你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。
AI 正在转换 SaaS 产品的设计、交付和运营方式。 对于 SaaS 独立软件供应商，它为产品架构和系统功能设立了新的前沿。 请定义 AI 在您的总体价值主张中的作用。 将策略从功能构建者转移到为客户推动有意义的结果的合作伙伴。
AI 的好处是真实的，但风险也是如此。 有紧迫感：如果你不快速采用 AI，竞争对手将更快地、更智能、更大规模地交付你的价值。 与其他类型的软件相比，SaaS 中的复杂性也随之增加：
- 为不同需求的客户提供服务，
- 可能需要重新设计现有体系结构，使应用程序和数据适合 AI 和代理体验，
- 在不同的租户中运行多个模型或体验，以及
- 在不牺牲安全或质量的情况下快速移动的压力。
如果没有明确的 AI 策略，你将面临与产品愿景不一致的风险，并可能分散对用户最关心问题的注意力。 目标不是随意添加 AI 或作为走形式的练习，而是有意地实现 AI，使其符合您的业务目标和客户需求。
本文提供了实用指南，可帮助你在 SaaS 产品中战略性地采用 AI。 虽然专注于 B2B，但见解同样适用于 B2C。 我们将介绍 AI 可以在何处产生影响、潜在陷阱，以及如何通过清晰的方式接近 AI，以增强产品并让你长期取得成功。 本指南适用于产品所有者、技术领导者以及任何在 SaaS 中塑造 AI 策略的人。
专注于 SaaS 作为业务模型，而不是应用程序
ISV 通常将其 SaaS 应用程序视为整个业务。 随着 AI 重塑 SaaS 布局，供应商应开始将应用程序视为业务提供价值的一个渠道。 考虑如何改变业务思维模式。
请考虑此示例：一家提供记帐应用程序的 SaaS 公司。 如果仅将你的价值定义为提供具有某些业务逻辑的财务数据接口，则可能会使应用程序成为商品。 AI 现在可以直接与软件交互。 代理可以使用应用程序，甚至复制其功能，而无需用户直接与它交互。 如果客户仅将你的产品视为工具，他们可能同样愿意替换它或使用 AI 构建自己的解决方案。
为了保持相关性，请提升应用程序的角色，从只是一个工具到包括 AI 来利用这些工具来提供更大的价值。 从软件提供商转向战略合作伙伴，帮助客户运营更智能的企业。 专注于你所解决的核心问题，并探索 AI 如何让这种价值更为具体。 例如，你可能：
- 让 AI 分析客户财务数据并主动突出显示趋势或风险
- 根据当前金融和市场状况提供实时建议和见解
- 通过新格式提供指导，例如嵌入式代理、个性化简报或每日音频播客。
- 跨客户使用聚合数据来提供基准测试、预测和预测分析
将思维模式从产品构建者转变为业务合作伙伴，使 AI 成为优势来源，而不是威胁。 这种观点可能不会显著改变路线图，但它将增加影响。 它允许你设计通过 AI 提高价值的产品，并启用符合客户目标的代理工作流。 通过明确的策略，营销 AI 功能从做出模糊的承诺转向展示如何交付和增强实际业务价值。
设置一个愿景，让客户可以解锁更深入的见解、自动化和战略成果，从而增强核心价值主张。
Recommendations
将您的角色从产品供应商转变为战略合作伙伴。 将重点从构建功能转移到解决核心业务问题。 客户应将你视为一个长期合作伙伴，可帮助他们更高效地运营并做出更好的决策，而不仅仅是软件提供商。
AI 驱动的工作流设计，而不仅仅是人工交互。 不要假设所有交互都通过 UI 发生。 构建功能，使 AI 代理能够代表用户使用你的平台，它们支持通过或不直接用户参与提供价值的代理工作流。 代理不需要用户界面 - 可以直接与 API 交互，可以执行作，并且可以直接访问结构化和非结构化数据。
确保路线图反映此提升的价值主张。 您不需要重建一切，但确实需要重新调整优先级。 投资增强战略价值的功能，而不仅仅是表面级别的 AI 功能。
