企业实施AI工具时最常犯的5个错误及如何避免
到2026年，Meta将开始根据员工的AI技能对其进行评级。随着全球各公司将人工智能集成到其业务流程中，这并非第一个也绝不会是最后一个期望并衡量其员工如何有效使用AI的雇主。根据最近的数据，如今71%的组织在至少一项业务职能中定期使用生成式AI，然而只有约1%认为自己的AI部署已经“成熟”，因为大多数公司仍在努力以能够提供真正价值的方式集成AI工具。我们发现许多公司仍然低估了AI采用的挑战性。因此，他们常常遇到同样的问题，这些问题会拖慢进展，并阻碍AI工具提供真正的商业价值。以下是公司在采用AI时最常犯的五个错误以及如何避免它们。错误 1. 缺乏明确要解决的问题G-P的第二份年度AI工作报告揭示，91%的全球高管正在积极扩大其AI计划。公司急于将AI集成到其业务流程中，以避免落后。问题在于，害怕错失机会常常成为采用的主要驱动力。但缺乏明确目的而引入的AI很少能简化运营，反而可能导致不必要的支出。据 CIO称，大约88%的AI试点项目从未投入生产，这主要是由于缺乏明确的业务目标和可衡量的结果。这对于内部模型和SaaS解决方案同样适用。为避免失败，项目应从定义具体的业务指标开始，例如收入、成本节约或决策速度，并为结果指定负责的所有者。Instinctools在帮助一家工业设备制造商实施AI入职助手时，正是采用了这种方法。客户已准备好在流程中部署AI，因此*instinctools团队分析了公司的运营情况，并确定了一个关键挑战：新员工入职。该公司难以为新员工提供持续的培训和支持。解决方案是一个AI助手，它可以帮助工程师培训产品知识，同时也为营销和产品团队提供了一个与现场工程师沟通的额外渠道。以问题为先的框架错误 2. 缺乏数据质量和治理AI助手需要持续访问数据。数据的质量、完整性和一致性决定了模型的性能表现。根据DataCentre Solutions的数据，数据质量问题以及缺乏适当的数据治理是AI采用的主要障碍之一。在与德雷塞尔大学LeBow商学院应用人工智能与商业分析中心合作进行的一项研究中，62%的参与公司报告称数据问题是主要障碍。尽管60%的组织表示AI在其数据计划中扮演着关键角色，但只有12%的组织报告其数据具有足够的质量和可访问性，能够支持有效的AI实施。成功将AI集成到业务流程中的公司几乎总是从数据准备开始：清理数据集、统一跨部门的定义、建立数据所有权角色以及实施质量控制流程。这项基础工作通常消耗项目高达80%的时间线，是构建准确、无偏见且可用于生产的AI系统的先决条件。错误 3. 员工未准备好有效使用AI公司面临的另一个常见挑战是员工技能差距。“尽管组织渴望从AI的能力中获益，但人才短缺阻碍了AI的集成，”德雷塞尔大学LeBow商学院应用人工智能与商业分析中心教授兼学术主任Murugan Anandarajan博士表示。”我们的研究结果突显了这一差距，60%的受访者将缺乏AI技能和培训视为启动AI计划的重要挑战——这对商业领袖来说是一个信号，即技能提升必须成为一项战略要务。”AI项目常常失败，因为员工不了解如何使用这些工具，或者不了解它们如何优化流程。如果没有包含将AI集成到工作流程中的具体步骤的结构化培训，员工往往会回归到熟悉的方法。错误 4. 缺乏风险管理根据安永的一项全球调查，几乎所有实施AI的大型公司都曾因模型错误、违规或风险失控而遭受财务损失，总计约440万美元。公司经常忽视预测风险、定义使用政策、实施质量控制和规划错误处理的必要性。根据该报告，公司面临的最常见风险包括不遵守AI法规（即AI系统被发现违反法律或内部公司政策）以及AI倾向于做出有偏见的决策。AI既可以帮助企业发展业务和改进流程，也可能成为一个陷阱，给公司带来严重问题。组织应始终制定风险管理计划，并遵守当地法律和既定标准。例如，欧盟《人工智能法案》要求算法透明度、问责制和强制性人工监督。NIST人工智能风险管理框架提供了管理AI风险的指导，可适用于从初创公司到大型企业的任何组织以及跨行业领域。还有国际ISO/IEC标准，它们为质量、安全性和可管理性提供了一致的标准。遵守这些标准并管理风险对于成功部署AI至关重要。错误 5. 没有扩展计划再次强调，一个多步骤的计划至关重要。AI集成是一个长期过程，需要持续更新和调整。公司需要考虑解决方案将如何集成到IT架构中、谁将维护模型、如何监控数据漂移，以及如何跨部门分配角色和职责。这需要持续的资金和资源。为了取得成功，组织需要构建一个统一的环境，用于存储、管理和访问所有AI模型、数据集和相关工具；创建确保AI系统在大规模下可靠运行的基础设施；制定明确的模型更新政策，规定何时以及如何重新训练、验证和重新部署模型；以及标准化的监控流程。
