你是一间香港中型公司的 CEO 或业务领导。你知 AI 是重要。你读过头条。你看过竞争对手实验着。但你对 AI 怎样实际运作懂得不够去做真实决定。你讲不出什么是炒作和什么是真是可行。你没有明白你团队讲技术时讲什么。
和你时间快用完了。
这篇文章是你 90 日剧本。不是大学课程。不是"30 日学懂 Python"。是你真正需要知的东西，按你需要知的顺序，这样你可以从"AI 听起来重要"走到"我可以有信心做决定 AI 在我业务哪个位置"。
第一个月：明白 AI 实际做什么（和些什么不做）
第 1-2 周：概念基础
停止将 AI 当做一个科技。AI 是一个工具箱。每件工具解决不同问题。你这个月的工作是明白些类别：
1. **生成式 AI**（ChatGPT、Claude）：拿一个提示（文本、图像、音频）然后生成些新东西。有用于：写作、code 生成、摘要、创意工作、客服自动化。没有用于：财务审计、高精度医疗诊断、法律决定（不经人类检视）。
2. **预测式 AI**（机械学习）：拿历史数据然后预测接下来发生什么。有用于：需求预测、流失预测、欺诈侦测、客户分割。需要干净数据和是比生成式 AI 慢实施。
3. **电脑视觉**（图像识别）：分析图像和识别物件、模式、异常。有用于：质量控制、安全、库存管理。对大部分中小企的投资回报率比较低。
4. **自动化/工作流 AI**：连接多个工具和根据规则触发行动。有用于：减少手动批准步骤、自动化批准、系统间协调。最高立即投资回报率。
你的目标：到第 2 周尾，你应该听到有人描述业务问题然后讲："这样听起来是生成式 AI 问题"或"需要预测式 AI"或"我们可以用自动化解决"。如果你讲不了，你未理解。
第 3 周：真实业务例子
读三个 AI 实施案例，些行业和你的相似（零售、软件、物流、专业服务——无论什么对）。当业务领导读，不是科技人读。问：什么是问题？什么 AI 用了？什么改变了？耐多久？什么出错？
你的目标：搵一个引起共鸣的例子。"这样基本上是我们问题。"你会在接下来三个月参考这个例子。
第 4 周：些什么实际限制 AI 现在
AI 好于：自动化 routine、基于规则的工作；大型数据集中的模式识别；生成文本、code、创意内容；根据历史数据做预测。AI 差于：明白需要深度行业知识的上下文；做伦理决定；用极细数据集；保持秘密（数据隐私）；解释怎样做了一个具体决定。
你的目标：知些限制，这样你就不会提出注定失败的项目（好像"用 AI 处理复杂法律争议不经人类检视"）。
第 1 月里程碑：你可以描述四类 AI 并举业务例子各一个？**
第二个月：识别你的具体机会
第 5-6 周：审核你自己业务
这个是 90 日最有价值的工作。花两小时和每个部门主管谈他们最大痛点：什么花最多时间？什么出错率高？什么你每日手动批准？如果你可以在 5 分钟而不是 5 小时拿答案，什么会改变？
不好限制自己"AI 可以做这个？"这样是错的问题。问："什么问题花了我们最多钱或时间？"然后搵出如果 AI 是答案。
你应该从这些对话走出来，拿到 8-12 个具体痛点清单。不是含糊的东西好像"客服是慢"。具体："客服代表每日花 6 小时 routine 查询。这样是 48 小时一周。以 HK$200/小时加载成本，这样是 HK$9,600 一周。"
第 7 周：现实检查你的机会
现在看你清单。这些痛点当中，哪些有这些特征？
— 高容量（每日/周发生数百或数千次）
— 基于规则或模式（人类遵循一致流程）
— 可衡量（你可以追踪是否改善了）
— 昂贵（花费大量金钱或时间）
你的前 3-5 机会应该符合四个准则。这些是你试点。
第 8 周：AI 准备度检查
对于你前三个机会，诚实答这些问题：
1. 你有没有高层买单去真正做改变如果这个有效？（如果答案是"是，但是..."那实际上是没有。）
2. 你可以衡量成功？（如果你讲不出成功用数字，你不知是否有效。）
3. 如果 AI 建议更好方式，你愿意改变你流程？（如果你会拒绝 AI 建议因为"这样不是我们怎做"，他不会有效。）
4. 你有现实数据？（如果你库存系统是 1995 年的和充满错误，预测式 AI 不会有效。）
如果三个都是"是"，你有真实试点候选人。如果任何是"没"，那个机会需要等。
