奥列娜·多曼斯卡（Olena Domanska）是Avenga的全球能力总监。她领导跨学科团队，帮助组织将新兴技术转化为可衡量的商业成果。她的工作重点是数据策略、AI赋能和可扩展的云架构。
在最近与一家欧洲银行举行的研讨会上，关于人工智能的讨论在第一小时内从未涉及模型准确性。相反，讨论围绕审计跟踪、数据血统和谁将在系统做出错误决定时签署负责。这种模式很常见。在受监管的行业中，人工智能讨论始于安全性、问责制和声誉风险——而不是性能基准或部署速度。监管作为市场塑造者，而不是制动器考虑一个信用评分系统。在许多市场中，团队会在生产中测试、迭代和改进。在欧洲，顺序是不同的。风险分类首先进行。然后是文档。监督机制在部署之前定义。只有系统上线后，才会进行这些步骤。这种转变不仅改变了流程，还改变了激励机制。欧洲选择优先考虑控制和辩护，而不是速度。这种选择增加了摩擦，减慢了推出速度。但它也在生态系统中重新分配了价值——为能够在复杂性中导航的公司创造了空间，而不是抽象它。在银行、医疗保健、制药、汽车、iGaming和受监管的数字平台等领域，人工智能采用受到一个主要问题的影响：如果它失败了会发生什么？当下行风险是监管处罚或公众信任侵蚀时，“基本上有效”是不够的。这种现实优先考虑精度而不是速度。为什么欧洲的人工智能路径看起来不同欧洲常被描述为在人工智能方面谨慎。更准确的词可能是“深思熟虑”。在美国，开发往往优化规模和市场份额。在亚洲的一些地区，快速推出和协调占据主导地位。相比之下，欧洲在开始时就内嵌风险评估，而不是在最后。在欧盟的基于风险的框架下，一些人工智能系统必须在部署之前进行分类。高风险应用需要文档、明确的人类监督和可追溯的决策逻辑。对于技术领导者来说，这意味着项目从第一天起就涉及合规官和法律团队。设计研讨会看起来不同。时间表拉长。的确，这个过程更慢。但是，开始时更慢意味着以后会有更少的逆转。几家机构已经悄悄地推迟了启动，不是因为模型性能不佳，而是因为监督流程没有得到充分的记录。重做治理变得与调整算法一样重要。数据主权加剧了这种情况。关于本地化和部门特定保护的限制使得全球模型难以部署。为无限制数据移动设计的模板通常需要重构。结果是缺乏统一性——以及更多的上下文适应性。大型平台正在适应。它们正在建立合规基础设施和透明度工具。然而，即使基础设施检查了正确的盒子，企业仍然面临未解决的问题：谁承担责任？如何结构人类审查？监管机构将如何解释这种特定用例？这些问题很少是通用的。它们是本地的、部门特定的和不断演变的。这种不确定性正是机会出现的地方。复杂性如何创造新的服务领域规则创造了摩擦。摩擦创造了工作。持续的工作创造了市场。在欧洲，两种需求正在增长。第一种是直接的合规性：分类、文档、审计准备。必要，但不是变革性的。第二种是架构性的。系统必须从设计上就具有可解释性。监控必须内置。访问必须受到控制和记录。安全性不能在事后添加。这些要求从一开始就影响系统设计。医疗保健人工智能与制造业人工智能不同。银行监督与游戏监管不同。一般性的抽象很少能在面对部门特定执行时幸存。因此，企业越来越多地寻找能够将技术能力与监管知识相结合的合作伙伴。这并不意味着超大规模公司在技术上是劣等的。它意味着，在一个解释至关重要的背景下，抽象本身是不够的。在这种环境中，安全性成为产品的一部分。组织不再购买模型；他们购买的是可辩护的系统。可审计性和监督是交付成果。随着时间的推移，这些内容中的一些可能会标准化。工具将成熟。文档可能会自动化。但是，尤其是在各个行业之间，解释将保持不均匀。专业化是成熟的标志专业人员往往出现在实验结束时。早期的人工智能项目容忍失败。生产系统则不容忍。一旦人工智能触及信用决策、医疗工作流或客户交互，治理就成为基础设施。银行很好地说明了这一点。风险登记册、监督委员会和非功能性要求不再是外围的。它们被嵌入到部署周期中。同时，组织希望获得更广泛的访问权限。业务团队希望使用生成性人工智能工具。这引入了紧张：在不失去控制的情况下实现访问。