之前写了一篇讲AI对组织架构影响的文章《AI或将重塑现代公司组织架构 | 附：重塑的例子》，阅读量不少。
有趣的是，虽然不少员工都已经开始用AI了，但是，我们在跟各种企业负责人沟通的过程中发现，在公司层面的用例少得可怜。
大多数公司想要进行人工智能（AI）项目，但大多数连商业智能（BI）都做得不够好。
10年前我们在给投行做定价分析、给银行做大数据项目时，我就对项目组说过。当时正值上一波机器学习/人工智能热潮的尾声。那时，似乎每家公司都在争相进行机器学习，而大多数公司发现将其投入生产是多么困难。大部分的公司甚至连BI仪表盘的底层数据都对不齐，除了在公司大堂墙上挂个显示屏展示数字化转型的成果以外，业务团队、客户基本都用不到。
现在，我们又处在另一波机器学习/人工智能热潮的顶峰，这次是由生成式AI推动的。
最近读了一本新书《麦肯锡讲全球企业数字化》，虽然书名是数字化，本质讲的还是AI，这本书让我重新思考如何在公司层面部署AI。
麦肯锡这本还散发着印刷厂余温的AI实施手册，让我感触颇深，有两点。
首先，人们已经习惯了数据和技术领域的炒作周期。
我们见证了机器学习炒作的周期（现在为了营销原因被称为“AI”）。
- 2010年代初有“公民数据科学家”（citizen data scientist），
- 2010年代中期有深度学习（deep learning）的崛起，
- 2010年代末/2020年代初有生成式AI（generative AI）。
每个周期都带来了机器学习的新方法，以及过高的期望。每个周期也都证明了其价值，这些技术在许多公司中被采用，往往是在不为人知的情况下提升了生产力。
当某样东西提升了工作效率并且只是完成了它该完成的工作时，它就不再酷炫了，而是成为了习以为常的操作。
那么，这次是否有所不同？
生成式AI在消费者层面被采用的速度使得这次炒作周期有所不同。ChatGPT是有史以来增长最快的消费应用之一。我永远不会忘记去年跟小伙伴一起紧跟新版本、不断测试各种应用场景的夜晚。确实很容易。甚至我3岁的女儿都能用它来作画。
通常情况下，当你看到某种技术在消费者层面被快速采纳时，自然会觉得它也会渗透到公司的方方面面。我们在个人电脑、网络和移动设备上都看到了这一点。生成式AI是机器学习的杀手级应用。现在它已经成为主流，尽管它早已是大多数网络和移动应用的一部分（例如，你的手机就是一个大型机器学习引擎）。
回到AI和BI。我并不是说生成式AI没有用处。我认为它有很大的用处。但也有很多过度夸大的期望。我们正处在生成式AI和机器学习非常漫长的、不断演变的阶段的开始，还有许多尚未发现的使用方法、使用场景。长期来看，AI的实用性和价值可能会逐渐显现，但这需要时间和谨慎的实施，而不是被短期的市场热潮所驱动。换句话说，不应盲目跟风，而应理性地评估AI在企业中的实际应用场景和长期价值。最根本的现实是，数字化转型很困难，无论当下流行的技术是什么，都一样。
大多数公司想要实施AI项目，但大多数连BI都做得不够好。
让我来解释下这句话讲的是什么。
大多数公司想要实施AI项目
对生成式AI的期望非常强烈。AI的快速进步使得我们难以对市场或公众对AI的情绪有一个简单的描述。不过，根据我所接触的大多数调查和文章，大多数IT领导者（50%到60%或更高）将生成式AI作为其业务的优先事项。但是，期望与现实的差距往往很大。
根据一篇IBM的文章，“CEO与IT部门之间存在脱节，四分之三的CEO认为他们组织的数字基础设施已经准备好扩展AI的应用并为公司‘提供价值’。然而，只有16%的技术高管表示，他们对公司当前的云和数据支持生成式AI的能力有信心，考虑到它对基础设施的巨大需求，特别是在训练期间。”
数字化转型和流程改进计划也是如此。对那些远离技术和实施细节的人来说，这似乎很容易。而对那些接近技术的人来说，往往更加悲观。
为什么公司想要将生成式AI融入业务的每个角落？“错失恐惧症”（FOMO）吗？这种论调意义不大，也无法指导我们的决策。相反，我会看看公司投资机器学习/人工智能的实际原因。
答案是：准备好AI意味着你可以用更少的人力完成更多的工作。与其雇佣工人来完成任务，我可以将机器学习/人工智能融入工作流程中，增强团队能力或消除繁琐的人力管控的环节。所以，这与几百年来的自动化一样。自动化减少了对冗余人力劳动的需求。——人类似乎并没有吸取前几次工业革命的教训（新技术=成本节约）。事情就是这样，并且会继续这样下去。人类创造的东西让他们的生活更简单，同时也不断淘汰自己。我们既聪明又愚蠢。
