如何避免在 AI 试点上亏损：三大错误及其应对方案

在过去的几年里，金融行业一直在争相实施人工智能。公司越来越多地购买模型并与供应商签订合同，但收效甚微，甚至可能出现可怕的结果。根据去年发表的 MIT 研究，95% 的企业 AI 试点对公司利润没有可衡量的影响。

与此同时，支出呈指数增长，据估计，去年全球在 AI 上的支出为 1.76 万亿美元，预计到 2026 年这一数字将增长至 2.59 万亿美元。因此，投入的资金与回报的资金差距巨大，成本基本上在无所获的情况下上升。

然而，问题并不在于技术薄弱。AI 模型每年都在变得更聪明，以至于 OpenAI 决定暂停其研发，以免走得太远。因此，在这种情况下，真正的劣势在于缺乏能够有效利用这些技术的运营模型。

拥有试点的幻觉

AI 融合的规模如此之大，以至于几乎每家金融科技或传统金融公司最近都推出了至少一个 AI 试点，例如面向客户的聊天机器人。但无论他们推出什么，这些案例总体上都有相当不愉快的结局。

一切始于某个团队构建在受控测试条件下表现良好的概念验证。随后，演示结束后管理层对其印象深刻并允许部署，但在某个阶段项目出现崩溃或被证明无效。那原因何在？

当然，并非所有内部 AI 项目都会失败，否则就不会剩下任何机器学习工程师，技术也将毫无价值。我已经目睹了太多次这种失败循环，已经非常清楚其根本原因。简而言之，问题出在试点本身，尽管它可能做得很好，却没有设计成契合业务的实际运作方式和日常职能。

因此，在孤立环境中表现出色的模型在实际应用时会遭遇传统基础设施或甚至不懂如何使用该技术的员工。可是这些障碍并不能靠更聪明的算法来解决。只有管理层的决策才能克服这些问题，而这并非数据科学家的职责范围。

最好避免的几大错误

在探讨如何在公司更有效地整合 AI 之前，让我们先考虑一下在此过程中可能出现的其他错误。

正如我们已间接提到的，首要且最重要的失误是把 AI 当作附加功能而不对流程进行重构。事实上，许多公司直接在现有工作流的某一步嵌入 AI 工具，却没有考虑 AI 在该流程中是否合理。

因此，作为管理者，我会先自问：这个流程在贵公司是否真的必要？如果在自动化之前工作流已经低效，那么自动化后仍会保持同样低效，甚至可能更糟，因为 AI 能 记住负面模式并重复它们。

下一个错误是管理者低估了合规和治理的负担。金融服务业面临着任何行业中最严苛的监管压力，例如，您无法用 AI 自动化整个合规部门。直接服务提供和投资组合管理也是如此。这似乎是普遍的真理，但您会惊讶于有多少创始人会在此失误。

最后但同样重要的是，许多公司忘记对员工进行 AI 实施的培训。当技术接管员工的日常工作时，第一反应往往是裁员，因为许多任务在更少的人手下可以更快完成。虽然这能在短期内降低成本，但视野极其短浅。

如果您想获得真正的价值，请自问另一个问题。我们的员工在摆脱日常事务后，能够从事哪些更高层次的工作？他们是否具备相应的技能和动力来胜任？

周一即可启动的提升效率措施

第一步，对已暂停的 AI 试点进行审计。也就是说，在妥善处理旧项目之前不要引入新想法。90% 的情况下，问题在于缺乏责任感，没有人明确负责其规模化。因此，需要明确所有权。

如果已有负责人掌管 AI，则下一步是审查并彻底重建该流程。不要仅仅在现有工作流中添加 AI。我的建议是，反问自己：如果我们今天从零开始设计这个流程，且已知 AI 能进行初步分析，它会是什么样子？答案往往比想象的要简单得多。

此外，别忘了计算 AI 模型带来的真实数据。如果在上线六个月后，您仍无法给出模型效能的具体数字（例如节省的工时或提升的利润），则说明其未达到预期效果，最好重新评估其价值。

而且，也许最重要的是，不要解雇员工，尤其是那些负有责任且一直诚实工作的人。如果有人为公司带来的收益超过他们一年赚取的工资，那么解雇很快就会成为你的问题。而不懂得这一点的公司会失去其制度性知识和团队的信任，进而付出更大的代价。

综合来看，95%的试点未能达成预期结果，并非技术失败，而是因为其周围的组织保持不变且已过时。这是唯一应首先改变的变量。