协同 AI 治理如何成为竞争优势

大多数技术领袖已经不需要再被说服 AI 能创造价值。它们面临的挑战是将数十个成功的实验转化为企业级能力。

这种转变往往比预期更为艰难。随着各团队快速部署副驾驶、测试新模型并将 AI 融入工作流，AI 的采用速度已经超前于 AI 战略。其结果是一套支离破碎的工具、政策和流程，导致运营复杂性上升，而非带来企业优势。

更严格的控制是答案的一部分，但许多组织担心这会放慢实验速度或让团队不愿尝试新想法。若实施得当，这并非必然。

事实上，随着基础模型变得更加可互换，精心设计的治理将成为组织最持久的竞争优势来源。它为团队提供共享框架，能够安全地测试新 AI 模型、平台和工具，复用有效方案，并以快速且安全的方式在整个企业范围内扩展成功的举措。

为什么随着 AI 扩展，碎片化成本会增加

在实验阶段，大多数组织甚至没有意识到自己正在累积运营债务。各个项目取得成功，团队行动迅速，业务价值立刻显现。

然而，在表面之下，低效正在累积:

• 团队采用不同的模型，构建各自的治理流程，并使用不同的指标评估成功。
• 多个团队独立解决相同的技术问题，而不是基于共享能力进行构建，导致资源浪费。
• 每个系统都拥有一份不同的数据副本并运行各自的模型。
• 敏感数据分布在多个环境中，控制和审计轨迹不一致。

随着董事会、监管机构和客户要求对 AI 决策过程提供清晰解释、展示适当监督的证据以及可衡量的业务成果，这些缺口变得更加紧迫。

以一家假想的保险公司为例。客服部门使用某供应商构建 AI 助手。理赔部门采用另一平台来摘要保单文件。同时，另一部门因需快速获得结果而在没有集中监管的情况下使用公共 AI 工具。

每项举措单独来看可能都能带来价值，因此缺乏协同的压力。但当保险公司尝试扩大这些成功的试点时，裂痕很快显现:

• 客户根据所使用的系统，对同一保单问题会得到不同的答案。
• 管理层意识到他们已失去对哪些工具访问敏感信息的可视性，妨碍合规。
• 财务部门看到 AI 开支上升，却无法持续判断哪些投资在创造价值，亦难以就扩展何种项目作出战略决策。

这就是碎片化 AI 采纳常常失败的方式。并非一次戏剧性的事件，而是通过一致性、信任和复用性的逐步侵蚀。每个孤立的实现都会使后续举措成本更高、复杂度更大、扩展更困难。

构建可随 AI 演进的基础

答案并不是强迫每个团队使用相同的 AI 模型。模型会持续改进，组织也会根据需求和市场变化采用新模型。

更持久的做法是为这些工具打造共同的基础，使团队能够创新而不产生新的孤岛。致力于在企业范围内扩展 AI 的组织应关注四项原则。

1. 以业务成果为起点，而非技术本身。

太多 AI 项目先从模型出发，再寻找可解决的问题。更好的做法是从业务目标开始:

• 哪个工作流需要改进？
• 哪项结果最为关键？
• 成功将如何衡量？

先回答这些问题，可更容易地对投资进行优先级排序、比较各团队的成果，并判断成功的用例是否应超出原始试点范围进行扩展。

3. 用基于风险的护栏取代僵化的治理。

并非每个 AI 用例都需要相同程度的监督。

内部生产力助理不应遵循与影响资格、定价或理赔决策的面向客户系统相同的审批流程。对所有用例套用相同的控制会产生不必要的摩擦，并促使员工规避已批准的流程。

治理在匹配风险水平且让已批准的路径成为最简路径时效果最佳。受治理的环境、已批准的工具以及明确的政策，为员工提供了在不牺牲安全或合规的前提下进行实验的空间。

4. 让每个 AI 项目具备可复用性。

每个 AI 项目都应让下一个项目更容易。项目不应仅留下独立的应用程序，而应产出可复用的资产（共享数据连接器、治理控制、部署模式和评估框架），以降低未来 AI 部署所需的工作量。

回到保险公司的例子。若拥有共享的参考架构，客服、理赔及其他部门就无需独立解决相同的技术和治理问题。每一次实施都可以为后续提供可复用的组件。

最终，您应将治理视为一种产品而非单纯的政策。产品会随技术变化和用户反馈而演进，治理亦是如此。

当治理帮助员工加速而不是增加不必要的摩擦时，规避已批准工具的动机基本消失。治理不再是约束，而是使创新得以规模化的机制。

构建能超越当今 AI 模型的持久基础

企业 AI 将持续快速演进。新模型、供应商和自主代理的出现速度将超过大多数组织更新技术战略的速度。等待市场稳定并非一种策略。

这使得当下的决策更多是围绕构建能够随时采用新技术的基础，而非单纯挑选“正确”的 AI 模型。可信的数据、一致的治理、可复用的架构以及明确的运营标准，为技术演进提供了灵活性。

随着基础模型的提升，您的竞争优势将来源于帮助您快速、安全、一致地采用新能力的运营模型。如今对该基础进行投资，您将更有能力将明日的 AI 突破转化为可衡量的业务价值。