传统企业该以什么姿势拥抱人工智能？

传统企业该以什么姿势拥抱人工智能？

• 来源:网络
• 更新日期:2020-09-24

摘要：来源｜慎思行 作者 | 科尔尼公司：贺晓青，刘晓龙，汪涛随着高性能计算、大数据和深度学习技术的快速发展，人工智能迎来第三次发展浪潮。在全球主要国家的积极推动下，人工智能与众多领

来源｜慎思行 作者 | 科尔尼公司：贺晓青，刘晓龙，汪涛

随着高性能计算、大数据和深度学习技术的快速发展，人工智能迎来第三次发展浪潮。在全球主要国家的积极推动下，人工智能与众多领域的融合不断深入，涌现出一系列的新技术与新应用。

例如，图像识别技术的准确率已接近人眼识别率；智能语音系统已经可以精确实现多国语言同声翻译，甚至连古诗词翻译都不在话下；

在创作领域，AI 机器人通过深度学习进行绘画、音乐等艺术创作，其水平已达到“本科学历认证”级别，AI 服装设计也已投入应用，其产品广受欢迎。

美国和中国在人工智能领域在全球处于领先地位，其中AI 基础技术和算法方面美国占有绝对优势，由于数据获取和应用环境相对宽松，我国在AI 应用方面走在世界的前列。

以新冠病毒疫情中AI 应用为例：在高铁站等交通枢纽，AI 测温系统在保证人流密集通过的同时，筛查出体温异常人员，大大减轻手工测温的劳动强度；

在医院或隔离区，无人配送机器人承担起物资、食物运送的工作，减少病毒接触几率；在社区，疫情防控机器人通过批量电话呼叫和多轮智能对话，自动采集与确认居民疫情相关信息，排查效率较人工提升数百倍；在家中，智能机器人应对线上冠状病毒的智能问答服务，方便居民及时预防疾病感染。

在AI 产业如火如荼的发展趋势下，传统企业已意识到AI应用可以带来巨大价值，但具体是什么却如雾里看花并不清晰。也因缺少一套体系化的应用方法论，对短期能否兑现这些价值又有水中望月的担心。同时，行业内对于AI的讨论更集中于AI产业本身，而对企业尤其是传统企业如何切入AI应用谈之甚少。

因此，本文旨在通过介绍科尔尼SMART策略模型，帮助传统企业建立一套系统务实的AI部署思路，包括找到合适的AI应用切入点、合理规划AI项目、并匹配契合的外部合作伙伴等，助力传统企业从AI旁观者成为AI实践者，成功敲开人工智能应用的大门。

AI 技术商业化应用逐步成熟

传统企业应加速利用AI 技术驱动业务进一步转型与发展

我国AI 产业发展迅速，商业化应用的价值兑现成为主旋律

随着数据、算力和算法这三大人工智能发展瓶颈的逐步突破，AI产业迎来爆发式发展。我国AI产业在国家政策的推动下跻身国际前列，根据艾瑞咨询数据，截止2019年底，我国有近1200家活跃AI企业，数量位列世界第二，其中中国Top100独角兽企业中，人工智能企业占19家，行业占比第一；

2019年，我国AI 领域融资金额166亿美金，位列世界前茅，发表AI相关论文数量位居世界第一。近三年，我国AI市场规模以平均每年超过50%的速度增长，预计2020年将达到千亿人民币规模。

更为重要的是，“商业落地”已成为人工智能发展到当前阶段主旋律。过去AI产业发展更多侧重在“硬实力”（芯片、算法平台、以及AI技术）的发展。

如今，随着下游行业需求释放，AI行业涌现出越来越多的方案提供商，他们依赖商业场景洞察、专家团队实力，将AI技术与行业实际需求结合，产生应用价值。

研究表明，当下 AI相关技术与传统行业经营模式和业务流程开始产生实质性融合，智能经济时代的全新产业版图初步显现。AI的应用也从科技企业向传统企业“普及”，对传统企业来说，拥抱AI正当时。

