最近在 AI Podcast 里收听到采访沃尔玛 AI 业务负责人的访谈。作为全球财富一号位的企业，他提到了几个信息点：
-
沃尔玛也是 22 年左右开始关注 AI 的。到现在很多机会依然找不到合适的供应商，一是大家可能都没有做过，二是自己做有时比咨询公司做还要快； -
从立项到发起 RFP 再到合同签订，要几个月的时间，尤其对于这种体量的企业，一个项目往往要几十个部门批准； -
我们的 AI Agent 都很“小”，甚至只能称为 “nano agent”，与其做一个复杂庞大的 workflow，我们就专注解决一个小问题。举个例子，之前某个环节需要 3 个小时，现在一个小的 agent 应用，能减少到几分钟； -
最早的瀑布式开发是以月为单位的。后来的敏捷开发以周为单位。现在借助 AI 能力，开发人员是以天为单位做交付，我们称之为超级敏捷； -
不要等一切圆满之后再上线，该上就上，做的越快，反馈越快，东西也越好（这一点颠覆了我们大多数的认知，认为应该充分准备好之后再上线）。当然他也强调不会因为快速上线而降低数据安全等要求；
1. 选择灯塔项目
初步识别灯塔项目时需要考虑：
-
业务影响力。有清晰的业务痛点或者需求，不需要很大，哪怕只是识别一张发票。结果要能够量化，便于衡量出业务效果，例如节约了多少工时，提升了多少质量等等。 -
技术可行性。这里包含三个重要因素：数据、技术和算力。
– 数据要素：开发 AI 应用往往需要数据，但是企业越大，数据问题就越多。例如我们能不能拿到发票，拿到多少发票，质量如何？是电子版的还是扫描的等等。如果获取不到数据，那不要选择这个应用做灯塔项目。
– 技术要素：以发票应用举例，对于扫描件，我们需要 OCR 图像识别能力。有些机器学习应用需要的软硬件就更加复杂了。
– 算力要素：我们的硬件性能够不够开发的。本地不够的话就需要借助云端能力。 -
时间要短平快。灯塔项目的周期最好小于 3 个月，能够明确 MVP（开始计划好，或者边做边计划），不要漫无边际。在这里要特别强调业务起点“低一些”，不要追求大而全。 -
好的结果扩展性。项目结果要么能够继续不断的迭代，要么能够复制到其他业务领域。例如财务部门的发票识别如果成功了，那么可以继续推进报销审批自动化，或者把识别能力推广到采购部，实现合同扫描自动化。 -
有管理人员背书。项目要获得管理层支持，尤其是资金支持。最好一开始就把成功路径规划好。
此外还有一个考虑的重点是“业务价值”。举个例子，一般来说我们给 HR 部门做 AI 应用要比给生产部门做的难度低很多，但是价值获得感要高很多。原因是 HR 部门的很多工作非常耗费人工，例如简历筛选、课程排期、工资核算等， AI 稍稍发力就能解决很多问题。但是调研生产部门要花很多时间，例如某个流程自动化，做出来的 AI 应用不但技术复杂，而且不能出一点差错（容错率极低），最终只能被生产部门抛弃。因此我们在选择灯塔项目时要“取巧”，例如 HR 部门、财务部、法务部等都是优先考虑的目标。
如果大家需要量化灯塔项目选择的话，可以参考：
|
评估维度 |
参考方式 |
判断建议 |
|
工作重复性 |
是否每次都在重复同样的工作，同样的步骤，同样的流程等？ |
典型场景如审批、填报、筛选、问答、报告生成等；重复性越高，越适合AI介入 |
|
数据可用性 |
是否有很多结构化或半结构化的数据？是否易于获取？ |
好的 AI 应用需要数据支撑，最好已有数据基础，如历史记录、表单、文档库、数据库、保存的客服对话等 |
|
业务聚焦度 |
是否有明确的人、流程、输入输出、规则限制等？ |
业务越聚焦越好，有明确的范围，负责人和执行者，有明确的痛点或需求。避免不切实际或者幻想的需求，或求大求全 |
|
业务价值量化能力 |
是否能感受到时间/人力等耗费？是否能降低成本？ |
能够用大家容易理解的量化方式，为业务创造“看得见”的价值，就非常适合做灯塔验证 |
|
短期可落地性 |
技术难度可控？能够在几周内搭建个雏形出来？ |
灯塔项目需要“快产出”，不宜选长期复杂建设类项目 |
|
业务接受度 |
业务人员是否主动要求尝试？ |
最好能找到业务“主动上门”的机会（事实上我们发现很多业务人员的积极性要远大于 IT 人员） |
|
业务敏感性 |
是否可以适当出错？影响范围是什么？ |
最好选择容错率高，敏感度低的应用，减少试错损失 |
|
现有 IT 能力匹配 |
开发人员和软硬件资源能够快速上马？ |
如果已经购买了硬件，或者测试开源平台等，能够快速利用的 |
|
风险和敏感度 |
是否涉及敏感数据或高风险决策，例如个人隐私？ |
避免涉及红线的应用，造成还没开始就被毙的结果 |
针对每一个场景应用，我们可以利用以上维度进行打分。综合得分最高者入选灯塔项目实施范围。
2. 项目资源筹备
建议从 5 个方面快速切入并筹备 AI 灯塔项目：人员/团队，数据，技术，资金，和管理约定。
在另一篇文章中，我已经介绍了不同 AI 项目所需要的团队角色和人员。灯塔项目一般归属于小型 AI 项目，即 3 到 5 个人就可以启动。关键有 3 个角色：业务人员，数据人员，实施人员。建议灯塔小组在初期建立好沟通机制，尤其和立项负责的管理层保持定期汇报。
