作者 | InfoQ 數字化經緯
來源 | InfoQ 數字化經緯，管理智慧
咨詢合作 | 13699120588
文章僅代表作者本人觀點，圖片來源于 pixabay
當下火熱的大模型技術是人工智能領域的重大變革，其巨大的應用潛力正在對各行各業帶來深遠的影響和沖擊。如今，很多企業已經将生成式人工智能的深度應用作爲未來戰略的關鍵組成部分，意圖通過 AI 技術重塑研發、流程、業務，助力企業發掘全新的市場與機遇。
然而，由于大模型技術誕生時間很短，其實踐應用更處于早期探索階段，因而要尋找對大模型有充分了解的技術和業務人才，搭建一支足以帶領企業實現 AI 戰略的團隊對企業而言普遍是一大挑戰。尤其對于缺乏前沿技術人才儲備的傳統企業而言，如何快速組建符合自身需求的 AI 團隊，怎樣平衡内部培養和外部招聘，不熟悉 AI 技術的人力資源部門怎樣構建能力評估體系等問題都亟待解決。
AI 團隊與 AI 能力建設
企業應如何設置 AI 相關崗位，他們的職責是什麽？
李明宇：企業落地 AI 技術時普通是從 IT 部門開始導入，這一過程中如果依舊保持部門原來的崗位設置是沒什麽問題的，但某些崗位的職責會有所不同。例如産品經理、采購經理過去更關注整套設備、系統的采購，現在則更多要關注新技術如何推進業務的智能化，等等。
在此基礎上更進一步，企業可能會從各個業務部門中選拔員工組成一個跨部門的虛拟部門，其中會有崗位負責拉通各個實體部門，收集各部門對 AI 的需求并與技術團隊溝通對齊，類似 AI 架構師的角色。
李家貴：在企業的戰略或管理層，一般由董事長或創始人、高管、CTO 來發起研究、培訓和内外部交流，這樣的角色可以稱爲 CAO。大型機構如銀行甚至會成立一個 AI 專班，一般設在董事長、總經理辦公室，進行一把手推動。
第二個層面是執行層。大型科技公司主要分爲三類執行崗位，第一類是 AI 産品經理，他首先要負責做場景 POC，而不是像以前一樣先做研發 POC。因爲 AI 項目是有可能交付失敗的，AI 有自己的能力邊界，而且能力缺陷非常大，所以在做場景 POC 之前直接做研發落地可能會有巨大損失。産品驗證可行後研發人員就會進場，這裏涉及兩種崗位：
一種是和大模型相關的微調、預訓練等崗位，隻有少量企業有能力設置；其他企業隻需調用大模型的 API 即可，相關崗位需要深入理解大模型的局限性，然後負責基于大模型的應用開發。
另一種崗位是新的門類，就是大模型的數據類崗位。我們要提升數據的有效性、回答的準确性或減少模型幻覺有兩種方法，第一種是微調，這裏最困難的部分就是辨别高價值的問答；第二種是通過 RAG，這裏又涉及數據的清理。這兩種方式都需要數據崗位來負責。
陳秋麗：順豐應用 AI 的時間很久，大模型技術興起後我們主要考慮如何結合大模型來改善現有的 AI 能力。我們的團隊配置并沒有顯著變化，例如負責引入 AI 技術的主要是業務和技術兩類人員。
AI 落地過程中還有一個重要角色是業務解決方案，負責搭建業務與算法的橋梁，并設計 AI 的解決方案，溝通産品經理、測試、開發等角色。
另一個重要角色是數據分析，需要通過分析大量數據來判斷解決方案是否可行，分析 POC 效果與問題原因，幫助方案叠代等。算法測試也是很重要的角色，大模型需要專門的測試人員，在上線前測試效果，不能等到上線後再收集客戶反饋，這是同傳統研發流程的一大區别。有時我們會專門設置這一崗位，有時會讓數據分析員工來兼職。
在 AI 團隊發展建設過程中遇到過哪些挑戰？
李明宇：我們計算所的同學在 AI 研究方面都有比較深的積累，各自都有自己專精的領域。但與企業合作開始落地大模型時就發現，大模型實踐經常涉及很多研究領域，例如用大模型做知識問答，和以前的知識圖譜有哪些區别和聯系？這類問題研發人員就不是很熟悉了。又如用大模型來生成軟件代碼後如何測試？是用基于大模型的測試工具還是傳統的工具？如果對測試不夠了解，這時也會遇到障礙。我們的應對方法是從團隊層面梳理出一個體系，找出推進大模型企業落地時在各個層面和環節需要具備哪些知識，大家找出自己的盲區，根據自己的情況再學習補充。