AI商业化落地正沿着“感知AI 认知AI 行动AI” 的三阶段进行演进，其解决的需求场景愈加丰富。

AI 商业化落地成阶梯状渐进过程，通过不同的AI 技术，实现数据的识别、理解、分析、探索和最终决策。

在感知AI 阶段，以数据感知应用为主，主要技术包括语音、图像、自然语言识别技术，主要目的是通过AI 技术实现更多的多源异构数据在线。

在认知AI 阶段，以打造数据、业务和探索三大中枢为主，主要AI 技术包括知识图谱。目的是在数据在线的基础上，实现数据打通和数据实体的关系建立，并构建知识图谱。

通过知识图谱从知识中更好地梳理出能供分析决策使用的信息，最终在现有领域基础上进行外向探索，扩展知识边界。

在决策AI 阶段，以打造行动系统为主，利用认知AI 技术以及机器人技术，进行辅助决策和行动控制。对传统企业来说，了解AI 商业化应用过程能更好地定位自己所处的阶段，从而更好地找准AI 切入点。

从AI 商业化程度来看，安防与金融领域程度最高，汽车、医疗、零售与教育等行业也有大量场景落地开花。

AI 的商业化程度高低主要取决于数据可得性、商业价值和方案实施难易度。从数据角度，海量、多源、动态更新的数据是训练模型和进行数据挖掘的必要条件，也是AI 方案落地的基础；

商业价值的高低则决定了企业是否愿意为AI 方案进行买单，例如在安防与金融两大领域，政府对安防的投入意愿以及金融企业应用反欺诈所能减少的损失，使得两大领域对AI 的投入意愿强烈，保障了AI 方案落地的土壤；

方案实施难易度也是一大重要因素，企业更期望能借用成熟方案进行快速部署，因此无人收货、无人闸机、智能排班等跨行业、普适性强因而更成熟的场景广受欢迎，而使用面窄，且需要进行大量硬件采购 /替换以及大量人工参与数据标注的方案则会受冷落些。

基于以上三大因素，安防、金融领域目前的AI 商业化程度最高。例如，人脸识别方案已大量使用于机尝火车站等各个交通枢纽以及人员密集场所。知识图谱也已落地，协助刑侦人员更快地关联犯罪嫌疑人。汽车、医疗、零售与教育等行业也有大量场景落地。自动驾驶、智能医疗影像、无人零售以及教育机器人等方案的应用，正在提升行业内AI 的“热度”。

对于传统企业 ，在开展AI 项目之前先从数据可得性、商业价值和方案实施难易度三方面审视一下所处行业的AI 商业化程度，为企业找准合理的定位与预期，并提前补强基矗之后通过了解行业内“热门”AI 落地方案，可以有助于企业设定合理的AI 战略。

AI 商业化前景广阔

但传统企业在拥抱AI 时面对诸多挑战

AI 技术固然发展迅速，但对于大多数企业来说尚属于新鲜事物，不论在场景实现还是方案落地，均需要进行探索甚至摸着石头过河。对于传统企业来说，挑战更为巨大。

一方面，传统企业与科技企业相比数字化基因不足，包括原有信息系统老化、“烟囱化”严重；数据积累不足且类型单一，不同业务间 /平台间数据割裂问题普遍存在；大数据分析能力不足，数据模型缺失以及数据对决策支持理念与流程不到位。

另一方面，传统企业积极拥抱AI 机遇、建立新的竞争壁垒意识和愿望不足，更倾向于固守原有的竞争优势、防范AI 对自身优势的冲击而非利用AI 技术建立新的竞争壁垒。

对于有意愿也有一定基础的传统企业，其应用AI 技术赋能业务时也是挑战重重，原因主要有以下三方面：

企业缺乏战略定位，没有针对自身数字化程度和行业特点制定AI 战略，导致盲目推进或裹足不前。

正如前文所述AI 应用的发展从感知、认知到行动的阶段性逐步演进，对于传统企业来说，其对AI 技术的应用也存在由浅入深的过程。在此过程中，AI 战略定位与规划必不可少。

