AI 自建 vs 外包 — 什么留在内部,什么交给外面
AI 是自己做,还是交给外面做?内部能力不足,拖了一年只做出完成度五成的东西;或者供应商一撤,系统再没人能改动,追加费用像滚雪球一样往上涨。没有判断标准就贸然开工,几千万预算就这么消失了。本文给出区分自建与外包的具体标准、现场最常见的几种错误,以及一套不靠感觉、可以直接套用的决策框架和分界线画法。先画线,再动手。
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"。
美国摩根士丹利财富管理部门就是一个好例子。2023 年 3 月,它宣布采用 OpenAI 的 GPT-4 技术,但处理的是公司自己积累的大量知识资产,方案专门为摩根士丹利、由摩根士丹利自己设计。模型从外面买,构成差异化的数据和设计留在内部。
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。
在韩国,韩国银行走的就是这条路。2025 年 3 月,它与 NAVER Cloud 签约,用把 HyperCLOVA X 直接安装在客户数据中心内的 NeuroCloud 搭建韩国银行专用的生成式 AI 平台,只在封闭网络内训练,从源头上阻断数据外流(韩文)。即使用外部模型,也有办法不让数据出去。
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。知识留在公司外、或只存在某一个人脑子里的风险早有记录:Panopto·YouGov 调查(2018 年,200 人以上企业)发现,42% 的组织知识只有某一个人掌握,而这种知识共享的低效让大企业每年损失 4700 万美元。全部外包,这些知识就根本不会留在自己组织里。
"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。
把比例反转过来的典型案例是 GM。据《麻省理工科技评论》(2012 年 11 月)报道,当时 GM 有 90% 的 IT 工作由外部完成,新任 CIO 计划在几年内把这个比例倒过来。汽车越来越像软件,核心能力也就收回了内部。
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
如何把学到的东西沉淀为留在组织内部的记录,记录型 AI 工作法系列有讨论。
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。