在快速发展的AI领域，成功实施AI项目至关重要，但据统计，超过85%的项目未能实现预期目标。文章探讨了AI项目失败的常见原因，包括不切实际的期望、数据标签不当和缺乏高层支持等。为确保AI项目的成功，企业需采取“问题优先”的策略，明确业务挑战，促进AI团队与业务团队的紧密合作，重视资源管理和数据质量。此外，选择合适的团队、有效的项目管理及变革促成也是不可或缺的要素。通过这些策略，企业可以有效地利用AI技术，提升运营效率，实现战略目标。
随着我们向 2030 年迈进，人工智能（AI）现在已不仅仅是一个技术奇迹，它还是一个巨大的经济引擎，有望将全球 GDP 提升 14%。 根据普华永道的研究，这将为世界经济注入高达15.7万亿美元的资金，其中消费零售、金融服务和医疗保健将实现最显著的收益。 但是，虽然AI的前景令人眼花缭乱，但对于许多试图实施这些技术的企业来说，现实却远非如此美好。
超过 85% 的人工智能项目在实现其潜力之前就已经崩溃，耗费了数百万的资源，浪费了千载难逢的机会。 评估和实施有效的人工智能解决方案对于避免这些陷阱并取得成功至关重要。
1.为什么85%的AI项目会失败？
尽管许多企业都精心制定了预先计划，但仍难以成功实施人工智能项目。 事实上，根据 Gartner 的统计分析，85% 的人工智能项目都以失败告终。 造成这些困难的几个共同挑战突出了避免失败需要解决的关键成功因素。
- 一个主要问题是不切实际、夸大和不准确的期望。 公司往往对人工智能在短时间内能够实现的目标过于乐观，从而导致失望和项目失败。
- 另一个重要问题是对用于训练AI模式的数据不当。 准确而相关的数据标注对于训练有效的AI模型至关重要，任何失误都可能导致整个项目脱轨。
- 另一个原因是组织的业务领导者支持不够，尽管AI项目潜力巨大，但这导致了项目的放弃。 与此相关的一个难题是变革管理，因为人工智能不仅涉及使用人工智能系统，还涉及重新设计人工智能所在的流程。
- 对AI模型的信心不足也是一个常见的障碍。 如果利益相关者不信任人工智能的输出结果，他们就不太可能整合和利用人工智能解决方案，从而导致利用不足和失败。
- 一个长期存在的挑战是缺乏关键人才。 鉴于对人工智能和数据科学专业知识的高需求，许多组织都在努力招聘和留住推进项目所需的人才。
- 数据类型和格式的日益多样化带来了另一个障碍。 人工智能系统必须能够无缝处理和整合各种数据源，而这往往是一项复杂且资源密集型的任务。
- 数据质量和数量的缺乏使AI项目更加复杂。AI模型需要大量高质量的数据才能有效运作，而数据不足会严重限制项目的成功。
- 潜在的技术挑战也是一个原因。AI项目往往需要先进的基础设施和技术，而许多组织可能没有现成的基础设施和技术，从而导致延误和额外成本。
- 另一个常见的陷阱是业务目标与现实世界的数据不一致。 必须设计人工智能模型来解决实际业务问题，而业务目标与人工智能能力之间的任何脱节都可能导致无效的解决方案。
- 最后，不恰当的AI愿景规划会导致AI项目失败。 前瞻性战略至关重要，但必须立足于对人工智能当前能力和局限性的现实评估，以避免制定遥不可及的目标。
这些失败的核心在于一个根本性的错位：公司往往被人工智能的潜力所迷惑，而没有将其项目与具体的业务需求联系起来。 这种错位导致项目的设计更多是围绕人工智能的能力，而不是公司的战略需求。
要想成功整合人工智能，企业必须首先建立清晰、前瞻性的业务愿景，使其与人工智能的能力相协调。 这意味着要深入研究人工智能模型的复杂性，确保其符合企业的特定需求，并动态分配资源，使项目保持敏捷和正常运行。
此外，人工智能的成功还取决于人工投入和沟通的必要性。 人工智能专业人员必须与主题专家和其他团队合作，对数据进行审核和优先排序，改进沟通流程，并实现决策自动化。
2.实施AI的战略方法
1) 以业务问题导向的方法
忘记从数据入手，而是从业务导向的问题入手。 这就是 “业务问题先行 “方法背后的理念，它颠覆了传统的AI战略，效果显著。 成功的企业并不是在数据中寻找解决方案，而是找出需要解决的业务问题，然后据此调整其AI工作。业务部门需要发挥领导作用，提供明确的目标。 不要让您的人工智能团队缺乏业务指导。
这种方法不仅仅是理论上的，而是通过Runwise与北美与中国（以及亚洲其他国家）企业机构合作的丰富经验提炼出来的实用策略：
