AI的障碍并非失败，而是失败得太慢

AI的障碍并非失败，而是失败得太慢

人工智能（AI）正在改变组织的运营、创新和发展方式。各行各业都在利用AI来简化工作流程、释放新的效率，并支持更快速、更自信的决策。随着AI悄然成为现代生产力的引擎，它帮助组织实现了更高的敏捷性和规模。

然而，尽管AI带来了许多可衡量的好处，一些意想不到的情况正在发生。许多企业正碰壁。一些团队非但没有加速创新，反而陷入了复杂性、风险管理以及对未知日益增长的恐惧之中。

为什么？因为我们的思考方式错了。

AI常常被误解为一种必须完全控制才能被信任的技术。这源于一个错误的信念，即确定性是安全的前提。但这种解读误解了AI的本质及其创造价值的方式。AI是一种旨在通过使用来学习和进化的适应性工具。将其视为应像传统软件一样运行，是对其本质的误解，并削弱了其潜力。

在负责任地利用AI的驱动下，许多组织无意中将风险缓解变成了瓶颈。各行各业的团队在部署AI时犹豫不决，除非他们能够剖析、解释并证明其决策过程的每一层，而这往往到了不切实际的程度。尽管这种程度的审查反映了善意的尽职调查，但它常常违背了AI的根本目的：加速洞察、增强团队能力以及大规模解决问题。

现在是时候重新调整了，从要求全面控制转向一个强调韧性、生产力和实用可解释性的模式——同时不让创新停滞。

对“黑箱”的恐惧正在阻碍进步

人们对不完全理解的系统有一种天然的不适感，而AI工具——尤其是大型生成模型——的运作方式常常难以轻易解释。因此，许多领导者陷入了一个陷阱：如果他们不能完全解释每一个AI决策，那么这个系统就不可信。

因此，许多组织过度设计了监督流程，增加了跨职能审查、合规检查和可解释性审计的层级，即使是针对低风险用例也是如此。当团队将可解释性视为需要打开每一个黑箱时，他们就将AI实施困在了无尽的审查循环中。这造成了一种“运营瘫痪”，团队变得如此害怕用AI做错事，以至于他们完全停止行动，导致动力持续减弱、计划停滞，最终错失机会。

问题不在于控制系统的意图，而在于认为风险缓解必须等同于控制。在实践中，为AI系统设计韧性而非完美，是一种更有效的方法。关键是要放弃程序化的方法，转而采用基于结果的思维。

AI中的韧性意味着接受错误会发生，并建立能够检测和纠正错误的防护栏。这意味着将对话从如何防止每一个可能的失败，转向如何确保在事情偏离轨道时能够快速检测和干预。

大多数现代系统的构建都基于一个认识：某种程度的错误会发生。例如，网络安全工具并不被期望是100%不可穿透的。它们的设计初衷就不是如此。相反，它们被设计用于检测、响应并建立快速恢复协议。同样的期望也应适用于AI。

要求对每一个AI决策都完全透明是不切实际的，并且可能对价值创造产生反作用。相反，组织必须倡导一种“仪表盘级别的可解释性”，它提供足够的上下文和监督来检测错误并应用保障措施，同时又不拖累企业创新的步伐。

不要过度复杂化AI部署

组织应在AI实施中拥抱完全互操作性，无论用例如何。完全互操作性非但不是干扰，反而能确保无缝集成，并在各系统间释放更大价值。未来，在各企业中，我们很可能会看到虚拟的AI代理大军协同工作，朝着共同目标前进。

这种思维方式旨在根据风险水平调整可解释性的尺度——停止将每一个AI用例都当作在操作自动驾驶汽车来对待。团队可以通过设计具有生产力、可问责性且符合人类意图的AI系统来实现这一点，同时避免过度复杂化部署。

一些实用的策略包括：

• 在人类已感吃力的领域部署AI： 在复杂、高容量的领域使用AI来增强人类决策，例如资源分配、任务优先级排序或积压工作管理，这些领域速度和规模比绝对确定性更重要。
• 定义AI成功指标： 与其试图解释每一个模型，不如定义好的结果是什么样的。时间线是否在改善？返工是否在减少？用户是否更频繁地接受AI建议？这些指标比深入挖掘模型如何做出决策的细节，更能清晰地展示AI的运行效果。
• 建立置信度阈值： 设定AI输出何时可以自动接受、标记或发送给人工审查的容忍度，并建立一个反馈循环，帮助系统随时间学习和改进。
• 培训团队提出正确的问题： 与其让每个团队都成为AI专家，不如专注于培训他们提出正确的问题，例如AI被用来解决什么问题、哪些风险最重要，以及如何监控有效性。
• 优先考虑人类推理： 即使是最好的AI系统也能从人类监督中受益。构建允许人们验证、纠正或覆盖AI的工作流程，以此建立共同的责任制。

这种方法可以比作驾驶汽车。我们大多数人并不理解变速箱如何工作、燃料燃烧如何驱动加速，或者传感器如何检测附近车辆，但这并不妨碍我们开车。我们所依赖的是仪表盘：一个简化的界面，提供我们安全操作所需的信息，如速度、燃油量和维护警报。

AI系统的治理也应如此。我们不需要每次引擎运行时都打开引擎盖。我们需要一套清晰的指标，来显示何时出现问题、何时可能需要人工干预以及下一步该采取什么措施。这种模式使组织能够专注于重要的监督工作，而不会淹没在技术复杂性中。

停止自我设限

AI永远不会完美无缺。如果组织以人类团队都无法达到的完美标准来要求它，他们就有可能失去重新构想工作、加速决策和释放整个企业潜力的机会。

通过专注于韧性而非控制，拥抱仪表盘级别的可解释性，并根据具体情况调整监督，我们可以停止对AI的过度思考，并开始用它创造更多成功。