在内部和外部传达战略转变。 团队和客户需要了解此更改。 在内部，它将指导更好的产品决策。 在外部，它增强了你的市场地位，并帮助你在拥挤的 AI 饱和空间中脱颖而出。
评估机会和风险
AI 提供了一种强大的方法来推动 SaaS 产品超越传统的以人为本的设计。 从历史上看，SaaS 一直在帮助客户更高效地工作，使价值和创新能够持续增加，并将运行和作软件的负担转移到提供商。 SaaS 传统上专为用户设计，具有直观的界面和工作流。 以 AI 为中心的建设需要转变。 这意味着确定产品的各个部分，其中 AI 可以扩展功能、自动化工作流，甚至重新定义解决方案如何提供价值。
这可能涉及嵌入智能功能、改进内部作，或为客户启用全新的 AI 驱动体验。 例如，客户可以与 AI 驱动的界面和工作流进行交互，这些界面和工作流的工作方式不同于传统的以人为本的设计。 当 AI 处理常规任务和复杂任务（超越确定性自动化）时，它使人们能够专注于真正重要的事项：战略思维、创造性的问题解决和高影响决策。 它不仅仅是效率或成本节省，它就是解锁人类的潜力，因为它最重要的。
风险：本地化试验。 如果没有强有力的领导和明确的计划，AI 努力可能会很快变得碎片化，并且可能不会演变为超越概念证明。 在当今受炒作影响的环境中，团队和个人可能会进行孤立的实验，从而产生缺乏关联的功能和矛盾的方法。 不加控制的情况下，这些即兴的努力可以悄无声息地以难以逆转的方式塑造产品的方向，且可能与你的长期目标不协调。 它们还会为未计划使用的模型、工具和数据引入持续的维护负担。
Recommendations
在领导级别建立明确的 AI 战略。 高级领导应该充分了解 AI 和权衡可能的情况，以便他们能够做出明智的决策。 与他们合作，为与长期目标保持一致的 AI 集成制定明确的愿景、原则和所需结果。 有关详细信息，请参阅 云采用框架：创建 AI 策略。
鼓励在战略护栏内进行探索。 任命一个直接负责的个人（DRI）或工作组，负责推动 AI 计划。 这可确保整个开发和运营团队的凝聚力和统一方向，并让业务利益干系人保持知情。
他们还可以担任 AI 试验和试点的审阅者。 他们的责任是根据战略目标、客户价值和产品一致性来评估它们，以防止偏移和重复。
为 AI 用例创建共享清单。 枚举产品的当前流和功能，并制定内部指南，了解何时、在哪里以及应如何在产品中使用 AI。 有关灵感，请参阅 SaaS 架构类型下列出的典型用例。
区分基础 AI 用例、对话式 AI 用例和代理用例。
- 基础用例 将 AI 技术用于目标目的，例如聊天、分类、情绪分析、数据提取、内容生成和扩充。
- 对话用例 基于基础用例构建，使用应用程序或客户的数据回答问题。
- 代理用例 使用基础用例的组合来实现更高的顺序任务，通常添加推理、深入研究和其他高级功能。
- 多代理用例 结合了每个具有定义用途的代理，并可能反映整个业务流程或决策。 例如，住房贷款评估过程可以建模为一组具有特定角色的代理，以根据指定的标准执行研究和评估贷款申请。
将它们视为一个演进过程，每个阶段都构建在之前阶段的基础上，带来更多的价值和更复杂的情况。
跨组织传达策略。 确保开发人员到产品经理的每个人都了解公司的 AI 目标。 定期加强此策略，以规划会议、产品评审和公司更新。
投资人工智能的教育和推广。 为团队提供关于什么是 AI（以及什么不是）的基本了解，及其如何应用于贵公司的业务，以及在哪些方面可以增加有意义的价值。 共享的理解有助于减少不一致的行动。
小窍门
高质量示例是了解 AI 的可能和现实的一个很好的起点。 仔细查看来自其他产品的良好 AI 集成示例，并且查找示例和详细信息，了解在每一层如何实现它们，包括应用程序、数据检索与基础构建、模型交互以及提示。
从小开始，以迭代方式增强
下面是一些入门决策点。 做出这些决定时，请牢记你的产品、团队的经验以及总体策略。
