AI战略转型与探索 - 2023年公司决定All in AI，探索AI在内部运营和新产品形态的应用，期间有失败项目也有成功案例[1] - 2023年主要进行全员AI工具使用探索，初步落地智能客服、营销等场景[2] - 2024年转向深度探索，选择亚马逊云科技的生成式AI技术与云计算服务，从产品线和内部效率两方面实践[2] 技术平台建设 - 内部建设AIME智能体平台，使非技术岗位员工也能使用AI能力[2] - 自研插件式编程体系代码采用率从2023年30%提升至2024年37%，2025年借助亚马逊云科技突破50%[2] - 利用Vela内容生产平台覆盖从产品设计到营销物料生成，设计团队效率提升超50%[3] 业务场景应用 - 在AnkerSOLIX充电产品中融合AI技术实现电能供需动态识别[3] - 中美技术团队建立联合项目机制，共同确定年度重点探索项目[3] - 使用Amazon SageMaker进行小型模型训练和数据处理，利用Amazon Bedrock加速应用开发[3] 落地评估维度 - 业务成熟度评估包括流程清晰度、数据质量、业务目标明确性和责任人明确性[4] - 技术成熟度评估当前AI技术是否足够支撑商业级应用[8] - 团队成熟度评估组织内部实施能力，能力不足时可寻求外部合作或暂缓项目[8] 数据建设挑战 - 企业间数据质量差异显著影响AI实施效果[7] - 重点在于将业务人员的隐性知识转化为AI友好的高质量数据[7] - 当前普遍采用人类可理解的数据形态作为中间转换层，目标是实现数据自带丰富语义[7] 创新管理策略 - 确定性高场景要求明确ROI，如智能广告、智能客服[10] - 探索性场景不设短期ROI和时间限制，如制造业创新探索[10] - 约1/3团队肩负明确ROI指标，其余团队专注不确定性领域探索[10] 技术迭代应对 - 主张在关键节点发现成果未达预期时迅速调整方向[12] - 随着模型推理能力增强，将毫不犹豫重构平台核心价值发生转移的项目[12] 行业技术趋势 - 当前AI创新更多由技术原生驱动创造全新C端体验[11] - 产品定义各环节深度融入AI能力可极大提升效率[11] - 大模型核心能力在于信息汇聚与理解，但存在确定性与行业需求矛盾[8][9]