- 准确定位并清晰定义关键业务挑战。
- 与流程专家密切合作，将这些挑战转化为定义明确的问题。
- 确保人工智能应用与解决这些具体问题直接相关。
实施AI项目来解决这些业务问题是项目成功的核心，并有助于通过应用人工智能和机器学习技术为公司创收。
2) 如何了解人工智能是否适用？
鉴于当前围绕人工智能的炒作，确定人工智能实施的正确机会既至关重要又充满挑战。 对于渴望驾驭这一领域的高管们来说，以下是一种结构化方法，可用于发现人工智能在企业中的真正闪光点：
- 让有洞察力的利益相关者参与进来： 从挖掘企业内部的知识财富开始。 对企业运营了如指掌的人员是突出人工智能影响成熟领域的关键。 让他们负责找出需要解决的具体、有影响力的问题。
- 关键的可行性问题： 要判断人工智能是否合适，请提出三个基本问题：
- 更直接的解决方案是否行不通，但您直觉上觉得解决方案就在数据中？
- 流程是否有明确的起点（输入）和终点（输出）？
- 是否清楚哪些数据与流程相关？
一旦确定了业务问题，就应与人工智能专家讨论，由其帮助确定输入输出是否适合人工智能，并根据技术资质建议下一步措施。
- 提供人工智能团队支持： 在确定潜在的人工智能应用后，确保您的人工智能团队拥有充分的权限和支持，以便深入开展研究、数据分析和假设检验。
3) AI可实施的标准
通过关注常规、标准和能够从学习反馈回路中受益的任务，高管们可以战略性地整合人工智能，以提高效率和决策水平。 从人力和时间的角度考虑任务，可以进一步突出人工智能能够产生重大影响的机会。 这种结构化的方法使企业领导者能够有效地定位和利用人工智能的潜力，在不断变化的企业环境中推动创新和简化运营。
确定人工智能准备就绪的任务：
- 常规和标准流程：对于人工智能来说，理想的任务是那些大部分都是常规的任务，即使是复杂的任务，并且遵循可预测的模式，不会频繁出现异常。
- 学习循环能力：允许反馈循环、随着时间推移增强人工智能的学习能力和准确性的流程是完美的。 这包括人工智能生成的洞察力或标记进行审查并采取行动的业务功能，从而不断改进人工智能的性能。
- 劳动密集型任务：需要大量人力且频繁执行的流程是人工智能自动化或半自动化的主要候选对象。
- 时间密集型分析：对于需要在决策前进行大量分析的任务，人工智能可以快速处理并突出显示关键数据点，从而做出更明智的决策。
- 复杂数据关系：涉及分析大量相互关联数据的流程可从机器学习和人工智能中获益匪浅。 人工智能可以毫不费力地识别人类无法处理的模式和关联，从而带来更准确的业务影响和战略。
- 物理交互的挑战：涉及与物理世界复杂交互的任务给人工智能带来了更大的挑战。 但是，只要有足够的潜在回报，例如开发自动驾驶汽车，这些挑战就值得应对。
一旦有了需要用人工智能解决的业务问题，就需要了解人工智能成功的标准。
4) 如何理解生成式AI是否适用？
要确定 ChatGPT 等生成式AI是否适用于您的企业特定业务需求，需要采取务实的方法。 我们建议使用一种直接的策略来评估其适用性：
- 试点测试： 首先在预期的使用案例中测试人工智能。 如果它表现出色并符合您的期望，那就是成功。 继续将其整合到你的工作流程中。
- 确定变通方法： 如果人工智能几乎能满足你的需求，但并不完美，那么请集思广益，找出潜在的变通办法。 有时，一个简单的解决办法，比如让人工审核，从而完善人工智能的输出，就能有效弥补差距。
- 评估风险与回报： 如果找不到可行的变通方法，而且您的使用案例无法承受偶尔出现的不准确或不相关输出，那么最好不要使用它。 关键是要权衡潜在的好处与错误信息或无意义输出的风险。
- 保持期望值： 请记住，生成式人工智能（如ChatGPT）的工作原理是根据其训练过的大量数据模仿人类的反应。 它一次只用一个词来创建回复，在没有真正理解内容的情况下照搬它所学到的模式。 把它想象成一个在面试中表现出色的新员工，但由于缺乏真正的理解，在实际工作中却举步维艰。
通过以下步骤，您可以就生成式人工智能技术是否符合您的业务目标和运营标准做出明智的决定。
掌握提示语设计和工程
要有效利用生成式AI技术，就必须掌握提示设计和工程技术。 这包括精心设计提示，引导人工智能模型生成符合业务目标的输出，无论是用于内容创建、解决问题还是数据分析。 这种定制可增强人工智能生成的输出结果的相关性和实用性，使人工智能成为业务创新的多功能工具。
