[[441161]]

根據Gartner最近兩份報告顯示，85%的AI和機器學習項目未能交付，只有53%的項目能夠完成從原型到生產的過程。然而，同樣的報告表明，對于AI的投資幾乎沒有放緩的跡象，許多企業反而計劃增加投資。

只要有一些常識性的商業思維，許多失敗是可以避免的。但是，投資具有強大的驅動力，比如：FOMO(害怕錯過);在有龐大營銷預算的AI公司中，存在夸張不實的風險投資泡沫;以及在某種程度上認識到，利用AI驅動的決策和向數據驅動企業邁進，投資是非常必要的。

與其將AI或機器學習項目視為一次性成功，例如，升級數據庫或采用新的CRM系統。不如將AI視為一種老式的資本投資，類似于制造商會評判投資購買一臺昂貴的機器是否合理。

制造商不會像許多企業看待AI和機器學習那樣，將機器視為新奇的新玩具。每個采購決策都會考慮到新產品或改進產品的占地面積、備件、維護、員工培訓、產品設計以及營銷和分銷渠道。在企業采用新的AI或機器學習系統時，也應該有同樣的考量。

以下是企業在投資AI和機器學習時常犯的六個錯誤。

本末倒置

在不知道要回答的問題是什么的情況下，就分析計劃方案會令人失望。特別是在有眾多干擾的情況下，你的注意力很容易從關鍵問題上移開。自動駕駛汽車、人臉識別、無人駕駛飛機等都是現代化的奇跡，人們想要嘗試做這些新奇的事物是很自然的，但是不要忽視AI和機器學習帶來的核心商業價值，這樣才能做出更好的決策。

借助數據做決策并不新鮮。R.A. Fischer 可以說是世界上第一位“數據科學家”，1926 年，他在論文《現場實驗的安排》(PDF)中用10頁短篇概述了制定數據驅動決策的要點。運籌學、六西格瑪管理法以及像Edwards Deming 等統計學家的工作說明了，參照利用統計計算的限值作為量化變量的方法去分析數據的重要性。

簡而言之，你應該從開始就將AI和機器學習視為改進現有業務流程的一種方式，而不是一個新商機。首先分析流程中的決策點，并問自己：“如果我們可以將這個決策改進x %，它會對我們的結果產生什么影響?”

忽視組織上的變革

實施變革管理的困難是造成AI項目整體失敗的一個重要原因。不少研究都表明，大多數轉型項目失敗，技術、模型和數據只是一部分原因，同樣重要的是數據優先的員工心態，事實上，員工心態的轉變可能比AI本身更重要。具有數據驅動思維的企業使用電子制表也可以同樣有效率。

AI計劃邁向成功的第一步是建立信任，即數據驅動的決策優于直覺或傳統。因為，業務線經理或高管人員固守己見，缺乏對數據的信任，或拒絕將決策權交給數據分析過程，導致平民數據分析師的努力大多以失敗告終。結果，相比業務轉型，人們反而對一些很基礎的分析活動以及許多自上而下的計劃進行了更多涉獵，產生了好奇和重建的想法。

我們仍然有一線希望，那就是企業變革和其中涉及的問題已經得到了廣泛研究。企業變革是對執行團隊奮斗精神的考驗。它不能通過從上面下達命令來實現。它需要人們溫和地、巧妙地、甚至是緩慢地改變思想和態度，并且認識到每個人在推動目標行動時都會做出不同的反應。一般來說，溝通、以身作則、參與和持續改進這四點很關鍵，它們與決策管理過程直接相關。

鑒于數據驅動的決策通常違反直覺，所以改變AI領域的企業文化非常具有挑戰性。建立數據驅動決策優于直覺或傳統的信任，需要一種被稱為“生理安全”的要素，只有最具前瞻性的領導團隊才能掌握。有一個首字母縮寫詞——ITAAP被人反復提及，意思是“一切都與人有關”。一個成功的項目通常會將超過 50% 的預算用于變革管理，我認為它應該接近 60%。因為，還有額外的10%給到首席人力資源官辦公室去做項目特定人員的分析計劃。

作者：Steve Nunez

原文網址：

https://www.infoworld.com/article/3639028/why-ai-investments-fail-to-deliver.html