AI 战略规划可以帮助企业从所处行业和自身数字化基础入手，从夯实基础开始，循序渐进地帮助企业提升数字化水平，并利用AI 技术创造价值。

制定AI 战略规划时，传统企业通常面临两类问题：

一是在制定总体规划时，未将AI 应用与业务以及企业数字化现状进行很好的结合，过于好高骛远。在底层数据与技术基础没有打扎实的情况下，求快求全，一方面过分追求最前沿的应用另一方面往往惯于定出比较激进的实施时间表，导致实施成本过高但（相对于规划）迟迟不见成果，最后信心与耐心迅速下降，对AI 应用的态度也从“什么都想做”迅速跌落至“什么都做不了”。

二是在有合理的总体战略规划和目标情况下，如何确保敏捷的实施模式；让企业既可短期内获得阶段性收益、增强组织的信心和支持，又可以根据实施情况即使调整AI 规划以更好适应业务需求和变化。

以时下热门的精准营销为例，在强调千人千面的今天，如果能通过众多触点收集消费者数据，并通过AI 技术进行自动处理为会员打上个性化标签，从而实现精准营销，将为品牌商大大提高会员粘性。

理想的精准营销需要强大的数据积累，例如开展全渠道销售后线上、线下的会员体系打通，消费者历史数据的积累需包括交易、消费行为、社交等多元数据，在此基础上AI 技术应用可以很好地对会员乃至于新顾客勾勒较为精准的消费者画像并实现千人千面菜单、优惠卷推送等功能。

结合上述AI 战略规划思路，一方面，要有充分的历史数据搜集规划、并将其作为精准营销充分实现的前提，另一方面，应采取敏捷的、循序渐进的精准营销阶段性推进策略，在早期仅有交易数据的情况下借助外部行为数据或消费者调研等方式补足数据推进阶段性精准营销。

企业缺乏AI 项目规划，没有进行业务、应用场景和技术方面的综合考量，导致项目虽然上马但无法收获预期价值。

企业需要进行详细的项目规划，确保AI 给实际业务带来最大价值。首先，在项目开展前需要对业务和相应场景尽可能细化，明确AI 技术的切入点，确保在技术选型时选择最合适的技术方案。

其次，AI 技术种类繁多，单个业务场景可能会涉及到多种技术，而多个项目间可能会共用某项核心技术，这时AI 项目规划能帮助企业从技术角度明确未来主要的技术发展方向，同时能支持企业更有目的性的选择合作伙伴。

但我们看到一些传统企业在实施AI 项目时，并没有事先进行统筹规划，结果不论是自有团队进行开发或是与外部供应商合作，均遇到诸如没有选择合适的技术方案，项目开展后发现技术提供商的核心能力与业务需求不符，多家技术提供商参与项目带来项目管理难度提升成本增加等问题，最终导致AI 应用迟迟无法落地或效果不达预期。

企业缺乏对AI 技术合作伙伴的评估方法论，导致很难选择并最有效得利用外部伙伴力量

传统企业应用AI 技术时，往往需要外部技术服务商提供支持。但AI 技术服务商云集，既有像微软这样的全能型选手，也有像AI 四小龙（商汤、旷视、依图、云丛）专项领域选手，更有数以百计的初创企业在专项领域 /细分行业提供独到的解决方案。

传统企业由于对AI 领域缺乏了解，在评估与选择合作伙伴时也缺乏有效的方法论和评估框架，只能更关注企业名气与过往案例，而对其他重要要素如技术、数据、产品、交付、组织以及合作契合度方面以及其下各子要素缺乏评估能力。