3.企业AI应用：为业务成功量身定制
对于旨在利用人工智能的企业来说，在定制AI解决方案和现成的人工智能平台之间做出选择是一个关键的决定。 虽然现成的解决方案提供了便利性和即时部署，但定制AI解决方案可以根据企业的独特需求和目标提供显著优势。 以下是为什么定制AI解决方案往往比现成的解决方案更好的原因：
- 量身定制的效率和精度
定制人工智能解决方案专为应对您企业的独特挑战和要求而设计。 这种定制方法可确保人工智能系统以更高的效率和精度执行其设计的任务，与通用平台相比，可显著提高性能和成果。 此外，人工智能技术的定制在使人工智能能力与特定业务目标和挑战相匹配方面发挥着关键作用。 - 竞争优势
定制人工智能可提供竞争对手无法获得的功能，从而为您带来竞争优势。 任何人都能获得的现成解决方案可能会使竞争更加公平，但定制解决方案可以利用只有您的企业才能利用的特定机会或效率，使您在市场中领先一步。 - 可扩展性和灵活性
定制的人工智能解决方案可以适应您的业务并与之共同成长。 它可以根据您的业务需求进行扩展或修改，从而确保持久性和相关性。 另一方面，现成的解决方案可能无法提供相同水平的可扩展性或灵活性，从而可能导致不断变化的需求与工具的功能不匹配。 - 与现有系统集成
定制人工智能可无缝集成到现有技术堆栈中，与现有流程和系统保持一致，无需进行重大更改。 这种集成可确保人工智能解决方案在不中断您的运营的情况下增强您的运营，而现成的解决方案不一定能保证这种优势。 - 数据安全和隐私
定制人工智能解决方案在设计时可将您的数据安全和隐私要求放在首位。 这对于处理敏感或专有信息的企业尤为重要。 现成的平台可能并不总能提供相同级别的安全定制，从而可能使您的企业面临安全和隐私风险。 - 长期成本效益
虽然定制人工智能解决方案的初始投资可能较高，但随着时间的推移，其成本效益会更高。 通过精确满足您的特定需求，定制解决方案可以通过更高的效率实现更大的投资回报率。 现成的解决方案虽然前期成本较低，但可能会因订阅、定制或效率低下而产生额外成本。 - 所有权和控制权
开发定制的人工智能解决方案意味着您拥有这项技术，并能完全控制其功能、更新和使用。 这种所有权使您可以独立于第三方提供商进行持续改进和调整。 - 重点支持和维护
定制人工智能解决方案可为企业提供针对其系统的专门支持。 这与现成的解决方案形成了鲜明对比，现成解决方案的支持较为笼统，可能无法有效解决具体问题。
4.AI项目的7关键成功要素
要在人工智能实施迷宫中游刃有余，企业必须关注几个关键领域：
1) 应对真正的业务挑战
在开展人工智能项目时，首先必须明确定义要解决的业务问题。 例如，与其问一个模糊的问题，如 “我们如何才能增强税务审计系统？”，不如问一个更精确的问题，如 “人工智能能否为税务审计人员标记问题？”这样就能提供一个更明确的目标，并为必要的标准和评估指标奠定基础。
您需要考虑是否有人工智能可以使用的明确输入、进行此类检测的要求、如何衡量人工智能的性能，以及对您的业务有用的人工智能输出是什么样的。 融入数据分析技术，如描述性统计、推论性统计和可视化，有助于有效评估人工智能的性能。
评估人工流程造成的损失将有助于您了解衡量改进的基线。 确定改变流程所需的最小改进百分比。 这一数字将作为评估人工智能实施的可行性和成功与否的重要基准。
2) AI团队与业务团队之间的合作
数据科学家和业务部门之间的合作对于有效定制人工智能解决方案以应对特定业务挑战至关重要。 要为人工智能项目正确定位问题，就必须讨论业务流程的当前状态和期望状态。
此外，与主题专家合作对于提供人工智能工具所需但往往缺乏的细微背景至关重要。 例如，Fellow Robots 公司在开发各种店内机器人和数据收集设备以改进库存检查时，证明这种合作简化了数据收集决策和边缘处理算法。 使用比率这种有意义的性能指标可以进一步帮助评估人工智能系统的功效和可靠性。
3) 优先考虑资源管理和数据质量
分配正确的资源并高度重视数据质量，这是任何人工智能项目的基础。
机器学习合作伙伴会评估您的企业是否拥有训练相关 ML 模型所需的数据，并确定额外的数据收集框架。 为了简化和加快数据收集工作，请考虑人工智能检测所需的数据是否可用，如果不可用，可以以何种速度收集。 评估数据质量的一致性，探索数据收集流程标准化的可行性，因为高质量的数据源和自动化流程有助于与现实世界的需求保持一致。
