面向CIO的AI落地指南—DeepSeek 启示录

一.趋势：从数据库到“数智库”

1. 未来企业数据战略
   "未来企业所有的数据都应当以一种能够被大语言模型统一访问和存储的形式存在，这些数据也将成为企业最宝贵的数据资产。"

2. 数智库数据分类

• 客观数据
  
  （如会员信息、客户信息）
  

  特征：客观存在的事实性数据。
• 经验数据
  
  （特定情况下的经验与知识）
  

  用途：支持判断与决策。
• 流程数据
  
  （企业独特流程产生的数据）
  

  未来应用：Agents智能体将结合流程数据、经验数据，有效运用客观数据。

3. 数智库的核心价值

• 定位：企业核心资产
• 发展方向：基于数据的生态建设

二、宏观（道）：认知重建

1. AI战略定位
   · 无论主观还是客观，AI是必选题
   · 大胆用：AI尚未进入瓶颈，正在高速进化
   · 能够用：AI能力已满足大部分企业招聘要求
   · 放心用：AI相较人类优势明显，短板可控

2. AI服务升级
   · 从“效率外挂”到“大脑式服务”：提供认知决策支持，而非单纯工具辅助

3. ROI思维修正
   · 放弃短期性价比衡量（如工单处理节省半小时）
   · 关注商业模式可能性激活与长周期决策权赋能

4. 企业转型隐喻
   · “从买锄头到学驾驶”：从采购工具转向掌握AI核心能力

三、介观（法）：谁来做

1. 组织体系要求

· 商业模式更新必然伴随组织架构调整
· 新组织将改变流程，需重新分派责任权
· 知识资产团队需显性化运作
· 强化决策执行保障机制

2. 数字员工概念构建

· 全员需树立“数字员工”认知视角：

• 思考其知识来源（如何连接企业“数智库”）
• 从企业各维度评估其能力边界：
  ▸ 当前可执行任务（如流程自动化）
  ▸ 未来扩展场景（如决策辅助）
  · 建立专属支持体系：
• 团队保障数字员工准确性、效率、可持续迭代
• 设立首席知识官与知识部门专项支持

四、微观（术）：落地

核心要点

1. 技术支撑要求
   · 明确所需基础技术与数据架构
   · 防范数据泄露风险，前置跨部门数据治理

2. UI互动形式变革
   · 所有依赖键盘的岗位流程均可优化
   · 基于鼠标/触屏操作的场景可迭代升级

3. 通用知识体系构建
   · 同步面向真人与AI大语言模型设计知识框架
   · 知识管理具备长期复利价值（时间的朋友）
   · 知识应用推动时间飞轮效应，持续创造价值

4. DeepSeek补充建议
   · 基础信息战略储备：重新界定关键数据的"战略物资化"标准
   · 试错场景分级策略：

• 优先选择高信息噪声、低试错伤害场景（如存在大量不透明规则、决策周期宽松的领域）
• 初期聚焦模型答案广度与发散启发性（需超越高级个体经验认知）
• 成功验证后可扩展至高关联决策层应用
  · 建立试错优先级清单，避免初期追求确定性

关键洞察提炼

• 企业落地策略
  
  ▸ 首战即标杆：选择容错率高且能体现AI突破性的场景
  ▸ 从“不确定中找可能”到“经验沉淀再升级”的演进路径
• 风险管控
  平衡创新探索与数据安全边界

• 需求管理：AI推荐最佳实践，给出量化价值建议

• 产品团队：输出DDD格式的产品文档，基于功能预估研发成本

• 研发：基于DDD格式产品文档生成低代码平台初版软件

• 测试：AI基于需求和DDD文档生成对应模块的测试用例

• 运维：基于AI+知识库的答疑，运维自动化

六、AI作为生产力工具的反直觉真相

• 2023年OpenAI发表论文，认为能被AI替代的职业会减少

《GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models》

• 真实的2023+2024就业市场的情况

• 能被AI极大提升生产效率的工种，招聘的增量反而是最大的

真相：减少能被AI替代工种的人力，其实并没有获得生产力提升的红利

• 正确的做法：

• 扩大这部分团队，降低该工种的收入，用AI赋能，获取最大的生产力提升红利

七、后记

• 我用这样的问题问了一下不同AI

针对大语言模型在企业内的落地，从宏观（认知层面），介观（组织架构承接），微观（具体支撑技术）三个层面，分析一下。听众是不懂技术的企业主，不要加入太多的技术内容，更多的要从认知角度来整理输出的内容。

• 70B含以下的AI都是在胡言乱语

• 千问回答非常公式化

• DS-V3和千问差不多，各有优劣

• DS-R1满血会创造新名词，这个很强，最让我满意（中文训练的优势）

往期精彩

数据治理的「乐高式搭建哲学」：从元模型到元数据的五层构建法则

数据模型设计：漫画E-R模型

Hive UDF开发实战：构建高性能JSON生成器

憨憨雷军 VS 小米数据团队面试官：全量表变增量表，表名还需要区分吗？

Manus 没有秘密-manus的崛起与背后的技术原理

面试提问：数仓宽表是不是字段越多越好？宽表多宽才合适，有标准吗？

点击“阅读原文”获取PPT下载链接

https://download.csdn.net/download/godlovedaniel/90523252?spm=1001.2101.3001.9500