这篇文章里有一个认知，在去年早时获得，将会在那个窗口期产生巨大价值：「GPT就是一个刚刚毕业的大学生」
当有了这个认知之后，对GPT的预期就有了正常的理解：他要完成的工作，就是一个大学生能完成的事情。这个认知曾帮助我少走不少弯路。
借由这个认知，分享一下企业AI降本增效的理解：
在企业场景做AI探索，核心关注的问题是：如何降低用人成本，从而提高利润。
当然，这种降低的结果有可能是裁员广进计划，也有可能是让AI做了一些以前碍于人工成本较高，无法启动的项目，从而增加营收。
如果目标固定，那判断场景价值的方法应该是：
场景价值=该场景人数单位时间用人成本使用频率单次效能节约时间
举个例子，如果有个企业内部的流程，每天有100个人使用该功能，每天使用10次，通过AI，每次使用提升5分钟。这个人的企业用人成本是15000。
那场景价值就是：100105=5000分钟/天
一个月就省下500021.75/60=1812.5小时
这些小时值多少钱呢？15000/21.75/8*1812.5=156250
相当于这个场景理论上制造出了15.625w的额外收益
但企业面临的问题是，无法将这些收益量化在账上，需要配合业务管理措施（如增加工作，或者直接淘汰那些不干活儿的人）来把这些时间省在账上。
-----------------
当有了这个判断思路，在找场景落地时，还需要遵从三个原则：
原则1：由简单到复杂
比如你发现，客服场景中，20%的退货问题占用了80%的人力，你期望解决退货。但实际上退货也可以拆分主要矛盾和次要矛盾，主要矛盾是在于收集用户情况上，比如发送的货品，是否已从货仓发出？用户是否收到？货是否破损？等等。
次要矛盾才是，按照不同的业务要求，做退货和退款的协议处理。
上来想解决这个大的场景，无疑是非常复杂的。然而如果只是让GPT多轮对话收集用户信息，反而是简单的，且能节约人工沟通时间。所以，识别核心矛盾，以及入手找到小成本解决大问题的环节，是非常重要的
原则2：由点及面
这个逻辑其实是基于原则1的，当你完成了一个点之后，你会发现相同的技术方案能解决其他场景的不同问题。这时候就可以开始构建出面的能力，作为一种中台化的力量去解决企业内各个业务场景的不同问题。
原则3：由内向外
所有内部的降本，都为了构建成本优势。从内部开始，推向外部。他就会慢慢变成行业解决方案的SaaS。
但如果内部都没跑通，就想给外部解决，无疑是不接地气的妄想。
当然，企业内部AI探索来说，由内向外也可以理解为，内部探索大于toC的探索尝试。（碍于LLM合规和试错成本）
-----------------
除此之外，企业内部探索时，会遇到3种棘手的问题
- 知识库建设
知识库往往需要专业能力，落地依赖这些数据建设
- 业务反馈链路过长，导致迭代慢
业务并不关注AI，会投入较少时间创新
- 看见的力量
业务要看见效果才会尝试，所以前期基本个人从0到1
-----------------
接下来的时代，将会是Agent逐步取代人工的时代。
这个时代能胜出的企业SaaS系统，很可能是BPM这种业务流程化系统。
当下Agent也都在不断和做数字化链路的业务流程系统合作。
Agent会作为一个实体被插入到流程节点中，完成某个流程中微小的具体的一个环节。
当Agent的能力逐步提升到可以完整链路协作后，MetaGPT画的饼就会达成。公司组织架构将面临巨大的重构挑战。
接下来仍会不断出现越来越多的以一敌百的超级个体公司。
这是一个充满机遇的时代，真的太酷了。
