详细内容或原文请订阅后点击阅览
超越飞行员炼狱
关于人工智能扩展的残酷事实是，对于大多数组织来说，这并没有发生。尽管投资数十亿美元，麻省理工学院 NANDA 计划 2025 年的一份报告显示，95% 的企业生成式人工智能试点项目未能带来可衡量的业务影响。这不是一个技术问题；而是一个问题。这是一个组织设计问题。这种系统性的原因 [...]
来源:O'Reilly Media _AI & ML关于人工智能扩展的残酷事实是，对于大多数组织来说，这并没有发生。尽管投资数十亿美元，麻省理工学院 NANDA 计划 2025 年的一份报告显示，95% 的企业生成式人工智能试点项目未能带来可衡量的业务影响。这不是一个技术问题；而是一个问题。这是一个组织设计问题。
这种系统性失败的原因惊人地一致：组织孤立了他们的人工智能专业知识。这种隔离造成了两种可预测的功能障碍模式。在一种模型中，专业知识被集中到一个专门的团队中——通常称为卓越中心 (CoE)。虽然旨在加速采用，但这种结构总是成为瓶颈，形成一个脆弱的“象牙塔”，与实际创造价值的业务现实脱节。业务部门需要等待数月的时间才能获得资源，激励措施不一致，组织的整体人工智能素养也未能发展。
在相反的模型中，专业知识的分布如此分散，从而导致混乱。自治业务单位建立冗余基础设施、囤积知识，并且在没有协调治理的情况下运作。成本呈螺旋式上升，不兼容的技术堆栈激增，组织作为一个整体变得不如其各个部分那么聪明。
这两种方法都因相同的根本原因而失败：它们将人工智能开发视为与核心业务分开的活动。
数字证实了这一困境。Gartner 预测，由于数据质量差、风险控制不足和成本不断上升，到 2025 年，30% 的 GenAI 项目将在概念验证后被放弃。麦肯锡的 2025 年人工智能现状报告显示，虽然采用率很高，但只有三分之一的组织在整个企业范围内扩展了人工智能。甚至更少（根据 BCG 的数据，只有 5%）已经具备了大规模产生巨大价值的能力。
实际有效的方法：面向结果的混合架构
该模型有几个关键特征：