避免 Gen AI 试点疲劳：以目的为导向

我们以前也见过这样的故事：颠覆性的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，云计算也迎来了自己的转机。今天，生成式 AI（Gen AI） 成为焦点——组织正在毫无顾忌地投入试点项目，而没有明确的前进方向。

结果是什么？一种可以称为 生成式 AI 试点疲劳 的现象正在兴起。这是一种在太多 AI 项目被启动时没有结构、目的或可衡量的目标时产生的疲惫、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。根源原因对于任何见证过过去技术浪潮的人来说都是熟悉的：

• 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。
• 缺乏维持计划：Gen AI 需要高质量的数据才能有效。在许多情况下，数据可能会变得陈旧，如果不实施一个过程来确保数据保持正确和最新，则可能会导致不良后果。
• 测量困难：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的时间、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 疲劳是当实验超过战略时产生的。

为什么这会一直发生？

在许多情况下，这是因为组织跳过了基础工作。在部署任何先进技术之前，您必须首先优化您试图改进的流程。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 之前推动高达 50% 的效率增益。将 Gen AI 层叠在一个良好的系统上，改进可以加倍。但是，没有这些基础，甚至最令人印象深刻的 AI 模型也无法提供有意义的价值。

另一个陷阱是缺乏明确的防护措施。Gen AI 试点项目不应被视为无限的实验。成功应以明确的结果来衡量——节省的时间、减少的成本或扩展的能力。必须有门槛来推进、转向或终止项目，基于数据驱动的评估。可能有一半的 Gen AI 想法最终会被证明更适合其他技术，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。

从 RPA 和云迁移中吸取的教训

这并不是组织第一次被技术热情所席卷。RPA 承诺消除重复任务；云迁移承诺提供灵活性和可扩展性。两者最终都实现了这一点——但仅适用于那些在部署中应用了纪律的组织。

一个重要的收获？不要跳过基础。 我们已经看到，组织可以仅通过简化现有的工作流程和提高数据卫生，在引入 AI 之前就能推动高达 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，对于数据也是如此。Gen AI 模型的好坏取决于它们所消耗的数据。脏、过时或不一致的数据将导致不良的结果——或者更糟糕的是，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 的双刃剑之一是其低门槛。借助预构建的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——有时甚至只需几小时或几分钟。虽然这种便捷性很强大，但它也打开了洪水闸。突然，你会看到各个部门的团队在孤岛中进行实验，几乎没有监督或协调。同时运行数十个 Gen AI 项目并不罕见，每个项目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了疲劳——不仅是从资源角度来说，还有来自于没有看到有形回报的日益增长的沮丧。没有集中式的治理和明确的愿景，即使是最有前途的用例也可能陷入无尽的迭代、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。以下是一些我认为至关重要的原则：

1. 从问题开始，而不是技术。 太多组织追求 Gen AI 用例，因为它们令人兴奋——而不是因为它们解决了明确的业务挑战。首先确定工作流程中的摩擦点或低效率，然后问：Gen AI 是否是最好的工具？
2. 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。简化运营可以解锁重大增益——并使得衡量 AI 的附加影响变得更加容易。正如贝恩公司在一份 最近的报告 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。
3. 验证您的数据。 确保您的模型是基于准确、相关和道德来源的数据进行训练的。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。
4. 定义什么是“好的”。 每个试点项目都应有明确的 KPI 与业务目标相关联。无论是减少常规任务所花费的时间还是降低运营成本，成功必须是可衡量的——试点项目必须有决策门槛来继续、转向或终止。
5. 保持广泛的工具箱。 Gen AI 并不是解决每个问题的答案。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 不合理时说不于 AI。

展望：什么会有帮助，什么可能会伤害

在未来几年中，试点疲劳可能会在变得更好之前变得更糟。创新步伐正在加快，尤其是随着新兴技术如 Agentic AI 的出现。要“做一些与 AI 相关的事情”的压力是巨大的——如果没有正确的防护措施，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，以同样的严谨性对待 Gen AI。我们还看到工具方面的改进。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。像 AI Now Institute 倡导的以道德和负责任的 AI 为框架，帮助减少模糊性和风险。也许最重要的是，我们看到跨职能的 AI 文字能力的崛起——业务和技术领导者对 AI 能力和局限性的日益增长的理解。

最后的思考：这是关于目的，而不是试点

归根结底，AI 的成功取决于意图。生成式 AI 有潜力推动巨大的效率增益、解锁新的能力和转变行业——但只有当它受到战略的指导、由干净的数据支持并由结果来衡量时才会如此。

没有这些锚点，它只是一种注定要让您的团队筋疲力尽和令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。