李家貴：首先，在 AI 時代，如果産品經理對 AI 大模型的基礎原理不了解，基本上無法勝任 AI 産品的工作。反過來，研發工程師要懂場景，懂産品設計，懂體驗，否則他的投入可能會付諸東流，所以他要學習場景 POC 的基礎理論。産品和研發還要充分互動，才能找到 AI 大模型能夠起效的高價值場景，否則就可能一事無成。其次，在大模型領域大家普遍缺乏經驗，尤其是實戰經驗。大模型的能力邊界又不明顯，隻有親身嘗試才會發現具體有哪些問題，解決問題後企業的 AI 能力也會自然提升。總體看有兩大挑戰：第一是業務要懂 IT，産品要懂場景；第二是缺乏實戰經驗。
陳秋麗：團隊管理者首先要對團隊能力有清晰的預期和認知，其次招人時要明白完全符合要求的人選很難找到，所以在堅持招人标準時也要在面試過程中微調。并且團隊找到一部分員工後，其他人選要遵循互補的思路來挑選，讓團隊成員更好地配合。我們還要鼓勵員工在工作過程中橫向擴展來積累經驗。最後一點，雖然新技術叠代速度很快，但在企業場景裏更新技術是要非常謹慎的，整個過程需要漫長的測試驗證。所以管理者要平衡新技術的引用、成員的熱情和積極性與落地的穩定性，這也是一個難點。不是所有新東西一出來就要立刻應用，但團隊也要保持對新技術的持續探索。我們的團隊就會有分工，一部分人會負責追蹤和研究前沿成果。
高岩：企業落地 AI 能力過程中，遇到的第一個普遍痛點是大模型如何在業務場景落地，産生實際價值。這一過程中大家都想要了解同行的最佳實踐，找出自身需要提升的能力，了解自己需要獲得哪些幫助。第二個痛點是企業在大模型層面的技術能力不足，包括知識治理、數據治理、數據有效性等方面都會有難點。同時，企業員工的個人能力不足、業務流程調整、員工的抵觸情緒與學習新知識過程中需要承擔的壓力都是問題。
這些問題體現在人才層面，就是業技複合型人才比較稀缺，例如金融行業的 AI 技術人員需要了解金融業務流程、風險特征等；制造行業的技術人員需要了解生産線運作、質檢和産線優化等。傳統企業在對外招聘這類優秀人才時還會遇到薪酬、地域層面的很多限制，而在内部培養過程中又要付出大量資源來培訓，在成本方面也有很大壓力。
AI 人才培養策略和實踐
企業如何培養既懂 AI 又懂應用場景的複合型人才？
李明宇：AI 大模型是比較新的技術門類，同具體業務的融合也沒有普适的手段。例如我曾經做過醫療領域的大模型落地，就遇到了模型驗證時很難找到合适人員來驗證模型水平的困境。找患者驗證基本不可行，找行業專家驗證，我們就需要很高水平的專家來把關，但這樣的專家資源是非常稀缺的。這個例子就說明 AI 落地過程中，技術研發對業務的理解需要很深的程度，反過來業務對技術的了解也要有很高的水平，這都意味着很大的挑戰。
所以從業務層面來看，業務人員需要對大模型技術的内核有深入的了解，知道怎樣評估模型落地的效果。技術人員則需要深入到一線生産環節，比如說醫療領域大模型的研發人員就要融入醫生的工作環境，理解醫生看病的過程，并在這一過程中自己對比模型生成的結果與醫生的診斷，再去請教醫生細節問題。通過這類方法，可以比較好地彌補業務和技術之間的鴻溝。而且大模型出現幻覺的幾率是一定存在的，那麽技術人員還要了解怎樣的錯誤是業務側不在乎的，哪些錯誤是業務側不能容忍的，而不是隻從概率的視角來看待這些幻覺問題。
李家貴：我提出了一個五級理論，将複合型人才分爲五個層級。第一層叫 AI 知識，就是要了解大模型的技術原理。第二層叫 AI 見識，就是能夠使用簡單的生成式 AI 工具，有一定使用經驗。第三層叫 AI 膽識，就是敢于使用 AI 工具來做成一些業務。第四層叫 AI 成識，就是用簡單的 AI 工具來解決問題，拿到成果，例如用 AI 寫代碼、生成紀要等。第五層叫 AI 常識，就是将 AI 能力融入現有的工作和系統中。
陳秋麗：我們會在具體的項目與業務落地過程中培養 AI 複合型人才。我們的落地場景分爲兩類，一類是知識問答等場景，另一類是服務物流和供應鏈的場景。後者需要很多業務經驗，所以在這類項目中我們會配備業務專家、AI 專家，設定一個共同的團隊目标，然後在落地過程中大家互相了解學習、溝通幫助，就會逐漸培養出所需的人才。
