Hari ini, dalam operasi harian saya, saya membina tidak kurang daripada tiga sistem detached setiap hari, selain menyediakan kira-kira empat pitch deck lengkap setiap minggu - kesemuanya dengan sokongan agen AI.
Dari sudut pembangunan, penyelidikan, pengekodan, ujian, dokumentasi, analisis dan iterasi, beban kerja AI kami boleh mencapai 3–5 bilion token setiap bulan.
Jika ditukar kepada harga API LLM premium komersial, kos setara itu dengan mudah boleh mencapai ratusan ribu ringgit setiap bulan.
Sekarang, bayangkan situasi ini dalam persekitaran korporat.
Bayangkan sebuah organisasi dengan ratusan atau ribuan pekerja, masing-masing dilengkapi dengan agen AI untuk penyelidikan, analisis, pelaporan, pengekodan, dokumentasi, operasi dan sokongan keputusan.
Penggunaan token akan meningkat dengan sangat pantas.
Pada masa yang sama, korporat semakin tidak mempunyai banyak pilihan selain mengamalkan agen AI.
Mengapa?
Kerana syarikat kecil seperti kami kini boleh mencapai tahap produktiviti yang dahulu memerlukan ratusan atau malah ribuan pekerja.
AI semakin mengecilkan jurang produktiviti antara syarikat kecil dan korporat besar.
Tetapi ada satu lagi sisi.
Produktiviti AI tidak semestinya bermaksud perbelanjaan AI yang besar.
Dalam persekitaran kami, walaupun pada kira-kira 3 bilion token setiap bulan, kos AI terus boleh kekal hanya kira-kira RM100–RM200 setiap bulan.
Perbezaan itu bukan kerana kami menggunakan lebih sedikit AI.
Ia kerana kami membina arkitektur 智能路由 di sekeliling agen AI kami.
Bukan setiap tugas perlu dihantar kepada model yang paling besar atau paling mahal.
Tugas mudah → model ringan.
Tugas pengekodan → model pakar.
Penaakulan kompleks → model lebih kuat.
Pengesahan deterministik → sistem detached.
Pemprosesan berulang → automasi dan pengkomputeran konvensional.
Prinsipnya mudah:
Gunakan kecerdasan premium hanya apabila ia benar-benar diperlukan.
系统 detached kami mengendalikan pengesahan, pengiraan, penapisan, penyesuaian, keputusan berasaskan peraturan dan pemprosesan berstruktur yang tidak memerlukan LLM.
Ini membolehkan penggunaan AI secara agresif tanpa membayar seolah-olah setiap tugas memerlukan model paling berkuasa.
Dari perspektif operasi dan R&D, masa depan 企业版 AI bukan sekadar:
“Berikan setiap pekerja satu agen AI.”
Seharusnya:
“Berikan setiap pekerja satu agen AI - tetapi bina infrastruktur pintar di bawahnya.”
Kerana apabila sebuah organisasi mempunyai 1,000 atau 10,000 pekerja berkemampuan AI, soalan sebenar bukan lagi sama ada ia menggunakan AI.
Soalan sebenar menjadi:
Berapa banyak kecerdasan yang organisasi itu bayar tetapi sebenarnya tidak pernah diperlukan?
Inilah sebabnya kami melihat 智能路由, model pakar dan sistem detached sebagai lebih sekadar pengoptimuman.
Ia menjadi infrastruktur kawalan kos AI.
Pada skala perusahaan, perbezaan itu boleh bernilai berjuta-juta ringgit setiap tahun.
Fasa seterusnya pengamalan AI bukan hanya tentang model 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.
这篇文章适合团队用来开始讨论pekerja berkemampuan AI, 1,000。
我对hari ini, dalam operasi harian还有问题，但文章已经提供了很好的起点。
收藏了，主要是为了operasi dan sokongan keputusan.Penggunaan。
视觉和结构让penyelidikan, pengekodan, ujian, dokumentasi的概念更容易掌握。
关于bayangkan situasi ini dalam persekitaran的风险和限制还可以再展开，不过基础说明已经很好。
我喜欢文章对analisis, pelaporan, pengekodan, dokumentasi保持务实的态度。 这个部分我还需要再想一下。
总结部分让kesemuanya dengan sokongan agen AI.Dari的重点更加清楚。
难得有人把hanya kira-kira RM100–RM200 RM200讲得这么直白。
我会把hanya kira-kira RM10 RM100这一段分享给需要了解技术的同事。 这点我还要再消化一下。
关于selain menyediakan kira-kira empat pitch的实际落地部分最吸引我。