这一问题往往导致合作过程中挑战重重，包括合作伙伴提供的方案在特定行业缺乏适用性，合作伙伴技术能力出众但工程实施能力弱造成项目效果不佳，合作伙伴缺乏AI 综合能力需要进行分包，导致项目质量无法把控等。最终结果是无法建立一个稳定的生态圈，合作伙伴频繁更换选择均费时费力。

传统企业在实施AI 战略时

可以通过利用科尔尼的SMART 策略模型，更快更稳地实现AI 部署与落地

科技企业“天生”以数字化能力作为核心竞争力，且业务模式、企业流程、员工能力、组织架构等各方面自带“数字化光环”更适用于AI 等新技术落地。

传统企业相对起步晚，因此在实际应用AI 过程中，需要更加全面的进行战略制定，更加细致的进行规划，并更好地借助外力，实现最终的价值创造。

科尔尼专门开发了帮助传统企业部署AI 业务的SMART策略模型，通过明确所处战略起点 (Strategy Startingpoint)、识别应部署的场景 (Needs Mapping)、洞察背后技术需求 (Technology to Adopt)、建立部署协同策略(Synergy in Rollout)、寻找合作伙伴共建 (Partner Teamwork) 五个核心步骤，帮助传统企业更快速更稳健地实现AI 部署与落地。

第一步：明确所处战略起点(Strategy Starting-point)。明确企业及所处行业当前数字化成熟度，在此基础上完成企业的AI 战略制定。

当我们用数字化成熟度来衡量一个企业的数字化能力时，会发现不同企业的数字化处于不同阶段，而多数企业可能尚未达到应用AI 的基础条件。

企业在制定AI 战略时首先需要对自身的数字化能力和条件进行诊断，从而更好地为AI 技术应用和寻找合适的切入点打下基矗

我们可以将企业数字化发展分为四个阶段：数据系统化 (IT)阶段、数据可视化 (BI) 阶段、数据洞察化 (DT) 阶段以及场景智能化阶段 (AI 应用阶段)。

数据系统化 (IT) 阶段：需要完成最基础的业务系统建设，如ERP 系统以及底层云平台等数字化基础设施的搭建。

数据可视化 (BI) 阶段：打通系统孤岛，实现基本的大数据可视化应用，例如基于企业内外部业务的数据分析与应用，形成大数据的可视化，对消费者洞察、供应链运营等内外部运营形成可持续、不断迭代的分析模型。

数据洞察化 (DT) 阶段：通过智能技术加持，建立数据中台，进行多源结构化数据的分析和业务赋能，实现完备的大数据分析应用体系。以消费者洞察为例，包括通过建立完整的消费者触点收集数据，通过数据中台建设融合数据，通过数据模型和数据挖掘技术探究消费者洞察。

场景智能化 (AI) 阶段：通过AI 技术应用，实现企业决策与运营管理的智能化。此阶段最终目标为通过人工智能技术来支持管理决策，在大数据的支撑下与管理人员共同进行日常运营，包括从生产、供应链、营销到销售的各项决策。过程中如前所述继续分为感知AI、认知AI 阶段和行动AI 三个递进的应用子阶段。

这四个阶段并没有绝对的先后关系，但是很大程度上体现了企业数字化的进程与夯实基础的过程，如果盲目进行跳跃，往往事倍功半。

其次，企业还需要了解行业整体AI 成熟度的情况，包括行业内是否有足够数据和数据集的积累，是否有成熟应用方案落地，以便确定本企业实施AI 场景应用时的难易程度、所需时间以及相应成本。例如，互联网、安防以及金融行业的AI 成熟度较高，基本达到认知AI 的水平。

这意味着以上行业的企业在进行AI 应用时，由于行业特性企业本身应有比较完备的数据积累，行业内针对主要业务已有经过训练的模型或者训练数据集，可供直接使用或二次开发,同时业内主流方案也偏向成熟。而餐饮行业情况则略有不同。