第 2 月里程碑：你有 3-5 个具体、具体 AI 实施机会，按投资回报率排列。各有清楚成功衡量标准。**
第三个月：计划你首个实施
第 9-10 周：拣你首个战役
不好试图同时解决一切。拣你最高投资回报率机会，同时风险最低。这个通常是客服自动化或发票处理（如果你数据是干净）。
现在研究：什么解决方案存在？Claude 驱动聊天机械人、工作流自动化工具、文件处理 AI、预测模型——什么是现成有？
你的目标：从供应商拿三个方案。不好commit。只是明白：这个花多少钱？部署多久？你要改变什么过程？
第 11 周：建造你试点计划
和你团队（或顾问）合作定义：
— 确切问题你解决着
— 现在状态（现在发生什么、花多久、花多少钱）
— AI 解决方案（什么工具、怎样有效）
— 成功衡量标准（回应时间、交易成本、准确度、客户满意度）
— 时间线（通常 4-12 周由决定到 live 部署）
— 预算（通常 HK$50,000-150,000 中型试点）
— 展开计划（首先用交易子集试点、衡量结果、然后扩展）
第 12 周：做决定
你现在有足够资讯。问题不是"AI 准备好？"问题是"我们公司准备改变我们怎工作？"
如果是：Commit 去 90 日试点。拨预算。委派一个主人。设定每周检视会议。
如果不是：对理由诚实。是决心？是容量？是预算？命名真实阻挡并决定你会移除他还是搁置这个项目。
第 3 月里程碑：你有资金、已排期试点，有清楚衡量标准和领导承诺。**
你 90 日问责框架
不好仅是读这个然后行。建造一个学习检查清单。每个星期一，问自己：
— 第 1 月：我可以向没有技术背景的人解释四种 AI？
— 第 2 月：我可以说明我们前三 AI 机会和怎样他们关系？
— 第 3 月：我们有资金试点和清楚衡量标准？
如果任何答案是"没"，花下一周填补那个缺口。不好向前行直到你有真实"是"。
领导层常犯错误（不好是这些人）
"我们会学多些然后决定。" 这个是拖延。到第 6 月，你知识会过时。在上面时间线做决定。学习藉由做发生。
"我们数据太乱给 AI。" 有时是真，但通常是借口。用你最干净数据集开始。证明概念。边个行边修数据质量。
"AI 会取代我好员工。" 真是，但这样是重点。你问题应该是："我竞争对手会用 AI 取代我员工 routine 工作，逼迫这些员工去更低值角色，定不定？"如果是，打他们前。
"我们需要完美 AI 解决方案。" 你不。你需要 70% 到位的解决方案和愿意有时出错。快速部署、衡量、调整。
"厂商承诺他会有效。" 没有厂商可以承诺。他们可以承诺部署和支持。是不是真是提供价值取决于你执行、你数据、和你改变过程的意愿。
加速学习路线
如果你有 90 日，遵循上面计划。如果你有 30 日（因为董事会推着），这些是关系紧的：
— 第 1 周：明白四种 AI（生成式、预测式、电脑视觉、自动化）。
— 第 2 周：审核业务和识别前 3 痛点。
— 第 3 周：研究解决方案和拿方案。
— 第 4 周：做试点决定和 commit 预算。
赶急，但是做得了。大部分快速行动的领导看到更快结果。
接下来发生什么（90 日后）
如果你试点成功（他可能会），你会进入第 4 月用不同问题："我们怎样扩展这个？我们下个机会是什么？"
到第 6-9 月，你应该有三个试点同时运行。到第 12 月，你应该有证明投资回报率和资金下一波 AI 项目由首个节省。
这个是当 AI 停止是实验和开始是你业务怎样运作。
去测试你 AI 准备度和拿你业务位置个人化评估，用 UD 的 AI IQ Test 在 https://ai-staff.ud.hk/iq-test。答 10 快问题关于你业务、你团队、和你决心。你会拿清楚图你是否准备现在行或哪里首先专注。
底线
你有每样需要 90 日从零去 AI 流畅。你不需要明白演算法怎样有效。你需要明白 AI 解决什么问题、怎样衡量是否有效、和什么时候你准备行。
现在和 AI 赢着的领导不是最聪明。是快速学习、在时间线做决定（不是完美地）、和整个首个实施颠簸保持承诺。
你可以做到这个。九十日。三个月。一个试点项目。一个清楚承诺。
这周开始。
电邮：sales@ud.hk | WhatsApp：(852) 9696 7545