避免人工智能飞行员疲劳：以目标为导向

我们之前就见过这样的故事：颠覆性技术抓住了各行各业商业领袖的想象力，并有望带来大规模的变革。2010年代初，机器人流程自动化 (RPA) 成为其中的代表。不久之后，云计算也开始崭露头角。如今， 生成式人工智能（Gen AI） 成为人们关注的焦点——各组织都在没有明确前进方向的情况下一头扎进试点项目。

结果如何？一股可以称之为 生成式人工智能飞行员疲劳当太多人工智能项目缺乏结构、目的或可衡量的目标时，就会出现疲惫、沮丧和动力减弱的状态。公司同时运行数十个试点项目，这些项目的目标通常重叠，但没有明确的成功标准。他们跨部门追逐潜力，但却没有 解锁效率或投资回报率， 它们造成混乱、冗余和创新停滞。

定义人工智能飞行员疲劳

生成式人工智能飞行员的疲劳反映了一个更广泛的组织挑战：无限的野心，却缺乏有限的结构。任何经历过过去技术浪潮的人，都不难理解其根本原因：

• 无限的可能性：Gen AI 可以应用于每个职能——营销、运营、人力资源、财务——这使得它很容易推出没有明确界限的多个用例。
• 易于部署：OpenAI 的 GPT 模型和 Google 的 Gemini 等工具允许团队快速启动试点，而无需依赖任何工程——有时只需几个小时。
• 缺乏持续计划：Gen AI 需要高质量的数据才能有效运作。很多情况下，如果没有实施流程来确保数据的正确性和时效性，数据就会变得陈旧。
• 可测量性差：与传统IT部署不同，很难确定Gen AI工具何时“足够好”，可以从试点阶段转向生产阶段。投资回报率通常不明朗或延迟。
• 整合障碍：许多组织难以将 Gen AI 工具插入现有系统、数据管道或工作流程，这增加了时间、复杂性和挫败感。
• 资源需求高：试点通常需要大量的时间、金钱和人力投入——尤其是在训练和维护干净、可用的数据集方面。

简而言之，当实验速度超过战略速度时，就会出现人工智能疲劳。

为什么这种情况不断发生？

很多情况下，这是因为组织忽略了基础工作。在部署任何先进技术之前，必须先优化想要改进的流程。在 Accruent，我们见证了这一点：仅仅通过简化工作流程并确保数据质量，企业就能在完全引入人工智能之前，将效率提升高达 50%。将 Gen AI 叠加在一个经过精心调校的系统之上，效率提升甚至可以翻倍。但如果没有这样的基础，即使是最出色的人工智能模型也无法带来真正的价值。

另一个陷阱是缺乏清晰的护栏。人工智能试点项目不应被视为无限的实验。成功应该以明确的成果来衡量——节省时间、降低成本或扩展能力。必须设置门槛，根据数据驱动的评估来推进、调整或终止项目。一半的人工智能创意最终可能会被证明更适合其他技术，例如 RPA 或无代码工具——这没关系。目标不是为了实施人工智能而实施人工智能，而是为了有效地解决业务问题。

RPA 和云迁移的经验教训

这并非企业第一次被科技热情所席卷。RPA 承诺消除重复性任务；云迁移则承诺灵活性和可扩展性。两者最终都实现了目标，但前提是那些严格遵守部署规则的人。

一个重要的收获？ 不要跳过基础部分。 我们亲眼目睹了组织可以推动 效率提升50% 只需在引入人工智能之前精简现有工作流程并改善数据卫生即可。当人工智能应用于优化的系统时，收益可以翻倍。但当人工智能被置于不完善的流程之上时，其影响却微乎其微。

数据也是如此。人工智能模型的优劣取决于其使用的数据。脏数据、过时数据或不一致数据会导致不良结果，甚至更糟的是，会导致带有偏见和误导的结果。因此，企业必须投资于强大的 数据治理框架，这一观点得到了行业专家的支持，并在报告中强调 麦肯锡.

