企业内落地AI，要解决这两个难题！

ChatGPT引领的AI浪潮出现至今已经是第四个年头。

23年各种大模型层出不穷，大家都在卷算力卷数据，从单体到多模态再到混合专家架构，大模型的能力越来越强，成本越来越低。

24年各种基于大模型的应用开始开枝散叶，从人手一个ChatBot，到AI Native工具(如Cursor)，再到AI标准开放协议(如MCP)，以及各种智能体在不同场景的落地探索。

25年开年DeepSeek爆火，引领了大模型开源的新路径；紧随其后的Manus打响了通用任务智能体第一枪；然后就是字节推出了扣子空间，百度推出了心响APP；AI的能力越来越强，随后就是各种各样的企业端落地浪潮。

如今25年已过半，回头看你会发现，很多企业内落地AI的案例，目前都很尴尬。问题主要集中在下面两点：

• 落地场景和AI工具怎么结合，技术怎么实现？——这是一线员工角度；
• 知识库、智能体、工作流如何结合，AI如何为业务创造价值？——这是管理者角度；

这两个问题背后的本质是：对AI的期望过高，但自身工程能力太差。如何理解呢？

AI是全新的生产力工具，要落地创造价值，需要解决两个问题：场景+工程。

1、所谓场景，就是找到PMF(Product-Market Fit)，即产品市场契合度。

简单理解，就是找到适合用AI来辅助甚至替换的业务场景。比如AI在数学计算、逻辑推理、信息检索、代码生成等方面具备明显优势，则落地场景选择上可以从这几个方面入手。

从软件测试角度出发，则是找到尽可能贴近标准化场景，或者更易于标准化的场景，然后落地AI，比如：监控巡检、code diff、测试数据生成、测试脚本生成。

2、所谓工程，就是技术落地能力和业务价值创造的结合。

技术落地能力，就是怎么设计技术方案，怎么用技术实现预期目标。以AI自动生成测试用例为例，基于Midscene.js+Playwright的AI自动生成UI自动化测试用例的代码和案例，你稍微搜一下就能找到。

看起来很简单，但这个过程中，你要解决两个问题：让AI知道要“测什么”，以及“怎么测”。这就涉及到大模型预训练，你如何投喂对应的数据，让大模型学会这两个能力。

进一步，选择哪个大模型进行预训练？GPT？Qwen？Claude？

再进一步，投喂哪些数据？过往的需求文档？历史测试用例？还是Midscene.js官方技术文档？

甚至还有更多要解决的问题，比如大模型部署、调用和训练成本，是否有足够的资源支撑？领导是否有足够的耐心等待你产出效率和精度足够的结果？

当你解决上述这些问题之后，才算是具备了基础的技术落地能力。

AI的落地，极其考验工程能力，而非单纯的技术实现。

或者说，AI本身就是一个复杂的工程。从单体大模型，到多模态，再到混合专家架构，这本身就是场景+工程的结合演变。

除此之外，基础设施建设也是不能忽视的一部分，比如云服务、比如算力和存储、比如数据治理、比如安全和标准化通信协议。

技术的发展很快，但技术转化为工程能力，需要长时间的探索和建设，更不要提工程能力和业务场景的结合，需要一定的试错空间。

保持耐心，有些事需要靠时间来做到。