由于大模型具备一定的跨行业通用性，并通过自然语言对话、API系统对接等交互手段，支持多样化的使用方式。因此，在各行各业令大模型的应用落地，由于大模型适应场景的能力、成熟度、企业应用时间经验、企业业务性质等因素的不同，可能会经历以下三重境界。

• 第一重境界：工欲善其事，必先利其器。

企业鼓励并组织管理者和员工个人在工作中使用大模型，提高个人的工作效率。此时属于人类和AI 1：1的副驾模式，大模型的产出归属于员工个人，同时，员工也需要为大模型的产出质量负全责。

通过个人的使用，为企业探索出大模型在特定业务场景下的应用成熟度、效率提升、模型缺陷、负面影响等，用于评估在本企业应用大模型的价值，为下一步应用的决策提供真实的参考信息。

提高员工个人工作效率，反映在企业效益上，可能是员工工作质量、工作满意度的提升，也可能是在同等人力资源的条件下产出更大的工作量。

在这个阶段，企业应注意内部核心数据的保密。除了制定大模型使用的数据管理规范之外，还可以选用大模型服务商提供的私域专有模型，将模型部署在企业专用服务器上，从而确保内部数据不会进入公域大模型的训练数据集之中。

• 第二重境界：同舟共济扬帆起。

企业将大模型嵌入业务流程中，让大模型独立承担某些环节的工作职责，为企业贡献更为全局性的效益。此时大模型从附属于某个人类的副驾转变为某些工作环节的代驾，直接跟人类形成协作关系，同时也接受人类的指导和监督。

此时往往伴随着企业业务流程的调整，以及各环节职能重心的变化。例如，

• 翻译文章的业务流程从“译员初翻-高级译员审核修改”变成了“大模型初翻-译员改错润色-高级译员审核修改”。
• 企业客服的业务流程从“人工客服服务客户-后台督导抽查”变成了“大模型服务客户-人工客服实时监控-后台督导抽查”。

此时大模型的产出归属于企业，企业需要在业务流程中确定其他环节的人类员工，对大模型的产出进行全量或抽查的质量审核，由人类员工对其审核范围内的质量负责。当大模型在该行业达到一定的成熟度之后，还可以跟大模型技术供应商约定模型产出质量的服务等级协议（SLA），由供应商负责其模型和系统这一段的产出质量，并与供应商的服务费用挂钩，进行激励或惩罚。

在第二重境界，企业围绕大模型的特点调整和优化自身流程，更充分地利用大模型的能力，应获得远超第一重境界的企业效益提升。此时需要关注大模型应用对员工的影响，从组织机制设计上避免潜在的冲突。

为了进一步提高大模型的效果和产出，还可以借助模型插件库的能力进行本地化二次开发，读取和查询本地数据；或者根据本行业和本企业的特点，进行模型微调训练、提示语上下文学习等定制化的工作。此时需要企业的业务部门和IT数据部门共同介入完成。

在第二重境界，企业要调整业务流程和员工岗位，因为投入IT数据资源进行本地化开发和训练，需要付出较大的组织成本和人力成本。站在整体效益最大化的立场，应该评估业务各环节的大模型应用成熟度和优先级，选择最适合的应用点切入。其中一个重要的评估角度是业务环节的信息量和容错率。

其中，

• 信息量指的是在该业务环节中，需要阅读消化多少信息，信息量越高，大模型辅助人类的效果就越显著。
• 容错率指的是在该业务环节中，允许错误出现的概率，容错率越高，错误造成的损失就越小，大模型的应用效果就越可控。

信息量和容错率的4种组合，对大模型应用效果有着不同的影响，企业可以根据自身情况来选择应用的短期切入点和长期目标。

• 第三重境界：欲穷千里目，更上一层楼。

企业基于大模型在本行业应用中的潜在优势，需要重新设计业务，从根本上改变业务运作方式，或进入一个全新的、在大模型之前无法进入的市场。例如面向中低端用户提供一对一服务，UGC个性化设计、C2M弹性供应的商品生产，基于AIGC内容的社交娱乐体验，等等。

此时，企业需要从技术、产品到市场、商业进行全盘策划，创建新的商业模式，挑战现有的行业规则，并承担较高的风险，此类策划方式更适合初创企业或者大企业中的独立团队。（相比之下，前两重境界更多属于渐进式创新，企业专注于将大模型技术整合到现有的体系中，关注存量业务的投资回报率，相对更稳妥，更适合行业中已有的企业。）

有能力尝试并最终成功走到第三重境界的企业很少，然而，这重境界却是大模型产业应当追求的方向。当大模型的多模态能力得到充分释放后，人类与大模型的协作达成默契，大模型在某个领域的成熟度被打磨到极致，只有结合企业家的全新业务模式设计产生颠覆式创新，才有机会做出市场增量，把社会经济的蛋糕做大，催生新的人类就业机会。对此，值得我们寄予无限的遐想。