思想领袖
避免 Gen AI 试点疲劳：以目的为导向
我们以前见过这样的故事：颠覆性技术俘获了各个行业的商业领袖的想象力，承诺大规模转型。在 2010 年代初期，这是机器人流程自动化（RPA）。不久之后，云计算也开始流行。今天，生成式 AI（Gen AI） 成为焦点——组织正在毫无顾忌地跳入试点项目中，没有明确的前进道路。
结果是什么？一种被称为 生成式 AI 试点疲劳 的日益增长的浪潮。这是一种在启动太多 AI 计划时没有结构、目的或可衡量目标时产生的疲惫、沮丧和动力下降的状态。公司同时运行数十个试点项目，往往具有重叠的意图，但没有明确的成功标准。他们在各个部门追求潜力，但不是 解锁效率或 ROI，而是制造混乱、冗余和停滞的创新。
定义 Gen AI 试点疲劳
生成式 AI 试点疲劳反映了一个更广泛的组织挑战：无限的雄心壮志而没有有限的结构。根源是任何人见过过去的技术浪潮都熟悉的：
- 无限的可能性：Gen AI 可以应用于每个功能——营销、运营、人力资源、财务——这使得它很诱人在没有明确边界的情况下启动多个用例。
- 部署的便捷性：像 OpenAI 的 GPT 模型和 Google 的 Gemini 这样的工具允许团队快速启动试点项目，无需工程依赖——有时只需几个小时。
- 缺乏维护计划：Gen AI 需要高质量的数据才能有效。在许多情况下，数据可能会变得过时，如果不实施一个过程来确保数据保持正确和最新，则会导致数据质量下降。
- 度量的困难：与传统的 IT 部署不同，很难确定 Gen AI 工具何时“足够好”以从试点转移到生产。ROI 通常是模糊的或延迟的。
- 集成的障碍：许多组织难以将 Gen AI 工具插入现有的系统、数据管道或工作流程，从而增加时间、复杂性和沮丧。
- 高资源需求：试点项目通常需要大量时间、金钱和人力投资——尤其是在训练和维护干净、可用的数据集方面。
简而言之，Gen AI 疲劳出现时，实验超过了战略。
为什么这种情况一直在发生
在许多情况下，这是因为组织跳过了基础工作。在部署任何高级技术之前，您必须首先优化要改进的流程。在 Accruent，我们已经看到，只需通过简化工作流程和确保数据质量，公司就可以在引入 AI 之前实现高达 50% 的效率增益。在一个经过良好调试的系统上添加 Gen AI，改进可以加倍。但是，没有这些基础，即使最令人印象深刻的 AI 模型也无法提供有意义的价值。
另一个陷阱是明确的护栏的缺乏。Gen AI 试点项目不应该被视为无限的实验。成功应该以明确定义的结果来衡量——节省的时间、减少的成本或扩展的能力。必须有门槛来推进、转向或根据数据驱动的评估结束项目。所有 Gen AI 想法中有一半最终可能更适合其他技术，如 RPA 或无代码工具——这也没关系。目标不是为了实施 AI 而实施 AI，而是有效地解决业务问题。
来自 RPA 和云迁移的经验教训
这不是组织第一次被技术热情所席卷。RPA 承诺消除重复性任务；云迁移承诺灵活性和可扩展性。两者都实现了——最终——但只对那些将纪律应用于部署的人来说。
一个主要的收获？不要跳过基础。我们已经亲眼见证，组织可以仅通过在引入 AI 之前简化现有的工作流程和提高数据卫生标准，就可以实现高达 50% 的效率增益。当 AI 应用于优化系统时，增益可以加倍。但是，当 AI 层叠在破碎的流程上时，影响是微不足道的。
同样适用于数据。Gen AI 模型的好坏取决于它们消耗的数据。脏、过时或不一致的数据将导致糟糕的结果——或者更糟糕的、有偏见和误导性的结果。这就是为什么公司必须投资于强大的 数据管理框架，这是行业专家和 麦肯锡 报告中强调的观点。
“容易”的 AI 的诱惑
生成式 AI 的一个双刃剑是其低门槛。有了预建模型和用户友好的界面，组织中的任何人都可以在几天内启动一个试点项目——有时只要几小时或几分钟。虽然这种便捷性很强大，但它也打开了洪水闸。突然，您有团队在各个部门进行实验，几乎没有监督或协调。这并不罕见，看到数十个 Gen AI 计划同时运行，每个都有不同的利益相关者、数据集和成功或失败的定义。
这种分散的方法导致疲劳——不仅是从资源角度来说，还有来自于没有看到切实回报的日益增长的沮丧。没有集中式的治理和明确的愿景，即使最有前途的用例也可能陷入无休止的迭代、改进和重新评估的循环中。
打破循环：有意图地构建
首先，将 Gen AI 视为任何其他企业技术投资一样——以战略、治理和流程优化为基础。以下是我认为至关重要的几个原则：
- 从问题开始，而不是技术。组织经常追求 Gen AI 用例，因为它们令人兴奋——而不是因为它们解决了明确定义的业务挑战。首先，通过识别工作流程中的摩擦点或低效率，然后问：Gen AI 是否是最适合这项工作的工具？
- 在创新之前优化。在将 AI 层叠到一个破碎的流程之前，先修复流程。简化运营可以解锁主要的收益——并且可以更容易地衡量 AI 的附加影响。正如贝恩公司在 最近的一份报告 中指出的，专注于基础准备的企业可以更快地从 Gen AI 中获得价值。
- 验证您的数据。确保您的模型是基于准确、相关和合乎道德的数据进行训练的。数据质量差是试点项目无法扩展的主要原因之一，根据 Gartner 的说法。
- 定义什么是“好的”。每个试点项目都应有明确的 KPI 与业务目标相关。无论是减少花在例行任务上的时间还是降低运营成本，成功都必须是可衡量的——试点项目必须有决策门槛来继续、转向或结束。
- 保持广泛的工具包。Gen AI 不是每个问题的答案。在某些情况下，通过 RPA、低代码应用或机器学习实现自动化可能更快、更便宜或更可持续。要愿意在 ROI 不合理时拒绝 AI。
展望未来：什么会有帮助，什么会有害
在未来几年中，试点疲劳可能会在情况好转之前变得更加严重。创新步伐正在加快，尤其是在新兴技术如 Agentic AI 方面。做一些与 AI 相关的事情的压力是巨大的——如果没有正确的护栏，组织可能会被可能性所淹没。
然而，有理由保持乐观。开发实践正在成熟。团队开始像对待传统软件项目一样，以相同的严谨性对待 Gen AI。我们还看到工具的改进。AI 集成平台和 API 编排的进步使得将 Gen AI 插入现有的技术栈变得更加容易。像 OpenAI、Meta 和 Mistral 这样的提供商的预训练模型减轻了内部团队的负担。关于伦理和负责任的 AI 的框架，例如由 AI Now Institute 倡导的框架，正在帮助减少模糊性和风险。最重要的是，我们看到跨职能的 AI 文字的兴起——业务和技术领导者对 AI 能够做什么（和不能做什么）的日益增长的理解。
最后的思考：它是关于目的，而不是试点
归根结底，AI 的成功取决于意图。生成式 AI 有潜力带来巨大的效率增益，解锁新的能力，并转变行业——但只有当它受到战略、数据和结果的指导时。
没有这些锚点，它只不过是另一种注定会让您的团队疲惫不堪、让您的董事会失望的技术潮流。
如果您想避免 Gen AI 试点疲劳，请不要从技术开始。从目的开始。然后再构建。
