AI每分钟都在做出决策，大多数治理却仍按季度推进

一个由AI辅助的系统在指导委员会安排好下一次会议之前，就可能影响数百项运营决策。围绕季度审查建立的治理机制，从来不是为这样的速度设计的；这种错位正是许多企业AI项目开始陷入困境的原因。

我们花费大量时间争论该部署哪些模型。然而，Gartner预测，到2026年，组织将放弃60%缺乏适用于AI的数据支持的AI项目。企业AI项目失败，大多与模型本身关系不大。更根本的原因是：组织缺乏对自身业务可信且相互关联的认识。

“AI就绪”数据的隐性成本

大多数企业低估了围绕数据明确所有权、建立治理和信任、补充业务背景所需的工作量。很少有企业投入跨职能专业知识，并建立必要的运营模式，以构建能够提供透明度、可解释性和问责机制的治理框架，从而推动AI应用超越试点阶段。

我建议客户进行一个简单的测试：组织能否清楚说明数据归谁所有、数据与业务流程有何关联、哪些控制措施规范其使用，以及谁仍须对AI辅助决策负责？如果不能，无论在平台、基础设施还是模型上投入多少，他们的AI计划都不太可能成功。

任何企业AI之旅的第一步，都应是投入资源开展治理，并建立切实可行的运营模式，明确所有权、问责责任和决策权限。我看到的情况却是，大多数组织把顺序颠倒了：先部署模型和基础设施，再考虑大规模运营AI所需的基础。

AI辅助决策依赖的不只是单个数据点，还取决于对信息与业务流程、政策、所有权及运营背景之间关系的理解。如果这些关联支离破碎，组织就不应对AI建议前后不一致感到意外。

当AI应用出现险些酿成事故的情况、故障或相互冲突的建议时，关键问题在于组织管理，而非技术层面。数据归谁所有？谁负责作出决策？谁有权推翻AI的决定？出现例外情况时，如何逐级上报？如果这些问题没有答案，企业就可能在缺乏问责机制的情况下实现自动化。

信任在部署之前建立

早在任何模型投入运行之前，AI信任就已开始建立。有效治理需要技术部门、业务职能部门、风险管理、法务、合规和安全团队协同合作，因为AI系统跨越组织边界运行，而问责责任却往往仍分散在各个孤立部门。许多被归咎于AI的治理难题，其实是数据所有权和决策权限方面长期存在的问题；技术只是将这些问题暴露了出来。

大多数组织早已通过安全政策、合规框架和审批流程实施治理。他们往往缺少的是对这些环节如何相互衔接的整体认识。

当利益相关方了解建议背后的依据、相信底层数据，并知道已有适当的控制措施和升级处理机制时，信任便会逐步建立。发生事件后，这些都无法再补上。

当季度治理遇上每分钟都在做出的决策

传统治理模式依赖定期审查、指导委员会和事后报告。AI辅助系统则持续大规模地生成建议。现有框架并没有错，但速度太慢，也与运营决策脱节。每季度一次的审查周期，无法治理每天每时每刻都在作出的决策。

在我看来，最成功的做法是将治理直接融入运营工作流程，包括执行政策、设置审批流程、开展监控、确保可审计性并实施人工监督。这些组织已着手从定期治理转向持续治理，因此能够实时了解正在使用哪些数据、哪些决策受到影响、谁负有责任，以及何时需要人工介入。

持续治理不只是监控AI的输出，还意味着了解AI使用了哪些信息、这些信息是否仍然有效，以及相关决策是否仍符合业务政策和目标。

AI会自相矛盾

大型组织每天都要应对相互竞争的优先事项。安全团队希望降低风险，运营团队希望保持稳定，业务团队追求速度，财务团队则关注成本效益。如今，AI系统也加入其中；这些系统基于不同的数据集和目标进行训练，自然会体现出各自不同的优先事项。

安全AI可能会建议立即修复某个严重漏洞，而运营团队则可能推迟变更，因为受影响的系统支撑着一项关键业务服务。双方的立场都可能合理。要解决这类冲突，就需要明确决策权限、界定风险责任归属并制定升级处理路径。

AI 应提供数据、背景信息和建议，但平衡业务、运营与风险考量的责任必须由组织承担。

应对不一致暴露后引发的质疑

如果 AI 给出的建议前后不一致，显然会让业务部门今后对其心存疑虑。只有当利益相关方了解建议为何提出、使用了哪些数据，以及谁仍需对结果负责时，信任才能重建。

AI 往往会暴露组织内部早已存在的数据质量问题、权责缺失和流程不一致。与其为技术辩护，不如把这些情况视为改进治理和运营流程的契机，这样做要有成效得多。随着时间推移，透明度、一致性和可验证的业务成果将逐步赢得信任。

可信信息基础

围绕AI 就绪度的讨论往往聚焦于模型、基础设施和工具。但在实践中，最成功的组织正投资于更为根本的基础：可信的信息基础。它提供业务背景，说明信息如何与流程、政策、权责和运营决策相互关联，从而为 AI 提供更坚实的依据，使其能够提出组织看得懂、管得住、信得过的建议。

即使是最先进的 AI 模型，也无法弥补信息治理薄弱、权责不清或业务背景不足的问题。组织需要构建必要的背景信息、治理机制、组织记忆和决策智能，才能负责任且有效地大规模使用 AI。

这项工作比部署新模型耗时更长，也不那么显眼，但最终决定了模型能否持续创造业务价值。