隨著人工智能(AI)專家和機器學習(ML)服務的不斷增加，人工智能能夠為許多企業組織提供巨大的價值。然而，當涉及到部署人工智能時，企業往往連最初的投資都無法收回。這似乎有點尷尬，不是嗎?

IBM最近的一項研究顯示，只有21%的公司能夠將人工智能整合到他們的運營中。這就是問題的根源所在：沒有投入生產的技術不可能獲得經濟回報。此外，即使是那些被部署的人工智能項目通常也不會帶來預期的價值。

讓我們來討論一下公司在人工智能盈利的道路上所面臨的障礙，以及如何克服這些障礙。

樹立數據驅動的人工智能戰略

考慮到人工智能總是需要大量的數據，最重要的是，采用人工智能的組織必須是數據驅動的。不出所料，缺乏數據是企業在充分發揮人工智能潛力的道路上必須面臨的最反復出現的問題之一。

如果公司的領導和關鍵員工缺乏數據技能，人工智能計劃很可能會失敗。如果員工不將數據驅動的方法應用到決策中，即使是專業構建的人工智能系統也無法充分發揮其潛力。

缺乏管理是人工智能實施過程中另一個普遍存在的錯誤。

通常情況下，人工智能需要在組織結構和戰略以及員工的心態和技能方面做出重大改變。簡單概括人工智能的應用成功的關鍵因素在于人。因此，將變革管理視為人工智能實現路線圖的核心部分，并確保公司領導人擁有必要的知識和動力，以培育以人工智能為中心的文化。

探尋有形的目標

雖然目標是任何項目成功的基本先決條件，但當涉及到人工智能的實施時，許多公司仍然無法清楚地確定它們。對人工智能項目的結果有明確的預期是很重要的。通常情況下，終端用戶不會積極參與人工智能項目，所以當技術團隊構建完美的人工智能系統時，他們提供的商業價值很少。這就是為什么從項目一開始就讓所有的涉眾都參與進來是至關重要的。

此外，人工智能項目通常會帶來無法準確衡量的價值。例如，提高員工滿意度或更好的客戶體驗比節省成本或時間更難跟蹤。或者，假設你構建了一個人工智能系統，以減少it部門對罰單進行分類的時間。首先，考慮到系統必須使用NLP來理解自由格式的文本，它不會是100%準確的，尤其是在開始階段。因此，您的團隊將需要確定允許的錯誤率，并在ROI計算中考慮該錯誤率。

假設一個人工智能系統錯誤地將這個票據識別為低優先級。這大大增加了ROI計算的復雜性，因為很難衡量這種情況的負面結果。

這就是為什么從能夠正確計算ROI預期的項目開始是至關重要的。例如，許多制造企業在應用于質量控制的人工智能項目上取得了經濟回報，因為它們的投資回報率相對容易衡量。

從小目標開始

雖然構建大規模AI系統很有誘惑力，但瞄準容易實現的目標通常是更有效的策略，尤其是在剛開始的時候。從機器人過程自動化(RPA)開始可能是個好主意，它往往比人工智能更經濟，并提供相對快速的ROI。RPA的實現是非侵入性的，這意味著它不會像許多AI解決方案那樣破壞(顛覆)傳統給系統的流程。

那些能夠速戰速勝的人工智能項目，也有助于證明更雄心勃勃的人工智能投資是合理的，并確保利益相關方在未來更加積極投入。

人工智能呼喚成熟，雖然這聽起來微不足道，但更成熟、更有經驗的公司更有可能從人工智能中獲益。這類公司往往已經建立了數據治理實踐、詳盡的培訓計劃、績效跟蹤系統和清晰的項目目標。這些是成功實施人工智能的公司與不成功的公司之間的關鍵區別。

考慮到項目成功率的波動性，人工智能比其他任何技術都更需要在關鍵管理領域打下堅實的基礎。公司跟蹤、測量和組織流程的程度通常與他們從人工智能中獲利的概率相關。