AI有哪些提高效率的落地應用場景？實戰案例來了！

如果說今年的風口，那一定是 AI。不過 AI 像一把雙刃劍，既有助益也有風險。我們將從 IBM Watson 的高飛與墜落，到 Google Allo 的黯然失色，探索 AI 應用中的教訓。同時，瑞幸咖啡的成功故事展現了憑借策略得當的 AI 應用，即使在困境中也能崛起。通過 ChatGPT 實踐案例，我們進一步揭示 AI 在日常工作中的潛能，從 PRD 文檔編寫到內容管理的自動化。最后，我們討論如何與 AI 高效交流，確保 AI 是成為推動進步的力量而非阻礙。在整篇文章中，我將分享 AI 的正確應用價值，和如何嵌入實際的應用場景中。

一、聚焦 AI 產品，淺談應用價值

在分析 AI 的應用場景之前，我們先將目光鎖定一下目前前沿的 AI 產品如 ChatGPT 4、Stable Diffusion（SD）、Midjourney（MJ）、DALL·E。讓我們看看它們是如何成為當前技術革新的代表的。

ChatGPT 尤其引人注目，它基于 OpenAI 的 GPT-4 模型，提供了與人類相似的交互體驗。我個人在使用 ChatGPT 時，由于其高級功能需要訂閱，我采取了特定的步驟來續費，包括創建美區賬號并通過充值卡支付，這個過程確實有些繁瑣，一開始也將我勸退。我也嘗試過去使用其他的 AI 產品，例如 Gemini、火山寫作、百度的 ERNIE 等，對于這些產品，一個共通的缺點是在特定領域或任務上的局限性。盡管它們可能在特定場景下表現出色，但無一例外，它們都存在某些方面的不足，如理解復雜查詢的能力、跨語言應用的適應性、創意內容生成的深度和寬度，以及對特定用戶群體的可訪問性和成本效益。其實我個人覺得 Gemini 還挺不錯的，響應速度比 chat GPT4 要快。不過我從一開始就用的是 GPT3.5，到目前也在堅持續費 GPT4，也算是 GPT4 的忠實使用者。

在 AI 視覺創作領域，DALL·E、Midjourney（MJ）、和 Stable Diffusion（SD）各自展現了獨特的風格和功能。由 OpenAI 開發的圖像生成 AI-DALL·E，更擅長根據用戶的文本描述生成插畫風格和仿 3D 的圖像。它對于抽象概念的理解能力強，能創造出富有創意的視覺作品。盡管 DALL·E 在創意表達上表現卓越，但在生成真實感圖像方面，尤其是復雜場景和細節處理（如人物面部和手部）上，仍有局限。其生成的圖片往往帶有明顯的 AI 生成特征，缺乏一定的真實感。

Midjourney 與其他 AI 生圖工具，例如 Leonardo.ai 使用的 Stable Diffusion 及其衍生版本，在技術基礎上有顯著的區別。Midjourney 利用的是自主研發的閉源模型，這種獨特的技術選擇為其帶來了更細膩的參數調整能力和卓越的藝術表現力，這也正是最初吸引了眾多用戶的原因。網絡資料顯示，Midjourney 的模型訓練參數高達 300-400 億，相較之下，最新版的 Stable Diffusion 參數僅有 66 億。Midjourney 的圖像因其出眾的視覺效果而受到稱贊，但這種優勢伴隨著較大的不確定性，一些用戶比喻其體驗類似于隨機抽取，盡管每張圖像都具有視覺沖擊力，但常常在細節上未能完全達到用戶的期望。這種較高的不確定性導致了使用 Midjourney 的成本增加，這里的成本不僅僅指金錢，更多指的是時間成本。由于不確定性的存在，用戶在尋求一張滿意圖片的過程中需要投入更多的時間，并且必須不斷學習和調整 Prompt 命令來控制圖像生成效果。如果用戶不愿意投入大量時間進行學習，那么使用 Midjourney 可能不會比使用其他工具獲得更好的結果。

