阿蒂米特里克（Altimetrik）全球AI赋能与采纳负责人萨拉·菲利普 – 采访系列

萨拉·菲利普，阿蒂米特里克（Altimetrik）全球AI赋能与采纳负责人，专注于帮助组织弥合快速AI创新与现实世界工作场所采纳之间的差距。她的工作重点是建立AI素养计划、工作流程赋能策略和基于角色的培训计划，以帮助员工和经理将生成式AI整合到日常运营中。在阿蒂米特里克，她帮助塑造了企业采纳计划，涉及诸如ChatGPT企业版、OpenAI代理SDK和企业级AI工作流等技术，同时还联合创造了“LAByrinth”，一个为工程师和技术项目经理设计的基于项目的生成式AI模拟平台。在加入阿蒂米特里克之前，她曾在SaaS平台（如Nudge Coach）领导客户教育和实施计划，拥有丰富的学习系统、行为赋能和数字转型经验。她的职业生涯反映了企业AI领域的一种日益增长的趋势，即成功不仅仅依赖于部署模型，还依赖于使员工在日常工作中对AI工具充满信心、能力和生产力。

阿蒂米特里克是一家以AI为先的数字工程和数据解决方案公司，专注于帮助企业现代化传统系统并在业务运营中扩展生成式AI。该公司在金融服务、医疗保健、制造业、零售和生命科学等行业开展业务，结合产品工程、云现代化、数据基础设施和AI部署服务。阿蒂米特里克通过与OpenAI的合作，成为了一家主要的企业AI实施合作伙伴，强调代理AI、工作流程编排、治理和生产就绪AI系统。其ALTI AI实验室作为内部创新中心，公司在此原型企业AI应用，从智能助手到多模式工作流程和AI本地业务运营。近年来，阿蒂米特里克通过合作伙伴关系和收购迅速扩张，增强了其全球工程足迹和企业AI交付能力。

您在企业转型、学习设计和新兴技术的交叉点上建立了您的职业生涯——是什么关键的经历让您相信，负责任的AI采纳将取决于人类赋能和技术能力一样重要？

我通常是一个相对较晚的采用者，总是对新事物持怀疑态度，坚持我习惯的做事方式，这也适用于AI。我最初对AI的采用速度很慢。

但当我听到其他人如何在日常生活和工作中使用AI时，我的想法发生了变化。他们的分享使用非技术性语言，讲述了AI如何解决实际问题和痛点，这让我产生了兴趣和好奇心。

这种经历让我认识到，在每一次变革努力中，采纳往往不仅仅开始于能力，还需要相关性、信任和意义。人们需要首先看到自己在变化中，并理解其价值，这就是为什么负责任的AI采纳需要人类主导的赋能和技术准备一样重要。

在您领导全球AI赋能的角色中，您如何定义企业规模的生成式AI采纳的成功之外的试点和概念验证实验？

成功的企业规模采纳不应存在于孤立的环境中。我们经常看到一种常见的模式，即采纳被隔离。一个团队在AI成熟度方面非常先进，而同一组织中的另一个团队可能没有明确的策略，甚至可能使用分散的工具或个人账户。这种不均匀的采纳会产生不一致性和风险。

真正的成功是当一个组织建立共享的习惯、共享的标准和相互连接的工作方式时。它需要从上到下的变革管理和从下到上的改变。从上到下，领导层必须设定方向，建立治理，并明确什么是负责任的、有价值的采纳。从下到上，员工需要了解AI如何融入他们的日常工作，哪里可以解决现实问题，以及如何在他们的角色中自信地使用它。

成熟度的真正标志是当工作流程在各个团队中顺畅地运行，而不仅仅是在孤立的环境中。

许多组织投资于生成式AI工具，但难以将其运营化。您看到的最常见的执行差距是什么，导致了雄心壮志和可衡量的业务影响之间的差距？

治理所有权通常不明确。谁负责记录正在使用什么，版本化提示或工作流程，监控质量，并跟踪AI在业务中的实际应用？没有这种明确性，组织最终会有分散的使用和非常少的运营纪律。

许多组织尚未决定他们实际上希望鼓励什么样的AI使用。他们是针对基于角色的提示习惯，个人生产力使用案例（如头脑风暴和草稿），还是与定义的工作流程绑定的特定代理？如果没有明确的目标，赋能就会变得模糊，影响也很难衡量。

