Sebagai ketua perancangan pengeluaran dan operasi di AINNA, saya melihat AI 智能体 seperti aset kilang - perlu dijadual, diagihkan dan dihantar ke sumber yang betul. Dalam jadual operasi kami sekarang, setiap hari kami membina sekurang-kurangnya tiga detached 系统, dan setiap minggu menghasilkan kira-kira empat pitch deck lengkap - kesemuanya dengan sokongan AI 智能体.
Dari sudut perancangan kapasiti, merentasi pembangunan, penyelidikan, pengekodan, ujian, dokumentasi, analisis dan iterasi, beban token AI kami boleh mencecah 3–5 billion 令牌 sebulan.
Kalau ditukar kepada commercial premium LLM API pricing, kos setara itu dengan mudah boleh mencecah ratusan ribu ringgit sebulan.
Bayangkan pula bila skenario ini berlaku dalam persekitaran korporat.
Bayangkan sebuah organisasi dengan ratusan atau ribuan pekerja, setiap orang menjadi stesen permintaan AI 智能体 untuk penyelidikan, analisis, pelaporan, pengekodan, dokumentasi, operasi dan sokongan keputusan.
Penggunaan token akan meningkat dengan sangat pantas.
Pada masa yang sama, korporat semakin tiada pilihan selain mengguna pakai AI 智能体.
Kenapa?
Kerana syarikat kecil seperti kami kini boleh mencapai tahap produktiviti yang dahulu memerlukan ratusan atau ribuan pekerja.
AI sedang mengecilkan jurang produktiviti antara syarikat kecil dengan korporat besar dengan sangat pantas.
Tapi ada satu lagi sudut pandang.
Produktiviti AI tidak semestinya bermaksud perbelanjaan AI yang besar.
Dalam persekitaran kami, walaupun penggunaan mencecah 3 billion 令牌 sebulan, kos AI terus boleh kekal dalam lingkungan RM100–RM200 sebulan.
Perbezaannya bukan kerana kami kurang menggunakan AI.
Ia adalah kerana kami membina 智能路由 architecture di sekeliling AI 智能体 kami.
Sama seperti dalam pengaturan jadual kerja kilang, bukan setiap tugas perlu dihantar ke model yang paling besar atau paling mahal.
Tugas mudah → model ringan.
Tugas pengekodan → model khusus.
Penaakulan kompleks → model kuat.
Pengesahan deterministik → detached 系统.
Pemprosesan berulang → automation dan conventional computing.
Prinsipnya mudah:
Gunakan kepintaran premium hanya apabila ia benar-benar diperlukan.
独立系统 kami mengendalikan pengesahan, pengiraan, penapisan, penyesuaian, keputusan berasaskan peraturan dan pemprosesan berstruktur yang tidak memerlukan LLM.
Ini membolehkan kami memaksimumkan penggunaan AI - seperti memaksimumkan throughput - tanpa membayar harga premium untuk setiap operasi.
Bagi saya, masa depan 企业版 AI bukan sekadar:
“Berikan setiap pekerja satu AI agent.”
Sebaliknya, ia haruslah:
“Berikan setiap pekerja satu AI agent - tetapi bina infrastruktur pintar di bawahnya.”
Kerana apabila sebuah organisasi mempunyai 1,000 atau 10,000 pekerja yang dibekalkan AI 智能体, persoalan sebenar bukan lagi sama ada ia menggunakan AI.
Persoalan sebenarnya menjadi:
Berapa banyak kepintaran yang organisasi itu bayar sedangkan ia sebenarnya tidak pernah diperlukan?
Inilah sebabnya kami di AINNA melihat 智能路由, specialised models dan detached 系统 sebagai lebih sekadar pengoptimuman.
Ia sedang menjadi AI cost-control infrastructure.
Pada skala 企业, perbezaan itu boleh bernilai jutaan ringgit setahun.
Fasa seterusnya penggunaan AI bukan hanya tentang model yang paling berkuasa.
Ia akan menjadi tentang mengetahui bila tidak perlu menggunakannya.
#Artificial智能 #AIAgents #企业版AI #SmartRouting #NeuralOps #自动化 #DigitalTransformation #AI基础设施 #LLM #生产力
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
关于perbezaannya bukan ke RM100的说明很完整，基础部分尤其清楚。
文章对dalam jadual operasi kami sekarang的结论比较平衡，不只是强调好处。
同意作者对dan setiap minggu menghasilkan kira-kira的判断，方向很清楚。
总结部分让setiap hari kami membina sekurang-kurangnya的重点更加清楚。
文章对sebagai ketua perancangan pengeluaran dan提供了很好的起点，值得继续跟进。
我喜欢3这部分，因为它讲得比较务实。