各位數(shù)字化轉(zhuǎn)型的舵手，不論你是 CIO、CDO 還是企業(yè)內(nèi)部的 AI 負責人，過去一年里，你是否也經(jīng)歷過這樣的場景：高調(diào)啟動了某個 AI 項目，結(jié)果雷聲大雨點小，業(yè)務部門根本不買賬，甚至最后悄無聲息地爛尾了？
如果你的答案是肯定的，別灰心，你絕不是一個人。Gartner 的數(shù)據(jù)顯示，雖然大家都在瘋狂往 AI 里砸錢，但近一半的企業(yè)根本無法證明這些項目的商業(yè)價值。Regions Bank 的首席數(shù)據(jù)與分析官 Manav Misra 一針見血地指出，真正的挫敗感往往來源于“不切實際的期望”。?
實際上，問題往往不在于技術(shù)本身，而在于技術(shù)之外的“人”和“流程”。組織架構(gòu)、運營模式的缺陷，隨時可能讓你的 AI 戰(zhàn)車偏離賽道。?
為了避免下一個 AI 項目重蹈覆轍，福建CIO網(wǎng)整理了一份“避坑指南”，咱們一起來看看那些容易忽視的非技術(shù)性失誤。
如果你還指望靠著自己的 IT 團隊或者某個“卓越中心 (CoE)”單打獨斗，就能把 AI 推向全公司，那幾乎注定要失敗。FTI Consulting 的 Sumeet Gupta 強調(diào)，CIO 往往習慣從技術(shù)平臺的視角去推動項目，但很多時候問題的核心根本不在這兒。?
記住，AI 項目本質(zhì)上是“利用技術(shù)解決業(yè)務問題”的業(yè)務項目。?
尋找“業(yè)務共同發(fā)起人”：你需要找到那些對盈虧負責、清楚地知道“成功長什么樣”的業(yè)務領(lǐng)導者，和他們一起共同領(lǐng)導項目。?
讓業(yè)務發(fā)現(xiàn)機會，讓 IT 篩選方案：正如 Jack Henry 的首席數(shù)據(jù)官 Keith Fulton 所說，機會應該由業(yè)務領(lǐng)導者首先發(fā)現(xiàn)，然后由 AI 專家來評估哪些想法最靠譜，并將其列入候選名單。不要過度依賴外部顧問，你需要的是能在內(nèi)部給你潑冷水的務實伙伴。?
讓產(chǎn)品經(jīng)理懂業(yè)務：Misra 的做法很值得借鑒：讓懂業(yè)務的產(chǎn)品經(jīng)理加入團隊，直接對接業(yè)務負責人，確保項目不偏離真實的業(yè)務需求。?
項目的成功指標誰來定？千萬別由 IT 部門代勞。
指標應由業(yè)務方制定：Gupta 明確表示，決定項目成敗的指標，應該由那些對業(yè)務盈虧負責的人來拍板。CIO 可以提供如何衡量的建議，但核心的業(yè)務指標必須由業(yè)務負責人決定。?
定期審查：這些指標不是定好就放一邊了。業(yè)務和技術(shù)團隊必須保持緊密溝通，每個季度都要進行復盤和審查。?
這是最常犯的錯誤之一：技術(shù)團隊閉門造車，開發(fā)出各種酷炫的功能，結(jié)果業(yè)務用戶根本不用。如果沒人用，你的代碼寫得再優(yōu)雅也是白搭。?
應對用戶的恐懼和懷疑：員工面對 AI，難免會有“飯碗被搶”的焦慮。Fulton 指出，讓人們將 AI 視為助手而不是替代品，這是變革管理中的一大挑戰(zhàn)。?
讓用戶參與每個環(huán)節(jié)：Gupta 強調(diào)，從項目啟動之初，到開發(fā)過程的每一步，都需要用戶的深度參與。在轉(zhuǎn)型過程中，特別是涉及技術(shù)時，如果用戶沒有參與，項目絕不會成功。?
培養(yǎng)早期“擁護者”：如果推廣受阻，不妨效仿 Misra 的策略：尋找早期的支持者，為他們提供資源，讓他們?nèi)ビ绊懮磉叺耐?。同時，采用分階段的推出方式，持續(xù)追蹤使用率。?
建立專門的指導團隊：Fulton 分享了他們在 Jack Henry 的經(jīng)驗：專門設(shè)立了一個十人的指導團隊，手把手教員工如何使用工具，通過正確的引導來贏得他們的支持。?
