當今很多傳統企業在做數字化、智慧化轉型，但是本身基礎很差，但是又急於求成，根本問題是沒有理解AI化的基礎，沒有設計好企業數字化建設的路線圖。

我認為企業AI化智慧化需要分為三步：

1.所有業務的線上化。這個線上化可以理解為所有業務都是可以跑在內網上或者網際網路上的。除了基礎溝通用的郵箱、個人和部門資訊門戶、即時通訊工具覆蓋員工日常工作以外，所有業務都需要被系統覆蓋。比如你的銷售管理，已經上了crm系統，線上審批是完全被oa系統覆蓋的，人力資源的每個步驟都被系統跟蹤記錄，財務系統、供應鏈這些更不用說了，必須被相應的erp、scm等系統覆蓋。這完成了第一步業務的線上化。

2. 所有業務資料化。剛提到的這些系統 crm、erp、scm、oa、ehr是必須是相互打通的，但是他們之間大機率是不同公司的產品或者開發語言、資料的結構都不相同，這就需要花點精力和時間，在企業內部統一所有的資料字典，有的企業會上mdm（master data management 主資料管理）系統，有的企業會出臺數據治理標準，比如亞馬遜，出臺了全集團唯一的ASIN（Amazon Standard Identification Number）即在亞馬遜集團內部任何一個產品、商品、員工資訊等資料不管在哪一個國家、那一套系統中，它的資訊和編碼都是唯一的統一的。

3.滿足了上面兩點才到智慧化AI化的階段。何所謂AI 其實說高大上是人工智慧，說的具象一點就是基於以往大量資料統計分析在演算法模型支援下的提前預測，某些領域準確率接近或者超過高等生物（人）神經系統做出的判斷和分析。

AI化確實可以大大提升企業的運作效率，他可以幫助企業更好的分析市場做出預判，更好的分析成本構成減少浪費等等。但是這一切確實得基礎打紮實 即先要完成企業業務的線上化、資料化。

企業數字化基礎差，並不代表不能數字化，也並不代表不能引入AI。如果你回答不能數字化，那是因為你還沒有充分理解你們公司的運營本質！

所以你要儘可能的把公司的運營模式從多個角度抽象出來，劃分多個模組，然後對每個模組賦予一堆屬性和方法。屬性可以是資料庫、使用者資料、管理記錄等一些列資料，方法是對這些資料進行操作的功能實現或者運營流程，例如使用者群體分析、年齡分析、管理效率分析等。

如果你把這些屬性和方法用卷積神經網路具體實現了每天自動分析，這就是AI了。其實AI也有很多種，能幫助你分析問題和提煉資料的的就是AI。

舉個例子，我們是做兒童智慧產品的，我們會把我們的使用者喜好做一個分類，特別是在購買產品的習慣上，根據地區來分類，用人工去提煉資料共通性是很難的，所以我們會在後臺寫一些程式碼定期抽取資料庫做分析，然後儲存結果，用圖超展示出來。人類對影象是很能看的懂得，給一堆密密麻麻的數字肯定沒人看的懂。

擁抱資料，5G的崛起代表後面萬物皆資料。

針對企業數字化基礎的不同程度，如何進行AI應用的準備：

基礎較好，嘗試自研AI工具

對於數字化基礎較好的企業，自身擁有較為完善的資料網路和IT基礎設施及開發人才。在資金和時間都允許的情況下，是可以嘗試自主開發AI工具或平臺的。

基礎一般，“半成品”是個好選擇

對於資訊化基礎一般的企業，也是大多數企業，對自身業務相關的資料準備比較完善，但在IT技術上可能與專業AI公司差距明顯。這種情況下，與AI服務商合作，選擇一個優秀的“半成品”再加工，是個最有效快捷的方法。

基礎較差，資料準備是第一步

對於基礎較差的企業，可能對資訊化、數字化還處於兩眼一抹黑的狀態，這類企業首先要做的就是資料的收集整理。那麼企業需要哪幾類的資料呢？我們大致可以分為三類： 企業自身的資料，資料越全越有利於後期在AI工具中的應用；產業鏈層面上的資料，可以加深AI工具對行業的瞭解，進行整體的把控；其他輔助資料，弱相關的資料，參考的價值較小，但資料越全面，最終的偏差就會越小。

無論是基礎較好、普通還是基礎較差的企業，想要應用人工智慧進行數字化升級，其實都有路可循，關鍵是不要急於求成，“磨刀不誤砍柴工”，一步步提升自己的資訊化程度，完善AI前的準備工作，才能找到適合自己的應用方向，最終實現AI效能的最大化。

可以從事務性工作入手，解決人工成本問題。同時提高資訊的收集，端到端的資訊收集，目前對端到端的資料嘗試制訂一些分析性的工作指標，如效率分析，質量分析，投入產出分析，積累資料的同時提高分析能力。AI是解決重複性問題，也是透過機器學習輔助決策的工具。還要解決人的問題，全員的資料分析的企業環境。以上，供參考。

可以從幾方面考慮，首先明確ai話的目標和要解決的核心問題，然後根據要解決的問題，去選擇ai需要的技術和方案再次注意的是，ai化不要概念要落地。第四，對ai化要有一個清醒的認識，逐步實現，定一個切實可行不斷升為的目標最重要！