在企业中最大化 AI 投资回报率

与之前的许多技术一样，人工智能（AI）被誉为企业必须使用的下一个伟大创新。然而，底层技术已经存在几十年了，但最新的迭代使得炒作达到高潮，超过了企业实际的实施现状。因此，IT 团队在面临加入 IT 列车的压力时，必须在热情和底线现实之间取得平衡。不同的实施需要不同的投资水平，这意味着它们也必须带来不同的回报——通常是在不同的时间表上。

成功的 AI 产品开发取决于多种因素：业务领导者选择的特定策略、规划和执行；拥有技能资源的可用性；产品路线图中的适应性；组织对风险的接受度；以及对预期投资回报率（ROI）的时间管理。

平衡这些因素是一个挑战，但遵循以下三个步骤可以让组织走向 AI 投资回报率之路。

了解技术

许多企业进入 AI 领域时，认为自己已经落后，但并没有完全理解为什么、如何或是什么技术。因此，他们的第一项任务是区分不同的 AI 风味，从精确 AI 和生成 AI 开始。

精确 AI 是使用 机器学习 和 深度学习 模型来改善结果。它使企业能够自动化决策过程，提高效率和 ROI。精确 AI 已经成为企业中成熟的技术，继续看到显著的采用率，并变得更加主流。

生成 AI （GenAI）是新的，并且自 2022 年底 OpenAI 发布 ChatGPT 以来，已经崛起。它由训练有数十亿参数的基础大型语言模型（LLM）组成，用于生成新的语义文本上下文，GenAI 为业务影响和运营效率提供了显著的机会，但它仍处于采用生命周期的早期阶段。

一个显著的障碍是数据质量标准，对于 GenAI 应用程序来说，这个标准被提升，因为低质量的数据集可能会引入透明度和道德问题。

数据可靠性从设计和实施工作流开始；建立管道以执行；通过 API 抽象；策划和民主化；以及处理不同的数据类型。与之前的数据质量要求不同，AI 需要新的要求，包括 4P：预测、生产力、精度和个性化规模。

预测：AI 算法允许使用统计分析来找到数据中的模式并识别行为，以预测和预测未来事件，通过关联历史数据和实时数据流来做出实时决策。

生产力：AI 实现了业务流程自动化，提高了企业的运营效率和生产力，减少了重复任务，并释放了员工时间以专注于更战略性的任务。

精度：该指标以一种机器学习模型可以产生的精度为单位来衡量模型结果，精度也可以计算为真阳性数除以预测的总阳性数。

个性化规模：这指的是使用可靠的数据（如客户购买历史、网站行为、客户情绪分析和调查回复）来提供个性化体验的过程。它可以跨人口统计学提供个性化体验。

除了数据质量之外，企业还必须考虑许多其他内部和外部因素来评估其 AI 准备度：治理、合规性、云投资、人才、新的业务运营模型、风险管理和领导层的承诺。

组织必须首先建立一个与其目标和战略目标相符的 AI 愿景。来自 C 级高管的认可至关重要，因为 AI 部署需要大量的前期投资。CIO 必须清晰地阐述 ROI 的路径，以便整个 C 级高管能够将 IT 从一个支持功能提升到一个战略功能。

接下来，组织必须使人员、流程和技术保持一致。AI 需要新的技能和认证，例如深度学习模型和机器学习，因为组织传统上将 AI 集成到人工工作流程中。然而，GenAI 反转了这种动态，但大多数最佳实践和负责任的使用指南仍然包括“人工在循环”组件，以保持道德标准和价值观。

AI 部署还需要新的业务流程来管理治理和数据质量，允许负责交付新 AI 模型的数据科学家解决复杂的业务问题。

随着新的 AI 产品被设计、开发和制造以投入生产，企业还必须保持对 AI 行业最新的监管政策的警惕。 欧盟 AI 法案已经为使用 AI 建立了最佳实践 —— 并且不遵循这些政策的后果。因此，企业已经建立了团队来创建、评估和更新围绕 AI 法规的工作。

随着企业变得越来越数据驱动，它们必须开发基础战略来保护使其能够通过分析过程自动化平台提供最佳见解的数据资产。从那里，它们可以选择最适合自己的 AI 技术和新平台。

定义业务案例

最后，真正的 AI 投资回报需要向客户出售其益处，这意味着 AI 准备度需要新的业务思维方式，因为该技术正在推动各个行业的企业转型。

成功的 AI 产品开发需要对行业特定客户旅程有深入的了解，并将 AI 解决方案与业务目标保持一致。客户中心性在开发新的运营模式中发挥着关键作用，现代技术被用来提高效率。

例如，寻求 AI 成熟度的小胜利的客户可以依靠其软件资产和云基础设施来开发新的产品和解决方案。这保持了员工的满意度，并使他们专注于超越客户期望。

话虽如此，组织的核心应该专注于缩短上市时间和改善新流程管理，以缩短产品开发生命周期并提高交付新产品的效率。例如，分布式增强数据分析平台被用来自动化实时数据的摄取、策划、民主化、处理和分析 —— 所有这些都提高了生产力和 ROI。

解锁 AI 投资回报的全部潜力

AI 的核心代表着高级算法、数据质量、计算能力、基础设施即代码、治理、 负责任的 AI 以保护数据隐私和保密性。AI 应用准备度的基本要求和数据管理的挑战需要数据驱动的框架、人员、流程、策略、道德和技术平台。

同时， 麦肯锡报告称，65% 的企业正在使用 AI 技术 —— 这比去年增加了一倍。它表明了动力，但部署仍然从好奇心转变为真正的业务用例的速度很慢。GenAI 正在带来新的突破，通过开发语义和多模态大型语言模型，使组织能够利用新的能力。它使 AI 的全部能力民主化，使其能够产生新的收入流。

有了正确的策略、领导层的承诺和对正确用例的投资，企业可以通过 AI 获得显著的价值并推动转型增长。随着 AI 的发展，企业必须继续创新和适应，以保持竞争优势并解锁 AI 的全部潜力。 the development of semantic and multi-modal LLMs. It democratizes a full spectrum of AI capabilities, enabling them to generate new revenue streams. With the right strategy, leadership commitment, and investment in the correct use cases, businesses can gain significant value and drive transformative growth through AI.