不要僅僅把 AI 看作是自動化的工具，在動手之前，先全面審視你的工作流。
工作流重設(shè)與變革管理必須同步：Gupta 分享過一個案例，一家公司設(shè)計了非常完善的 AI 工作流，卻因為沒有做好與之相匹配的變革管理，導致幾個月都沒人真正使用。?
運用“第一性原理”：深入了解你想解決的問題、期望的結(jié)果和輸入條件，然后重新構(gòu)思在引入 AI 后，這個流程該如何運作。缺乏圍繞 AI 進行的重新發(fā)明或構(gòu)想，是首要問題。?
化繁為簡：Fulton 則建議，對于復雜的企業(yè)流程，不要指望一蹴而就。可以先從簡單的任務自動化開始，因為目前來看，Agent（智能體）處理簡單流程的效果要比處理復雜流程好得多。與其畫復雜的流程圖，不如直接告訴 LLM 具體的步驟，讓它自己去摸索工作流。?
在啟動項目前，我們經(jīng)常會陷入“數(shù)據(jù)準備焦慮”，覺得數(shù)據(jù)不夠干凈、不夠完美，項目就沒法推進。?
打破完美主義：Gupta 指出，并非所有項目都需要絕對完美、無暇的數(shù)據(jù)。很多時候，公司糾結(jié)的數(shù)據(jù)問題，其實和他們要做的實際用例根本沒關(guān)系。?
對癥下藥：Fulton 解釋說，數(shù)據(jù)對于機器學習來說是關(guān)鍵，但對于大多數(shù)大語言模型（LLM）而言卻并非如此——除非你需要進行復雜的預測、極度個性化的客戶交互或是精準的線索評分。?
聚焦核心數(shù)據(jù)：如果項目確實需要高質(zhì)量數(shù)據(jù)，Misra 建議：只鎖定那些必須用到的關(guān)鍵數(shù)據(jù)，集中精力去清理它們。借助現(xiàn)代的 AI 輔助數(shù)據(jù)清理和集成工具，這個問題其實沒你想的那么難解決。?
當然，這并不意味著你可以忽視數(shù)據(jù)質(zhì)量、元數(shù)據(jù)管理和數(shù)據(jù)溯源等合規(guī)性要求，Gartner 分析師 Avivah Litan 提醒，這些問題同樣需要引起重視。?
Talasaz 提醒我們，治理非常關(guān)鍵，尤其是在編排和可觀測性方面。你需要對 Agent 的行為保持可見性，因為它們有時候會做出偏離預期的舉動。?
警惕“智力”與“經(jīng)驗”的混淆：Fulton 指出，很多重大失敗的根源在于公司對 LLM 期望過高，在沒有驗證的情況下盲目信任。LLM 也會犯低級錯誤，缺乏特定領(lǐng)域的深層背景。?
保留“人工審核 (Human-in-the-loop)”：無論 AI 給出的建議多漂亮，在投入生產(chǎn)環(huán)境前，人工審查依然是必不可少的環(huán)節(jié)。?
拆解復雜任務：Fulton 發(fā)現(xiàn)，當 LLM 處理的信息量超過其上下文窗口的限制時，就容易“胡言亂語”（即幻覺）。因此，在實踐中，與其讓 AI 運行一個漫長的自主流程，不如將其拆解成一個個簡短、邊界清晰的任務，這樣得到的結(jié)果反而更可靠。?
嚴控“影子 AI”：員工私自使用不受監(jiān)管的 AI 工具會帶來巨大的安全隱患?？梢酝ㄟ^強制培訓、嚴格的審批流程以及提供豐富的官方 AI 工具來降低這種風險()。?
為什么很多 PoC 項目最終無疾而終？
目標錯位：Talasaz 認為，當負責執(zhí)行試點的人和期望看到結(jié)果的人目標不一致時，項目很容易失敗。必須在最開始就明確試點的目的是什么：是為了探索實驗，還是要獲得確定性的業(yè)務成果？?
算好經(jīng)濟賬：Gupta 提到一個案例，有公司在沒有進行財務評估的情況下就貿(mào)然啟動了項目。結(jié)果在詳細分析后發(fā)現(xiàn)，AI 帶來的收益根本覆蓋不了前期的投入和后續(xù)的運營成本。在砸錢之前，務必進行嚴謹?shù)呢攧辗治觥?