由于训练人工智能模型需要大量数据，因此，如果流程标准化，应确定收集几千个样本的速度。
最后，考虑数据收集和标记工作是可以由业余爱好者完成还是需要专家来完成–如果需要额外的数据，这将有助于您估算费用。
4) 选择合适的团队
选择合适的 AI 和 ML 团队与技术本身一样重要。 无论您是考虑建立内部团队还是外包，每种途径都有其优点和挑战。 以下是在外包人工智能和 ML 项目时，如何确保押对宝的方法。
- 成本效益
外包服务省去了招聘、培训和维护全职团队的相关费用，从而降低了成本。 按项目或按小时收费等灵活的定价模式进一步提高了成本效益。 与此相反，内部团队很难在项目期间建立并平均分配工作。 - 获取专业知识
外包团队从不同项目和行业中获取专业知识和丰富经验，确保使用最新的人工智能和 ML 技术。 对于内部团队来说，要为项目的每个部分聘请一名专家，要么成本高昂，要么不可能。 - 可扩展性和灵活性
外包可以根据项目需求轻松扩充资源，而无需签订长期员工合同，从而适应不断变化的项目需求。 - 更快的项目交付
经验丰富的外包团队可以加快项目进度，从而更快地进入市场并获得竞争优势。 - 专注于核心业务
外包使公司能够专注于其主要业务领域，而专家则负责处理人工智能和 ML 任务，从而优化技术和战略业务成果。 - 降低风险
外包提供商随时了解最新发展和监管变化，从而降低项目风险并确保合规性。 - 持续支持和维护
外包团队提供持续维护和更新，确保人工智能系统长期发挥最佳性能。 - 创新杠杆
通过与不同的客户和挑战合作，外包团队可带来创新的解决方案和观点，从而显著改善项目成果。
5) 设置有效的项目管理和运营整合
有效的人工智能项目管理和运营整合对于人工智能计划的成功至关重要。 采用结构化的项目管理战略可确保人工智能项目组织有序，具有明确的里程碑、时间表和交付成果。 这种方法有助于在整个项目生命周期内保持重点、资源分配和问责制。
同样重要的是在现有业务流程中对人工智能模型进行彻底整合和测试。 这一步骤可确保人工智能解决方案不仅在技术上是可靠的，而且还能无缝嵌入到日常业务中，从而最大限度地发挥其效用和影响。 严格的测试可确保模型按预期运行，降低部署失败的风险，提高人工智能系统的整体可靠性。
此外，还必须制定相关法规，使个人能够保护自己的数据，允许自己选择退出个性化广告，或对算法做出的决定提出异议，因为这有助于确保道德转型过程同时保持透明度和问责制。
5) 重视培训和变革促成
公司应揭开人工智能的神秘面纱，让利益相关者了解其真正的能力和局限性，以营造信任和创新的环境。 人工智能不仅与技术有关，还与人有关。
将人工智能融入现有流程需要灵巧的触觉，这不仅体现在技术改造方面，还体现在促进团队沟通和提高组织内部情商方面。
6) 利用行业洞察力和专业知识
采用跨行业的洞察力可以大大增强人工智能应用。 事实证明，银行业的异常检测等行业的洞察力对于完善不相关领域的人工智能战略非常有价值。
与主题专家合作对于理解人工智能无法单独完全解读的上下文和细微数据至关重要。 将人工智能项目与企业的战略重点相结合，可确保人工智能解决方案的开发符合企业的总体目标，并带来基于价值的成果。
5.AI项目取得成功的最佳实践
这些技巧有助于确保人工智能的成功实施，并为您的组织带来更好的成果。 通过设定明确的目标、关注具体的业务问题、确保数据质量、聘用合适的团队、投资基础设施、规划持续改进以及与利益相关者有效沟通，您可以最大限度地发挥人工智能的商业价值。
那么，如何才能取得成功呢？
- 专注于确定人工智能可以应对的具体业务挑战。
- 根据潜在的业务影响和所需AI解决方案的复杂程度，确定人工智能项目的优先级。
- 让跨职能团队参与规划过程，确保AI解决方案切实可行，并以实际业务需求为基础。
- 教育利益相关者，让他们了解人工智能的能力和局限性，培养创新和接受的文化。
- 将AI解决方案与现有的人类主导流程相结合。
将AI纳入业务战略不仅仅是利用新技术，而是要进行全面转型，使技术能力与战略性业务目标保持一致。 展望AI成为业务核心的未来，了解这些动态并做好应对准备比以往任何时候都更加重要。
对于准备实现这一飞跃的组织而言，旅程始于清晰的愿景和战略方法，以确保AI不仅支持而且加速其业务目标的实现。
