激活数据以弥补AI投资回报率差距：4步实现通过Agentic AI实现商业价值

当我们进入人工智能的第四个连续年时，许多组织领导者正在考虑两个看似相反的问题。首先，生成式人工智能是21世纪最具变革性的技术吗？其次，人工智能被高估了吗？我会对这两个问题都回答“是”。但是我认为这些领导者应该问自己一个不同的问题：我的组织如何从人工智能中获得商业价值呢？

现实是，许多公司在过去的三年中投资了新的人工智能技术，并尝试了新的人工智能工具，但他们尚未获得预期的回报。在CEO们催促“人工智能化一切”的同时，组织并没有看到他们想要的投资回报。这不应该令人惊讶。历史告诉我们，技术创新需要时间才能带来回报。技术发明和商业创新之间存在时间差。

托马斯·爱迪生在1882年展示了电力的力量，但直到1913年亨利·福特推出电动装配线，电力才完全取代了蒸汽动力。可以想象一位商业领袖在1885年敦促工厂工人开始尝试电力吗？然而，电力最终占据了主导地位，并为20世纪的许多革命性创新铺平了道路，从无线电传输到数字计算。

最近的一个例子是，万维网在90年代初期变得流行。消费者使用迅速增加，但企业采用速度较慢。直到五年后，多数成熟企业才开始通过电子商务从网络中受益。然而，网络为社交媒体、移动互联、云计算和最终人工智能铺平了道路。商业价值是通过新技术逐步产生的。

如果电气时代的商业从装配线开始，网络时代的商业从电子商务开始，那么人工智能时代的商业的杀手级应用会是什么？2022年底ChatGPT的推出向公众展示了大型语言模型的力量。由于其受欢迎程度，“理解我并听起来像人类的聊天机器人”成为人工智能可以应用的原型。因此，许多企业从引入类似的聊天机器人开始，这些聊天机器人是他们公司版本的ChatGPT。在许多情况下，用户对结果的反馈很好，但很难衡量商业生产率的回报。

大型语言模型在商业领域中最成熟的应用之一是编码助手。Claude Code、Cursor和其他工具已经获得了广泛的流行，显示出几乎神奇的结果。然而，研究表明，个别开发人员的生产力提高并没有转化为整体组织生产力。此外，加快开发速度并不能帮助组织的商业表现，如果开发的内容本身不能带来商业价值。编码助手将有助于随着时间的推移扩大人工智能的采用，但它们并不是杀手级应用。

要找到人工智能最有影响力的应用，组织必须关注驱动其自身商业模式的齿轮。我们的书《解构企业》中，斯蒂芬·菲什曼和我探讨了“价值动态”的概念，这是一种将商业模式分解为一系列相互关联的价值交换的方法。价值交换涉及多种“货币”，包括费用、时间节省、范围和质量改进。最独特的货币是数据。在这本书中，我们展示了谷歌和Meta如何将数据积累转化为数字霸权。他们的成功来自于为价值交换提供实时、自动化的链接。他们将数据收集与收入产生联系，形成了一个美德循环。两家公司都将客户数据上下文化为广告定位，然后使用此来驱动其核心收入并收集更多数据通过用户参与。

虽然许多组织在过去的几年中收集和完善数据，但他们尚未充分利用数据的潜在产出。从本质上讲，大型语言模型只是应用数据。它有潜力成为驱动组织价值飞轮的引擎，但该引擎需要数据激活，并需要连接到组织商业模式的齿轮。这种“数据激活”过程使数据变得可信并在规模上可用，为企业中的动态自动化奠定了基础，并最终揭示了组织的杀手级人工智能应用程序。

激活数据以适应人工智能时代的组织将会是什么样子？考虑以下场景：

• 一家制药公司当前需要在新药上进行数百万美元、数年的投资，转变为一个更加灵活的公司，通过动态、人工智能驱动的自动化实现更短、更并行的临床试验周期
• 一家零售银行当前向所有客户发送“希望和祈祷”的产品推销，收效甚微，手动下游履行转变为个性化推销，信用起源简化，导致利润丰厚的贷款产品采用率提高
• 一家零售商当前的库存管理系统充满了过度库存和缺货，转变为一家实时了解其库存状况的公司，得益于直接的门店、仓库和供应商连接，通过始终在线的人工智能代理分析