我們公司内部除了傳統的培訓體系，還會有技術競賽的安排，其中根據實際業務抽象一些題目給大家實戰演練，讓大家自己組建項目組參賽。參賽過程中我們會有專家幫助他們構建解決方案，通過競賽的過程提升大家的能力。
高岩：我分享幾個案例。第一個是我們爲一個産業互聯網公司做的 AI 大模型培訓項目，重點是爲十幾名業務骨幹培養對大模型的基礎和發展趨勢的認知，并進一步深化學習技術，掌握模型部署方法，再到 LangChain 項目的實踐和智能體應用實戰。通過這些體系化的内容學習和項目實戰，以及後期的培養成效檢驗，客戶開始在業務中構建 AI 模型，縮短産品叠代周期，提升産品質量，收獲了很多價值。
第二個案例是我們同某集團合作的 AI 大模型實戰項目，以賽訓結合的方式落地。這家大型國企有 23 個業務單元，我們前期會整體進行體系化的培訓，專注于 AI 辦公提效的應用和大模型的開發技術。培養結束後我們分爲兩個賽道，一個賽道是辦公層面的 AI 技術應用，不需要參賽者有編程背景，另一個賽道是大模型開發和應用産出，主要針對編程人員。這個項目是培訓與競賽深度結合的，比賽課題與客戶的這些業務單元、業務場景高度關聯。例如賽題涉及了基于 AI 大模型的招聘流程自動化系統、AI 員工助手、AI 安檢、智能提單機器人等。
該項目落地後産出了很多有價值的課題成果，例如智慧購物車、知識庫助手、多模态訂單管理系統等。這些成果後續都在客戶條線中得到了孵化，我們在孵化過程中也在持續提供針對性的培訓輔助。這個項目的亮點就在于項目成果能夠在賽後迅速轉化爲實際生産力，高效地促進新技術和集團各個分子公司的業務場景深度融合。同時 項目過程中又關聯了業技複合型人才的培養，錘煉出一批精通業務邏輯，同時又掌握先進 AI 技術的複合型人才。客戶在項目推進過程中的内部宣傳也很到位，在企業 AI 文化建設方面有顯著成果。
第三個案例是東風岚圖 AI 大模型實戰訓練營。這個訓練營主要面對客戶内部數字化研發人員，包括數字化戰略規劃部、數字營銷、SCM 與制造的精英學員。訓練營是分階段開展的，基礎階段旨在構建學員對 AI 的認知思維，拔高階段和強化階段分别提升 AI 的應用技術，并形成 AI 的場景化能力和産出。我們爲傳統的制造業企業所做的培訓都是這樣由淺入深，體系化地逐層升級知識能力。我們還會結合他們的本職工作和具體的業務場景，讓學員有實際的産出，并将他們好的想法、創意納入 AI 産品孵化的創意庫。
再介紹一下我們 AI 人才培養的方法論。首先我們總結了一個 AI 人才糧倉模型。這個模型是極客時間與信通院泰爾終端實驗室、北京銀行、華潤等二十多家企業和單位共同研究推出的。它将 AI 人才分爲四層。頂層是 AI 思維管理人才，也是 AI 實踐的領導者，他們需要具備戰略眼光和 AI 理念，能夠引領企業在 AI 上的發展方向，推動實際的變革。下一層是 AI 應用人才，也是 AI 應用的踐行者他們需要精通 AI 技術與場景化應用，實現業務價值升級。他們也是 AI 業技複合型人才，負責将技術與業務結合在一起發揮價值。第三層是 AI 技術的賦能者，會精通模型構建、提示工程等技術，具備豐富的大模型開發落地經驗。第四層是 AI 的技術領航者，主要關注構建和維護 AI 技術平台，同時掌握算法調優等能力。這類崗位包括了數據科學家、算法和數據工程師、前後端、測試、運維等角色。我們基于這個糧倉模型梳理了一些技能體系和對應的學習路徑，以及針對不同類型人才的标準化訓練營，覆蓋線上線下的學習課程、賽訓結合項目與實踐課題等。
以大模型應用開發的訓練營爲例，第一階段教授 AI 核心基礎知識，第二階段是 NLP 核心技術，第三階段是大模型開發、微調的實戰經驗和技能，以及智能問答和 Agent 系統的開發、智能體開發與系統優化等。訓練營設置了專家打磨過的前沿課程體系，也包含了利用 AI 技術爲日常工作提效的内容，和面向 AI 領導者的發展趨勢與戰略等内容教學。我們也有分行業的 AI 場景應用課題，以及實踐案例分享等等。
