在企業(yè)中的某個領域，或許正有一個AI項目正在走向失敗，可能它是一個旨在將銷售額提升30%的推薦引擎，可能它是一個旨在大幅減少停機時間的預測性維護系統(tǒng)，又可能是一個本打算徹底改變響應時間的客戶服務聊天機器人。這些雄心勃勃的計劃上落滿的灰塵，代表的不僅僅是資源的浪費，還有期望的破滅，這讓未來推動創(chuàng)新變得更加困難。

期望與現(xiàn)實之間的差距

把AI項目想象成冰山。高管們在供應商演示和技術雜志上看到的，是閃閃發(fā)光、露出水面的尖端——那些已經(jīng)完成、被打磨得光彩照人的成功案例，而隱藏在水面之下的，是使這些成功成為可能的數(shù)據(jù)準備、基礎設施要求、人才需求和企業(yè)變革管理等龐大的底層結(jié)構。

這種期望與現(xiàn)實之間的差距，或許是AI項目失敗最根本的原因。有一種持續(xù)存在的神話，認為AI是一種神奇的技術，你可以像貼高科技創(chuàng)可貼一樣，簡單地將其“應用”到商業(yè)問題上，而真相則更加復雜。

以我曾提供咨詢的一家全球消費品公司為例。他們的高管團隊受到演示文稿的啟發(fā)，演示文稿展示了AI如何優(yōu)化供應鏈，于是他們斥資250萬美元啟動了一項旨在實現(xiàn)這一目標的計劃。12個月后，他們擁有了復雜的算法，但這些算法根本無法使用，因為沒有人解決其27個遺留系統(tǒng)中支離破碎、不一致的數(shù)據(jù)問題。這個AI解決方案就像是你只有土路可走，卻買了一輛一級方程式賽車。

數(shù)據(jù)困境

如果說有一個因素比任何其他因素都更能導致AI項目失敗，那就是數(shù)據(jù)質(zhì)量差和治理不善。企業(yè)往往低估了AI有效運行所需的數(shù)據(jù)數(shù)量和質(zhì)量。

事實是，AI系統(tǒng)從根本上來說是數(shù)據(jù)處理引擎。向它們提供劣質(zhì)數(shù)據(jù)，你將得到糟糕的結(jié)果——這是自20世紀50年代以來就存在的原則，計算機科學家稱之為“垃圾進，垃圾出”，但不知為何，這總是讓高管們感到驚訝。

我曾與一家醫(yī)療系統(tǒng)合作，他們想使用機器學習來預測患者再入院情況。在開發(fā)進行到六個月時，團隊發(fā)現(xiàn)他們的歷史患者記錄(即他們用來訓練AI的數(shù)據(jù))在不同設施中對各種疾病的編碼方式存在顯著偏差。AI正在學習這些不一致之處，而不是真正的醫(yī)學模式。這就像試圖用一本有一半定義錯誤的字典來教某人一種語言。

忽視人的因素

另一個致命錯誤是將AI的實施視為純粹的技術挑戰(zhàn)，而不是需要人類采用和整合的社會技術挑戰(zhàn)。

我記得有一家制造公司花費了180萬美元購買了一套AI系統(tǒng)來優(yōu)化生產(chǎn)計劃。該技術在測試中運行得完美無缺，但在工廠車間，主管們繼續(xù)使用他們的傳統(tǒng)方法，完全忽略了AI的建議。為什么?因為沒有人讓他們參與開發(fā)過程，向他們解釋系統(tǒng)的工作原理，或解決他們關于系統(tǒng)如何影響他們角色的合理擔憂。

AI項目并不是孤立地失敗的;它們是在抗拒變革的人類系統(tǒng)中失敗的。如果人們不使用，那么世界上最好的技術也一文不值。

戰(zhàn)略脫節(jié)

許多AI項目從一開始就存在一個關鍵缺陷：它們與真正的商業(yè)問題和戰(zhàn)略目標缺乏明確的聯(lián)系。它們是尋找問題的解決方案，而不是相反。

我曾目睹一些企業(yè)因為競爭對手正在這樣做，或者因為高管層在商業(yè)雜志上讀到了這項技術，而啟動AI計劃。這些項目注定會失敗，因為它們沒有與具體、可衡量的商業(yè)成果掛鉤。