你的产品是基于 AI 构建的，还是使用 AI 来扩充和扩展你已经提供的产品？
此区别将塑造你如何确定用例的优先级、构建团队并衡量成功。 如果已定位为 AI 原生解决方案，路线图应在每个层反映这一点。 如果不是，您的策略应专注于 AI 在不干扰现有系统的情况下增加切实可行的价值。
风险：过度依赖聊天机器人作为主要的 AI 接口。 聊天机器人通常是 AI 的一个实际起点，因为它们易于实现、支持良好且能够实现快速效果。 但是，仅依靠聊天界面可以限制策略并导致错过的机会。 AI 具有更多能力的潜力，包括推理、个性化、自动化、建议和智能见解。 超越聊天，考虑 AI 如何最好地为用户和产品体验提供服务。首先，了解 SaaS 业务在应用程序体验、管理的数据或提供的见解中的价值。 请参阅： 示例：SaaS 原型。
如何使用 AI 评估成熟度级别？
AI 技术和用例正在迅速变化。 处于 AI 旅程的早期阶段是完全正常的。 目标不是在第一天就把整个业务转向以 AI 为中心。 相反，请选择一些重点领域，其中 AI 可以增强你的产品或在你自己的作中使用。 了解哪些方法有效，在小胜上建立，并利用这一势头来发展更具可扩展性和信心的 AI 能力。
当你逐渐成长时，你将开始理解在何处可以突破技术和系统的边界。 你还将了解如何以各种方式对流进行建模，以便确定 AI 适合和不适合的位置，以及如何为全新的功能和体验创造机会。
但是，如果没有足够的重要现实经验，很容易被误导，或者自以为某件事是可能的或者是个好主意，而实际上并不是这样。
在流程中使用多少 AI 来提高工作效率？
至少，开始跨所有产品角色（包括工程师和产品经理）围绕 AI 开发内部功能。 这是提高团队技能并熟悉真实功能和 AI 工具的好方法。 我们将在 创建基础实践中的 AI讨论这一点。
重新访问 SaaS 价值主张 ，并查找 AI 可以扩展、自动化或转换交付内容的领域。 更有效的方法通常是对业务流程和流程进行建模，在增加明显价值的地方将 AI 集成到特定步骤中，同时保持人类的参与，以验证和指导 AI 的输出。
请参阅 示例：AI 用例 来指导此评估。
如何使用 AI 改进客户运营？
了解 AI 的作用例。 以客户载入为例，尤其是在 B2B 方案中。 此过程从各种非结构化或半结构化格式、PDF、电子表格、手写表单、电子邮件等收集数据。 AI 可以通过提取、解释和转换分散的信息转换为系统所需的结构化数据来在这里发挥宝贵作用。 这可以减少繁琐工作，并缩短新客户实现价值的时间。
是否要生成、购买或自定义？
AI 技术采用不同的形式，每个形式都适合特定的用例。 它们的范围从用于特定任务（如图像或文档识别）的弱人工智能模型到基于生成式人工智能的通用模型，这些模型在推理和语言理解等各种任务中提供灵活性。 如果你有数据和专业知识，还可以为独特的问题生成自定义机器学习模型。 在为适当的工作选择正确的方法之前，请参阅 熟悉各种模型类别 。
在决定如何在产品中实现 AI 时，你可以选择的选项会有所不同，具体取决于是实现窄 AI 还是生成 AI。
对于狭义人工智能：
方法 益处 Tradeoff Azure 服务示例 购买预生成模型 最高效和最低的维护选项;使用经过验证的工具快速实现 针对独特的业务需求或差异化功能进行自定义的能力有限 Microsoft Foundry 工具，用于特定任务，例如 Foundry 工具中的 Azure 视觉、 Foundry 工具中的 Azure 文档智能和 语音服务 自定义现有模型 无需专业知识或复杂的训练过程即可快速自定义模型行为 需要足够的高质量示例或数据 自定义语音 生成自己的模型 最大灵活性和控制性;可以根据高度特定的问题定制并使用专有数据 高成本、长开发周期，需要专业技能 Azure 机器学习 生成式AI：
