斯凯拉·罗伯克拥有 15 年以上的产品领导和数字转型专家经验，曾与世界上最值得信赖的企业公司合作。他目前担任 Solvd 的首席技术官（CTO），Solvd是一家人工智能工程公司。
根据埃森哲最近的数据，74% 的全球消费者表示他们会信任个人 AI 代理而不是他们的最好朋友来代表他们进行购买。我不知道这说明了现代友谊的质量如何，但它肯定表明代理商务已经准备好成为主流。事实上，麦肯锡估计，到 2030 年，AI 代理将在全球范围内促成 3-5 万亿美元的消费者商务交易。我们看到意图和购买之间的距离正在实时缩小，但大多数零售商和电子商务公司并没有为这一变化做好准备。多年来，行业的北极星是“无缝的客户体验”，但代理商务改变了这一体验的含义。以前从店铺开始，现在开始于您不拥有的平台上的对话，由您可能已经外包给第三方以获得增量提升的信号所塑造。赢得代理商务竞争需要像 AI 本地运营一样思考，这意味着拥有体验下的智能。换句话说，您必须拥有教导代理了解客户实际想要什么的数据——即使在他们到达之前。这种范式转变需要更深入地探索使代理 AI 运营成为可能的层次，并立即采取行动，以便在获得必要的训练数据方面获得优势。 您放弃的数据是代理商务城堡的关键阻止零售商为代理商务做好准备的最大挑战之一是，他们通过与以前的点解决方案相同的视角来对待 AI：搜索供应商、聊天机器人、推荐引擎、生成内容工具、视觉搜索插件。 每个解决方案都解决了一个狭窄的问题。而且，虽然转换率提升可能会立即出现，但所有的学习都在别人的产品中积累。同时，零售商留下了一个分散的堆栈和更分散的数据。 真正具有区别的代理体验运行在这些供应商无法（或不愿）提供的东西上：对您的客户的纵向、所有权图像。他们犹豫了什么。他们回来了什么。他们在会话中询问了什么、在购物车中放弃了什么、六周后最终购买了什么。 当以代理可以使用的方式组织时，这种数据使得我们称之为 智能层 成为可能。这是意图被解释、决策被做出的地方。这些决策包括排名、推荐、个性化和产品理解等较低风险的调用，以及物流、退货和解决支付问题等更大的决策。 对于大多数零售商来说，无法被复制的优势在于他们如何理解客户、产品、场合、品牌声音和服务时刻。为了将这一点带入代理商务的未来，需要利用您已经拥有的数据资产，并在此基础上进行战略建设。 不要让混乱的数据阻碍代理商务之路大多数零售商将混乱的数据视为开始的障碍，但为 AI“做好准备”而进行多年的清理是一个代价高昂的误解，它将在失去客户、攀升的获取成本和未被捕获的高意图信号方面带来更多损失。 这是代理商务中以前不存在的复合维度：延迟一个月就是您没有产生的训练数据，而您的竞争对手却在产生。 因此，相比于彻底清除您的 PIM、OMS、CDP...
距离 ChatGPT 首次公开亮相已经过去三年多了，无论您是否觉得生成式 AI 在昨天或很久以前就已经颠覆了投资者，但事实仍然是我们仍处于这场最新技术革命的“爆发”阶段。“爆发”阶段。因此，这也意味着我们正在进入“停滞区”，历史上这个阶段通常伴随着越来越多的怀疑和衰退的担忧（这就是为什么最近有这么多关于 AI 泡沫的猜测）。但与之前的工业革命一样，经济模型已经改变，技术正在逐渐被接受，而且是早期采用者将在“爆发”或大规模推出时脱颖而出。不幸的是，大多数企业目前正在将自己置于未来的不相关性之中，因为他们在“随机的 AI 投资”上进行了错误的投资，而不是真正致力于转型。为了成功度过停滞区，企业应该像对待多元化投资组合一样对待 AI。 快速获胜的困境大多数 AI 试点项目之所以无法带来任何有意义的变化，主要是因为实施方式杂乱无章，只是为了赶上最新的技术潮流。虽然它们可以带来一定的正面的投资回报率，但实际上并没有带来长期的变化。 为什么？因为它们把动作误认为是进步。其中大多数并没有真正融入核心业务，因此缺乏有意义的关键绩效指标（KPI）或目标。另外，由于它们经常依赖预包装的解决方案，因此它们不是完全可定制的，导致了不可避免的有效性瓶颈。最后，当计算大规模的推理成本时，整个商业案例就会崩溃，因为成本会激增十倍甚至百倍。 速度如果没有与业务目标对齐，就只不过是噪音，但这并不改变这样一个事实：展示快速结果的压力是非常真实的。董事会希望立即看到有意义的 AI 投资回报，而不是三年后 – 而且 CIO 和 CTO 正处于两难境地。因此，我们不能假装速度无关紧要。早期的胜利至关重要。它们建立信心，创造动力，解锁预算，并证明 AI 可以在不冒巨大风险的情况下创造价值。 但是，快速获胜必须快速、低风险，并且与真正的业务成果挂钩，以建立动力，这也是多元化投资组合方法的有效之处。...
