商务人工智能需要基础设施革命之前的更多模型

商务人工智能的实施正在以惊人的速度发展。零售业的人工智能投资正在迅速增长，预计从2024年的116亿美元增长到2030年的400亿美元以上。

同样，新模型正在快速发布，供应商正在不断扩大其功能，零售商也面临着来自董事会和投资者的压力，需要证明他们正在积极地将人工智能融入其运营中。

从表面上看，这似乎是一个行业正在经历快速和决定性的转变。然而，在表面之下，绝大多数这些计划都建立在从未被设计为支持它们的系统之上。

限制不是模型的可用性或质量，而是它们下面的基础设施状况。

实施人工智能时，第一笔预算不应该用于人工智能本身，而应该用于我们所谓的“数据信任”，即数据基础设施。这包括系统之间的连接、数据去重和实时更新。

如果不这样做，人工智能在商务中就会失败，许多努力开始时就有动力，但很难转化为持续的影响。要成功实施人工智能，我们需要从基础设施开始。

相比之下，在商务中，谈话本身往往从一个层次太高的位置开始，关注选择模型或识别高潜力用例。得到的关注较少的是，底层数据架构是否能够以有意义的方式支持这些决定。

如果底层数据是碎片化的，人工智能只会生成可能有害或误导性的输出。

在较大的组织中，这种趋势是由需要信号进步的需求所强化的。“做一些与人工智能相关的事情”成为一个目标本身，引入一个模型往往是实现这一目标的最直接方式，无论它是否产生可衡量的价值。

在董事会层面，人工智能的期望正在加速，表现为更好的个性化和效率、利润率的可衡量收益。在系统层面，准备就绪并没有跟上。这种差距越长，纠正它的成本就越高，因为技术层被添加到仍然没有改变的基础上。

什么是“不适合人工智能”的实际情况

主要问题是系统之间缺乏一致性。例如，一个客户可能同时存在于ERP平台、电子商务环境和离线或忠诚度系统中，每个实例都有不同的历史和假设。

产品数据虽然在技术上是完整的，但在提供上下文以使模型能够有效地解释或推理它方面是有限的。仅仅是数据质量不佳就被估计每年会使组织损失近1300万美元，这凸显了这些约束已经变得多么基础。

人类团队会随着时间的推移学会在这些不一致性中导航，建立系统之间的非正式桥梁。相比之下，模型在给定的结构内严格运行，输出受到相应的限制。

当人工智能被引入到这种环境中时，结果不是缺乏输出，而是输出质量的逐渐恶化。

模型可以处理数据并生成输出，但它不会自行连接系统。

在实践中，这可能表现为个人化引擎开始提供高度具体的产品推荐，根据客户的偏好或意图对其进行分类，但这种分类并不反映客户的实际偏好或意图。

在人工智能驱动的系统中，客户体验往往变得更加精确，但也变得不那么相关。

从一般相关性到特定不相关性的这种转变可能比看起来更有害，因为它改变了客户对品牌本身的看法。在最坏的情况下，这些系统不仅仅是表现不佳，它们积极地降低了客户体验。

为什么大多数人工智能试点停滞不前及其成本

这种动态是商务中大多数人工智能试点未能超越实验的主要原因之一。行业数据表明，只有大约一半的人工智能计划从试点阶段进入生产阶段，留下了大量试点停滞在实验阶段。

问题很少是缺乏投资或意图。约束出现时，系统生成的输出不能证明扩大规模的合理性。

到那时，组织面临着在优化上继续投资或完全放弃该计划之间的选择。在许多情况下，他们选择后者，因为部署环境无法支持一致的结果。

整个行业，相同的基础设施缺口不断重复。客户数据仍然是碎片化的，而不是统一的。产品信息存在，但缺乏解释所需的深度。系统并行运行，而不是作为单一的、连贯的信息流。当模型被引入到这种环境中时，它们会放大这些问题。

这种方法的成本超出了直接支出。它表现为系统范围内推荐失败、个性化不一致以及自动化放大现有错误的累积。

随着时间的推移，这会在组织内部造成对系统可靠性的信任的微妙但显著的侵蚀。团队开始质疑他们正在构建的系统的可靠性，并在技术层上添加更多层次以弥补。结果是延迟了达到构建有效系统所需的清晰度。

许多公司建立人工智能试点但从不超越它们的原因是，他们正在在脆弱的基础上建立这些试点，就像用坏的食材做饭一样。

你可能有一个戈登·拉姆齐的食谱和优秀的设备，但如果食材很差，结果仍然是负面的。

初创公司和大型企业之间的区别

较小的组织，特别是中型市场范围内的组织，往往表现出更大的实施人工智能的能力。这是因为他们的系统不那么碎片化，他们的决策过程更直接。

在较大的组织中，结构本身引入了潜在的障碍。计划通常由需要响应外部期望的需求驱动，人工智能成为一个必须解决的类别，而不是被仔细集成的能力。

说“我们想实施人工智能”就像在不知道它实际上会做什么的情况下将电力引入工厂。灯光会亮起来，但生产不会改善，因为你投资了技术而不知道它会做什么。

从模型到基础设施的转变

一种替代方法正在那些直接遇到这些限制的组织中形成。

他们不是将初始预算分配给人工智能模型，而是投资于可以被描述为数据信任的东西，即创建一个基础设施，使数据一致、相互连接并持续更新。目标是确保用于支持有意义的决策的数据。

数据准备可能占机器学习项目时间的80%，这凸显了基础数据层中有多少工作，而不是模型本身。

这个过程通常从现有系统和数据流、完整性的差距的详细映射开始。前30到60天通常用于了解信息如何在组织中移动或不移动。然后是集成和标准化的时期，在此期间，数据被清理、去重并在平台上对齐。

在接下来的三个到六个月内，公司专注于建立可靠的数据管道，并以支持真实用例的方式连接高价值系统。只有当这个基础设施到位后，才有可能将人工智能引入可以产生一致、可衡量结果的工作流程中。

在六到九个月的时间范围内，遵循这种方法的组织通常开始看到人工智能驱动的流程对转化率、留存率和利润率改进等指标产生有意义的影响。到那时，模型不再是实验，而成为运营的一部分。它们的性能稳定了，输出变得可行，以至于团队可以开始依赖它们。

商务人工智能投资的加速不太可能在近期内放缓。仍然不确定的是，基础设施的准备情况是否能够跟上并支持它。组织期望人工智能能够实现的结果与其系统能够支持的结果之间的差距已经在越来越多的试点无法进入生产阶段中显现出来。解决这个差距需要将焦点转向建立这一关键基础设施的转变。

将对话从模型转移到基础设施上并不具有相同的紧迫性或可见性。但是，这是当前许多限制所在的地方，也是人工智能驱动的商务中下一阶段有意义的进展可能出现的地方。