容錯率的考量：金融等行業(yè)對準確率的要求極高，99% 的成功率在某些業(yè)務場景下可能毫無價值，因為那 1% 的錯誤足以毀掉所有的信任。?
規(guī)?；y題：工程師搭建的 PoC 在小范圍內(nèi)可能很完美，但放大到整個企業(yè)時，可能會面臨人才、基礎(chǔ)設(shè)施或成本的巨大瓶頸。?
團隊連貫性：如果 PoC 結(jié)束后，原班人馬撤離，新團隊接手，很容易造成知識斷層和項目延期。Talasaz 建議最好由同一個團隊將項目從 PoC 推進到生產(chǎn)階段。?
設(shè)定硬性指標：Gupta 建議設(shè)定明確的里程碑，例如通過用戶模擬測試，或者必須達到某個準確率閾值，才能進入下一階段。?
恭喜你，項目終于上線了！但別高興得太早。
警惕運營風險：關(guān)注模型漂移等持續(xù)性問題，同時也要防范更深層的風險，比如被單一供應商鎖定（API、數(shù)據(jù)湖等）。?
管理技術(shù)債務：Gartner 預測，未來幾年很多企業(yè)將面臨 AI 升級延遲和維護成本飆升的問題。這就要求我們在設(shè)計階段就考慮長遠，采用開放標準、模塊化架構(gòu)，并嚴格執(zhí)行 IT 生命周期管理規(guī)范，如維護 AI 注冊表、實施漂移監(jiān)測等。?
正如 Talasaz 所說，AI 項目要想成功，細節(jié)決定成敗()。你必須深入到業(yè)務的最細微處，從上至下理解業(yè)務成果，從下至上夯實技術(shù)基礎(chǔ)。?
最后，借用 Fulton 的一句話與大家共勉：“有時候不是永遠不行，只是還沒到時候?！?如果某個工具或方案目前行不通，別急著全盤否定，也許只是時機未到，不妨等幾個月后再試試，也許就會迎來爆發(fā)式的增長。?
Tips：技術(shù)名詞速覽
CoE (Center of Excellence)：卓越中心。在企業(yè)中，通常指由跨部門專家組成的團隊，負責在特定領(lǐng)域（如 AI）推廣最佳實踐、提供指導和支持。
LLM (Large Language Model)：大語言模型。一種基于深度學習的人工智能模型，能夠理解和生成人類語言，如大家熟知的 ChatGPT 背后的模型。
Agent：智能體。能夠感知環(huán)境并自主采取行動以實現(xiàn)特定目標的 AI 系統(tǒng)。
PoC (Proof of Concept)：概念驗證。在項目全面展開前，為了驗證某個概念或理論的可行性而進行的小規(guī)模實驗。
正文：企業(yè)AI項目為何停滯——以及CIO們能做些什么
在過去一年啟動了AI（人工智能）項目但未達到預期，甚至完全失敗的CIO（首席信息官）并不孤單。根據(jù)Gartner（高德納）的研究，對AI項目的投資激增，但近一半的企業(yè)難以證明其商業(yè)價值。Regions Bank的首席數(shù)據(jù)與分析官Manav Misra（馬納夫·米斯拉）表示：“人們帶著不切實際的期望投入其中，這就是最大失望的來源?！彼驮S多其他從業(yè)者表示，技術(shù)不是問題，問題在于圍繞技術(shù)的一切。組織、運營和結(jié)構(gòu)上的失敗在項目推進的每一步都導致項目脫軌。
圖源：Kylbabka / Shutterstock
雖然CIO的團隊可能在模型選擇、平臺架構(gòu)和數(shù)據(jù)管道方面目光敏銳，但在許多情況下，選擇了錯誤的項目，業(yè)務成果和成功指標的定義不夠細致，與業(yè)務領(lǐng)導者的協(xié)作水平不足，或者從一開始就沒有讓用戶參與進來。
AI項目也可能受到用戶的恐懼、不確定性和懷疑的困擾。銀行業(yè)技術(shù)提供商Jack Henry的首席數(shù)據(jù)官Keith Fulton（基思·富爾頓）表示：“我們曾因培訓海外替代員工而獲得報酬，現(xiàn)在我們又因培訓AI來取代我們而獲得報酬?！?至少就目前而言，現(xiàn)實情況是，雖然LLM（大語言模型）可以提高生產(chǎn)力，但它們需要用戶對輸出進行審查和驗證。他說，AI就像需要指導的聰明實習生。