我不确定生成式AI是否能解决大多数商业问题。但如果你需要总结、翻译或综合处理文本、图像、音频或视频等内容，生成式AI是我们目前最好的方法。
但大多数连BI都做得不够好
说到BI（商业智能），几十年来大家一直在呼喊，BI是“从数据中获取能推动商业价值的洞察”的绝佳途径。然而，大多数BI项目的成功率徘徊在20%左右。大多数公司几乎没有做好BI。
根据我的观察和讨论，成功实施BI的挑战依然如故。我认为，问题不在于BI本身。数据相关的规划总体上成功率就很低，这一点我稍后会讨论。根据Rand最近的一项研究，AI实施的成功率也同样只有20%。
实施AI的前提是要做好BI吗？
BI是AI的必要条件吗？不是。我常听到传统数据从业者以与BI相同的方式谈论机器学习和生成式AI。如果你曾用过机器学习或AI，你肯定知道，它们是不同的。
AI不是BI，BI也不是AI。
这种混淆源于AI将依赖于支持BI的同样的基础数据。如果是这样，那么是的，在转向AI之前，你应该先做好BI。根据我的经验，BI中使用的数据对于机器学习（分类或回归）实际上没有多大用处，因为你试图自动化或回答的问题通常已经在数据中有答案，因为它已经被建模，并在你的BI仪表盘上展示答案。如果你试图在BI数据上应用大型语言模型，那么基础数据模型需要扎实。你最好通过语义层或知识图谱提供语义和知识上下文，否则在文本到SQL查询中可能会有很大问题。不过，这难道是应用AI的正确做法吗？如果你的BI工作进展不顺，我猜，你公司的仪表盘和报告的使用率很低，甚至这个所谓的仪表盘根本就不存在。在相同数据上添加一个聊天机器人是否会突然让人们对数据和分析感兴趣？我想，你试试看就知道了。
然而，只要不涉及BI或数据分析，在处理文本或图像等非结构化数据时，认为BI是AI的前提条件毫无意义。这就像是在说，你需要成为一名优秀的400米跑步运动员才能成为奥运会级别的小轮车冠军。这两者不是同一个东西。传统的数据方法（即用于BI的表格数据）在处理传统问题时有效。但在处理新方法或新问题时，它们不起作用。看到数据管理人员在过时且毫无意义的地方硬塞他们的方法论，让我感到很痛苦。数据世界是多模态和异质的，我觉得传统数据管理没有跟上。
同样的老掉牙的抱怨，数据需要提供价值啊，同样糟糕的结果。
要点——变革不易，数据难搞。
上述Rand研究总结了AI项目面临的五个根本挑战：
第一，行业利益相关者经常错误传达需要用AI解决的问题是什么。
第二，许多AI项目失败是因为组织缺乏足够的数据来有效训练AI模型。
第三，在某些情况下，AI项目失败是因为组织更关注使用最新技术，而不是解决用户的实际问题。
第四，组织可能没有足够的基础设施来管理数据和部署完成的AI模型，这增加了项目失败的可能性。
最后，在某些情况下，AI项目失败是因为技术被应用于AI无法解决的难题上。”
听起来熟悉吗？将AI替换为BI、“大数据”、数据科学或其他曾经让企业着迷的趋势，情况都是一样的。变革不易，数据难搞。
似乎历史一直在重演，人类不断重复着自己愚蠢的错误，但并非一切都没有希望，我们需要继续前进。将AI应用于合适的用例，特别是在那些为AI量身定制的领域。例如，一位在财富100强公司的朋友告诉我，他们利用AI自动总结和搜索数百万份文件，节省了大量时间，并让员工能够专注于更有价值的工作。他一直强调要花时间让文本数据集“为生成式AI做好准备”。他的例子是生成式AI的完美用例——总结大量文本，这些文本如果由人类阅读需要数千年。
我们还需要教育和培训，了解AI是什么，以及它在商业哪些地方适用。经常有些人会认为，AI会在一夜之间会自动化他们业务的每一个方面。我不知道他们看了哪些科幻电影还是英剧《黑镜》，但至少在今天，这只是幻想。不过，关于AI代理/智能体的研究和关注很多，我对代理的长期实用性持乐观态度。但代理在哪里对我们有意义？这就是教育和培训可以帮助人们进行讨论的地方。了解什么是可行的以及什么是不切实际的，可以帮助我们冷静对待那些过于乐观的、不切实际的承诺，这些承诺最终在实施时往往会失败。
你必须牢记时代的背景。我们仍处于生成式AI和机器学习的初期阶段。当前的炒作泡沫终将破裂（我认为我们现在正处于顶峰），那些真正构建有用AI和ML的人可以在没有那么多骗子和吹牛的环境中扮演更加深刻的角色。我对AI对整个数据行业的长期影响持乐观态度。AI潜力太大。为了充分发挥AI的作用，需要对基础数据集进行清理和投资。如果能做到这一点，或许我们就能真正开始利用商业智能（BI）和人工智能（AI）技术。
在AI的世界里，错误只是通往正确答案的另一种路径。