如何在 AI 項目落地過程中篩選、識别人才？有哪些手段可以激勵員工成長爲 AI 複合型人才？
李明宇：我們首先會觀察員工在日常工作中是否會使用 AI。具體什麽人願意使用 AI，并不一定和他的技能水平、知識背景緊密關聯，更多取決于他的性格特征。有些人更喜歡依賴确定性的工具或自己的思考，有些人就更喜歡同 AI 交流。另外由于這個領域都屬于創新業務，具體的工作内容、工作方法都是在業務開展中逐漸完善的，所以我們也會比較看重員工的自驅力、工作主動性這些，不能說領導安排什麽就做什麽。當然也要看基本素質和專業基礎。
至于激勵手段，我們的方法比較簡單，就是 AI 相關崗位的薪資獎勵會設置得高一些。最後要評估績效時，具體的方法我們也在探索中。
陳秋麗：我們沒有設置特别的激勵手段，主要還是根據團隊産出的成果來定績效。另外關于 AI 的崗位在招聘薪資層面會有一些差異。
互動交流
現階段企業是否會爲 AI 人才成立專門部門？還是根據技術情況安排專崗專人？
陳秋麗：是否建立專門的團隊取決于公司的戰略投入情況。企業願意投入多少成本、多少精力構建這樣的團隊，同他們對這個團隊帶來的價值的預期緊密相關，這是一個投入産出的問題。至于專崗專人一般是很難做到的，因爲 AI 落地一般需要複合型技能，僅靠一個人很難實現目标，并且很多場景在團隊成員招聘時很難提前考慮到，所以構建一個能夠自我成長學習的團隊比較重要。
企業當前沒有 AI 團隊時該如何組建？如何保證 AI 崗位的人效？
李明宇：大部分企業都多少會有涉及 AI 能力的部門，但要談到基于生成式 AI 或大模型帶來的全新能力進行業務賦能或創新，大部分企業都是在探索過程中。所以關于這樣的團隊組建、考評定級、績效考核，這些事務也都是在探索階段。一般來說企業還是根據具體的項目來組建團隊，先确定場景，又有一定的積累，再根據具體的目标來遴選團隊成員。而具體的團隊形式和效能考評這些，目前還很難下一個定論。
李家貴：關于團隊能否産生價值，可以分三個層面來考慮。
第一個層面是如何界定價值？這裏要考慮你當前的業務有沒有發展前景？當前業務有沒有客群？有沒有收入？有沒有利潤？如果這個業務沒有利潤沒有收入，那麽指望通過 AI 立刻改變局面是不現實的。所以一定是在主業比較強的前提下來談人效。
第二個層面，組建團隊時一定要尋找複合型人才，要既懂産品又懂研發，最好是全棧式技能，場景 POC、産品驗證、數據測試都能搞定。
第三個層面，我們評價人效時主要看能不能通過引入 AI 能力，幫助其他團隊減少人員或開支，産生更大收益，轉化商業價值。
用 AI 輔助編程大概可以提升 30% 的效率，這是否是 AI 提效的成果？
李明宇：30% 的效率提升在領導眼中一定是提效成果，但這個數字和很多人的預期是不一樣的。很多人覺得提升 100% 的效率都不算誇張，那麽爲什麽實踐中提升 30% 甚至十幾個百分點都很常見？原因有二，其一是不同員工對 AI 的态度不一樣，有的員工就不喜歡使用 AI，更喜歡手寫代碼，AI 對他們的幫助就很小，還有的員工手寫代碼能力弱，用 AI 輔助後效率提升就很明顯。那麽不同人的提升不一樣，平均下來就可能是 30%。第二個原因，很多業務的部門設計上會涉及很多環節，例如軟件開發流程中代碼編寫隻是其中一個環節，而 AI 加速的隻是這麽一兩個部分，即使這一兩個部分效率提升很大，對整體業務的影響也不會那麽明顯。
李家貴：行業内有兩個指标衡量研發提效的效率，一個是 AI 的提交率，一個是代碼的采納率。采納率在全行業來看可能隻有 50% 到 60%，大企業也隻能達到這個水平。提交率普遍是 20% 到 30%，比較卓越的企業能達到 30%，所以 30% 的效率提升已經是很好的數字。
陳秋麗：除了效率提升外，我們還要關注 AI 爲員工節省下來的時間是否被充分利用起來，如果時間節約後員工隻是閑了下來，對企業來說價值也不明顯。
