人工智能有望成为我们生活中重要且无处不在的存在。它蕴含着巨大的潜在价值，但如果我们对某项技术缺乏理解，就无法为其做出有意义的贡献。
当用户着手购买新的技术产品时，他们通常并不太关心该技术未来可能具备的功能。潜在用户需要了解的是：该解决方案今天能为他们做什么、如何与他们现有的技术栈交互，以及当前版本的解决方案如何为他们的业务持续提供价值。
然而，由于这是一个每天都在发生显著变化的新兴领域，这些潜在用户往往难以确定自己应该提出哪些问题，或者如何在产品生命周期的早期阶段对它们进行评估。
鉴于此，我提供了一份面向潜在客户的AI解决方案评估高层指南——即企业买家评分卡。在评估AI时，请考虑以下问题。
该解决方案是否解决了业务问题？构建者是否真正理解这一问题？
例如，聊天机器人执行一项非常具体的功能，有助于提升个人生产力。但该解决方案能否扩展到足以让100人或1000人有效使用的程度？
部署企业软件的基本原则仍然适用——客户成功、变革管理以及在工具内部进行创新的能力，是向业务持续交付价值的基础要求。不要将AI视为一种增量式解决方案；而应将其视为一点“魔法”，能够彻底消除你体验中的痛点。
但只有当你能够通过使其自主运行而真正让某些事物“消失”时，它才会感觉像魔法一样，而这归根结底源于对业务问题的深刻理解。
安全架构是什么样的？
围绕AI的数据安全问题处于更高层次，远远超出我们习以为常的要求。你需要开箱即用、符合甚至超越自身组织标准的安全措施。
如今，数据、合规性和安全性是任何软件的基本要求，对于AI解决方案而言更是如此。原因有二：首先，机器学习模型运行在海量数据之上，如果这些数据没有得到战略性的小心处理，后果将不堪设想。
对于任何基于AI的解决方案，无论其旨在实现何种目标，其核心都是产生重大影响。因此，使用该解决方案的用户群体也将非常庞大。如何妥善利用这些广泛用户群所产生的数据，以及在使用数据时采取何种安全措施，都至关重要。
其次，你需要确保现有的解决方案使你能够持续掌控这些数据，以便随着时间的推移不断训练机器学习模型。这不仅仅是为了创造更好的体验，还在于确保你的数据不会离开你的环境。
你如何保护和管理数据？谁有权访问这些数据？你如何保障其安全性？AI的伦理使用已经是一个热门话题，并且随着即将出台的法规，这一话题还将持续升温。你所部署的任何AI解决方案都必须内置对这种动态变化的深刻理解。
该产品是否真的能够随着时间的推移而不断改进？
随着机器学习模型的老化，它们开始出现漂移（drift），并得出错误的结论。例如，ChatGPT3仅接收截至2021年11月的数据，这意味着它无法理解该日期之后发生的任何事件。
企业级AI解决方案必须针对随时间推移的变化进行优化，以跟上新的有价值数据的步伐。在金融领域，一个模型可能被训练用于识别特定的监管要求，而这些要求会随着新立法的出台而发生变化。
一家安全供应商可能会训练其模型来识别特定的威胁，但随后可能会出现新的攻击向量。这些变化如何反映出来以维持长期的准确结果？在购买AI解决方案时，询问供应商他们如何保持模型的更新，以及他们如何看待模型漂移问题。
产品背后的技术团队是什么样的？
优秀的公司能够就支撑该技术的机器学习和AI模型进行非常详细的阐述。如果他们无法深入讨论架构或训练模型，这应该是一个立即出现的危险信号。
了解管理模型和基础设施的人员的资历。务必确保他们明白，AI的基础设施需求与上一代软件有着巨大的差异。AI更加依赖数据，并且需要从完全不同的安全角度进行分析。
团队需要具备足够的集体经验，以便清晰地阐述他们是如何构建解决方案以及为何如此构建。
提供该解决方案的公司是否真正理解你的用例？
确保他们能够提供关于类似用例的见解，以及他们如何以独特的方式从特定功能中受益。询问他们是否能向你展示同行在使用该解决方案方面取得的成就，以及这些成就如何与你自身的组织挑战相关联。
合适的供应商往往是那些通过亲身经历学习并构建解决方案的人。要警惕那些看似只是在追逐问题的供应商，而不是那些因为亲身经历过而能真正理解你问题的供应商。
一个好的AI供应商应该能够将你的问题反馈给你，谈论AI如何解决这个问题，并最终向你展示他们是如何构建解决方案来实现这一点的。
你能构建一个在企业级别上具备可扩展性、得到支持且安全的工具，还是需要第三方解决方案的帮助？
市面上有许多工具可供企业自行构建基线模型。当首席信息官（CIO）需要采购新解决方案时，“自建还是外购”这一抉择经常会被提及。
在人工智能领域，除非你拥有足够的内部资源以确保能够长期维护该项目，否则不应试图自行构建。你可以将其视为开发一款产品，只不过你的内部客户是内部团队而非外部用户。
这些内部客户会有功能需求、支持请求、维护需求、反馈和投诉。在人工智能这一全新领域打造产品颇具挑战。因此，建议与那些日夜钻研、构建并优化该特定领域的公司合作。
该公司在你的行业中是否有相关且积极的参考案例？
寻找其他与你类似的组织从该解决方案中受益的案例。询问他们是否愿意与你分享其使用经验。
对于供应商而言，这可能会陷入一种“先有鸡还是先有蛋”的困境。初创企业需要首批客户，但这些客户又希望看到参考案例。好消息是，目前围绕人工智能的热情和兴奋感非常强烈。
大多数客户并不清楚正确的前进方向，由于这是一个全新的领域，他们通常更愿意与处于早期阶段的供应商合作。
但真正的难点不在于获得第一笔订单，而在于让早期客户取得巨大成功，使他们成为该项目的坚定支持者。风险规避型买家通常会等待他人尝试后再加入。应寻找那些全力助你成功的供应商，即那些你未来愿意为其提供推荐背书的合作伙伴。