还有一个常见的脱节，即推出和实际工作之间的脱节。公司在没有确定AI可以在哪些方面消除摩擦、提高质量或加速执行的有意义方式的情况下投资于工具。雄心壮志很容易，但运营化需要具体性。

您与高管团队密切合作——在C级别，有效的AI流利度是什么样的？领导者的行为如何影响整个组织的采纳？

它看起来像是在模仿、好奇和初学者的心态。它看起来像领导者在与下属共处的房间里表现出脆弱的一面。

那些做出最大贡献的领导者是那些表现出初学者心态的人。他们愿意公开学习，愿意说“我也还在摸索中”。这种脆弱性比人们意识到的更重要，因为它让其他人感到可以在不需要成为专家的情况下参与其中。

领导者的行为设定了基调。如果高管将AI视为边缘实验，整个组织也会如此。如果他们模范了深思熟虑的使用，提出实际问题，并明显地投入学习，采纳就会变得文化上更安全。信心与能力一样重要，当谈到在企业中扩展AI时。

生成式AI的结构化实验框架在实践中是什么样的？公司如何在不产生碎片化或风险暴露的情况下鼓励创新？

我们希望从真正的工作流痛点开始，而不是随机的建议。团队应该被鼓励识别重复性任务、决策瓶颈或现有的知识缺口。从那里，组织可以根据业务相关性、可行性和风险来优先实验。

最健康的环境是人们可以安全尝试、分享有效方法并避免独自重复轮子的环境。

您联合创造了LAByrinth，一款生成式AI项目模拟器，旨在为工程师提供使用AI工具的实践经验，环境安全且指导明确。是什么启发了它的创造，它又如何通过模拟式学习加速现实世界的AI能力？

我一直喜欢实践式、体验式学习，尤其是艺术工作室环境中的“过肩”指导形式。

当马丁·盖达和我开始讨论这个培训结构的想法时，整个项目的创造过程非常有趣。感觉我们正在为人们创造一个需要解决的谜题。当我知道我们走在正确的轨道上时，人们更有可能参与到新材料中，当他们觉得有趣且得到支持时。

模拟式学习加速了能力的提升，因为它弥合了理论和应用之间的差距。它为人们提供了一个安全的空间来练习判断力，而不仅仅是记住概念。在AI领域，这一点尤为重要，因为真正的能力不仅仅是知道工具可以做什么，还包括知道如何明智地和安全地使用它。

在生成式AI的时代，企业应该如何不同于以前的数字转型浪潮来对待劳动力技能提升？

以协作和创造性的方式。有了Notebook LM和Figma等工具，我们可以创造出许多吸引人且新鲜的内容。我们喜欢幻灯片，但我们也喜欢制作交互式工作簿、动画视频和其他交付课程的方法。

我个人最喜欢通过信息图表和其他视觉辅助工具来学习。

从赋能的角度来看，负责任的AI采纳在日常工作流程中是什么样的？

与实际使用工具的人们协商，了解什么让工具对他们有用，然后确保每个使用工具的人都了解政策的实际含义。它如何转化为他们日常使用AI的方式？

负责任的采纳意味着以人为中心的模式。AI可以帮助草拟、总结、分析或加速，但人们仍然拥有判断力、质量检查和最终决定的责任。这种人类的责任至关重要。

同样重要的是，负责任的采纳取决于信心。辨别力来自于经验。这就是为什么组织需要低风险、非判断性的空间，让员工可以练习和建立真正的流利度。当人们获得足够的实践经验以做出深思熟虑的判断时，负责任的使用不再是抽象的，而是变得习惯性的。

随着生成式AI的快速演变，组织如何设计赋能计划以保持适应性，而不是在几个月内变得过时？

这是一个挑战，但有很多很好的工具可以使用。

最大的错误是将赋能完全建立在当前工具景观之上。

我们经常被问到是否提供工具无关的培训，答案是肯定的。绝对的。我们专注于可持续的AI技能，然后教人们如何在组织当前使用的任何工具中应用这些技能。这种方法使得程序具有更长的保质期。

适应性赋能也必须是模块化的。分形化。与其将培训视为一次性事件，组织应该以分层的方式思考：基础素养、基于角色的应用、先进的实验和随着工具和优先事项的变化而进行的持续更新。

展望未来，您认为哪些转变将在未来两年内定义企业AI采纳的下一个阶段？

基于角色和代理。企业已经开始接受使用代理。这些组织希望确保他们的技术团队具备必要的技能来构建和管理这种AI使用方式。

感谢这次精彩的采访，希望了解更多的读者可以访问阿蒂米特里克。