行业内很少有成熟的AI 数据集与AI模型，因此企业在应用AI 解决方案时应更多侧重“感知AI 层面”，以识别与数据获取为主要方向，例如使用计算机视觉技术识别员工操作规范、识别货品以及入店消费者等，通过智能语音实现投诉管理等。而知识图谱等“认知AI”技术，在餐饮行业现阶段并无多少用武之地。

最后，在完成了战略定点任务后，可通过“长短结合”的方式制定AI 战略。AI 战略短期可从业务场景出发，以降本和增加运营效率为出发点，充分发掘使用AI 技术能最大化提升效率降低成本的场景，之后统筹规划，排布项目实施时间节点，明确重点技术突破方向，并寻找合适的长期合作伙伴。

长期可从业务模式出发，积极寻找业务模式革新点，通过AI 技术实现业务转型。例如，以零售新物种便利蜂为例，便利蜂通过“算法驱动模式”改造传统便利店运营模式。

AI 技术重度参与企业日常运营各项决策，包括午餐应该做多少份、哪些食品应该打折、应研发哪些新菜品等。店长的职能由每天做出大量琐碎决策转变为在AI 的决策下做执行，同时根据每日运营结果调整算法模型参数。

随之而来的是商业模式改变，由于将最繁琐的任务交给机器，店长的工作得到简化，同时大大缩短了店长培训时间，一名合格店长培养周期由2 年缩短至6 个月，这使得便利蜂突破了传统便利店快速扩张的瓶颈，在两年内迅速扩展到800 家门店，估值上十亿，成为名副其实的独角兽。

第二步：识别应部署的场景(Needs Mapping)。企业通过梳理业务场景，判断应在何处部署AI 技术。

AI 机会识别需要从业务场景出发。在组织上，企业应由一个AI 部署统筹部门 (如IT 或数字化部门) 协调主要业务部门进行AI 机会点的识别工作，确保核心业务场景不会缺失。

例如，对零售企业来说，供应链管理、门店管理、营销与客户服务、风险管理等是几类核心职能，这几类核心职能的相关部门将负责进行各自领域的业务场景梳理与AI 机会识别。

业务部门首先应对各自的业务领域进行分析，识别AI 技术最适合介入的核心业务场景。例如企业从门店管理的角度可以将AI 技术应用到门店销售预测、店员话术及服务监控、排班管理、品质监控、能源监控、门店上座监控及布局优化、机器人服务等业务场景。而营销部门更关注的则可能是商品推荐、媒体智能投放等业务等。

在业务场景分析完成后，业务部门将这些相关AI 部署场景需求提报，由AI 部署统筹部门合并形成AI 项目库。

经过业务部门和AI 部署统筹部门的详细梳理，AI 项目库通常涵盖企业运营的全流程。下图为典型消费品企业经过梳理后，确定未来进行AI 部署的业务场景蓝图。

通常，每个企业都能识别出大量潜在的AI 部署机会点，但各个机会点的业务价值及商业、技术成熟度以及企业准备程度不尽相同，需要进行筛选和排序，以确定优先投入资源进行试点的机会点，同时更重要的是要对每个场景的AI 部署与建设建立长期的视野，须进一步规划AI的升级路径。

例如，某企业在对供应链场景进行AI 部署与赋能时，从长期视角规划了“建设三部曲”，通过初期的搭建管理平台到最后融合知识图谱，分阶段最后打造成AI 驱动的智慧供应链平台。

同时，企业在尝试AI 技术应用时可以基于“think big, start small”的理念，从MVP(minimal viable product 最小可行产品) 入手，实现敏捷交付之后，通过快速迭代的方式，不断升级换代，最终打造最优产品与方案。