方法 益处 Tradeoff Azure 服务示例 购买及使用预生成模型 最高效和最低的维护选项;使用经过验证的工具快速实现;基础模型适用于大量用例 针对独特的业务需求或差异化功能进行自定义的能力有限 Microsoft Foundry 模型 Fine-tuning 将效率与适应性相平衡;允许为域或客户数据定制 AI 需要一些专业知识和精力来管理数据质量、训练、基础和持续评估。 微调不是一次性活动；每当基础模型发生更改时，您需要承担重做微调过程的操作开销。 必须积极测试模型衰减，以便模型随时间推移保持相关 自定义具有微调功能的模型 大多数 SaaS 产品受益于使用这些方法的组合。 你还应从战略上考虑 AI 如何适应你的产品体验。 例如，一些公司集成到现有的 AI 生态系统（如 Microsoft Copilot Studio），而另一些公司则旨在构建自己的 AI 支持体验或平台。 你的选择将同时影响你的技术体系结构以及客户如何与解决方案交互。
SaaS 产品将如何发展？
将 AI 采用视为一个不断发展的旅程。 首先，用例为产品提供明确的低工作量价值，减少用户辛苦，并提高自己的运营效率。 随着时间的推移，请考虑将 AI 用于更高的价值功能。 整合决策支持、推理和更复杂的流程编排。 这些功能在构建和需要更高级的模型、模式和运营成熟度方面更为复杂，但当使用良好时，它们可以提供大量投资回报。
在你不断了解更多、客户提供反馈以及技术和环境不断发展的过程中，准备好调整你的旅程。
在基础实践中构建 AI
如果刚开始，请先围绕 AI 构建内部功能。 它有助于团队快速构建技能，同时使用实际的 AI 工具，而不仅仅是理论。
若要建立强大的 AI 应用，请制定明确的标准，并确保人工智能工作符合将 SaaS 定位为客户首选的 AI 驱动体验解决方案的长期策略。
Recommendations
将 AI 计划映射到可衡量的业务成果。 确定 AI 可以改进或自动化运营效率、降低成本或创造客户价值的特定领域。 将每个计划绑定到明确的业务指标。
风险：不监督地追逐完全自动化。 不要假设完全自动化是目标。 在没有人工监督的情况下过度依赖 AI 会增加错误和责任差距的风险。 相反，设计人类参与的系统，其中 AI 支持和增强决策，同时关键判断仍由人类掌控。尽早建立 AI 治理。 定义具有责任的模型生命周期管理的明确策略，包括部署、监视、更新和停用。 你希望确保随着技术的发展，AI 部件保持相关、可维护且合规。
集中技术专业知识。 AI 很复杂；该领域涵盖广泛的范围，例如模型选择、评估、微调、数据锚定、代理开发、集成到其他应用程序等。 并不是每个人都需要成为每个领域的专家。 建立一个核心团队，集体具有深厚的技术知识，个人专门从事某些领域。
采用 GenAIOps 做法。 生成 AI 技术（包括大型语言模型）需要特定的作流程和策略来评估模型、循环访问提示并跟上技术的变化。 应将它们构建到 DevOps 实践和持续集成/持续交付（CI/CD）流程中。
注意
在基础实践中嵌入负责任的 AI 原则。 使 AI 努力与品牌和价值观保持一致，避免意外的伤害。 在负责任的 AI 使用方面培养专业知识，以及如何在你的行业和客户和企业中应用。 有关指南，请参阅 Azure 工作负载中的负责任的 AI。
实施策略
在 SaaS 的上下文中，原型是一种定期类型的 SaaS 业务模型或产品设计，以特定方式创造价值。 它是一种心理模型，可帮助你根据产品的优势从战略上应用 AI，而不是在没有方向的情况下跳转到 AI 采用。 请记住，单个 SaaS 解决方案可以为多个原型提供服务，要么是因为不同的用户角色以不同的方式与之互动，或者因为它提供根据各种需求定制的不同特性和功能。
记录你的研究并记录你的发现。 下面是可以遵循的简单模板：
原型要求模板
简要描述 SaaS 原型。
- 向客户提供的核心价值是什么？
- 用户是如何消费或体验这个价值的？
- 此产品在市场上有什么区别？
