大模型到底為公司帶來了多大的好處？為應(yīng)用大模型，采購了第三方的AgentBuilder平臺，或者自研搭建了大模型應(yīng)用平臺，效果咋樣？企業(yè)內(nèi)部的員工會用了嗎？還是依賴外部的第三方提供解決方案呢？用大模型時，需要考慮信息安全相關(guān)的事兒，權(quán)限粒度能滿足要求嗎？違規(guī)碰觸攔得住嗎？……一連串的問題，讓數(shù)據(jù)來回答……

1.大模型落地stakeholders&成本

企業(yè)都想在這波技術(shù)生產(chǎn)力變革中，不被落下，無論是自動駕駛、具身智能、機器人還是內(nèi)部的IT系統(tǒng)，迎來了“換腦子”的機會。都想干，怎么入手呢？一般大模型落地需要五個角色的人彼此協(xié)作。如果是外采第三方MaaS平臺，那么3、4、5就由第三方公司出人。

2.Agent開發(fā)平臺產(chǎn)品功能MAP

要評估自建、還是外采，那么先來看下，Agent開發(fā)平臺，應(yīng)該有哪些必備的“能力”。搭建這樣一個平臺，貴公司需要多久？投入多少成本/資源？

3.Agent平臺數(shù)據(jù)運營

3.1 ROI

ROI=W/(XorY+Z+M+N+O)

3.2 平臺運營：有數(shù)據(jù)可用

節(jié)約成本：每個月做數(shù)據(jù)清洗、數(shù)據(jù)查詢、口徑對齊、取數(shù)等工作，2*15=30人天/月

3.3 平臺運營：需要的數(shù)據(jù)

有了這些數(shù)據(jù)，可以回答下面一系列問題：

1. 高層可以了解，各層級部門應(yīng)用大模型的進展C
2. 高層可以了解，當(dāng)前員工用大模型的情況F

還可以了解：

1. 昨天，員工跟大模型交流對話了多少輪？消耗多少token(需要花多少錢)？大模型回復(fù)了多少token(代替人回答問題)？大模型累計服務(wù)時長是多少？X/8小時，相當(dāng)于一天里，有多少名虛擬數(shù)字員工在代替人干活～～
2. 上周，營銷Agent，一共生產(chǎn)多少篇營銷圖文/視頻等，投放到各個渠道的效果怎么樣，熱度、用戶回復(fù)、傳播效果與大上周、或者與人工產(chǎn)出文案同環(huán)比，為小程序、APP拉新、促活引流效果如何……
3. 7月，銷售助手Agent，累計應(yīng)答多少次銷售問詢，以更好的給用戶做售前解答。售后服務(wù)Agent，累計應(yīng)答多少次售后服務(wù)同學(xué)，以更快捷的協(xié)助用戶解決問題……
4. 7月，零件Agent，累計應(yīng)答多少次零件在庫問詢/同類零件可替代問詢，發(fā)出多少個零件的庫存紅線采購預(yù)警，以確保供應(yīng)鏈最優(yōu)，成本最優(yōu)……
5. Q2，輿情監(jiān)控Agent，一共搜集到多少個外部渠道的用戶呼聲，其中有多少是正面輿情，多少是負(fù)面輿情。有多少做了即時回復(fù)，有多少通過人工處理～～

所有的環(huán)節(jié)，數(shù)字化+智能化的協(xié)作是大模型讓企業(yè)動起來的表征……

4.舉例：大模型安全識別、攔截、放行數(shù)據(jù)分析漏斗圖

計算公式：

1.輸入攔截率=輸入攔截次數(shù)/用戶輸入總量=5+(4+X2)/1

2.輸出攔截率=輸出攔截次數(shù)/大模型輸出總量=11+(X2+10)/1

3.漏攔截率=漏攔截次數(shù)/（攔截次數(shù)-誤攔截次數(shù)+漏攔截次數(shù)）=4+X2+10/（5+11-6-X1-12+4+X2+10）

4.誤攔截率=誤攔截次數(shù)/攔截次數(shù)=（6+X1+12）/5+11

受作者領(lǐng)域認(rèn)知深度所限及技術(shù)無時無刻不在更新迭代，業(yè)界對LLM、AGI、Agent、GPT……的衍生應(yīng)用必定是珠零錦粲。無法在一篇中盡現(xiàn)全貌，未來可能會徹底推翻當(dāng)下的種種嘗試而不得知。能為大家?guī)ヒ稽c點新的啟發(fā)，以深感欣慰。文中難免有紕漏或不準(zhǔn)確的地方，歡迎大家批評指正。撰寫中參考網(wǎng)絡(luò)上各位同仁的最新觀點，拿來主義未打招呼，還望見諒。若有任何建議或意見，歡迎聯(lián)系作者探討。