反觀 Stable Diffusion，作為一個開源模型，其設計初衷便是擁有出色的可擴展性，允許開發者根據自己的應用場景進行定制。雖然在起初，由于訓練數據量有限，基于 Stable Diffusion 開發的模型在圖像生成效果上通常不及 Midjourney，但隨著時間的推移，開源模型的可控性和擴展性的優勢開始顯現。這種開放性賦予了 Stable Diffusion 長期的發展前景，使其成為一個能夠不斷適應新挑戰和需求的強大平臺。

可在實際工作環境中，盡管 Midjourney 以其卓越的藝術表現力和細膩的圖像質量受到了高度贊譽，但是在公司的實際應用過程中，Stable Diffusion（SD）卻因其靈活性和開放性成為了更受青睞的選擇。這一現象反映了在商業和技術決策中，可擴展性和自定義能力往往比單一的視覺效果更為重要。Stable Diffusion 的開源特性允許公司根據特定的業務需求進行定制化開發，這種高度的適應性使其能夠被廣泛應用于不同的項目和任務中。無論是為營銷材料生成引人注目的視覺內容，還是為產品設計提供創意靈感，SD 都展現出了其強大的功能性和實用性。更重要的是，隨著社區的共同努力和持續的技術迭代，基于 SD 的應用和工具正在快速進步，為企業提供了豐富的資源和靈活的解決方案。

SD 的本地部署能力為企業提供了數據處理的安全性和私密性，這對于處理敏感信息或遵守特定數據保護法規的公司尤為重要。盡管這也帶來了一定的部署復雜度和學習成本，但對于追求高度定制和控制的企業來說，這些投入是值得的。隨著時間的推移，SD 社區也在不斷簡化部署流程和降低使用門檻，使得更多公司能夠輕松利用這一強大的技術。

二、AI 應用場景解碼

盡管許多公司對 AI 充滿期待，但如何將 AI 技術有效集成到現有的工作流程中？還是很迷茫的。這就像是知道目的地，卻找不到合適的路一樣讓人撓頭。在當前的商業環境下，諸多公司對于 AI 的態度可以概括為“知其好而不知其用”。這反映出一個廣泛的現象：盡管 AI 的潛力被普遍認識到，但如何將其有效集成到具體的工作流程中仍然是一個挑戰。前段時間我的一個師兄還在跟我說，他們公司業務對 AI 還是不知道怎么去用，都知道好就是沒有應用場景，整個公司都很懵逼的狀態。有點類似于知道變身成凹凸曼很厲害，但是讓我來，我不知道怎么放技能。

多數公司的現狀

所以剛開始很多公司在對于 AI 的應用策略上都是“摸著石頭過河”，并不是所有嘗試都取得了成功。IBM Watson 在醫療領域的挑戰、Google Allo 的失敗、Amazon Rekognition 的爭議、以及 Microsoft Tay 的公關災難這些事件都是 AI 商業應用中值得關注的案例，從中也能吸取很多重要教訓。我們就拿 IBM Watson 這個產品分析下它的商業應用價值和最終策略失敗的真正原因：

1. IBM Watson 在醫療領域的挑戰

IBM Watson 在醫療領域的嘗試是人工智能技術商業應用的一個重要案例。Watson Health 的目標是通過利用大數據和機器學習來改善醫療服務的質量和效率，尤其是在疾病診斷和個性化治療方案的制定上。

1. 個性化醫療：Watson Health 旨在通過分析患者的醫療記錄和最新的醫學研究，為每個患者提供個性化的治療方案。這種方法有潛力大幅提高治療效果，尤其是對于癌癥等復雜疾病。
2. 效率提升：通過自動化分析醫學文獻和病例數據，Watson 可以幫助醫生和研究人員節省大量的時間，加快診斷和治療決策過程。
3. 決策支持：Watson 提供的數據驅動決策支持有助于降低醫療過程中的錯誤，提升病人治療的準確性和安全性。