一种出现的模式是受控的生成人工智能工作空间——受监控、记录并受政策约束。这些环境通常会迅速演变，当由习惯于在欧洲约束内运作而不是重构全球默认值的公司设计时。实际上，这通常意味着在定义提示之前定义升级路径——决定谁介入，然后决定模型说什么。来自信息服务集团（Information Services Group）的独立市场研究反映了这种结构转变，在欧洲区分了大型供应商和专业公司。这种细分反映了企业行为：随着人工智能变得运营至关重要，语境专业知识的重要性增加。这种情况是否可持续——还是暂时的？全球平台将继续适应。合规功能将改进。一些解释工作将被吸收到工具中。然而，在近期内，各行业之间的完全标准化不太可能实现。风险分类和执行方式不同。国家监管机构以不同的方式应用指导方针。只要解释保持上下文相关，企业将寻找能够弥合技术和监管领域的合作伙伴。欧洲的合规性几乎像一个次要的市场过滤器：它提高了进入的成本，但也增加了上下文专业知识的价值。因此，欧洲的人工智能市场不太可能巩固为单一的主导模式。更合理的结果是循环的：专业化、整合和随着监管和技术的演变而重复的差异化。监管作为生态系统设计师欧洲的框架不仅仅约束了人工智能的部署。它在生态系统内重新分配了影响力。通过要求在前期进行问责制和辩护，它提升了能够将规则转化为运营系统的行为者。像Avenga这样的公司在这个空间中运作，建立系统以满足功能性和治理要求。信息服务集团（ISG）的认可反映了更广泛的市场模式，而不是孤立的认可。辩论不应再集中在监管是否会减缓创新。更相关的问题是，欧洲的深思熟虑的方法将继续塑造谁在人工智能中创造价值多久。
AI已经远远超出了炒作。现在，大多数企业都期望从AI中获得有形的价值——减少手动任务，改善决策，快速检测异常。除此之外，他们还要求解决方案既可靠又易于实施。市场信号令人清醒。 2025年，42%的公司报告停止了他们正在进行的AI项目。这个数字比前一年（2024年）增加了25%。尽管试点项目和概念验证（PoC）激增，但成功仍然难以实现。 研究表明，约80%的AI项目失败。此外，只有大约11%的组织能够成功将原型扩展到企业级系统。很明显，某些事情不对劲。为什么AI概念验证失败：三个根本原因原因1：试点瘫痪和优先级不一致在沙盒环境中，团队经常开发出令人印象深刻的AI模型，像对待科学项目一样。但是，他们往往忽略了通往生产的道路——忽略了集成、身份验证、可观察性、治理和用户采用等基本方面。一致性问题更为深刻：没有共同的成功指标，各个部门会朝着不同的方向努力。产品追求功能，基础设施加强安全，数据团队修复管道，合规部门制定政策——往往是独立进行的。结果是有动作但没有动力。没有统一的目标，公司缺乏对AI应该实现什么和如何实施的共同理解。原因2：数据质量和孤岛众所周知，AI需要大量数据。尽管在数据平台上投入了大量资金，许多组织仍然难以应对不一致、不完整、重复或过时的数据。例如，访问分散或所有权和来源不明确。这些问题会增加成本，减慢交付速度，并将概念验证置于不确定状态。原因3：衡量错误的指标技术团队根据指标（如精度、召回率或准确率）来评估AI模型。这些指标显示模型的性能与随机猜测相比如何。然而，领导层根据业务结果确定资金。准确性如果没有影响力就无关紧要。组织应该将模型性能转化为节省的时间、获得的收入、避免的成本和降低的风险——并持续报告这些指标。评估AI想法的七步框架评估AI想法的结构化方法是以下框架。这些步骤基于行业研究、实践经验和最新报告的见解。1. 定义问题和所有权每个强大的AI计划都以明确定义的业务问题和负责的项目所有者开始。挑战应具体、可衡量且足够重要——例如高流失率或慢速贷款审批。所有权应归属于将实施解决方案的业务领导者。例如，Lumen Technologies 量化了其销售代表在研究潜在客户方面花费的时间。引入自动化后，每年可节省5000万美元的资源。2. 评估任务适宜性下一步是评估任务的适宜性。