這兩年，在AI技術的快速發(fā)展的大趨勢下，推動了很多傳統(tǒng)企業(yè)數(shù)字化轉型的進程。

然而在實際落地過程中，可以看到，AI與業(yè)務的結合，往往“雷聲大、雨點小”。

很多先進技術對企業(yè)的業(yè)務影響，總是“隔靴搔癢”，讓業(yè)務方對智能化技術的實際價值躊躇不定！

有人說，AI浪潮就像二十年前互聯(lián)網(wǎng)一樣，很快就會席卷各行業(yè)。但這個過程，可能比想象的更加漫長。

產生AI落地阻力的原因是多方面的。

一方面是技術本身的特質。

在互聯(lián)網(wǎng)時代，數(shù)字技術主要解決的是業(yè)務線上化的過程，所有的業(yè)務活動都是在物理世界先定義好，然后再到數(shù)字系統(tǒng)中被“復現(xiàn)”一遍。

例如某個合同審批流程，之前線下是哪個部門審批還是哪個部門審批，只是無紙化辦公了，所有的業(yè)務邏輯和決策判斷依據(jù)沒有發(fā)生變化。

該由人完成的事務還是由人完成，盡管引入了互聯(lián)網(wǎng)技術，只是影響流程效率，不影響流程結果。

而在業(yè)務中引入AI技術就不一樣，事務的處理方式變了，執(zhí)行主體由人變成了機器。

而大多數(shù)的AI技術的底層技術模塊大都是基于稠密向量計算的“黑盒”推理邏輯，這就導致AI輸出結果極不可控，且對應的結論可解釋性也較差。

例如，很多自媒體平臺會根據(jù)用戶的行為日志對其進行"限流”，而當這個用戶感到莫名奇妙被"冤枉”想要向平臺申訴時，即便是官方客服也經(jīng)常難以給出令人滿意的解釋 ...

在企業(yè)應用中，AI技術會引入對流程的“失控感”，而風險是幾乎所有企業(yè)都厭惡的，甚至比成本還更加敏感，AI技術落地到實際業(yè)務應用時，其準確性門檻要求非常高。

而為了達到特定的算法準確度，需要投入大量的研發(fā)成本，當這個研發(fā)成本大于長期人工成本時，企業(yè)就會放棄這個“AI替代”的項目。

因此，盡管在理論上很多AI技術也是可以對業(yè)務替代，但是經(jīng)濟賬劃不來，最終也會難以落地。

二是責任和倫理問題。

這個議題在AI技術發(fā)展過程中，討論過很多遍，在此不多贅述。責任的缺位會導致組織的考核激勵失衡，風險控制失衡，利益分配失衡等諸多問題。

三是“長尾需求”。

當前大多數(shù)的AI技術依賴于一定規(guī)模的可見數(shù)據(jù)集的訓練，但是在實際業(yè)務中，零樣本、小樣本問題比比皆是。

例如，上過班的人都知道，每天處理的事情絕大多數(shù)是沒有見過的“坑”，世界就是個草臺班子，哪有那么多規(guī)范、標準的事務來處理。

當大多數(shù)業(yè)務問題都是非標準化，幾乎沒見過的，AI很容易失靈。這種情況下，AI技術的服務效果就沒有“人”來的敏捷靈活。

四是“業(yè)數(shù)融合”困難。

傳統(tǒng)業(yè)務從業(yè)者理解互聯(lián)網(wǎng)很容易，但是理解AI技術的門檻更高。AI技術從業(yè)者與其他傳統(tǒng)業(yè)務領域的專業(yè)性隔閡更大。

因此，業(yè)務人員對于AI技術的能力邊界缺少基本的認知和判斷，導致AI產品研發(fā)團隊很難有效地與業(yè)務人員在解決方案上達成一致性。

很多業(yè)務人員認為很簡單能做到的事情，AI技術可能幾乎無法實現(xiàn)；反過來，業(yè)務上一些看似很難完成的任務，對于AI來說也許早就得到解決。

這主要是因為，人和機器的求解業(yè)務問題的底層機理是不同的，因此非AI領域人員難以客觀地評價AI的能力或理解AI的輸出行為。

也正是基于此，關于AI應用的討論往往是不愉快的，面臨著過高或過低的期待，容易讓業(yè)務方和技術方之間彼此產生不信任，從而影響好的“AI”需求的發(fā)現(xiàn)與落地。