然而，盡管初衷良好，Watson Health 在商業化過程中遇到了諸多挑戰，最終未能實現預期的商業價值。醫療數據的復雜性和不一致性對 Watson 提出了巨大挑戰。非結構化的醫療記錄、不同醫療機構的數據格式不統一以及隱私保護要求，都增加了數據整合和分析的難度。且 Watson Health 在技術上具有創新性，但其商業模式未能有效解決醫療行業的需求，包括如何融入現有的醫療流程中、醫生和患者對 AI 技術的信任度不足，以及高昂的成本問題。

所以可以總結一下就是 IBM Watson 在醫療領域的失敗主要源于數據處理的困難以及其商業模式和市場接受度未能達到預期。IBM Watson 在醫療領域的挑戰，從一個更寬廣的視角看，可以歸咎于對 AI 商業應用場景尋找的不是最佳的選擇。Watson 嘗試解決的問題超出了當前 AI 技術能力的最佳應用范圍，或者說，這個特定的應用場景并不是 AI 技術發揮最大價值的地方。

三、瑞幸借助 AI 華麗逆襲

而 AI 真的沒有好的應用場景嗎，或者說 AI 只是可遠觀而不可用的能力？不。相信大家還記得之前瑞幸咖啡的“財務造假”的新聞吧，回看 2020 年的 6 月份，瑞幸因為財務造假被強行退市，截止到了 2021 年的 8 月居然開始實現盈利，短短一年的時間從起死回生到全行業第一，他中間到底做了什么？2023 年他它的銷售額超越星巴克、門店數量超過 16,000 家的壯觀成績，背后反映的其實是企業通過技術創新，尤其是 AI 的深度應用，實現的快速轉型和增長。

即使今天瑞幸的管理層全部放假，他全國所有的門店依舊都可以照常經營的，絲毫不會受到影響。你覺得我說的太夸張？我們可以分析一下瑞幸的成功歸結于哪幾個關鍵策略和技術應用：

1. 全價值鏈的自動化和智能化：從產品研發迭代、供應鏈管理、門店選址、組織監管到個性化營銷和顧客服務，瑞幸通過構建一整套定制化的 AI 系統，實現了業務流程的自動化和智能化，極大地提升了效率和客戶滿意度。
2. 個性化營銷的深化應用：利用 AI 分析用戶行為和偏好，瑞幸能夠提供高度個性化的推廣活動和產品推薦，提高了銷售轉化率和顧客忠誠度。
3. 智能監管和預測系統：AI 不僅用于顧客端的個性化推薦，還深入到門店運營管理中。通過實時監控訂單流量、預測銷量，AI 幫助門店優化庫存管理和員工效率，甚至在無需人工干預的情況下自動調整產品供應鏈。
4. 迭代速度和新品開發：瑞幸的新品開發速度非常快，這得益于其 AI 系統能夠快速分析市場反饋和銷售數據，加速產品迭代周期，及時推出符合市場需求的新產品。
5. 數據驅動的決策制定：在瑞幸，幾乎所有的商業決策都是基于數據和 AI 分析結果來進行的，無論是市場營銷策略、產品開發還是供應鏈優化，都以數據為基礎，確保了決策的準確性和有效性。

瑞幸的故事也為其他企業提供了重要的啟示：在大數據和 AI 技術不斷進步的今天，企業可以通過技術創新，特別是智能化的應用，來實現業務的快速增長和市場競爭力的提升。同時，這也表明了未來商業競爭的一個重要趨勢：應用先進的 AI 技術和數據分析能力將成為企業獲得核心競爭力的關鍵。

四、實踐案例 chat GPT 的應用場景

盡管 AI 技術在企業中的應用案例眾多，有時我們仍然會發現自己對如何將 AI 融入日常工作以提高效率感到困惑。在眾多 AI 產品中，OpenAI 的 ChatGPT 無疑是最具潛力的工具之一。然而，如果我們僅將其視為一個高級搜索引擎，那么就大大低估了它的能力。