“简单”人工智能的诱惑

生成式人工智能的双刃剑之一是其低门槛。借助预建模型和用户友好的界面，组织中的任何人都可以在几天内（有时几小时甚至几分钟）启动试点项目。这种便捷性固然强大，但也带来了诸多限制。突然之间，跨部门的团队就会各自为政，进行实验，缺乏监督和协调。数十个生成式人工智能项目同时运行的情况并不罕见，每个项目都有不同的利益相关者、数据集以及对成功或失败的定义。

这种碎片化的方法会导致疲劳——不仅是从资源的角度，还因为看不到切实的回报而日益增长的挫败感。如果没有集中治理和清晰的愿景，即使是最有前景的用例最终也会陷入无休止的迭代、改进和重新评估的循环中。

打破循环：有目的地构建

首先要像对待其他企业技术投资一样对待通用人工智能——以战略、治理和流程优化为基础。以下是我发现的一些关键原则：

1. 从问题开始，而不是技术。 很多时候，企业追逐通用人工智能用例是因为它们令人兴奋，而不是因为它们能够解决明确的业务挑战。首先要识别工作流程中的摩擦点或低效之处，然后思考：通用人工智能是否是​​完成这项工作的最佳工具？
2. 创新之前先优化。 在将人工智能应用于一个不完善的流程之前，先修复流程。精简运营本身就能带来巨大的收益，而且更容易衡量人工智能的附加效应。正如贝恩公司在一篇研究报告中指出的那样， 最近的报告， 注重基础准备的企业可以更快地从 Gen AI 中实现价值。
3. 验证您的数据。 确保你的模型基于准确、相关且符合伦理道德的数据进行训练。数据质量差是试点项目无法规模化的主要原因之一。 Gartner公司.
4. 定义“好”是什么样子。 每个试点项目都应有与业务目标挂钩的明确关键绩效指标 (KPI)。无论是减少日常任务时间还是降低运营成本，成功都必须可衡量——并且试点项目必须有决策关卡，决定继续、调整或终止。
5. 保留广泛的工具包。 通用人工智能并非万能。在某些情况下，通过机器人流程自动化 (RPA)、低代码应用程序或机器学习实现的自动化可能更快、更便宜或更可持续。如果投资回报率不理想，就要敢于拒绝人工智能。

展望未来：哪些会有帮助，哪些可能会有害

未来几年，飞行员疲劳问题可能会先恶化，之后才能有所改善。创新步伐只会越来越快，尤其是在像 Agentic AI 这样的新兴技术推动下。“利用人工智能做点什么”的压力巨大——如果没有合适的防护措施，组织可能会被海量的可能性压垮。

然而，我们有理由保持乐观。开发实践正在日趋成熟。团队开始以对待传统软件项目的同样严谨态度对待通用人工智能。我们也看到了工具方面的改进。人工智能集成平台和 API 编排的进步使得将通用人工智能更容易地融入现有技术栈。来自 OpenAI、Meta 和 Mistral 等提供商的预训练模型减轻了内部团队的负担。此外，围绕道德和负责任的人工智能的框架，例如由……倡导的框架，也正在…… AI Now学院正在帮助减少歧义和风险。或许最重要的是，我们看到跨职能人工智能素养的提升——商业和技术领导者对人工智能能做什么（和不能做什么）的理解正在不断加深。

最后的想法：重要的是目的，而不是飞行员

归根结底，AI 的成功取决于意图。生成式 AI 有潜力大幅提升效率、释放新功能并变革行业——但前提是它必须以战略为指导、以清晰数据为支撑、并以成果为衡量标准。

如果没有这些支柱，它只不过是另一种注定会让你的团队精疲力竭、让你的董事会失望的技术时尚而已。

如果你想避免人工智能飞行员的疲劳，不要从技术入手。要从目标入手，然后以此为基础进行构建。