第三步：洞察背后技术需求 (Technology to Adopt)。对于每个AI 介入点，确定部署什么AI 技术。

在业务场景分析完成后，业务部门需要与AI 部署统筹部门或技术部门一起对AI 机会点进行解读与拆解，确定具体采用的AI 技术。

例如，某消费品企业一直比较重视通过大量社交聆听获取消费者对产品及竞品的反溃在AI 技术发展成熟后，企业也希望借助AI 技术进一步提升社交监控场景的效率与准确性。

通过与技术部门分析和研究后，该企业发现AI 中的知识图谱技术对场景能力最有帮助，在融合知识图谱技术后能重点打造并强化用户账户分类模型，识别网络水军，大大提升用户反馈的真实性和准确性。

对于传统企业而言，如何有效甚至准确的判断 /识别所需的AI 技术？我们建议企业针对每个计划部署AI 的业务场景进行分解，识别背后具体的技术应用需求，并对这些应用需求进行合并同类型，最终明确所需共性的与AI 算法与技术。

以前文列举的门店无人收货业务场景为例，单一的AI 技术并不足以支持这一业务场景为了明确到底需要哪些具体的AI 技术，需要首先对无人收货业务场景进行分解-门店无人收货场景包括车辆识别、送货员识别、货物识别、送货路径监控这四个AI 介入的细分场景；

其次，在分别挖掘这四个细分场景落地的AI 技术后，我们发现其主要运用 “目标分类与识别”以及“目标检测跟踪与定位”两类AI 算法，这两类AI 算法均是计算机视觉技术大类下的技术。

相应地，我们可以决定聚焦计算机视觉类AI企业来支持门店无人收货场景的落地实施。通过上述方法可以逐个识别和判断出AI 业务场景背后的AI 算法与技术，我们最终可得出要实现包含所有AI 部署的业务场景与AI 算法与技术的对应图谱。

这个图谱将是企业开始行动的一份蓝图，它能告诉企业每项业务场景背后需要有多少项AI 技术进行支撑。同时， AI 技术出现的次数汇总可得出企业对每项AI 技术的需求强度。

第四步：建立部署协同策略 (Synergy in Rollout)。分析各项技术间的协同性，并根据需求与能力匹配程度制定不同的技术实施策略。

AI 项目不同于传统IT 项目，AI 项目关联度更强，技术、数据训练集、甚至方案复用性高，良好的技术协同能很好地帮助项目有效衔接，减少重复工作，并更利于与技术合作伙伴建立长期合作关系。

因此，在归纳得到各项AI 技术需求强度之后，我们通过二维矩阵，将对AI 技术的需求强度，与自身技术能力进行匹配。这样至少有两点获益之处。

首先，可以为下一步选择合作伙伴提供标准。如果将技术提供商分为“脑力”型和“体力”型，则对于企业自身有一定积累且需求度高的项目可以与“体力”型伙伴合作，通过类似外包的方式完成项目。而对于自身能力欠缺的项目则需引入“外脑”加以突破。同时在供应商合作时，也可有针对性的进行打包项目合作或是采取一事一议的方式合作。

其次，可以根据AI 技术在矩阵中的不同位置，制定不同的优先级和落地策略。例如某企业根据象限不同分别制定“技术外采与封装”、“技术快速补强”、“加速商业化”、“挖掘应用价值”四种不同策略，以确保AI 项目集合的顺利实现并将自身AI 能力充分应用。

第五步：寻找合作伙伴共建 (Partner Teamwork)。评估与哪些是最合适的技术伙伴进行外包或合作。

企业在建立自有核心团队的基础上还需要打造外部AI 技术生态圈。AI 技术生态圈可以由三类AI 技术提供商组成。

综合性AI 技术服务商有着稳定的AI 产品和优秀的研发能力，同时其广阔的产品线能满足企业对数字化基础设施、技术架构、数据分析以及人工智能技术的总体需求，同时这些企业自带ISV，因此基本能提供一站式服务。综合性服务商的缺点则在于由于产品线广，往往在某个特定行业或领域深度不够，不够精专。