在探索 AI 如何優化工作流程的過程中，我開發了兩個定制化的 ChatGPT 應用：一是 PRD 撰寫助手，它能根據提供的項目信息自動生成產品需求文檔，極大簡化了文檔編寫工作；二是智能素材庫管理助手，這個工具可以自動為上傳的素材判斷業務領域、類型，進行自動打標簽和命名，有效提高了素材管理的效率。這兩個案例展示了通過 AI 定制化開發，將 ChatGPT 嵌入到工作流程中，關鍵在于我們如何定義任務和提出問題。一旦我們掌握了這些技巧，ChatGPT 便能成為提升工作效率的強大助力。我們能夠針對具體的工作痛點設計解決方案，從而在各自的領域內實現工作效率的顯著提升。

1. 開胃小菜：需求文檔 GPT 助手

這天領導突然讓我產出一份 PRD 文檔，11 點開會評審的時候要用，當時已經是 10 點了。一個小時如何快速產出一份完善的 PRD 文檔？這個時候 GPT 就派上用場了。但是項目背景、項目核心功能、產品目標什么的你一個一個地去和 GPT 聊，首先先不說它能不能形成連貫性思維，它可能會把你的問題逐個分析處理，但是不會數據留檔，其次它所生成的內容會說的很空很概念化，會具備一定的參考價值，但是還需要你結合項目情況進行二次調整。有這個時間不如去小紅書上找幾個模板自己套一下。

Chat GPT 4 有一個很核心的功能就是自定義 chat gpt，你可以創建屬于你的專屬 GPT。你甚至可以通過大白話的形式和它交流，它會根據你的要求更新指令(prompt)，并部署 GPT。但是這個要求指令需要步步引導，且等待它理解你的意思并優化成相對規范的 prompt 也是非常耗時間的。我們要學會利用格式規范，以 ai 可以快速理解的格式與之交流，不僅可以快速部署，且規范化指令會讓 GPT 的輸出更加穩定。

