AI 自建 vs 外包 — 什么留在内部，什么交给外面

自己做，还是买。 这个问题的答案决定 AI 项目的命运。

最贵的错误

决定引入 AI 之后，下一个问题来了。

"自己做还是外包？"

判断错了，两种悲剧必居其一。

自己做，但能力不够，拖了一年做出完成度 50% 的系统。外包出去，供应商走后没人能改那个系统，追加费用滚雪球。

两种情况都浪费几千万。两种情况都是因为没有判断标准。

不是非此即彼

先澄清一个误解。自建和外包不是二选一。

现实的 AI 项目大多是混合的。一部分自己做，一部分外包，一部分直接用现成 SaaS。问题不是"全自己做还是全外包"，而是**"哪些留在内部，哪些交出去"**。

判断的四个标准

1. 这是我们的竞争差异化吗？

如果 AI 直接关系到核心竞争力，留在内部。和竞争对手用同一个供应商的同一个方案，差异化就没了。

2. 数据有多敏感？

涉及客户个人信息、财务数据、商业机密的 AI，数据出去的结构风险大。

3. 需要多频繁地改？

不常改的：数据管道、基础设施、初始模型训练 → 适合外包

经常改的：提示词调整、业务规则、新数据、用户反馈 → 需要内部能力

4. 内部有能力吗，能培养吗？

关键不是"现在"有没有，而是**"能不能培养"**。兼职负责人跟外部伙伴一起起步、边做边学是可行的。

常见的三个错误

"全部自己做"：通用功能也自己做等于重新发明轮子。

"全部外包"：短期舒服，长期供应商锁定、成本上升、组织零学习。

"先开始再说"：中途调方向永远比一开始定好更贵。

决策框架：三层结构

核心层 — 必须在内部。 竞争差异化相关的部分。数据、业务逻辑。

执行层 — 选择性外包。 模型训练、系统搭建、基础设施。有能力就自己做，没有就以知识转移为条件外包。

通用层 — 果断用现成的。 邮件分类、文档摘要、日程管理。没理由自己做。

判断不是一次性的

初期外包比例不可避免地高。但随时间推移要逐步把核心部分拿回内部。

第1步：SaaS + 外部顾问起步 第2步：一起做，内部团队学习 第3步：核心内部运营，执行层选择性外包

下篇聊怎么跟外部伙伴实际合作——选好伙伴、设计合同、把知识留在内部。

自建还是外包——没有标准答案。但没有标准地去决定，肯定是错误答案。