Capgemini 探討為何生成式人工智慧的概念驗證常常無法獲得關注

最近由Capgemini進行的研究揭示了各行各業面臨的一個重大挑戰:將人工智慧(AI)概念驗證轉化為有效的生產解決方案。Capgemini的數據驅動業務及生成式AI執行副總裁Steve Jones指出,這一延遲主要歸因於數位邊界、數位員工以及數據質量不佳等問題。

Jones強調:「我們對不良數據的容忍度過高。資訊科技領域中最普遍的迷思就是相信可以在源系統中解決數據問題。這是一種誤導,組織不斷告訴自己。」他將數據比作石油,指出就如石油需要精煉才能使用,數據也必須清理和整理才能發揮效用。根據預測,到2030年,50%的商業決策將受AI驅動,尤其是在自動化供應鏈中,依賴不可靠數據的風險將是巨大的。

Jones表示:「數位員工在做決策時不應該等待清理後的數據;這在運營上是不切實際的。」他補充道:「在自主車輛或倉庫等場景中,數據管理不當是完全不可接受的。組織必須建立一個管理人類員工和AI的框架。」

Jones進一步指出,若大型語言模型(LLMs)沒有準確的運營數據支持,其表現可能會很差。不幸的是,過去許多企業在運營過程與數據管理策略之間創造了隔閡。

解決AI採用挑戰

為了彌補這一差距,組織需要建立強大的數位運營模型。這包括明確定義要解決的數字問題、識別適合決策的數據集,並確定AI的影響範圍。Jones解釋道:「如果您部署強大的AI來減少公司的碳足跡而沒有邊界,它可能建議完全停止公司的核心業務,而這並不是一種可行的策略。關鍵是確保AI在與商業目標一致的預定限制內運行。」

組織無法從單一AI系統中受益,因為風險過高。AI解決方案必須針對特定功能進行定制。例如,追債機器人和銷售顧問機器人的運作規範會有所不同。許多組織無法從概念驗證繼續前進,因為他們忽略了從商業管理的角度看待AI的重要性,反而期待一種能解決所有問題的技術。

Jones指出:「我們依然堅信僅靠技術能解決我們的問題,但真正的採用需要人們與這些技術的互動。」為了有效整合AI,企業必須制定細化模型,以管理運營和網絡風險,同時確保問責制。例如,一個銷售顧問機器人可能會協作多個子機器人,每個子機器人都有自己的規則。它們的集體努力能促進顯著的商業成果,但若沒有明確的運營邊界,風險將會加大。

Jones表示:「有效的控制和問責使我們能夠自動化以前難以管理的流程。這需要將重點放在優化商業模型上,而不僅僅是在現有工作流程中引入AI。」

強調組織變更以擴展AI

Jones堅定地表示:「我們必須將組織變革置於科技進步之上。」他指出:「儘管在硅谷科技迅速發展,但主要挑戰在於業務的採用與模型的調整。」要成功,AI的架構必須根本不同。數據應當對數位員工隨時可用,而不是被 relegated 到後台交易的應用程式中。

Jones總結道:「從概念驗證到全面AI採用的轉變率低,因為目前的數據策略不夠完善。數位員工需要一個明確的運作模型,而大多數組織並未為這一變革做好準備。商業領導者必須擁抱AI,以確保他們的成功,並適應一個AI在決策中占主導地位的世界。」

Most people like

Find AI tools in YBX