Colonial Pipeline前首席技術(shù)與數(shù)據(jù)官Afshean Talasaz（阿夫謝安·塔拉薩茲）補充道：“過去的方法手冊已經(jīng)不再有效。你需要深入研究這些事情的細節(jié)，弄清楚你想要做什么，并明確你的期望。”
不要讓這些非受迫性失誤成為你下一個AI項目的致命弱點。
一、停止獨自領(lǐng)導AI項目，開始共同領(lǐng)導
FTI Consulting的高級董事總經(jīng)理兼人工智能與數(shù)字化轉(zhuǎn)型業(yè)務負責人Sumeet Gupta（蘇米特·古普塔）表示，如果你要求CIO獨自運營一個AI CoE（AI卓越中心），這幾乎從來都不是成功的秘訣。他說：“CIO最終可能經(jīng)常從平臺導向視角推動項目，而大多數(shù)問題并不在于此?！币驗檫@些不是技術(shù)項目，而是碰巧使用AI來實現(xiàn)期望業(yè)務成果的業(yè)務項目。“你需要與所在企業(yè)中合適的業(yè)務負責人共同領(lǐng)導這個項目，因為只有這樣才能解決基本的業(yè)務問題。”
Fulton（富爾頓）對此表示贊同，他說AI項目需要由業(yè)務部門來領(lǐng)導?！皹I(yè)務領(lǐng)導者首先發(fā)現(xiàn)機會，然后AI專家可以幫助他們對這些可能性進行分類，以確定哪些應該列入候選名單，”他說，并補充說在這一步不要依賴顧問，“你需要一個內(nèi)部合作伙伴，他會讓你保持謹慎?！?/span>
Fulton（富爾頓）很早就吸取了這個教訓?！拔ㄒ皇〉膶嶒炇且荒昵暗囊淮巫稍兒献?，該合作變成了在財務部門使用AI進行的一次盲目探索，當時基于這項技術(shù)未能找到任何有用的案例?！?/span>
另一方面，Misra（米斯拉）的團隊中有來自業(yè)務部門的產(chǎn)品經(jīng)理，所以他們對業(yè)務需求有清晰的了解。他們與業(yè)務領(lǐng)導者會面，幫助他們確定可行的機會?！澳阈枰晃辉敢鉃閮r值做出承諾并投資進行正確構(gòu)建的執(zhí)行發(fā)起人，并且業(yè)務負責人必須清楚成功的真正樣子，”他說。
二、業(yè)務所有者應設(shè)定成功指標
CIO應在前期與業(yè)務領(lǐng)導者合作，確定并就哪些指標決定在解決期望業(yè)務成果方面的成功達成一致。業(yè)務和技術(shù)團隊都應每季度審查這些指標。
Gupta（古普塔）表示：“對該業(yè)務負責P&L（盈虧）的人應該負責對此進行衡量，并確定指標應該是什么。CIO可以就如何衡量發(fā)表意見，但將納入盈虧的業(yè)務指標應該始終由負責盈虧的人來確定?！钡〉贸晒?，你需要的不僅僅是管理層的認可。
三、用戶需要參與其中，否則他們不會支持
如果員工不使用這項技術(shù)，任何IT項目的最佳計劃都將毫無意義，這對于AI來說尤其如此。Gupta（古普塔）回憶起一家公司的一項舉措，他們投資圍繞一個AI模型構(gòu)建了一個包裝器，但最終沒有帶來任何獨特的商業(yè)價值?！癈oE（卓越中心）的AI團隊認為開發(fā)這個會很有趣，但沒有讓更廣泛的用戶群體參與到這些討論中，”他說。
Fulton（富爾頓）補充說，人們對AI存在恐懼和懷疑。他說：“讓人們將其視為助手而非替代品，在組織轉(zhuǎn)型管理方面這是一個巨大的挑戰(zhàn)。但是，例如，雖然AI可以提出建議，但在向客戶交付任何東西之前，人工審查是一個必不可少的驗證步驟。”
這就是為什么用戶需要從一開始以及在過程的每一步都參與進來。Gupta（古普塔）說：“我無法告訴你我經(jīng)歷過多少這樣的案例，技術(shù)團隊構(gòu)建了一個能做所有這些事情的AI產(chǎn)品，但業(yè)務用戶卻沒有使用它，因為他們沒有參與到這個過程本身。在轉(zhuǎn)型中，尤其是涉及技術(shù)時，這種情況永遠不會成功?！?/span>
