AI商业突破：将AI作为操作系统而非工具包使用

随着组织更广泛地部署人工智能，常规任务正在被自动化，部分工作正从人类转向 AI 系统。然而，许多企业发现，对此类系统的投资回报难以捉摸。

问题不仅在于技术采用本身，还在于组织如何调整工作方式来使用它——这是 MIT 斯隆管理学院访问高级讲师 Paul McDonagh-Smith 的观点。

他说：“工作本身、劳动力以及工作场所这三个要素之间存在相互依存关系。如果组织未能将这三个要素对齐，就很难在合理的时间内产生可衡量的影响。”

在最近的一次采访中，McDonagh-Smith 分享了组织弥合 AI 潜力与现实影响之间差距的几种方法。

TLDR：

• • AI 应被视为操作系统而非工具包，才能产生可衡量的商业影响。
• • AI 采用后，工作角色不再是合适的工作分析单元；组织需要按任务逐一重新设计工作。
• • 弥合 AI 潜力与现实影响之间的“最后一公里”差距，需要新的指标、用户参与以及测试-扩展的心态。

将 AI 视为操作系统，而非工具包

许多企业仍将 AI 视为可以插入现有工作流程的东西，通常是为了提高效率。但这种方法过于狭隘。

“太多组织仍在把 AI 当成工具包，”McDonagh-Smith 说，“他们没有把 AI 视为操作系统。”

这一区别至关重要。当 AI 被视为工具时，它只是叠加在现有流程之上，并使用过时的指标进行衡量。即使创造了价值，也很难评估其影响。结果是，AI 以碎片化的方式部署，而非作为连贯系统的一部分。

采用探索与演化的心态

理解模型仍然重要，但仅靠这一点还不够。

McDonagh-Smith 描述了 AI 发展的几个阶段，每个阶段都解决了前一阶段的局限性。早期系统依赖人类编写的固定规则。这些规则随后被从数据中学习的模型——即机器学习模型——所取代。最近的生成式 AI 系统则能处理语言、图像和其他复杂信息。

每一次进步都解决了某个问题，因此理解当今系统的局限性——例如它们对海量数据和计算能力的依赖——有助于组织预见下一步的发展。

但 McDonagh-Smith 表示，组织需要超越技术知识。“我们需要从模型转向探索与演化的心态。”

这意味着在实践中使用 AI——在真实问题上测试它，并观察什么有效。

重新思考工作如何完成

采用 AI 会对工作结构产生影响。

McDonagh-Smith 说，工作角色不再是理解工作的合适分析单元。“过去那种把工作角色当作衡量单位的时代已经一去不复返了，”他说。相反，“你需要将一份工作分解为其组成部分。一份工作可能包含 15 到 20 个核心活动。”

AI 会逐项任务地改变工作——自动化某些任务，同时增强其他任务，因为工作会在人和系统之间进行划分。

这意味着组织需要围绕任务重新设计工作流程，而不是将 AI 叠加在现有角色之上。管理者需要绘制实际工作流程图，并定义任务如何在人和 AI 之间拆分。

采用新的绩效指标

传统绩效指标往往无法捕捉 AI 的价值。

“我们继承下来的价值指标和衡量单位……不一定适用于未来，”McDonagh-Smith 说。相反，组织需要新的基准绩效方法，包括决策速度、人机协作，以及洞见反馈到业务的快慢。

其他指标则侧重于结果：决策质量的提升、AI 系统自主性的程度，以及这些系统“理解”组织的程度。

起点是在关键工作流程中定义一小套 AI 专属指标，并用它们测试价值创造的位置。

弥合“最后一公里”差距

AI 采用的核心挑战出现在 McDonagh-Smith 所说的“最后一公里”——即 AI 系统未能转化为商业价值的那一点。“AI 最后一公里工程本质上是缩小 AI 潜力与现实影响之间的差距，”他说。

在许多组织中，AI 项目停滞不前，因为尽管模型有效，但并未被用于日常决策和工作流程。

为了弥合这一差距，企业需要采取结构化的方法：

• • 从识别待解决的问题开始。 “各组织有一个共同点：需要明确定义他们试图用 AI 解决的问题，”McDonagh-Smith 说。
• • 让用户参与设计。 系统应与使用它们的人共同构建，而非强加给他们。
• • 聚焦于情境。 优先考虑实际工作方式，而非仅依赖计算能力。
• • 测试与扩展。 进步来自于测试小型应用、衡量结果，并扩展有效的内容。“小步交付，快速学习，”McDonagh-Smith 说。
• • 与用户建立信任。 信任应从一开始就融入其中，并辅以治理和持续监督。

引用

https://mitsloan.mit.edu/ideas-made-to-matter/how-to-accelerate-ai-transformation?utm_source=mitsloantwitter&utm_medium=social&utm_campaign=aiessentials