在企业中的某个领域，或许正有一个AI项目正在走向失败，可能它是一个旨在将销售额提升30%的推荐引擎，可能它是一个旨在大幅减少停机时间的预测性维护系统，又可能是一个本打算彻底改变响应时间的客户服务聊天机器人。这些雄心勃勃的计划上落满的灰尘，代表的不仅仅是资源的浪费，还有期望的破灭，这让未来推动创新变得更加困难。
期望与现实之间的差距
把AI项目想象成冰山。高管们在供应商演示和技术杂志上看到的，是闪闪发光、露出水面的尖端——那些已经完成、被打磨得光彩照人的成功案例，而隐藏在水面之下的，是使这些成功成为可能的数据准备、基础设施要求、人才需求和企业变革管理等庞大的底层结构。
这种期望与现实之间的差距，或许是AI项目失败最根本的原因。有一种持续存在的神话，认为AI是一种神奇的技术，你可以像贴高科技创可贴一样，简单地将其“应用”到商业问题上，而真相则更加复杂。
以我曾提供咨询的一家全球消费品公司为例。他们的高管团队受到演示文稿的启发，演示文稿展示了AI如何优化供应链，于是他们斥资250万美元启动了一项旨在实现这一目标的计划。12个月后，他们拥有了复杂的算法，但这些算法根本无法使用，因为没有人解决其27个遗留系统中支离破碎、不一致的数据问题。这个AI解决方案就像是你只有土路可走，却买了一辆一级方程式赛车。
数据困境
如果说有一个因素比任何其他因素都更能导致AI项目失败，那就是数据质量差和治理不善。企业往往低估了AI有效运行所需的数据数量和质量。
事实是，AI系统从根本上来说是数据处理引擎。向它们提供劣质数据，你将得到糟糕的结果——这是自20世纪50年代以来就存在的原则，计算机科学家称之为“垃圾进，垃圾出”，但不知为何，这总是让高管们感到惊讶。
我曾与一家医疗系统合作，他们想使用机器学习来预测患者再入院情况。在开发进行到六个月时，团队发现他们的历史患者记录(即他们用来训练AI的数据)在不同设施中对各种疾病的编码方式存在显著偏差。AI正在学习这些不一致之处，而不是真正的医学模式。这就像试图用一本有一半定义错误的字典来教某人一种语言。
忽视人的因素
另一个致命错误是将AI的实施视为纯粹的技术挑战，而不是需要人类采用和整合的社会技术挑战。
我记得有一家制造公司花费了180万美元购买了一套AI系统来优化生产计划。该技术在测试中运行得完美无缺，但在工厂车间，主管们继续使用他们的传统方法，完全忽略了AI的建议。为什么?因为没有人让他们参与开发过程，向他们解释系统的工作原理，或解决他们关于系统如何影响他们角色的合理担忧。
AI项目并不是孤立地失败的;它们是在抗拒变革的人类系统中失败的。如果人们不使用，那么世界上最好的技术也一文不值。
战略脱节
许多AI项目从一开始就存在一个关键缺陷：它们与真正的商业问题和战略目标缺乏明确的联系。它们是寻找问题的解决方案，而不是相反。
我曾目睹一些企业因为竞争对手正在这样做，或者因为高管层在商业杂志上读到了这项技术，而启动AI计划。这些项目注定会失败，因为它们没有与具体、可衡量的商业成果挂钩。
想象一下建造一座桥。你不会在没有确切知道你要连接哪两个河岸，以及为什么人们需要过河的情况下就开始建造，然而，公司却经常在没有明确成功的样子或如何衡量它的情况下就开始实施AI项目。
人才和治理短缺
AI人才缺口仍然巨大。数据科学家供不应求，而那些同时具备技术专长和商业敏锐度的人才更是凤毛麟角。
除了人才问题，许多企业还缺乏AI计划的适当治理结构。谁负责这个项目?当速度、成本和质量之间需要权衡时，由谁来做出决策?没有明确的责任制和决策框架，AI项目就会陷入模糊，最终失败。
我曾与一家电信公司合作，他们有七个不同的部门各自独立开发AI解决方案，没有任何协调。这导致了重复的努力、不兼容的系统，以及最终花费了数百万美元后多个项目的取消。这是数字达尔文主义最糟糕的表现——各个计划争夺资源，而不是为实现共同目标而协作。
跳过基础工作
把企业AI想象成一栋房子。你不能在还没有铺设地基和搭建墙壁之前就建造屋顶，然而，企业却经常试图在建立基本数据基础设施和分析能力之前实施先进的AI功能。
AI不是技术上的飞跃，它是在现有能力基础上发展起来的演变。在涉足机器学习和其他AI技术之前，成功应用AI的公司通常已经掌握了数据仓库、商业智能和传统分析。
我曾为一家零售商提供咨询，他们想实施基于AI的个性化实时定价。但他们甚至无法在其各门店之间提供一致的每周销售报告。他们试图在学会走路之前就奔跑，不出所料，这个项目因其野心而崩溃。
前进的道路：让AI项目取得成功
AI计划的高失败率并不是不可避免的。以适当的规划、资源和期望来对待AI的企业，可以显著提高成功的几率。
从问题出发，而不是从技术出发。确定AI可能提供解决方案的具体商业挑战，并明确清晰、可衡量的目标。这将项目锚定在商业现实中，而不是技术可能性中。
在算法开发之前投资于数据质量和基础设施。请记住，AI系统的质量只与其消耗的数据一样好。在尝试在其上构建复杂的AI功能之前，先创建一个坚实的数据基础。
将AI的实施视为企业变革，而不仅仅是技术部署。尽早并经常让最终用户参与进来，并考虑AI将如何与现有工作流程和人为判断相结合。
采取渐进的方法，而不是孤注一掷。从提供快速胜利、建立企业信心并提供学习机会的适度试点项目开始，然后再进行扩展。
建立明确的治理机制，包括所有权、决策框架和成功指标。明确当(而不是如果)需要权衡时，谁有权做出关键决策。
超越炒作周期
AI不是魔法——它是一系列强大的技术，当得到妥善实施时，可以带来非凡的商业价值，然而，这种实施需要许多企业低估的严谨性、现实主义和资源。
在AI方面取得成功的公司，不一定是那些拥有最大预算或最先进技术的公司。它们是那些对AI能做什么和不能做什么有清醒认识的公司，是在追求复杂功能之前建立适当基础的公司，也是理解技术变革不可避免地也是人类变革的公司。
通过从这些常见错误中吸取教训，企业可以确保其AI计划兑现承诺，而不是成为昂贵数字失望的行列中的一员。