所以在我部署 GPT 之前，我會對 prompt 進行三大要素的梳理：

規范性

專業性語言：通過整個描述，采用了專業術語，如“PRD 文檔框架-潤色”、“專家級 ChatGPT 提示工程師”等，確保了溝通的專業性。

角色設定：明確了與用戶互動的角色（專家級 ChatGPT 提示工程師）和用戶的稱呼（張老師），規范了雙方的互動模式。

行動指引：對于每一步驟，給出了明確的動作指引，如“詢問是否繼續執行”、“確認活動中的專家角色”等，為用戶提供了清晰的指導。

格式化

編號列表：采用了編號列表的格式，將整個流程分為 17 個步驟，每個步驟都有明確的編號，便于閱讀和理解。

步驟清晰：每一步的任務都被清楚地分解和描述，格式一致，每個步驟都獨立成段，易于跟蹤和執行。

邏輯性

邏輯順序：從用戶的需求出發，到角色的確認，再到具體的執行步驟，最后是反饋和調整，整個過程呈現出明確的邏輯順序。

條件邏輯：在一些步驟中嵌入了條件邏輯，比如如果用戶同意或不同意，會有不同的后續行動，這樣的設計提高了互動的靈活性和適應性。

反饋循環：在流程的最后階段，通過詢問用戶的滿意度和是否需要更改，形成了一個反饋循環，確保能夠根據用戶反饋進行調整，以達到用戶的期望。

完整的 PRD 文檔助手 prompt

簡單的描述項目背景后限定角色

直截了當的提出需求

GPT 會提出一系列關鍵點問題

“有條理性的回復 GPT 的問題”后直接產出 PRD 文檔

2. Chat GPT 接入項目場景

ok，這只是 AI 在工作效率提升方面的一個小示例。然而，AI 的潛力不僅限于工作之外的領域，它也能深入工作場景中，為產品帶來實質性的提升。目前，我正在公司開發一個內部素材庫平臺。實際上，每個公司都擁有自己的設計資源，但這些圖片素材通常分散在各處——有些存放在公司的內部平臺上，有些仍舊留在設計師的個人電腦中，而有些則遺失在公司的某個塵封文件夾中。問題在于，如何整合公司現有的素材，以便設計師能夠在使用時迅速找到所需資源。一般來說，公司會建立素材庫平臺或指派專人管理內部素材來解決這一問題。但我在建設素材庫時發現，簡單地將所有素材匯集到一個平臺上對設計師并不是很有幫助。他們還需要從中挑選所需素材。如果沒有一套規則或系統對素材進行分類管理，使用者面對一大堆素材時會感到頭痛。我知道我需要的素材就在這堆里，但就是找不到。到頭來，我寧愿上網搜索一張進行修改，或者干脆自己GC一張。因此，對內部素材進行初步篩選變得十分必要：業務、素材類型。這涉及到按照公司內部業務進行分類，以及根據素材的現有類型（如3D、插畫、真實圖像、紋理氛圍等）進行一級篩選，這是最基本的操作。

但由于公司內部許多素材都是 GC 的，命名往往是一串無規律的字符。即便利用算法支持的圖像內容識別技術，通過圖文搜索能力來快速篩選素材，準確性仍舊不盡如人意，無法全面覆蓋所有素材，導致大量素材難以被有效檢索。這就凸顯了建立一個標簽庫的必要性。如果有一套完整的標簽體系來管理和分類素材，那么通過標簽搜索就成為了一種常見的管理方式，類似于在素材網站如花瓣、千圖等可以看到的，每個素材下都有一些描述性的標簽。這個方向是正確的，但是問題在于如何為初次上傳的素材進行標記。理想的情況下，是通過算法基于模型分析圖像內容后進行智能打標。

但這里又出現了一個問題，先不論算法打標的準確性，它真的就是識別素材內容后打上相應的元素標簽，這樣的復用性極低。比如，我上傳了一百張素材，它可能會為我生成 100 個不同的標簽。如果公司就 3D 風格的素材就有幾萬張，那么維護一個如此龐大的標簽庫就變得不現實，喪失了其意義。我點擊一個標簽可能只能篩選出一張圖，這并沒有有效地利用標簽對素材進行管理。

因此，我開始嘗試訓練 GPT 來進行自動化打標，并限定在一個預設的標簽池中進行選擇。這樣不僅能實現自動化打標，還能對標簽庫進行有效管理和維護。我們只需要按照固定的格式去投喂標簽庫的標簽，這一步可以將格式給 GPT，讓 GPT 按照該格式針對素材類別進行分類總結，可以快速整理標簽庫，我以類別維度去搭建的標簽格式：

一、主要類別（1）子分類 [具體標簽]。

大概整理了 17 個主要類別，基本囊括 80%的圖片素材類別，后期也會定期維護更新。

解決了標簽自動化的問題之后，我再次嘗試上傳素材，卻發現效率并沒有顯著提高。因為每當我上傳一張素材時，我需要選擇業務歸屬、素材類型、標簽，最后還得為素材進行命名。我開始思考，如果這所有的素材信息都能被自動填充，那將大大提高上傳效率。因此，我首先對素材進行了全面的命名規范：

業務（判斷）-素材類型（判斷）-標簽一、標簽二、標簽三-人物描述/物體名稱（判斷，不超過 4 個字）-動作/場景/特征（判斷，不超過 6 個字）。

素材的名稱即為：

人物描述/物體名稱（判斷，不超過 4 個字）-動作/場景/特征（判斷，不超過 6 個字）。

例：一張女足的素材。全命名為“業務-3D-青年、運動健身、運動員-女孩-踢球”。

我們在 prompt 中加入現有業務并附帶判斷要求，及現有素材類型并附帶判斷要求：

業務類型及判斷要求（脫敏）

限定素材類型

然后我們對命名進行規范，和命名的輸出規范：

命名規則

最后針對于標簽的打標進行具體的規則限制：

打標規則限制

看一下效果：

上傳素材后 GPT 進行批量輸出（牽扯公司業務，業務暫不展示）

完成這一切的部署，可以批量化上傳素材，針對素材信息進行自動填充，人工只需要審核即可。寫一個腳本進行批量上傳后自動打標，在 Agent 中把邏輯設定好，每個圖片對應一個 json，一晚上 GPT 就可以打完所有的標簽了。

