最近，凯捷（Capgemini）的一项研究揭示了各行业面临的一个重大挑战：将人工智能概念验证转化为可实用的生产解决方案。凯捷数据驱动业务及生成式人工智能执行副总裁史蒂夫·琼斯指出，这一延迟主要源于数字边界、数字员工及数据质量差等问题。
琼斯强调：“我们已经对劣质数据感到太过于习惯。信息技术领域最普遍的误区，是认为我们可以在源系统中解决数据问题。这是个误导性观念，组织经常自我安慰。”
他将数据比作石油，指出石油需要精炼才能被有效利用，而数据也必须经过清理和整理才能发挥作用。预计到2030年，将有50%的商业决策由人工智能驱动，尤其是在自主供应链领域，不可靠数据带来的风险不容小觑。
琼斯表示：“依赖数字员工做决策而需等待清理数据是不现实的。”他提到，“在自主驾驶汽车或自动化仓库等场景中，管理不善的数据完全不可接受。组织必须制定一个框架，不仅管理人类员工，也要管理在团队中运作的人工智能。”
他进一步指出，大型语言模型（LLM）如果缺乏准确的操作数据，表现会大打折扣。不幸的是，企业在历史上往往在操作流程与数据管理策略之间制造隔阂。
应对人工智能采用挑战
为了弥补这一差距，组织需要一个健全的数字运营模型。这包括明确他们希望数字化解决的问题，识别适合决策的数据集，并确定人工智能应当影响的领域。
琼斯解释道：“如果你部署一个强大的人工智能来减少公司的碳足迹而不设边界，它可能会建议完全停止公司的核心运营，这显然不是一种可行策略。关键在于确保人工智能在围绕商业目标设定的预定义限制内运作。”
由于高风险，组织不会因单一的人工智能系统而受益。人工智能解决方案必须针对特定职能量身定制。例如，债务催收机器人将遵循不同于销售顾问机器人的一套规则。许多组织在从概念验证阶段向前推进时往往忽视了从商业管理角度看待人工智能的重要性，而寄希望于技术解决所有问题。
琼斯指出：“我们依旧抱有仅靠技术解决问题的想法，但真正的采用需要人员对这些技术的参与。”为了有效整合人工智能，企业必须定义细致的模型，以管理运营和网络风险，同时确保责任分明。
举例来说，销售顾问机器人可能与几个子机器人协作，每个机器人都有自己的一套规则。他们的共同努力可以推动重大的商业成果，但如果没有明确的操作边界，风险就会加大。
琼斯说：“有效的控制和责任能让我们自动化以前难以管理的流程。这需要关注优化商业模型，而不是单纯将人工智能嵌入现有工作流程中。”
强调组织变革以扩大人工智能应用
琼斯强调：“我们必须将组织变革置于技术进步之上。尽管硅谷的技术迅速发展，但主要挑战在于商业的采纳和模型的适应。”
他指出，人工智能的架构必须根本性不同。数据应当为数字员工所能轻松访问，而不是局限于交易发生的应用后台。
琼斯总结道：“从概念验证到全面采用人工智能的低转变率，源自当前数据策略的不充分。数字员工需要一个明确的运营模型，而大多数组织尚未为这种转变做好准备。商业领导者，特别是那些可能对技术掌握不足的人，必须积极拥抱人工智能，以确保成功，并适应一个人工智能显著影响决策的世界。”
排行榜