根据麦肯锡最近的一项全球调查，尽管78%的组织现在在至少一个业务功能中使用AI，但只有13%的组织聘请了AI合规专家，而只有6%的组织拥有AI伦理专家。这简直是鲁莽的行为。虽然我过去曾经是“快速行动，打破东西”的硅谷精神的坚定拥护者，但我们不能对AI这样一种比我们以前见过的任何东西都更强大的技术如此随意。这种技术正在以光速增长，我们不能对其采取如此草率的态度。采用AI而不采取任何有意义的防护措施，正是会最终导致灾难性后果的快速行动和抄近路。只需要一次AI偏见或滥用的事件，就足以毁掉多年来建立的品牌声誉。虽然许多CIO和CTO意识到了这些风险，但他们似乎认为监管机构最终会介入并拯救他们免于建立自己的框架，导致他们只是谈论风险而没有采取任何实际的监督措施。虽然我毫无疑问监管机构最终会介入，但我不确定他们何时会这样做。ChatGPT大约三年前推出，我们才刚刚开始看到像参议院司法委员会关于聊天机器人安全风险的会议等事情发生。现实是，可能需要几年时间才能看到任何有意义的监管措施。因此，企业不应该以此为借口拖延内部治理，而应该采取更积极的态度。尤其是当监管机构最终介入时，没有自己的框架的公司将不得不仓促地改造以符合监管要求。这正是GDPR和CCPA颁布时发生的事情。就像早期的创业公司现在已经成长为科技巨头一样，我们也必须在采用AI的过程中成熟起来。我们不能对AI采取如此随意的态度，因为它是一种比我们以前见过的任何东西都更强大的技术。没有“买现在，后付”这样的负责AI部署 – 立即开始采取更负责的AI方法的第一步是停止等待监管机构并制定自己的规则。您今天可能认为自己通过避免安全措施获得的领先优势，最终只会在未来以非常昂贵和破坏性的方式让您付出代价，当您面临改造以符合监管要求的过程时。当然，对于许多人来说，问题在于不知道从哪里开始。我的公司最近对500位大型企业的CIO和CTO进行了调查，近半数（48%）的人认为“确定什么是AI的负责使用或部署”是确保AI使用的伦理挑战。一个简单的开始方法是，将您的关注点扩展到AI可能带来的功能之外，考虑可能的风险。例如，虽然AI的使用可能会为员工节省时间，但也会使大量的个人可识别信息（PII）数据或商业秘密与未经许可和未经批准的LLM共享。任何数字公司今天都熟悉软件开发生命周期（SDLC），它为构建质量产品提供了一个框架。AI治理最佳实践应该嵌入到日常工作流中，以确保负责任的决策成为日常工作的一部分，而不是事后补救。一个治理机构，例如伦理委员会或治理委员会，应该被建立起来，以定义AI应用程序在组织内的标准，并定义监控和维护该标准的指标。从功能上讲，这看起来像AI工具和模型治理、解决方案批准、风险管理、法规和标准对齐以及透明的沟通。虽然从技术上讲这可能是一个“新”的过程，但它与数据最佳实践和维护网络安全并没有太大的不同，可以自动化以确保早期发现任何问题。当然，并非所有风险都需要同等程度的关注，因此，开发一个分级风险管理流程也是非常重要的，以便您的团队可以专注于高优先级的任务。最终，内部和外部的治理实践的清晰和透明的沟通是至关重要的。这包括维护治理标准的活文档，并为团队提供持续的培训以保持更新。停止将治理视为创新威胁可能真正威胁到负责AI的最大威胁是，人们认为治理和创新是相互对立的。我们的调查数据显示，87%的CIO和CTO认为过多的监管会限制创新。但是，治理应该被视为战略伙伴，而不是某种创新刹车。治理经常被视为一种阻碍创新势头的力量，因为它通常在产品开发的最后阶段被考虑，但安全措施应该是过程的一部分。正如上面提到的，治理可以嵌入到冲刺周期中，以便产品团队可以快速移动，同时自动检查公平性、偏见和合规性。长期来看，当客户、员工和监管机构看到责任感从一开始就被构建时，他们会更加自信。这已经被证明可以带来财务回报。研究表明，拥有良好实施的数据和AI治理框架的组织，财务表现会有21-49%的改善。然而，没有建立这些框架也会带来自己的后果。根据同一项研究，到2027年，多数组织（60%）将由于缺乏凝聚力的AI伦理治理框架而无法实现预期的AI使用案例价值。一个值得注意的例外是，法律团队参与这些对话确实会减慢速度。然而，在我的经验中，建立一个治理、风险和合规（GRC）团队可以通过成为法律团队和产品团队之间的桥梁来保持事情的顺利进行，同时为法律团队提供所需的报告，并与开发团队合作以减轻未来的诉讼和罚款风险。最终，这进一步强调了投资治理的重要性，以确保它不会干扰创新。创建可以扩展的监督和治理系统尽管许多受访的CIO和CTO认为监管会限制创新，但同样多的比例（84%）预计他们的公司将在未来12个月内增加AI监督。考虑到AI集成可能会随着时间的推移而扩展和扩大，因此治理系统也必须能够扩展以适应它们。我经常看到企业在AI实施的早期阶段，不同的业务单元正在独立工作，分别运行不同的部署，具有不同的“负责AI”的愿景。为了避免这些不一致，公司应该建立一个专门的AI卓越中心，结合技术、合规和商业专业知识。AI卓越中心将为公司范围内的标准和分级审批流程建立基准，在那里低风险使用案例将有一个渐进的路径。同时，卓越中心还应为高级管理人员设定AI安全KPI，以确保责任感不会在日常业务功能中丢失。此外，公司还应建立AI风险登记册，就像他们跟踪网络安全风险一样，并保持审计跟踪，反映谁构建了ML/AI实现、如何测试以及如何随时间推移进行性能监控。最重要的收获是，负责AI需要治理成为一个持续的过程。它不仅仅是关于启动时的批准，而是关于整个模型生命周期的持续监控。因此，培训是关键。开发人员、技术人员和商业领袖应该接受负责AI实践的培训，以便他们可以尽早发现问题并在系统演变时保持高标准的治理。通过这样做，AI部署将更加可靠、有效和盈利——而无需打破任何东西。