Misra（米斯拉）回憶起一個業(yè)務部門，他們最初沒有獲得所需的認可水平，這減緩了部署速度。“有人會說他們不確定它是否會起作用，這就會引發(fā)一個懷疑的循環(huán)，”他說。他建議確定并支持早期的擁護者，為他們的同事創(chuàng)建研討會，并分階段推出，同時每季度衡量使用情況和采用率。
從最早階段就與用戶接觸還有另一個好處，即轉(zhuǎn)型不會讓人感覺那么大，因為他們看到它是逐步發(fā)生的。在Jack Henry公司，F(xiàn)ulton（富爾頓）非常重視指導。他說：“我們有一個十人的團隊來幫助人們使用這些工具。如果我們以正確的方式引導他們，我們可以贏得他們的支持。但如果不適合，我們不會強迫他們?！?/span>
Gupta（古普塔）表示，最終，你需要轉(zhuǎn)變用戶的態(tài)度，并讓他們作為過程的一部分承擔責任。這意味著讓他們參與討論AI可能如何影響工作流程以及應如何解決任何必要的變更。
四、全面考慮工作流程和變更管理的影響
在使用AI進行自動化之前，CIO和利益相關(guān)者應該審查當前和計劃中的工作流程，以及它們將如何影響生產(chǎn)力和員工的工作方式。Gupta（古普塔）說：“工作流程重新設(shè)計和變更管理是相輔相成的。例如，一家公司的一個AI產(chǎn)品很長時間都沒有被使用，因為他們沒有圍繞它進行任何變更管理?！?/span>
該公司設(shè)計了一個相當復雜的AI智能體工作流程，以消除大量的手工勞動，并提高其業(yè)務運營關(guān)鍵部分的流程準確性。但是，為了使工作流程得到正確采用，他們必須解決一些與勞動力相關(guān)的運營模式和變更管理問題。他補充說：“這沒有及時完成。所以，雖然AI工作流程本身構(gòu)思良好且開發(fā)得當，但在幾個月的時間里都沒有得到有效利用?！?/span>
他將他所謂的“第一性原理”應用于每個項目：了解你試圖通過工作流程解決的問題、期望的結(jié)果以及你的輸入是什么，然后重新思考在未來使用人工智能時它可能如何運作。他說：“你必須根據(jù)這些限制進行設(shè)計。圍繞AI缺乏重新發(fā)明或重新想象是首要問題?！边@需要與業(yè)務領(lǐng)導者和用戶都進行接觸。
Jack Henry公司的Fulton（富爾頓）有不同看法，他認為一開始不要重新設(shè)計所有東西，而是從任務自動化開始并在此基礎(chǔ)上構(gòu)建。“業(yè)務流程再造已經(jīng)存在20年了，但從未充分發(fā)揮其潛力，”他說，因為這很昂貴，而且大公司即使沒有數(shù)千個，也有數(shù)百個業(yè)務流程。他補充說，如今，智能體AI在更簡單的業(yè)務流程上比在更復雜的業(yè)務流程上效果更好。
也就是說，智能體開始理解業(yè)務流程并對其進行優(yōu)化?！芭c其使用機器人RPA（流程自動化）工具構(gòu)建工作流程圖，你只需告訴LLM步驟應該是什么，它就會為其確定自己的工作流程，”Fulton（富爾頓）說。然而，能夠在無需大量人工配置的情況下自主優(yōu)化復雜的多步驟企業(yè)工作流程的智能體仍處于早期階段，尚未在大規(guī)模應用中得到驗證。
然而，如果沒有對數(shù)據(jù)要求的正確理解，即使是最善意的工作流程設(shè)計和組織轉(zhuǎn)型管理計劃也可能行不通。
五、數(shù)據(jù)準備焦慮使項目陷入癱瘓
關(guān)于在啟動AI項目之前要準備好所有數(shù)據(jù)的傳統(tǒng)觀念可能會在項目開始之前就阻礙項目進展?！霸S多公司認為如果沒有數(shù)據(jù)，項目就行不通，”Gupta（古普塔）說。但并非所有項目都需要原始純凈的數(shù)據(jù)。公司常常會在與實際用例不相關(guān)的數(shù)據(jù)問題上栽跟頭。
