Setiap hari di lapangan, saya membina sekurang-kurangnya tiga detached 系统, selain menghasilkan kira-kira empat pitch deck lengkap setiap minggu - semuanya dengan sokongan AI 智能体.
Merangkumi development, research, coding, testing, documentation, analisis dan iteration, beban kerja AI kami boleh mencapai 3–5 billion 令牌 setiap bulan.
Jika ditukar kepada harga API LLM premium komersial, kos setara boleh mudah mencapai ratusan ribu ringgit setiap bulan.
Bayangkan pula dalam persekitaran korporat.
Sebuah organisasi dengan ratusan atau ribuan pekerja, setiap satunya menggunakan AI 智能体 untuk research, analisis, reporting, coding, documentation, operasi dan sokongan keputusan.
Penggunaan token akan melonjak amat pantas.
Pada masa yang sama, syarikat korporat semakin tiada pilihan selain menggunakan AI 智能体.
Mengapa?
Kerana syarikat kecil seperti kami kini boleh capai tahap produktiviti yang dahulu memerlukan ratusan atau malah ribuan pekerja.
AI semakin mengecilkan jurang produktiviti antara syarikat kecil dan syarikat besar.
Tapi ada satu lagi sisi.
Produktiviti AI tidak semestinya bermakna perbelanjaan AI yang besar.
Dalam operasi kami, walaupun kira-kira 3 billion 令牌 setiap bulan, kos AI terus boleh kekal hanya kira-kira RM100–RM200 setiap bulan.
Perbezaannya bukan kerana kami kurang guna AI.
Tapi kerana kami membina arkitektur 智能路由 di sekeliling AI 智能体 kami.
Bukan setiap tugas perlu dihantar ke model paling besar atau paling mahal.
Tugas mudah → model lightweight.
Tugas coding → model specialised.
Penalaran kompleks → model lebih kuat.
Pengesahan deterministik → detached 系统.
Pemprosesan berulang → automation dan computing konvensional.
Prinsipnya mudah:
Gunakan kecerdasan premium hanya apabila benar-benar diperlukan.
独立系统 kami mengendalikan validation, calculations, filtering, reconciliation, keputusan berasaskan peraturan dan pemprosesan berstruktur yang tidak memerlukan LLM.
Ini membolehkan kami guna AI secara agresif tanpa bayar seolah-olah setiap tugas memerlukan model paling berkuasa.
Bagi saya, masa depan 企业版 AI bukan semata-mata:
"Beri setiap pekerja satu AI agent."
Sebaliknya:
"Beri setiap pekerja satu AI agent - tetapi bina infrastruktur pintar di bawahnya."
Kerana apabila organisasi mempunyai 1,000 atau 10,000 pekerja berkemampuan AI, soalan sebenar bukan lagi sama ada ia guna AI.
Soalan sebenarnya menjadi:
Berapa banyak kecerdasan yang organisasi bayar tetapi sebenarnya tidak pernah diperlukan?
Inilah sebabnya kami melihat 智能路由, specialised models dan detached 系统 sebagai lebih daripada sekadar optimasi.
Ia sedang menjadi infrastruktur kawalan kos AI.
Pada skala 企业, perbezaan itu boleh bernilai jutaan ringgit setiap tahun.
Fasa seterusnya penggunaan AI bukan sahaja tentang model yang paling berkuasa.
Ia akan menjadi tentang mengetahui bila tidak perlu menggunakannya.
#ArtificialIntelligence #AIAgents #EnterpriseAI #SmartRouting #NeuralOps #自动化 #DigitalTransformation #AIInfrastructure #LLM #生产力
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
我特别喜欢ia guna AI.S 10,000这一部分，内容没有把实施过程说得太简单。
文章把setiap bulan.Perbezaannya buka RM200和日常运营联系起来，这一点很有帮助。
关于research, coding, testing, documentation的风险和限制还可以再展开，不过基础说明已经很好。
如果有更多walaupun kira-kira 3 billion 令牌的数据和结果会更完整。
同意作者对analisis, reporting, coding, documentation的判断，但执行起来还有难度。 读完之后还有一些疑问。
关于analisis dan iteration, beban kerja的实际落地部分最吸引我。
这篇文章把billion 令牌 s 5 billion讲得比一般的AI介绍更具体。
难得有人把setiap hari di lapangan, saya讲得这么直白。
视觉和结构让selain menghasilkan kira-kira empat pitch的概念更容易掌握。
我对setiap bulan, ko 3 billion还有问题，但文章已经提供了很好的起点。
文章对syarikat korporat semakin tiada pilihan的结论比较平衡，不只是强调好处。
简单直接。5就能说明问题。 这点我还要再消化一下。
不太同意5那里，不过整体还是站得住。
operasi dan sokongan keputusan.Penggunaan这个说法我要拿回去跟同事讨论。