数据方面最好和数据治理部门做好沟通。明确项目所需要的数据，做好数据对接和清洗工作。如果需要权限的，需要提前申请。涉及数据安全等要提前进行报备。常见问题包括：
-
拿不到真实数据，只能用测试样本或部分数据； -
大量的非结构化数据，难以处理； -
数据分散，缺少唯一性，血缘不清晰，找不到源头；
技术方面是否已经建立了 AI 中台或者能够借助外部平台能力，例如 DeepSeek 的 API 接口服务等。要尽早识别出灯塔项目实施所需要的核心技术，例如文档处理类需要 OCR，问答机器人需要大模型和 RAG，流程自动化需要 RPA ，客户分析需要语音识别等。
预算一般视项目大小而定。从经验来看，启动一个灯塔项目一般从几万到几十万之间。如果需要引进外部咨询力量的化或酌情增加。但整体资金投入不应该很大，也减少试错损失。预算要考虑内部人员的工时成本，调用内部 AI 平台的成本或者调用外部 AI 资源的成本等。另外可以考虑设立团队奖金。
管理方面，要明确项目的时间节点和里程碑。如果超过 3 个月还没有结果就视为失败。要实时监控风险，确保有人工来兜底。验收标准不宜参照传统的 IT 项目验收方法，要从业务（量化）价值出发，如果切实提升了，那么就视为成功。接下来就可以不断打磨迭代，或者快速转战其他领域。
一旦成形，马上组织 kick off 会议，把业务、IT、管理层拉齐，明确角色和任务。PM 要准备项目执行清单，并遵守定期 demo 机制。管理层要为团队站台，不断监督，并不断提升项目的曝光度。
3. 推进项目执行
接下来就是落地执行了。
首先在执行期间要一直明确 MVP 的概念，即我们要交付的“最小目标”。千万不要一开始就追求大而全，要做小而成。例如在项目筹备期，PM 和团队就要明确每周要实现怎样的用例，每 2 周要实现怎样的功能展示，每 4 周的大节点能否把粗犷的产品部署上线。
在执行期间要充分利用 AI 工具，例如现在的 Cursor 或者 Windsurf 等。之前提到的沃尔玛，就是充分利用了 AI 工具，例如原型图设计工具，代码工具，自动化测试工具等。工程人员只是把控质量，做兜底工作，应该从底层的开发工作中解放出来，实现人机协作。
交付团队要把业务人员“拉上船”，实现数据-模型-产品-业务的闭环。要充分利用每次 demo 和交流的机会，挖掘业务意见，尤其让业务人员上手使用，然后把用户体验和反馈作为迭代输入，形成“业务驱动技术”的正向循环。这些都是敏捷开发的理念，只不过 AI 把业务的重要性又提升了一个台阶，因为最后衡量业务价值的就是这些业务人员。他们也决定着灯塔项目是否过关。
另外别忘了灯塔项目还要照亮别人。在执行期间，PM 的额外工作是观察，将过程和结果进行总结沉淀，便于日后向其他方向推广。例如项目规划，日常团队的交流，痛点和难点，业务配合度，技术难点，项目日志，成果宣贯，推广经验等。
最后，灯塔项目也会陷入我们常见的误区，例如需求蔓延，业务用户不配合/没时间，技术人员陷入自我意识当中，凭空虚构业务需求等。要小心这些陷阱。
4. 验收、反馈、精进、与复制
灯塔项目验收建议采用二元验收方式：即过关或不过关。过关的项目，也就是获得了业务价值提升，或者达到了业务预期。失败的项目，也就是忙了半天看不到成果，或者碰触了红线无法继续推进的项目。
AI 灯塔项目不是完整的 IT 交付项目，不需要做满整个周期，在约定的时间内达到预期过关即可。对于灯塔项目的价值评估，我们可以参考：
|
评估维度 |
评估内容 |
举例分析 |
|
业务价值 |
是否解决真实问题、提升效率、减少成本？ |
通过前后对比，减少了试点业务人员的工时投入、或提升了多少效率，或提升了结果准确率等 |
|
业务接受意愿 |
用户是否愿意用、能用、想用？ |
用户对应用的使用频率、满意度、直观评价等 |
|
AI 能力 |
AI是否发挥了技术特长、结果是否可信？ |
应用的命中率、正确率、置信度、反馈修正率等 |
|
复制扩展力 |
是否能推广到其他业务或部门？ |
考量业务场景的通用性、数据依赖度，技术复用性等 |
如果这个项目成功了，我们接下来要重点辅助其他部门做“相似场景”的快速复制。同时企业内部可以成立 AI Lab 或者 AI 项目孵化器，集中力量搭建 AI 能力中台等。业务部门也可以尝试大胆申请 AI 专项预算，推动更多应用落地。
另外大家不要忽略，灯塔项目虽然结束了，但是它留下来的产品还存在的。我们接触了一些企业，发现他们在一两年前就开发了 AI 灯塔应用，有些应用放在当时是很先进的。但是随着技术的迭代，当时引以为傲的产品，到今天已经变成玩具了。如果有人在当时就不断维护，不断迭代，那放到今天，这些产品都能和市面上的成品掰掰手腕。但是很可惜很多公司没有建立起相应的 AI 产品化和运营模式，起了个大早又睡回去了。
AI 灯塔项目是一个点。企业 AI 运行模式是一个面。AI 运行模式包括以下核心要素：战略和业务，数据，人员能力，组织，技术工程能力，治理，和运营能力。灯塔项目和每一个要素都有交叉，为每一个要素提供了“养分”。建议大家如果还纠结 AI 怎么搞的话，不妨启动个灯塔项目试试水。