这些场景中的投资回报率之路遵循这种新的动态自动化形式，并由数据激活驱动。

那么，组织如何开始这段旅程？以下是四个步骤来开始：

步骤1：了解您的组织的价值动态

将组织的商业模式分解为其底层的价值交换对于几个原因是无价的。所得的价值交换图显示了哪些能力驱动业务，哪些业务功能最为关键，以及组织中的每个元素如何为价值的创造、捕获和分配做出贡献。为了我们的目的，价值交换图可以用来可视化将成为动态自动化候选者的核心业务流程。作为下一层，我们可以将每个价值交换和组件映射到它们在组织内的运作方式。这可以是软件应用程序、数据存储，甚至员工任务的形式。自动化机会可以通过影响和实施复杂性来权衡，以便确定应用人工智能和数据激活的最佳位置。

步骤2：通过数据激活层传播可选性

组织激活数据的能力取决于其数字化景观的可选性。可选性当数字资产（软件功能、数据源、第三方服务）可以实时访问时就会出现。在人工智能的背景下，这意味着两件事。首先，组织必须能够从不同的来源合成数据，以便为大型语言模型提供精确的上下文，从而实现准确的推理和避免幻觉。其次，执行核心业务功能的软件组件（例如银行的贷款裁决服务或零售商的实时库存系统）必须可以被基于大型语言模型的应用程序调用，以便实现自动化。在这两种情况下，API是使数据和功能可访问的最佳机制。模型上下文协议（MCP）正在成为数据激活的首选API协议。这些可访问的功能可以转化为组织的上下文平台。将数字化景观从一组孤立的应用程序和数据转变为一层面向业务的API对于通过数据激活实现投资回报率至关重要。

步骤3：拥抱数字解决方案的代理范式

人工智能时代的软件解决方案的主导架构正在出现。优化的软件解决方案需要人工智能驱动组件和非人工智能组件之间的平衡。人工智能代理（人工智能驱动组件）使用基于上下文感知的大型语言模型推理来执行任务，使用其可用的工具。它们是数据激活和动态自动化的工具。通过API（包括MCP工具）使数字化景观可选化是这些代理茁壮成长的最肥沃的土壤。代理架构允许将现有基础设施中的确定性软件组件与人工智能代理结合起来的各种模式。这些模式从简单的聊天机器人和工作代理到代理工作流，甚至到自治多代理系统。采用这种架构方法的组织将能够从现有的数字资产中获得最大的价值，同时以一种可以管理解决方案复杂性的速度采用人工智能。

步骤4：使用人工智能作为生产力工具来构建代理自动化

仅仅将人工智能应用于工人生产力可能不会带来最高的投资回报。然而，利用人工智能的生产力收益来激活组织的数据并提供代理自动化，可以加速真正的投资回报。这不仅仅意味着使用人工智能来加速开发人员的工作。即使在人工智能爆发之前，组织之间的差距也是最大的障碍之一，即商业领域专家和IT团队之间的差距。像DevOps这样的组织趋势有助于弥合这一差距，但人工智能可以以更有形的方式提供帮助。作为一种基于语言的技术，大型语言模型能够以前所未有的方式在需求和解决方案之间进行翻译。多模态人工智能可以捕获商业草图，并生成可用于下游开发的可用工件。可以将记录转化为原型。这是一种新的数据激活：将业务领域知识转化为解决方案框架，实时进行。

通过遵循这四个步骤，组织可以激活其数据并开始看到人工智能投资的回报。此外，他们将更好地为人工智能经济创造的新生态系统、工作和机会做好准备。通过了解业务的价值动态，将数字资产转化为可行的选择，并围绕代理架构进行定位，您将通过自己发明来为组织准备人工智能的未来。