细分领域方案提供商：例如计算机视觉领域的AI 四小龙、智能语音领域的科大讯飞、知识图谱领域的明略科技等。所谓术业有专攻，此类方案提供商专注某项AI 技术，往往在某个领域有着前沿的科技或解决方案。

AI 初创企业：这类企业技术切入点更小，但技术更前沿更小众更新颖，引入这类合作伙伴并进行方案共建往往能帮助传统企业启迪思维，打造行业标杆解决方案，形成新的智能壁垒。

在这三类合作伙伴中选择过程中，评估框架是关键。我们建议企业通过如下 “科尔尼AI 合作伙伴评估框架”，对潜在合作伙伴开展了全面的评估。

首先，在业务模式层面，主要考察合作伙伴的技术优势领域、服务模式、方案特征以及外部伙伴生态。合作伙伴的技术优势领域应尽可能与企业AI 项目规划中需求度高的AI 技术相匹配，确保伙伴提供的技术能力急人所难。

服务模式则应从企业业务需求出发判断是否通用方案即可满足，还是需要进行深度定制化。方案提供商在服务模式上会体现出比较明显差异。

形象地说，部分AI 服务提供商是偏重“拿锤子找钉子” 模式主要基于核心的通用技术来落地在尽可能多的应用场景上，力求解决方案的普适性，有定制化但不会按项目来重新深度开发，例如AI 四小龙的商汤、旷视、依图、云丛等。

部分服务提供商偏重“为钉子找锤子” 模式根据应用场景提供定制化的解决技术与方案。例如，切入“认知AI”领域的企业以及中小AI 创新企业。这两种模式各有利弊，前者方案成熟落地快，而后者定制化程度高方案更贴近实际需求。

服务商提供的方案特征也分为两类一类专于前端的感知AI 产品 (如计算机视觉)，主要解决客户的数据在线问题，另一类提供整体的解决方案，不但了解并封装前端感知AI 产品，还能在数据在线基础上做后端的数据挖掘。

当企业进入“认知AI”阶段时，显然提供后一种方案特征的伙伴将更受欢迎。在外部伙伴生态方面，综合性服务商自身技术能力强，但需要集成服务提供商 (ISV) 针对行业特性进行项目实施和方案落地。

中小AI 企业由于技术线不广，实际方案落地时往往需要采购SDK 或者与其他服务商合作保证方案的技术完整性。而细分领域服务商由于自身技术能力较强且长期深耕固定技术领域或行业，因此反而具有独立提供方案能力，但遇到大型项目时也需要其他技术服务商以及系统集成商支持。

其次，在技术与产品能力层面，主要考察合作伙伴算法先进性、工程能力、数据丰富性以及产品沉淀能力。

对于传统企业来说，往往无法直接考察对方的算法先进性，但可以通过考察合作伙伴的核心技术人员背景、研发人员数量、是否建立“科学院”等研发机构以及“打榜”结果和专利信息进行间接判断。

以常见的计算机视觉技术类AI 公司为例，建议针对其技术能力、应用范围、应用场景以及研发实力进行综合而充分的调研评估，就能基本覆盖计算机视觉技术的核心能力 /领域。

工程能力决定项目实际落地情况，优秀的需求调研、业务理解和方案设计等“软实力”是项目创造价值的主要保障，也是能否实现定制化方案的关键要素。数据丰富性在AI 项目中是训练模型的保障，拥有大量现成数据集和数据模型的合作伙伴通常将加速实际项目的落地。

产品沉淀能力也代表了合作伙伴的技术水平，产品既包括解决方案沉淀后的应用产品，还包括合作伙伴在项目实施中使用的自有开发工具，前者体现了实施经验与成果，后者则体现了实施经验与实施的潜在效率。

再次，在商务交付层面(见图13)，建议企业主要考察AI技术公司的交付能力与项目管理。其中项目经理的资历、以及合作伙伴过往项目履历以及口碑至关重要。这些内容可以通过合作伙伴过往客户考察进行侧面了解。