想象一下建造一座橋。你不會在沒有確切知道你要連接哪兩個河岸，以及為什么人們需要過河的情況下就開始建造，然而，公司卻經(jīng)常在沒有明確成功的樣子或如何衡量它的情況下就開始實施AI項目。

人才和治理短缺

AI人才缺口仍然巨大。數(shù)據(jù)科學家供不應求，而那些同時具備技術專長和商業(yè)敏銳度的人才更是鳳毛麟角。

除了人才問題，許多企業(yè)還缺乏AI計劃的適當治理結(jié)構。誰負責這個項目?當速度、成本和質(zhì)量之間需要權衡時，由誰來做出決策?沒有明確的責任制和決策框架，AI項目就會陷入模糊，最終失敗。

我曾與一家電信公司合作，他們有七個不同的部門各自獨立開發(fā)AI解決方案，沒有任何協(xié)調(diào)。這導致了重復的努力、不兼容的系統(tǒng)，以及最終花費了數(shù)百萬美元后多個項目的取消。這是數(shù)字達爾文主義最糟糕的表現(xiàn)——各個計劃爭奪資源，而不是為實現(xiàn)共同目標而協(xié)作。

跳過基礎工作

把企業(yè)AI想象成一棟房子。你不能在還沒有鋪設地基和搭建墻壁之前就建造屋頂，然而，企業(yè)卻經(jīng)常試圖在建立基本數(shù)據(jù)基礎設施和分析能力之前實施先進的AI功能。

AI不是技術上的飛躍，它是在現(xiàn)有能力基礎上發(fā)展起來的演變。在涉足機器學習和其他AI技術之前，成功應用AI的公司通常已經(jīng)掌握了數(shù)據(jù)倉庫、商業(yè)智能和傳統(tǒng)分析。

我曾為一家零售商提供咨詢，他們想實施基于AI的個性化實時定價。但他們甚至無法在其各門店之間提供一致的每周銷售報告。他們試圖在學會走路之前就奔跑，不出所料，這個項目因其野心而崩潰。

前進的道路：讓AI項目取得成功

AI計劃的高失敗率并不是不可避免的。以適當?shù)囊?guī)劃、資源和期望來對待AI的企業(yè)，可以顯著提高成功的幾率。

從問題出發(fā)，而不是從技術出發(fā)。確定AI可能提供解決方案的具體商業(yè)挑戰(zhàn)，并明確清晰、可衡量的目標。這將項目錨定在商業(yè)現(xiàn)實中，而不是技術可能性中。

在算法開發(fā)之前投資于數(shù)據(jù)質(zhì)量和基礎設施。請記住，AI系統(tǒng)的質(zhì)量只與其消耗的數(shù)據(jù)一樣好。在嘗試在其上構建復雜的AI功能之前，先創(chuàng)建一個堅實的數(shù)據(jù)基礎。

將AI的實施視為企業(yè)變革，而不僅僅是技術部署。盡早并經(jīng)常讓最終用戶參與進來，并考慮AI將如何與現(xiàn)有工作流程和人為判斷相結(jié)合。

采取漸進的方法，而不是孤注一擲。從提供快速勝利、建立企業(yè)信心并提供學習機會的適度試點項目開始，然后再進行擴展。

建立明確的治理機制，包括所有權、決策框架和成功指標。明確當(而不是如果)需要權衡時，誰有權做出關鍵決策。

超越炒作周期

AI不是魔法——它是一系列強大的技術，當?shù)玫酵咨茖嵤r，可以帶來非凡的商業(yè)價值，然而，這種實施需要許多企業(yè)低估的嚴謹性、現(xiàn)實主義和資源。

在AI方面取得成功的公司，不一定是那些擁有最大預算或最先進技術的公司。它們是那些對AI能做什么和不能做什么有清醒認識的公司，是在追求復雜功能之前建立適當基礎的公司，也是理解技術變革不可避免地也是人類變革的公司。

通過從這些常見錯誤中吸取教訓，企業(yè)可以確保其AI計劃兌現(xiàn)承諾，而不是成為昂貴數(shù)字失望的行列中的一員。