接口、专属界面、规则和权限。
- 更常见、周期更短
- 使用现有模型，不从零训练
- 适合接入已有流程和系统
专属方案
为独特业务需求设计架构、模型组合和工作流，追求最高控制与差异化。
- 适合复杂流程和多模态
- 可形成独特知识产权
- 投入、周期与运维要求更高
什么时候值得建设
以下场景更可能超过现成产品的能力边界。
进入业务流程
需要把 AI 接进文档管理、订单、客服、排程或审批，而不是另开一个聊天窗口。
开发专属 API
让 AI 与 ERP、CRM、知识库和自研系统安全交换数据与动作。
高度专业行业
通用模型无法满足行业术语、规则、监管和精度要求。
复杂业务流程
存在多步骤、多例外、多角色和人工审批，现成产品难以覆盖。
形成竞争优势
AI 能直接创造差异化服务、专属数据资产或新的收入来源。
规模与多模态
需要跨部门、跨数据对象和多种模型协调运行。
建设 GenAI 方案需要哪些能力
可由内部团队、外部伙伴或混合团队共同承担。
模型与评估工程
选择模型、提示与工具调用，必要时微调，并建立质量评估。
软件与系统集成
连接现有应用、数据库与 API，保证稳定运行和错误处理。
数据工程
准备、清理、管道化数据，建立版本、质量和权限机制。
云与基础设施
部署模型与服务，管理成本、性能、网络、密钥和可用性。
前后端与产品设计
把 AI 放进用户真正愿意使用的界面和工作路径。
安全、治理与运营
定义责任、审批、日志、测试、监控、知识更新和事件响应。
如何选择技术伙伴
会做 Demo 不等于能把系统长期跑起来。
能落地，也能长期支持
有系统集成、培训、故障处理、监控和维护能力，并能适应业务变化。
相关经验与取舍能力
理解行业和流程，能解释为什么选择某种模型、架构和实施顺序。
数据安全与合规
权限、日志、测试、数据处理、责任边界和退出方案清楚。
信誉、稳定与伦理
团队稳定，商业模式、价值观和长期目标与企业相容。
治理、安全与领导支持
技术上线只是开始，企业需要把运行责任固定下来。
公开案例：定制能力如何进入业务
复杂场景需要业务团队、内部技术和外部专家共同工作。
预计行政时间 -80%
建设符合教学法和学生进度的课程与活动规划助手，同时培训教师和开发团队，并计划扩展更多语言和幼儿课程。
预计报表时间 -50%
把多源数据查询变成自然语言对话，增加图表和摘要，并通过内部团队与技术伙伴共同建立治理和部署能力。
以上为用户提供的公开案例内容摘要；预计值和业务结果应在正式发布前再次核验。
建设方案的起步清单
先形成组织共识，再进入架构和开发。
- 1
建立共同理解
理解能力、局限、治理、安全和负责任使用。
- 2
识别高价值场景
量化时间、收入、市场机会与风险回报。
- 3
准备专家与资源
明确内部、外部或混合团队的角色和预算。
- 4
获得管理层和员工支持
确定负责人、变更机制和采用计划。
- 5
分阶段建设和验收
先原型、再试点、后生产，每阶段都有继续或停止条件。
06REFERENCES & NEXT STEP继续阅读、核验与行动。
把方法带回企业自己的场景、数据和责任边界。
继续阅读、核验与行动。
把方法带回企业自己的场景、数据和责任边界。
把这本手册的方法，
转换成企业自己的第一步。
用 3 分钟说明当前业务问题、目标和条件，获得可讨论的场景与路径建议。