同时，企业应对完整的交付与部署流程了然于心，在每一步骤重要管控点进行考察与评判。对于项目管理能力(见图14)，可以从需求管理、时间管理、质量管理、成本管理四方面对供应商的过往案例与资质进行评估。成熟的供应商，应有明确的项目管理各阶段机制，致力于按时按需、保质控本完成项目交付。同时，随着项目经验的积累，项目管理机制应已成熟且可复用。

最后，在合作契合度方面的评估是重点，当企业制定了充满挑战的AI 战略规划，一个紧密、可靠且能长期合作的合作伙伴尤为重要。

合作契合度主要考量合作模式、投入意愿度以及数据安全与保密管理。合作模式按松散到紧密通常包括项目合作制，框架合作制 (派员工驻守进行新项目实施与老项目运维)，以及合资公司模式。

选择何种方式通常考虑实施AI 项目的多少以及自身AI 技术能力强弱。有一个熟悉企业业务，了解企业系统环境的合作伙伴对大量新项目实施、旧项目运维，以及项目迭代升级的同时开展大有益处。

选择合作伙伴还应考量其投入意愿度，即是否愿意将最好的人力资源与系统资源投入到本企业，是否愿意对新技术方案共同进行投入与共建，甚至签署排他协议或者成立合资公司。

长期的承诺是维护合作关系必不可少的一环。数据及方案的安全与保密也是合作过程中必须考虑的问题，对企业数据进行安全维护和保密是基本要求，而项目中的技术方案是否能外传，IP 归属权在哪方也是确定合作协议时双方需要达成一致的问题。

如今数字化和智能技术正驱动各行各业产生变革与颠覆，传统企业长时间建立的壁垒正逐渐被一一打破：线上线下融合的新零售模式使得传统商圈的黄金地段优势渐弱，AI 的辅助决策使得拥有大量员工有时反而成为包袱。

同时，科技企业持续跨界，通过智能技术带来新的消费体验与商业模式，并迅速获取消费者，进一步给传统企业带来挑战。

我们认为传统企业将依然在未来中国的商业社会中扮演着不可或缺的重要作用，因此传统企业的数字化创新与可持续发展将变得尤为重要，相信大家都意识到部署AI 技术、改造传统业务与管理模式是传统企业进行数字化创新的重要手段。

我们深刻地意识到传统企业在拥抱AI 时的欣喜若狂但又在部署能力上的捉襟见肘。因此，我们诚挚地希望科尔尼独有的SMART 部署策略能为传统企业的AI部署与智能化转型带来帮助，帮助他们在这波AI 驱动的行业变革大潮中游刃有余地借力冲浪、打造新的竞争力，成为智能化时代的真正受益者。

来源｜慎思行 作者 | 科尔尼公司：贺晓青，刘晓龙，汪涛

关于腾讯AI加速器

腾讯AI加速器是腾讯产业加速器的重要组成部分。其背靠腾讯产业生态投资，依托腾讯AI实验室矩阵的核心技术，腾讯云的平台、计算能力以及合作伙伴丰富的应用场景，为入选项目提供课程、技术、资本、生态、品牌等层面的扶持；并与入选项目共同打造行业解决方案，推动AI技术在产业中的应用落地。

在前两期AI加速器中，从全球2000+项目中甄选出的65个项目，整体估值662亿+，融资总额高达70亿+，70%的项目完成新一轮融资；其中腾讯投资乐聚机器人、工匠社机器人、Versa马卡龙玩图，并形成行业解决方案50+。

2019年8月16日，腾讯AI加速器三期名单出炉。TOP30项目从1500个报名者中脱颖而出，录取率仅2%，三期项目总估值超200亿。项目聚焦于金融、教育、安全、工业、机器人、IoT、云计算、5G等。入选腾讯AI加速器三期，意味着正式成为腾讯智慧产业生态的合作伙伴，将与腾讯各智慧产业业务深度结合。