然后考虑以下每个区域：
典型用例： 列出构成核心功能的典型用例。
演化： 请考虑你的历程和路线图，从受限但有影响力的用例开始，并逐步构建越来越自主和具备自主功能的体验。
AI的机遇： 确定AI能够根据此模式的典型用例增值最多的领域。
风险： 确定与此原型中应用 AI 相关的关键挑战、限制和潜在故障点。 考虑技术风险和质量风险。
生成/购买/自定义： 对于核心组件，是否应生成、购买或自定义？ 理由是什么？
示例原型和要求
下面是遵循上述模板的常见 SaaS 原型的一些示例。
对于这种类型的 SaaS 产品，核心价值来自用户体验或工作流。 这些解决方案是用户花费大量时间与界面交互的解决方案，例如编辑、创建、分析、协作或做出决策。 示例包括文档编辑器、法律工具、创意平台、生产力应用、设计软件或决策支持系统。
典型用例
汇总复杂内容，例如法律文档、会议脚本或客户交互。
生成智能建议或补全，包括文本、代码、法律条款和设计概念。
自动分类和标记信息，以便更轻松地组织和检索。
在整个用户工作流中提供上下文帮助和指导。
自动执行重复任务，例如格式设置、数据输入、计算和表单完成。
支持允许用户在应用程序中执行任务的自然语言界面。
提供可以代表用户执行操作的自治代理。
演化
初始用例可能侧重于生成 AI 的基础用例，例如摘要或内容生成。 随着时间的推移，将产品的功能公开为工具，并提供可以使用这些工具和执行基于任务的推理的代理接口。 最终，计划创建多代理策略，其中，专业代理团队协作执行更高顺序的复杂任务、深入研究和推理，将客户环境中的数据与应用程序中的工具结合使用。
AI 机会
接口集成。 直接在现有用户界面（如编辑器、仪表板和核心工作流组件）中实现 AI 功能，以最大程度地减少上下文切换。
上下文相关性。 确保基于客户或租户特定的数据和当前应用程序状态生成 AI 输出，以提高准确性和有用性。
性能和可解释性。 针对低延迟进行优化，以提供实时或准实时响应，并包含明确解释 AI 决策或输出的机制。
注意
对于高风险决策，应采用人为参与的评审方法，并且在采取行动之前需要进行人工审查。
用户交互控件。 为用户提供显式控制，以接受、编辑或拒绝 AI 生成的结果，保持透明度，并启用 AI 输出的更正或替代。
风险
性能和可伸缩性。 设计不佳的 AI 体验、API 或基础结构可能会导致响应速度缓慢、停机或数据不一致，从而降低用户体验。 通过应用经过验证的设计模式和彻底的负载测试来缓解此问题。
过度自定义。 开发没有足够数据或专业知识的自定义 AI 模型可能会导致资源浪费和无效结果。 在生成自定义解决方案之前，先从预生成模型或微调开始限制风险。
数据版本控制与一致性。 数据生命周期管理不当可能会导致客户的 AI 代理在过时或不一致的数据上进行操作。 实施严格的版本控制和同步机制，以保持数据准确性。
构建、购买或自定义？
| Capabilities | 方法 | 建议 |
|---|---|---|
| 常规用途和以推理为中心的语言模型 | 购买 | 利用已建立的模型。 避免生成自己的语言模型。 |
| AI 增强功能（汇总、分类） | Customize | 创建针对特定领域的提示。 请考虑使用 Retrieval-Augmented Generation（RAG）技术，以便将输出基于您的数据。 如有必要，可以微调现有模型。 |
| 代理用户体验 | 构建 | 设计适合功能和业务模型的代理。 将应用程序功能公开为工具，使能够执行日益复杂的半自主和自主操作。 |
| 工作流集成 （UI/UX） | 构建 | 开发自定义 UI/UX 组件来嵌入 AI，从而创建区分直观的用户体验。 |
| 任务特定的模型（法律条款分析，医学术语标记） | 购买或自定义 | 购买或自定义经过验证的域模型（如果可用）。 仅当具有专有数据和强大的 ML 功能时，才生成自定义模型。 |