将 AI 的潜力与实际现实相结合

自 2022 年 ChatGPT 发布以来，AI 工具已在企业中得到广泛应用，美国商会调查显示，98% 的小型企业都在使用它们。然而，尽管在数据分析、总结、个性化等领域取得了成功，但最近的一项调查发现，美国、英国、澳大利亚和加拿大 2,500 名工人中，有 3/4 的工人报告说 AI 实际上增加了他们的工作量。因此，AI 的期望仍然很高，但实际情况似乎还不够理想。

这种差异凸显了一个关键挑战：弥合 AI 的巨大潜力和其目前在企业运营中的有限实际影响。弥合这一差距对于组织来说至关重要，以便充分发挥他们的 AI 投资价值，并在员工和利益相关者中推广采用。

AI 投资的产品愿景

虽然 AI 已经取得了显著的进步，但许多商业解决方案仍处于实验性的概念验证阶段，并不完全适合日常运营。在对 1,000 名 CxO 和高级高管的跨国和行业调查中，BCG 发现，74% 的公司难以实现和扩大他们的 AI 投资的价值。部分原因是，目前最突出的 AI 用户界面是基于自然语言的，通过聊天机器人范式传递。虽然这些模式在总结和其他基于文本的上下文中非常有用，但它们无法与大多数企业实际进行的工作相匹配。

为了最大限度地发挥影响，AI 工具的设计必须演变，以超越孤立的、基于文本的界面，转向集成的、增强工作流的应用程序，以更好地满足大型组织的运营需求。AI 演进的下一个阶段将越来越多地采用代理，完美地融入企业运营的背景中，并允许团队专注于高层次的构想和策略，引入自动化运营，绕过手动执行，但仍然保留依赖于不可自动化的人类判断的“人在回路”控制。

从“实验”到“必备”的转变需要对 AI 开发、部署和运营采取产品化的方法，类似于苹果公司如何通过发布 iPhone 革新了科技行业——一个经过深思熟虑的设计、用户友好的产品，将最先进的技术与出色的用户体验结合在一起。

关闭数据差距和确保成本效率

为了朝着更成熟的 AI 版本迈进，解决企业数据资产中的差距至关重要。部署 AI 在企业中的兴趣日益增长，这使得广泛的数据孤岛暴露无遗，这些孤岛阻碍了组织将 AI 从原型扩展到企业范围的应用。

当然，需要注意的是，财务障碍也可能阻止组织扩大他们的 AI 使用范围，从试点到企业范围的应用。训练和维护高级 AI 模型所需的基础设施，包括计算能力、数据存储和持续的运营成本，可能会迅速增加。没有仔细的监督，这些项目可能会变得不堪重负，类似于云技术采用初期面临的挑战。

首先关注数据的完整性、清洁度和质量，可以帮助降低长期成本。太多公司关注 AI，然后稍后解决他们的数据挑战，导致低效和错失机会。

成本效率与数据和核心基础设施层的投资密切相关。在这一层的投资 是确保大型语言模型可以大规模运行的关键。在实际操作中，这意味着标准化数据收集，确保可访问性，并实施强大的数据治理框架。

负责任的 AI

在坚实的、有治理的数据基础上嵌入负责任的 AI 原则的公司将更好地定位以高效和道德的方式扩大他们的应用。公平、透明和 AI 输入和输出中的问责制等原则对于企业来说不再是可选的——它们是与员工和客户保持信任以及遵守新兴法规的战略必备。

一个关键框架是 EU AI 法案，它要求高风险 AI 系统有明确的文档、透明度和治理。遵守此类框架需要公司实施不仅验证他们的 AI 模型，还使其可解释和可问责的过程，这在信用评分、欺诈检测和投资建议等高风险应用中尤为重要。优先考虑这些做法的公司可以在监管要求和昂贵的法律或声誉风险面前保持领先地位。

此外，随着行业的发展和代理 AI 系统变得更加普遍，这些系统可以自主做出决定，负责任实施的风险也会增加。将行动委托给 AI 工具需要对其可靠性和道德行为有信心。为此，组织必须投资于持续的审计和监控框架，以确保 AI 系统按预期运行，并谨慎防范结果偏差和延续不公平的结果。

展望未来

AI 在企业运营中的变革潜力是不可否认的，但要实现其全部价值，组织必须改变他们对 AI 的开发和部署方式。从实验应用转向可扩展、集成工作流的工具，需要专注于解决数据质量、治理和可访问性的基础问题，并采用产品思维方式。

关闭数据差距并使负责任的 AI 成为战略的核心，将是维持与利益相关者信任、继续满足战略合规性要求以及确保 AI 系统不仅可扩展而且可靠和有效的关键。通过这种方式，AI 的承诺可以实现，其当前的采用困难将在所有规模的组织中得到克服。