3. Prompt 的有效輸出

對于高效的 Prompt 輸出，可以通過以下幾點進行分述：

格式規范性：

格式的規范性是確保信息傳達清晰的基礎。它包括適當的使用空格、縮進和換行來區分不同部分和層級。

通過合理布局，使 Prompt 的結構清晰、易于閱讀，有助于用戶和 AI 系統更快地理解和執行。

邏輯嚴密性：

Prompt 應按照邏輯順序組織信息，確保每一步都建立在前一步的基礎之上，避免邏輯跳躍或矛盾。

邏輯的嚴密性確保了指令的明確性和執行的可行性，減少了解釋的歧義。

善用標點符號：

通過適當使用標點符號來對指令進行層級區分和細節說明，可以提升命令的準確性和易懂性。

例如，使用逗號和分號分隔同級項目，括號內注明附加說明或條件，以清晰表達復雜的指令集。

深厚的專業知識：

編寫專業級 Prompt 要求編寫者不僅具備相關領域的深厚知識，還要了解特定領域內的術語和概念如何在 AI 系統中應用。

這包括選擇合適的術語和表達方式，使其既準確又容易被 AI 系統理解和執行。

精確的語言表達：

高質量的 Prompt 輸出需要精確的語言表達能力，以避免歧義和誤解。

通過明確的指令和表述，減少 AI 執行時的錯誤率，提升整體的工作效率。

針對 AI 的優化：

考慮 AI 的理解能力和解析方式，在編寫 Prompt 時進行優化，以確保 AI 能準確無誤地執行指令。

這可能涉及調整表達方式、使用特定的結構或關鍵詞，以適應 AI 處理的特點。

可以給大家再分享幾個高效的 Prompt：

文學教授（角色）“限定規則格式”

專業級 Chat GPT 提示工程師

總結

AI 的強大之處無疑類似于一輛高性能跑車，具備驚人的速度和效率。然而，要讓這輛跑車在實際工作場景中發揮其最大潛力，前期的準備工作至關重要。這不僅涉及到將路鋪設好，還需要設置好護欄、道路信號和明確的指引。在 AI 的世界里，編寫有效的 Prompt 相當于鋪設道路，而格式化和規則的設定則如同增設護欄和道路信號，確保 AI 能夠在正確的軌道上高效運行。

要讓 AI 成功嵌入工作流中，并找到合適的應用場景，關鍵在于我們需要精心設計和部署這個場景，明確規則和限制條件。這意味著，我們需要深入理解 AI 的工作原理和能力范圍，同時也要對工作流程有充分的把握。我們要預設那些可以由 AI 自動完成的任務，識別那些需要人類智慧介入的環節，從而構建出一個既能發揮 AI 優勢又能符合實際工作需求的系統。精心編寫的 Prompt 不僅要能夠引導 AI 理解我們的具體需求，更要能夠確保 AI 的輸出符合預期，避免偏差和誤解。格式化和規則的設置則進一步確保了 AI 在處理任務時的準確性和安全性，就像給跑車設置了正確的行駛路線和速度限制，既保證了運行效率，又避免了潛在的風險。

總之，將 AI 嵌入工作流中，要求我們不僅要了解 AI 的潛力，還要精心設計其運行的環境和條件。通過這種方式，我們才能確保 AI 像一輛得到精確指引的跑車，既能在工作中發揮出最佳性能，又能確保沿著正確的方向前進。對于 AI 的探索還在繼續，讓我們盡情期待！