导致人工智能潜力丧失和投资浪费的关键错误

最近几周，随着各种技术公告的发布，我们开始听到人工智能泡沫破灭的呼声。

在此之前，我们得到了姗姗来迟的短语“AI washing”，它指的是企业在财务业绩和初创企业推介材料中随处使用“人工智能”一词的必然趋势，只是为了利用这种热潮。

随着人们对人工智能能否兑现承诺的怀疑日益增加，审查将转向这项技术、这项技术的能力以及这项技术的创造者。

我想把焦点集中在商业领袖、创始人、首席执行官和决策者身上，关注他们在人工智能投资成败中所扮演的角色，以及我在过去两年中看到的导致我们走到这一步的错误。

我们从大的一个开始吧，可以吗？

1. 为了人工智能而优先发展人工智能

每次技术炒作都会发生这种情况。我称之为“闪亮物体综合症”，它与 FOMO 密切相关。我们希望下一个大事件、最先进的技术能够跟上行业的步伐。我们不会放慢脚步去思考它的用途。

人工智能项目失败的首要原因是，它们被优先考虑用于开展人工智能项目，而不是从业务或客户问题或实际需求开始。如果你从解决方案开始，然后倒推，它永远不会像找到合适的工具那样有效或成功。人工智能正成为领导者的独立优先事项，他们不知道它应该放在哪里，也没有问自己是否需要它。

这其中也存在“同侪”压力的因素。如果你的同侪包括你的竞争对手，你会问“如果他们有人工智能而我们没有，我们落后了怎么办”，或者你的股东希望看到他们听说人工智能带来的财务结果。我不会说这些很容易被忽视，但我相信，最好的解决方法是回到你的企业试图实现的目标的首要原则，并深思熟虑地规划出实现目标的最佳路线。

我认为这种同侪问题在科技巨头中最为严重。我们看到主要参与者发布了一个又一个版本，但并非都是好版本！这个群体总是会引发一场额外的人才争夺战，因为他们希望让自己在游戏中引人注目，以吸引他们认为未来竞争所需的工程师。在短期内，他们的用户会因为 CEO 炫耀他们的最新玩具而遭受损失，因为他们获得了一系列他们从未想要的功能。

如果我们不提出正确的问题，我保证我们不会得到正确的答案。领导者应该问的问题是：

我们的业务战略的重点是什么？

这项技术如何实现商业和/或客户价值？

这是我们这样做的最佳选择吗？

2. 认为仅仅因为技术是新的，情况就太

正如我所说——每一次技术炒作都会犯最后一个错误。但是呢？

领导层选择将人工智能视为新事物。与之前的任何事物都不同。并积极忽略他们从之前的技术颠覆中得到的所有经验教训。

我并不是说 AI 和数据产品没有什么独特之处，当然，团队需要做好准备来应对一些特定的考虑因素。但在领导层，我们从客户、团队、竞争对手等过去如何处理转变中获得了丰富的见解。

人类行为会重复。

如果我们回顾一下过去引入员工系统时遇到的采用障碍，社交媒体出现时我们可能拥有的控制权有多小，从不太复杂的机器学习计划中获取收入的运营挑战等等。我们可以将这些经验应用于人工智能可能发生的事情，以及我们如何为成功做好准备。

这似乎实际上最常发生在宏观层面，我们可以看到图形警告“幻灭低谷”即将到来，或者我们将互联网泡沫与我们现在看到的进行比较。

如果领导者要采取实际行动来改变结果，他们就有责任将这些反思添加到对其组织的理解中。

3. 将其视为技术变革

了解你的组织意味着了解人们。

任何有意义的变革的核心都是人。

正如《你的人工智能生存指南》一书的作者索尔·拉希迪所警告的那样，我们需要将我们的期望从关注算法和大数据转变为认识到大部分工作和大部分成功都与人和计划有关。

如果人工智能真的能为您的业务带来变革，并且能影响到您运营的各个方面，那么这就是一项变革管理举措，应该如此对待。数字化转型总是会失败（参见错误 2！），主要原因是我们作为领导者，没有试图了解对个人的影响或实际存在的支持水平。

员工需要了解他们的角色和对他们的期望将如何变化。他们需要了解你的意图以及他们为什么会这样。

他们需要明白“这对我有什么好处”。

无论我们在外部产品还是内部流程中推出人工智能，我们都需要考虑每一步对人们的影响以及可能阻碍我们计划的行为。

4. 关注和自己一样的人

过分强调“像我这样的人”的观点、偏好和行为只会导致灾难。

特别是在处理新技术时，我们必须意识到我们所处的回音室。

如果我是一名首席执行官，每天早上通勤时都会收听最新的科技播客或阅读人工智能专家的博客，以保持领先地位，那么很可能我不是我的客户或我的普通员工。

并不是每个人都对人工智能有同样的认识、兴趣和信任。

当 Meta 在 Facebook 群组和 Instagram 搜索中推出不同的 AI 功能时，网上立刻出现了这样的疑问：“谁想要这个？”。关于用户真正希望从这些平台获得的改变，网上流传着各种梗，但实际上，这些平台提供的 AI 集成令人困惑，无法解决任何明显的问题。而且还带来了一些新的问题。

大约 6 个月前，我在 Linkedin 上进行了一项调查，询问有多少人在日常工作中使用人工智能。答案接近 90%，但我的职业以及我的人脉都偏向数据科学和技术。我的家人几个月前才知道 Chatgpt，而我上学时认识的大多数人甚至都没有测试过它。

人们评论道“那些说不的人年龄多大？”，虽然数据很少，但我看不出与人口统计学有任何关联。公司中不同职能部门接触最新技术的机会会越来越多，也会越来越少。不同角色对新技术对其未来的影响会有更多的抵触情绪。一次糟糕的经历可能会彻底改变人们的态度，因此即使是那些你期望全力以赴的人也可能不会全力以赴。

不要想当然，也不要陷入过度依赖自己圈子的陷阱。

做出错误的决定，导致人们、客户或员工受到损失，这可能是最大的破坏。

5. 忽略数据依赖性，寻求快速解决方案

我已经多次谈论过人的问题，我有意强调这一点，因为这是领导的职责，而且确实是人们所犯的最大错误之一。

但我还要补充一点，因为我相信，我们数据专业人员都有责任在这一主题上提高素养并管理领导力的期望。

没有数据，人工智能就一文不值

你不能跳过这一步。

在开源算法的世界里，这是你的优势，那么你为什么要这么做呢？

每个人都希望看到他们的人工智能投资尽快获得回报，而现实情况是，花时间进行数据治理和基础设施计划可能会减慢回报速度。但它们是必要的。

我们需要将“垃圾进，垃圾出”这句格言从数据团队中带入董事会会议室。

如果您作为领导者没有投入时间和资源制定数据战略，那么这一点迟早会在您的 AI 战略中显现出来。

Google 与 Reddit 的合作为我们提供了最令人回味的审计结果（感谢Joy Buolamwini的这句话），我们本希望在最大的舞台上证明这一点。他们花了 6000 万美元来获取“更多”数据，以支持他们的搜索生成式人工智能，但结果却和你想象的一样奇怪，因为任何随机的人都可以回答任何随机问题，而且没有进行任何验证。

领导者：不要成为强迫你的团队跳过数据步骤的人。

数据从业者：努力教育您的领导层和业务利益相关者了解与此相关的风险。