人工智能ROI取决于数据健康和人类信任

人工智能集成是当前和未来商业战略的焦点。问题在于，许多组织仍然将人工智能视为技术推出，而不是运营和人类的推出。

这种差距开始在数字中显现。 麻省理工学院最新的商业人工智能研究 发现，95% 的公司表示，他们的生成性人工智能计划没有达到预期。 德勤2026企业人工智能报告 指出类似的模式：组织表示，他们的战略是人工智能就绪的，但他们对基础设施、数据、风险和人才的信心不够。 换句话说，扩大和完全开发人工智能系统的雄心壮志是存在的。但是，推动它过终点线的运营基础往往不存在。

许多组织仍然没有意识到，人工智能ROI取决于“数据健康”和人类信任。

数据健康是人工智能信任的基础

数据健康不仅仅是干净的记录。真正的数据健康是指数据被一致地定义，明确地拥有，周到地管理，并被预期使用它的人所理解。在许多企业中，这仍然不是现实。收入数据对销售意味着一件事，对财务意味着另一件事，对交付意味着另一件事。客户健康状况在多个系统中被跟踪。报告方法和数字从团队到团队都有所不同。然后，人工智能层被添加在上面，领导者对员工对输出的质疑感到惊讶。

这种怀疑不是阻力。这是对系统没有赢得信任的理性反应。

最近的 IBM商业价值研究所报告 发现，43% 的首席运营官将质量确定为他们最重要的数据优先事项，超过四分之一的组织估计他们每年因数据质量差而损失超过500万美元。IBM还指出，重复、冗余和不一致的记录会增加存储成本，引入混乱，降低性能。关键是：如果您的数据在人工智能出现之前就不健康，人工智能不会解决这个问题。它会放大这个问题。

如果一个组织有强大的核心业务流程，明确的治理和健康的功能间通信，人工智能可以使这些优势更加明显和有价值。预测性预测变得更加敏锐。客户成功团队更早地看到模式。聊天机器人和支持工具变得更加一致，因为它们是从反映现实的系统中获取数据的。但是，当这些潜在条件是弱的，人工智能会放大摩擦。团队花费更多时间检查输出，协调数字，修复与部署前存在的相同的流程差距。

这是为什么很多人工智能对话仍然没有达到预期。他们仍然专注于模型。真正的问题是实施和数据。

领导力为采用设定标准

还有一个被忽视的领导力问题。在人工智能可以在运营上成功之前，领导力必须就内部叙事做出决定。人工智能是被引入来自动化人类工作，还是来增强人类的判断和能力？这两者是不一样的，员工会立即注意到差异。

如果信息不明确，人们会自己填补空白。这就是采用速度放缓的地方。工人变得谨慎。经理们犹豫是否依赖输出。团队开始不一致地使用工具，或者完全避免使用它们。 德勤的人力资本研究 发现，领导者如果能够传达人工智能在工作转型、职业成长和工作生活平衡中的作用，就可以帮助建立工作人员的信任。 德勤 还认为，组织需要明确说明人工智能将如何影响工作，并为人类创造价值。

这很重要，因为信任直接与绩效相关联。

如果员工信任数据，并理解人工智能应该发挥的作用，采用和扩大会更加成功。如果他们不信任，即使最好的工具也会难以超越试点阶段。这在专业服务和B2B环境中尤其重要，在这些环境中，决策取决于共享的定义、跨功能协调和对底层系统的真正信心。你不能建立一个可靠的预测模型，如果财务、销售和交付都在查看不同版本的真相。你也不能指望一个面向客户的人工智能系统表现良好，如果它所依赖的记录是过时的、孤立的或不完整的。

这就是为什么成熟的组织不仅投资模型，还投资协调器。他们确保有人拥有数据，并且数据是干净和健康的。他们在扩大自动化之前对齐系统。他们从运营角度定义成功的标准，而不仅仅是技术角度。

IBM的CDO研究 提供了不同的视角：从人工智能中获得更多价值的组织不一定是那些拥有更多数据的组织。他们是那些使用最有价值的数据来驱动特定结果的组织。这是企业需要更多的纪律。它意味着知道什么是重要的，围绕共享的定义对齐团队，并有意图地应用数据。这是企业需要的思维方式，如果他们希望人工智能产生真正的业务结果。

人工智能成功取决于人

下一代人工智能成功不会来自于假装这些系统是完全自治的。我们还没有到那一步。人工智能仍然需要管理、监控和人类的判断。它仍然需要了解业务、了解数据，并能够区分技术上正确的输出和运营上有用的输出。

这应该是好消息，领导者担心长期人才管道。未来不是模型驱动的，而是人机协同的。认真对待数据健康并建立增强策略的公司正在为自己打造更好的人工智能ROI和更强大的组织基础，以便员工能够更好地工作。

如果企业希望超越试点阶段，他们需要停止问是否模型足够强大。他们需要问数据是否足够健康，治理是否足够明确，使用系统的人是否理解它的存在理由。那就是人工智能从实验转变为真正的商业资产并显示价值的关键所在。