核心摘要
- 三分之一的企业运行了100个以上试点，但部署率仅为13%
- 失败原因要么是对AI的过度期待，要么是认知不足，归根结底是管控问题
- 应将目标从模糊指令重新定义为可衡量的具体数值
- 应先对自动批准的输出进行抽样审计，确认实际错误率
预计今年AI支出将增长47%，突破2.5万亿美元。但根据Zapier的调查，尽管近三分之一的企业运行了超过100个AI试点项目，但真正在全企业范围内广泛部署的比例仅为13%。约40%的受访者表示，他们运行时间最长的AI试点项目已在测试阶段停滞超过一年。
BRG公司AI与决策智能部门董事总经理杰森·顾（Jason Gu）基于自身咨询经验指出，试点项目停滞不前的原因并非技术本身，而是领导层的管控问题。他解释称，失败往往源于“AI无所不能”的过度期待，或“我们遇到的流程和数据问题是模型局限性所致”的认知不足这两种情况之一，并将其归纳为四个领导层管控问题。
四个管控要点
第一是启动阶段。像“用AI来审核发票”这样模糊的指令难以走远。相反，应将问题重新定义为具体的业务成果，例如“将处理时间缩短95%，达到99%的准确率，剩余1%的例外情况交由人工审核”，并且需要有一位对该目标负责的单一负责人。他强调，这一责任应由具备相关业务经验的业务负责人承担，而非专门的AI负责人。
第二是试点设计。在发票案例中，理想的结构是：在完成数据提取和标准化之后，通过确定性逻辑与采购订单、入库记录进行核对，通过的部分依据既定政策自动批准，仅将例外情况交由人工处理。至于采用光学字符识别（OCR）、多模态模型还是大型语言模型作为文档提取技术，则取决于文档的变异程度。他指出，不能想当然地认为通过审核的输出就一定准确，而应对相当比例的自动批准输出进行审计，以确认实际错误率。他还补充说，在不需要生成式AI的场景中使用生成式AI，或者设计出所有输出都需人工复核的工作流程，都是常见的设计错误。
第三是生产经济性评估。他指出，仅凭每个token的成本或首次响应成本来判断是一种错误做法，应以“每完成一项成功任务的全负担成本”为基准，其中不仅包括模型、工具和基础设施成本，还应涵盖所有重试与返工、人工审核与例外处理、技术集成、评估与运维、治理，以及因错误输出而产生的预期损失。
对韩国企业AX转型的启示
本文所提及的指标，可为国内企业制定AX（企业AI转型）计划时提供切实可行的参考基准。同时运行多个试点项目本身并不代表成果，运营超过100个试点却仅有13%实现实际部署这一数字表明，关键不在于试点数量，而在于每一个试点项目本身的设计完成度。
尤其值得关注的是，文中指出许多失败早在“用AI来自动化某某业务”这类模糊目标设定阶段就已经注定。若企业正在考虑引入AI，正确的顺序应是：先将目标重新定义为处理时间、准确率、例外处理率等可衡量的具体数值，再指定一位对结果负责的单一业务负责人。此外，若在未建立对自动批准输出进行抽样审计、确认实际错误率这一流程的情况下就盲目扩大引入规模，就有可能陷入只关注token成本而忽视总体拥有成本的陷阱。
来源： 4 leadership pain points that stall AI pilots — and how to fix them