为什么 AI 投资策略阻碍了企业的发展

企业 AI 已经达到了一个尴尬的阶段。就像一个尴尬的青少年，雄心壮志是存在的，技术正在成熟，但有意义的规模仍然难以实现。许多组织仍然陷在试验模式中，轮流尝试有前途的用例，但从未深入地将 AI 嵌入业务中。

现实是，问题比工具或模型选择更深刻。它存在于 AI 在组织层面上的资金、治理和优先级方面。

为什么基于项目的 AI 总是遇到瓶颈

多年来，企业技术投资一直遵循一个可预测的模式：定义用例，分配预算，交付项目，然后继续下一个项目。这种方法带来清晰和控制，这就是为什么它持续了这么久的原因。

然而，AI 并不适合这种结构。单个部署很少能在一个功能内保持独立；它很快就会扩散到工作流、团队和决策中。最初的狭窄实验往往会演变成更广泛的东西，具有最初不可见的依赖关系。

将 AI 视为一系列孤立的计划会产生摩擦。团队重复工作，数据管道从头开始重建，治理变得不一致。进展是有的，但它是不均匀的，难以维持。

那些超越这种模式并且更快取得成功的组织往往采用了不同的思维方式。他们将 AI 视为一种持续的能力，拥有专门的所有权、持续的投资和明确的使命来服务更广泛的业务。

大多数 AI 商业案例忽略的投资

早期的商业案例通常关注模型成本和预期的生产力收益。没有什么可惊讶的，因为这些是最容易量化的元素，这就是为什么它们主导了对话的原因。

现实更加复杂。最大的投资位于模型周围的层次中，这些层次决定了 AI 是否在实践中提供价值。

基础设施是第一个压力点。以大规模运行 AI，特别是在实时环境中，会引入持续的计算需求，这些需求会随着使用量的增加而迅速增长。成本在试验成功后不会保持静态；它们会随着采用而扩大。

数据准备呈现了另一个挑战。企业数据很少处于 AI 系统可以可靠使用的状态。它是分散的、不一致的，往往治理不善。准备它需要时间、协调和团队之间的持续努力。

治理增加了更多的重量。政策、监控系统和人工监督对于维持信任和合规性是必不可少的。这些机制需要作为系统的一部分来设计和维护，而不是事后添加的。

采用率往往被低估。员工需要了解 AI 如何融入他们的工作，哪里是其局限性，以及如何负责任地使用它。没有这些，即使是精心构建的系统也很难获得牵引力。

这些元素加起来占了大多数的努力，但忽略它们会导致一个熟悉的结果：在技术上成功的试验，但无法转化为业务影响。

前线的实用例子

考虑一个金融服务公司部署 AI 助手来支持内部风险分析。最初的试验专注于总结报告和在受控数据集中突出异常。结果看起来很强，扩张的理由得到了批准。

随着系统的扩大，新的需求出现了。它需要访问多个系统的实时数据，每个系统都有不同的格式和控制。治理团队需要可审计性，确保每个输出都可以追溯和解释。分析师需要培训以正确解释结果并将其纳入决策中。

最初的预算围绕着一个封闭的用例建立，很快被证明是不够的。基础设施、数据工程和合规性方面需要额外的投资。没有能够适应这些层次的资金模型，进展就会减慢，信心就会下降。

这种模式很常见。挑战不在于初始部署；它在于之后的一切。

为什么传统系统现在阻碍了 AI 的进展

许多组织发现他们现有的技术资产不适合 AI。那些孤立地构建、具有有限集成和不一致的数据结构的系统创造了难以绕过的障碍。

AI 系统依赖于访问、连接和上下文。当这些缺失时，输出变得不那么可靠，验证也更加困难。弥合系统之间的差距所需的努力可能超过了 AI 本身的好处。

现代化往往被推迟，以便优先考虑短期优先事项，而 AI 正在迫使重新评估。那些无法支持互操作性或以可用方式公开数据的系统正在成为进步的约束。

在现实中，解决这个问题需要的不仅仅是渐进式的修复。它需要对架构进行明确的简化、数据标准化和不必要复杂性的去除。

董事会需要重新思考

领导层如何构建 AI 投资将塑造随后的结果。当 AI 被视为一系列离散的购买时，决策往往关注短期回报和受控风险。

一种不同的方法将 AI 视为一种随时间发展的能力。每次部署都为更广泛的基础做出了贡献，使后续工作变得更快、更有效。数据管道变得可重用，治理框架成熟，团队积累了可以推动向前的经验。

这对预算有影响。它需要持续的资金、明确的责任和愿意投资于不立即产生回报但对于长期成功至关重要的领域的意愿。

它还改变了进展的衡量方式。与其评估孤立的项目，不如评估整体能力的演变以及是否变得更容易在新领域部署 AI。

建立持久的基础

早期成功的组织往往具有一种共同的特征——他们认识到，价值来自于积累，而不是孤立的胜利。

这意味着投资于支持 AI 的底层系统，即使它们不那么显眼。它意味着将团队围绕共享的平台进行组织，而不是分散的计划。它意味着将采用视为一个持续的过程，而不是最终一步。

这种转变并不简单。它挑战了既定的预算模型，并需要在技术和非技术功能之间进行协调。它还需要耐心，因为好处会随着时间的推移而积累，而不是立即出现。

另一种选择已经在许多组织中显现：一系列展示潜力的试验，但未能改变业务运营的方式。

AI 已经超越了实验阶段。那些相应地调整投资策略的组织将处于更有利的位置，将潜力转化为持续的优势。