中国企业对于生成式AI应用场景的了解都来自于ChatGPT的传说，但中国企业能使用的GenAI资源与ChatGPT却没有关系。直截了当地说，中国企业目前能够使用的GenAI资源都比GPT-4要差很多，注意不是“有差距”，而是“差很多”，这是中国企业考虑生成式AI问题的基本前提。
但是，另一方面，GenAI技术在快速发展，等到海外公开放出Llama3或Mistral2这样更强大的模型，国内公司“自主创新”后，中国企业就可以开始使用与GPT-4差距更小一点的模型。所以，详细了解ChatGPT等的应用场景，还是非常有必要的，因为这是中国企业目前可以想象的应用场景的上限，超过上限的想象就是幻想，趁早打住。了解上限在哪里，这也是中国企业考虑生成式AI问题的另外一个基本前提。
在这些前提之下，中国企业能否设想一些生成式AI的“应用场景”，投入生成式AI建设，进行概念验证和小规模试用测试。这样去推进生成式AI建设有没有问题？
如果中国企业是开放型的，可以“直接使用”现有GenAI产品，那么这个思并没有什么问题。先研究中国市场到底有哪些成熟的GenAI产品，然后选择市场最优秀的GenAI产品，先订阅或者试用，一段时间后总结应用成效，有实效就继续使用，无实效就停止使用。
但是，如果中国企业是封闭型的，对于GenAI产品只能进行“深度研发”或者“工程化适配”，这样就与“直接使用”的应用模式产生了巨大差别，此时仅仅考虑了一些“应用场景”就着手进行GenAI建设会产生非常大的问题。
原因就是，中国企业以“深度研发”或者“工程化适配”为基础的GenAI建设，对应着巨大的成本，不从业务用例和业务目的的层面把问题彻底想清楚，就动手GenAI建设，会造成巨大浪费。
以“深度研发”或者“工程化适配”GenAI建设，是包含着算力投资、数据费用、AI研发团队建设、提示词工程/RAG/精调的研发与维护、应用集成与业务整合等巨大投入的过程。
GenAI应用不是软件项目，不是“做完了”与“没做完”的问题，GenAI产品是个概率性产品，是关于有用性、准确性、合规性的综合性能问题，没有端到端的长期投入、维护和优化，实际上无法进行严肃的概念验证和小规模试用测试——“项目完成，能效不佳，等于废品，不如不做”。
因此，在GenAI建设之前，中国企业必须完全想清楚业务用例和业务目的，业务流中能不能纳入GenAI，纳入GenAI到底是为了增收还是为了节支，增收或节支能取得多少收益，增收或节支对于GenAI的性能要求是什么，GenAI建设成本和维护成本怎么规划——这个企业级的“GenAI决策模型”必须首先建立起来。
一些决策者可能对此会有疑惑，“应用场景”不就是“业务目的”吗？一个“应用场景是有益的”不就等于是“业务目的是成立的”吗？软件项目可以这样做，GenAI应用为什么不能这样做？
大部分中国企业的软件开发确实就是以“应用场景”为导向的，需求分布式提出、开发分布式交差，造成企业里充斥着数量极大的散乱小软件系统，只不过在这种分布式架构之下，浪费也是分布式，浪费在时间和空间上都被分散了，企业感受不到巨大浪费而已。
以“业务目的”为导向的软件开发，就是要从企业业务架构出发先考虑企业软件架构的问题，先有顶层业务流、数据流的设计，再有软件开发。当前生成式AI的技术发展，正从AI Copilot的第一阶段转向AI Agent的第二阶段，AI Agent则是在直接重构企业核心业务流，企业不首先理顺企业软件架构问题，未来会越来越难以回答“企业应该怎么用好AI”的问题。
大部分中国企业的实际情况是，已经充斥了以“应用场景”为导向的大量散乱小软件，这时就需要再来一次以“业务目的”为导向的软件大重组，这种软件大重组的另外一个名字就是——“数字化转型”。
但是，对于企业GenAI应用，“应用场景”为导向来开发是不可行的，先建设再转型都是不可能的。
N个“应用场景”都设计了GenAI应用，那么这N个GenAI应用互相是什么关系？N个GenAI底层的基础模型之间是什么关系？N个GenAI底层的算力池是怎么规划的？N个GenAI所依赖的数据基础建立了没有（这不是技术问题，是管理问题）？N个GenAI依赖的AI研发团队建设与工程化适配技术能力是怎么规划的？这些问题都是企业软件架构层面的问题，企业GenAI的技术特点实际上在逼迫企业必须先考虑好企业软件架构。
中国企业在根本没有想清楚“企业应该怎么用好AI”、“业务应该怎么与AI结合”的时候，最好不要急着去凑生成式AI的热闹，不要急着去当AI科研试验品，免得出现巨大浪费后不了了之。