并非所有流程都能从AI中受益。重复、高容量的任务是理想的候选者，而高风险的决策通常仍需要人工监督。一个关键问题是可以容忍的错误水平。 在敏感领域，即使是小错误也需要人工介入和适当的审批。有时，简单的自动化或重新设计可以更快、更低成本地实现相同的结果。3. 评估数据准备度高质量、可访问和受治理的数据是AI的骨干。组织必须检查其数据是否充分可用、代表性强且合法可用。他们还必须确定是否解决了数据质量问题，例如重复值、缺失值、偏差或漂移。另外，他们必须确保治理机制（如所有权、来源和保留）到位。理想情况下，这些机制由减少手动清理需求的工具支持。4. 确定可行性和价值实现时间然后， 可行性和价值实现时间变得至关重要。概念验证应在几周内建立基线，而不是几个月。如果不能，缩小范围或减少数据依赖可以帮助加快过程。团队应该确定是否具备必要的技能、基础设施和预算，包括机器学习（ML）、数据工程、MLOps、领域专业知识、安全性和合规性。如果没有，他们应该计划培训或外部支持。此外，团队应该尽早估计每秒查询数（QPS）、延迟SLO和令牌/单位成本，以确定是否可以实现事务量和延迟期望。5. 估计业务影响和投资回报率（ROI）第五步是估计业务影响和ROI。领导者不应仅关注模型准确性，还应考虑一系列业务指标——例如节省的时间、处理的案例、转化率增加和减少的返工或索赔。他们还应考虑总拥有成本，包括基础设施、许可证、API或令牌使用、维护、监控和重新训练成本。理想情况下，他们还应与财务部门协调，考虑净现值、回收期和敏感性分析。这种广泛的评估增加了扩展的机会。6. 确定风险和监管约束风险和监管接下来。任何AI系统都必须尊重隐私、安全和公平要求，这些要求因管辖区而异。这些包括欧盟的GDPR和AI法、美国的NIST RMF框架、英国的促进创新监管原则和全球新兴的ISO/IEC标准。行业背景增加了特定的要求：保险公司面临偿付能力和公平性义务，而医疗保健需要可解释性和临床验证。明确的合规路径可以避免昂贵的惊喜。7. 计划集成和采用最后，集成和采用的重要性不应被忽视。组织经常庆祝成功的原型，却发现它在移交生产时停滞不前。在某些情况下，技术上健全的试点项目仅仅因为引起的问题比解决的问题更多而被放弃。常见的陷阱包括工作流不匹配、为员工增加工作量或缺乏信任，这可能是由于用户没有接受培训或被咨询所致。为了应对这一点，集成必须从一开始就被考虑，以确保AI无缝地融入现有系统。强大的变革管理——培训、清晰的沟通、积极的冠军和激励——促进了采用。同样重要的是可操作性，它涉及定义SLA和SLO，监测漂移或滥用，并保持回滚选项。这些措施确保了弹性和信心， 将试点项目转化为持久的解决方案。决策矩阵：比较AI想法决策矩阵是一种实用的工具，用于同时比较多个AI想法。框架的每个维度都分配了一个权重，反映了其重要性。得分越高，继续的理由越强（所有权重的总和为100）。团队可以为每个想法的每个维度中的详细带分配一个分数。这些分数被组合成一个单一的数字：加权分数=(权重之和×归一化分数)/100。权重不是固定的。它们应该反映组织的优先事项。例如，在一个高度监管的银行中，风险和监管可能值得20或25的权重，而不是10。在一个快速扩张的SaaS公司中，业务影响和ROI可能以25的权重计，而监管可能只以5的权重计。数据密集型行业（例如制药、保险）可能会将更多的重要性放在数据准备度上。案例研究：应用框架为了演示如何将框架转化为具体决策，我们评估了两个示例，使用与决策矩阵中相同的七个维度。为了演示逻辑，我们使用了一个示例权重方案。在实践中，各公司应根据自己的情况调整这些数字。 项目详情 保险：理赔分类 一家大型保险公司在理赔处理方面遇到了延迟，因为理赔员花费了数小时阅读和总结笔记。 银行：贷款审批 一家零售银行希望完全自动化贷款审批。银行希望加快审批速度并降低成本，以与金融科技公司竞争。 问题和所有权 权重：15 评分：0 = 模糊/低价值问题，无所有者...
