将 AI 实验转化为企业智能与价值

企业 AI 并不受模型的限制。公司可以更快地开展试点项目、执行常规任务并实施概念验证模型，但往往未能超越零散的“AI”成功。

但问题不在于模型，而在于其工作环境。仍然存在许多扩展挑战，包括数据碎片化和所有权不明确，主要是因为这些系统是在 AI 成为核心业务选项之前设计的。

最近的一项研究由 Wipro and HFS Research得出结论，尽管 90% 的企业领袖预计在人类与 AI 团队将在三年内成为现实，但只有 18% 正在 重新设计其流程 以支持这一未来。同样，87% 表示他们在 AI 上的投资速度超过了展示所获价值的速度。企业如果没有优先更新数据、治理和工作流流程，就无法指望 AI 改变业务。

AI 能力正迅速普及。竞争优势将取决于组织将数据、上下文、智能、治理和执行有效连接的程度。

试点往往停滞

即使拥有有价值的数据可供使用，试点项目仍可能失败。例如，如果一个小团队了解电子表格数据的来源，他们通常会放心使用。然而，要在整个组织中推广同等水平的数据理解却很困难。借助代理式 AI，能够轻松从多个系统检索信息或建立导致客户推荐的工作流。虽然 AI 代理可以快速行动，但数据是否可信常常不明确。

当公司尝试将 AI 应用从单一场景扩展到多个时，怀疑情绪会增加，问题也可能出现。如果客户信息来源于不同系统，可能无法了解原始信息的来源和整理方式。同样，尽管治理政策可能已存在，但尚不清楚这些规则是否已应用于代理所获取的数据集。

因此，尽管扩展 AI 具有吸引力，但不一致性会导致陷阱。要真正从代理式 AI 中获得价值，公司必须从一开始就实施数据和工作流设计，而非事后补救。

构建可信的 AI 基础

构建稳固的 AI 就绪基础意味着人类和 AI 系统能够在适当的治理体系下发现、访问并使用可信数据。

专注于三项关键能力： 

1. 关键是采取统一的数据与 AI 方法。代理式 AI 应用需要从稳固的基础获取数据，而不是分散且不相连的系统。这大大减少了重叠数据源导致的混乱，并且更易于应用对访问、质量和合规性的系统化规则。
2. 在系统初期嵌入治理对于管理数据使用方式至关重要。例如，推荐行动的代理应基于已批准的信息，在定义的权限范围内运行，并提供其达成结果的可追溯记录。
3. 围绕真实的工作流和流程使用 AI。AI 应嵌入员工已感受到阻力的工作流中，例如响应客户请求或排除 IT 问题。

不要把 AI 视为独立工具。相反，应关注在受治理的端到端流程中连接代理、人类监督和决策。人类监督至关重要，但更在于对复杂流程的特定控制。

将 AI 落实到实践中

构建 AI 可利用的数据基础是关键。一个例子来自一家消费健康公司的采购到付款业务。大型组织可能处理海量发票并管理复杂的审批流程。对这些发票进行人工审查会延长付款周期并限制对问题发生位置的可视性。将代理式 AI应用于发票处理，实现了 70% 的无接触操作和 45% 的效率提升。该 AI 驱动系统每年处理约一百万张发票，价值约 60 亿美元，同时将最复杂的问题交由人工审查。

目标是创建一个受治理的流程，使系统能够检索正确信息、应用已批准的规则、从重复模式中学习，并仅在必要时进行升级。稳固的数据基础为 AI 系统提供支持规划、分析和报告所需的上下文，并确保治理体系已就位。

前进的步骤

为了让公司实现长期成功，应以与全公司转型计划相同的尽职调查方式来推进 AI 的扩展和可扩展性。

1. 数据与 AI: 在开始之前，了解信息的原始来源并提出以下问题: 数据是否不完整？业务定义是否不一致？访问限制是否阻止系统看到必要的上下文？员工是否缺乏使用或质疑 AI 输出的工作流？
2. 创建基础: 构建稳固的数据基础至关重要，该基础应优先考虑对首批用例最关键的数据域。从一开始就定义所有权并实施配套的质量控制访问。目标是高质量、受治理的数据，以建立信任并推动更佳决策。
3. 识别少数关键工作流，确保业务问题明确、数据可用且易于衡量成功。创建专注于这些工作流的代理，包括涉及人工干预的部分，以确保质量。

未来展望

下一轮竞争优势不会来自对 AI 的获取，而是来自将全企业数据转化为企业智能和可衡量的业务成果的能力。企业 AI 的成败取决于模型的构建质量以及基于模型的代理是否能够负责任且高效地运行。生活在碎片化、来源不佳且未受管理的数据世界中将限制积极的业务成果。能够将数据、治理和工作流重新设计相连接的公司，能够将实验转化为长期价值。通往代理式 AI 的道路始于支撑智能行动的运营和数据基础。