AI的真正价值建立在数据和人身上 – 不仅仅是技术

AI的承诺每天都在扩大 – 从提高个人生产力到使组织能够通过数据发现强大的新商业洞察。虽然AI的潜力似乎是无限的，其影响很容易想象，但到真正实现AI生态系统的旅程既复杂又具有挑战性。这段旅程不仅仅是实施、采用或甚至一致地使用AI – 它从那里开始。最终实现AI解决方案的全部价值取决于数据和实施、管理和应用它以产生有意义的结果的人的质量。

数据：AI成功的基石

数据是组织的常数。不管是小型的便利店还是大型企业，每个企业都依赖于数据（财务记录、库存、安全录像等）。管理、可访问性和治理这些数据是实现AI全部潜力的基石。Gartner最近指出，63%的组织要么对现有的数据实践或管理结构是否足以成功采用AI没有信心，要么不确定。使组织能够解锁AI的全部潜力需要一个周密的数据实践。从收集、存储、综合、分析、安全、隐私、治理和访问控制 – 必须有一个框架和方法来正确利用AI。此外，必须减轻风险和意外后果。总之，数据是分析的基石和AI的燃料。

AI解决方案访问数据的权限决定了其潜力 – 因此，我们看到新的功能的出现，专门针对这一点，数据官（CDO）。简单地说，如果AI解决方案被引入到一个环境中，数据对任何人都可访问 – 它将会出现错误、偏见、不合规，并且很可能会暴露敏感和私人信息。相反，当数据环境丰富、结构化、准确，并且有一个框架和方法来规定组织如何使用其数据时，AI可以立即带来好处，并节省大量时间用于建模、预测和倾向开发。围绕数据基石的，是数据的访问权限和治理政策，这本身就是一个问题 – 人的因素。

人： AI采用的被低估的因素

IDC最近分享了这样一个事实：45%的CEO和超过66%的CIO调查表达了对技术供应商不完全理解AI的潜在风险的担忧。这些领导者有理由担心。可以说，传统IT风险的后果仍然存在于受控的AI中（例如，停机、运营中断、昂贵的网络保险费、合规罚款、客户体验、数据泄露、勒索软件等），并且由于AI的集成而被放大。担忧来自于对这些后果的根源或对于那些不了解的人来说，伴随着AI使能的不安感而产生的担忧。

迫切的问题是，“我应该投资于这个昂贵的IT工具，尽管它可以大大提高我的业务的性能，但由于员工没有准备好使用它，可能会导致IT系统崩溃？”这是夸张的吗？绝对是 – 商业风险总是如此，我们已经知道了这个问题的答案。随着技术变得更加复杂，运营潜力也越来越高，必须加倍努力使团队能够合法、适当、有效地使用这些工具。

供应商的挑战

对技术供应商缺乏信心不仅仅是缺乏专业知识，还反映了一个更深层次的问题：不能清晰地阐述组织在AI实施和不切实际的期望方面可能面临的具体风险。

组织和技术供应商之间的关系类似于患者和医疗保健提供者之间的关系。患者会因为症状而咨询医疗保健提供者，希望得到一个简单且经济的解决方案。在预防情况下，医疗保健提供者将与患者合作制定饮食建议、生活方式选择和专门的治疗，以实现特定的健康目标。同样，人们期望组织能够从技术供应商那里获得解决方案来解决或计划技术实施。然而，当组织无法提供特定IT环境的具体风险时，这加剧了AI实施的不确定性。

即使IT供应商有效地传达了AI的风险和潜在影响，许多组织仍然被成功AI实施所需的真正总拥有成本（TCO）所吓倒。人们越来越意识到，成功的AI实施必须从现有的环境开始 – 只有当环境现代化后，组织才能真正解锁AI集成的价值。这就像假设任何人都可以跳进一辆F1超级跑车的驾驶舱并立即赢得比赛。任何理性的人都知道，赛车的成功是由熟练的驾驶员和高性能机器共同决定的。同样，AI的好处只能在组织准备、培训和装备好使用它时才能实现，这是通过采用和实施来实现的。

案例：Microsoft 365 Copilot

Microsoft 365 Copilot是一个很好的例子，展示了现有的AI解决方案，其潜在影响和价值往往被误解或因客户的期望不符而被削弱 – 不是了解AI应该如何实施和它能做什么，而是了解它应该做什么。今天，超过70%的财富500强公司已经在使用Microsoft 365 Copilot。然而，AI会取代工作的广泛恐惧在大多数现实世界的AI应用中基本上是一个误解。虽然在某些领域（如完全自动化的“暗仓库”）已经发生了工作岗位的取代，但在AI的使用和机器人技术之间必须区分开来。后者对工作岗位取代的影响更为直接。

在现代工作的背景下，AI的主要价值在于提高性能和放大专业知识 – 而不是取代它。通过节省时间和提高功能输出，AI使得更加敏捷的上市策略和更快的价值交付成为可能。然而，这些好处依赖于关键的使能因素：

• 成熟的数据实践
• 强大的访问管理和治理
• 强大的安全措施以减轻风险
• 围绕AI的负责任使用和最佳实践的人员使能

以下是AI驱动的功能改进的几个例子，跨越各个业务领域：

• 销售领导者可以使用客户生命周期数据生成倾向模型，以驱动交叉销售和升级策略，提高客户留存率和价值。
• 公司战略和财务规划团队可以通过分析业务单元节省时间，获得更深入的洞察力，从而更好地与公司目标保持一致。
• 应收账款团队可以更高效地管理付款周期，通过更快地访问可操作的数据，提高外联和客户参与度。
• 营销领导者可以通过利用AI洞察销售业绩和机会，建立更有效的销售对齐的上市策略。
• 运营团队可以减少花在财务和销售数据调和期间的时间，最大限度地减少季末或年末过程中的混乱。
• 客户成功和支持团队可以通过自动化工作流程和简化关键步骤来减少响应和解决时间。

这些例子仅仅触及了AI驱动功能转型和生产力增益的表面。然而，要实现这些好处，需要正确的基础 – 允许AI集成、综合、分析和最终实现其承诺的系统。

最后的思考：没有即插即用的AI

实施AI来解锁其全部潜力并不是像安装程序或应用程序一样简单。它是将一个相互连接的自治功能网络集成到整个IT栈中 – 提供洞察力和运营效率，这些原本需要大量手动努力、时间和资源。

实现AI解决方案的价值建立在构建数据实践、维护强大的访问和治理框架以及保护生态系统的基础上 – 这是一个需要深入探讨的话题。

技术供应商能够成为有价值的合作伙伴将取决于营销和使能，专注于揭穿神话和校准期望，了解真正利用AI的潜力意味着什么。