“對于機器學習模型來說，數(shù)據(jù)是一個大問題，但對于大多數(shù)大語言模型來說并非如此，”Fulton（富爾頓）說，除非項目專注于復雜的預測、客戶級別的個性化或銷售線索評分等方面。但如果在這些情況下需要數(shù)據(jù)，Misra（米斯拉）說要確定項目所需的特定數(shù)據(jù)，并只專注于這些數(shù)據(jù)，這樣由于基于AI的數(shù)據(jù)清理、集成和準備工具，你所面臨的數(shù)據(jù)問題就會更容易解決。
然而，Gartner杰出副總裁分析師Avivah Litan（阿維瓦·利坦）表示，有很多合理的數(shù)據(jù)問題確實應該讓人停下來思考。這些問題包括數(shù)據(jù)質(zhì)量、元數(shù)據(jù)和數(shù)據(jù)溯源方面的差距，這些差距會妨礙合規(guī)性、可解釋性和監(jiān)管報告，以及孤立的數(shù)據(jù)集和不成熟的元數(shù)據(jù)管理，這些都會阻礙監(jiān)管準備工作。
六、AI可能很聰明，但并不總是可靠
Talasaz（塔拉薩茲）說，在編排和可觀測性方面，治理是一件大事。他說：“智能體可以做它們原本不打算做的事情，你需要對此有可見性?！?/span>
Fulton（富爾頓）補充說，重大失敗的根本原因是公司對LLM期望過高，并且在沒有驗證步驟的情況下就信任它們。他說，LLM會遇到問題、犯愚蠢的錯誤，并且缺乏特定領(lǐng)域的背景信息。“在評估輸出時，不要將智能與經(jīng)驗和背景混淆，所以在投入生產(chǎn)使用之前，每個AI輸出都需要人工審查，”他說。
對于更復雜的任務，當LLM處理需要比可用的上下文窗口所能處理的更多背景信息的問題時，它也可能會迷失方向。在那個時候，所有內(nèi)容都會被壓縮以適應，LLM可能會失去節(jié)奏并開始產(chǎn)生幻覺?！癓LM可以做很多這樣的事情，但它們越大，就越容易失去頭緒，”Fulton（富爾頓）說。他發(fā)現(xiàn)，在實踐中，較短、更有邊界的任務比較長時間運行的自主流程產(chǎn)生更可靠的結(jié)果，他也相應地構(gòu)建了Jack Henry公司的AI使用方式。
失敗也可能來自意外出現(xiàn)的未經(jīng)批準的項目。Talasaz（塔拉薩茲）說：“對于影子AI，人們擔心的是有人以不受監(jiān)管的方式為關(guān)鍵工作流程構(gòu)建東西。然后當它出錯或損壞時，就沒有可觀測性，給組織帶來可持續(xù)性挑戰(zhàn)和風險?！?/span>
雖然Gartner的一項調(diào)查顯示，69%的組織懷疑或有證據(jù)表明員工使用了被禁止的AI工具，但Jack Henry公司已經(jīng)采取措施，通過強制性培訓和審批流程來維持嚴格的數(shù)據(jù)治理，以盡量降低這種風險。公司政策嚴格禁止未經(jīng)批準的工具，如公共聊天機器人，并且公司提供了100多個基于AI的應用程序，希望用戶不會覺得有必要去使用其他工具。
七、太多PoC（概念驗證）過早夭折
Talasaz（塔拉薩茲）說，當運行試點項目的人員與期望從項目中得到不同結(jié)果的人員之間存在脫節(jié)時，試點項目可能會失敗?！?span style="font-family: 微軟雅黑, "Microsoft YaHei"; font-size: 16px; color: rgb(61, 167, 66); font-weight: bold;">要清楚試點項目的預期目的是什么，無論是更多地用于實驗，還是在獲得預期結(jié)果方面有高度確定性，” 他說。
一些試點項目在沒有完全理解其商業(yè)利益的情況下就推進了。Gupta（古普塔）回憶起一家公司，該公司在沒有對項目的商業(yè)價值進行適當經(jīng)濟分析的情況下就啟動了一項AI計劃。他說，這是一個重要的立項決策節(jié)點，應該在構(gòu)思AI用例之后、企業(yè)投入資金之前進行。“當我們介入并進行財務分析時，我們發(fā)現(xiàn)AI計劃的一次性和持續(xù)運營成本將超過預計節(jié)省的中位數(shù)，”他說。
其他項目則達不到要求。試點項目可能90%的時間都能正常運行，而要達到99%的成功率可能需要六個月的時間來調(diào)整和清理數(shù)據(jù)。但像Jack Henry這樣的金融服務企業(yè)要求100%的正確性，F(xiàn)ulton（富爾頓）說。“一個99%的時間都能正常運行的業(yè)務流程自動化工具是沒有價值的，”他說，因為僅僅一個錯誤就可能失去業(yè)務領(lǐng)導者的信心，讓試點中途夭折。
人們經(jīng)常發(fā)現(xiàn)，工程師構(gòu)建的PoC在規(guī)?；瘯r不起作用，或者規(guī)?；杀具^高?！澳憧梢詷?gòu)建一個PoC，但可能沒有合適的設(shè)計和工程人才或基礎(chǔ)設(shè)施來對其進行規(guī)?；?，”Talasaz（塔拉薩茲）說。
另一個潛在的挫折是時間問題。一旦試點項目結(jié)束，原來的團隊通常會回到他們的日常工作中，把他們的知識也帶走，而新的團隊會接手，這可能會減緩項目的進度。“我希望由同一個團隊將項目從PoC推進到生產(chǎn)階段，”Talasaz（塔拉薩茲）補充說。Gupta（古普塔）建議設(shè)定明確的“存活證明”里程碑、對智能體工作流程進行用戶模擬，以及PoC在進入下一階段之前必須達到的準確性閾值?！叭绻麤]有合適的人員參與和正確的里程碑，這就是這些試點項目被擱置的原因，”他說。
八、實現(xiàn)了生產(chǎn)，但運營可持續(xù)性不確定
你的試點項目現(xiàn)在已經(jīng)投入生產(chǎn)，并且目前運行良好。那么如何保持動力呢？“如果大多數(shù)團隊在將項目投入生產(chǎn)時遇到困難，他們就沒有充分考慮可持續(xù)性問題，但你必須考慮到這一點，”Talasaz（塔拉薩茲）說。
監(jiān)測諸如模型偏移等持續(xù)的運營問題很重要，但像廠商鎖定風險和不斷增加的技術(shù)債務等更基本的問題也很重要，這些問題可能會延遲未來的升級并增加升級成本。如果在設(shè)計和試點階段沒有考慮到這些問題，那么在進入生產(chǎn)階段時這些問題可能已經(jīng)難以根除。
Gartner警告不要讓你的數(shù)據(jù)、模型或工作流程被鎖定在單一供應商的API（應用程序編程接口）、數(shù)據(jù)湖或平臺工具中。相反，應遵循開放標準，并在人工智能堆棧設(shè)計中使用開放API和模塊化架構(gòu)。至于技術(shù)債務，Gartner預測，在未來四年內(nèi)，50%的企業(yè)將面臨AI升級延遲以及由于未管理的生成式AI技術(shù)債務而導致的維護成本上升的問題。它建議企業(yè)維護一個AI注冊表、強制執(zhí)行模型卡片、實施漂移監(jiān)測，并要求供應商提供模型變更通知。換句話說，應用與任何其他IT項目相同的IT生命周期管理規(guī)范。
九、細節(jié)至關(guān)重要
AI項目有很多需要弄清楚的地方，但Talasaz（塔拉薩茲）說，成功的關(guān)鍵在于細節(jié)工作，不僅是在數(shù)據(jù)、治理等技術(shù)方面，還在于業(yè)務中的實際運作方式。他說：“深入了解工作的具體內(nèi)容。從期望的業(yè)務成果向下推進，從技術(shù)基礎(chǔ)向上推進。”
如果技術(shù)是問題的一部分，也不要放棄這個想法?？赡苤皇菚r機不對。Fulton（富爾頓）說：“去年我們?yōu)殚_發(fā)人員嘗試了幾種不同的代碼輔助工具，它們無法在像我們這樣大的系統(tǒng)上運行?！钡藗€月后，團隊再次嘗試了相同的工具，現(xiàn)在采用率呈爆發(fā)式增長?！?span style="font-family: 微軟雅黑, "Microsoft YaHei"; font-size: 16px; color: rgb(61, 167, 66); font-weight: bold;">有時候不是永遠不行，只是還沒到時候，”他說。
