采用人工智能应用的18个障碍——独家调查和高管访谈(下)

障碍10:无员工使用政策

你知道你的员工已经在秘密地使用ChatGPT—无论你是否有员工使用政策。

已经发表的多项研究表明，财富500强公司的员工一直在秘密地在手机上使用公共ChatGPT(是的- 20美元的订阅可以了解你的所有数据！)

解决方案：与其让员工背着你，不如进行一次公开的对话，公布员工使用政策。

你甚至可以借此机会创建一个员工可以使用的工具列表。例如：ChatGPT For Teams于上周发布，并开始显示出出色的员工生产力提升(在相对安全的环境中-这意味着:这个工具不会对你的数据进行训练!)

障碍11：调整目标

做一个人工智能试点项目是很棒的，但同样重要的是事先决定人工智能试点的目标是什么。

出于某种原因，一些公司认为人工智能是牛奶和蜂蜜的土地。这会解决他们所有的问题。我经常听到“我希望AI能做鲍勃做的事”。

这就像试图去火星——在你能去杂货店之前。

记住：你正在采取“爬、走、跑、飞”的方法。

你可以建立一些指标，如降低成本、提高客户参与度和更好的潜在客户转换，以衡量人工智能的有效性。

解决方法：保持简单。如果目标是学习如何爬行，那么设定相应的期望。你不需要让项目在第一次尝试时就成功。开始行动会让你在竞争中领先。

不幸的是，“什么都不做”不是一个好的策略，你很可能不复存在。也许不是马上，但最终会的。

障碍12：没有AI冠军

实际上，我见过的每个AI飞行员都是从AI冠军开始的。相信我：到目前为止，我已经看到了成千上万成功的AI pilot。

所有成功AI项目的共同因素是：AI冠军。

这个人会穿墙而过，尽一切努力让人工智能试点成功。

我最喜欢的人工智能冠军是一个在顶级学区的IT部门工作的人(姓名保密!)从历史上看，这个行业在任何技术上都是最慢的。然而，这位AI冠军克服了所有障碍(法律、采购、恐惧等)，成功部署了AI试点。

解决方案：如果需要的话，组建一支由AI冠军组成的“老虎队”。

障碍13：我们不知道从哪里开始

随着人工智能的混乱，每个人现在都声称自己是“人工智能”。几乎没有人工智能组件的软件突然将自己重新定位为人工智能产品，并将域名改为.AI

这样做的结果是：它会让你的团队对AI飞行员的最佳起点产生困惑。

当出现混乱时，人们就会僵住！(又名：“车灯下的鹿问题”)

解决方案：使用WINS框架（https://hbr.org/2023/09/where-should-your-company-start-with-genai?ab=hero-subleft-1），看看哪个用例是“In the Crucible”

障碍14：我们需要Nvidia h100吗？

几个月前，Bloomberg决定斥资1亿美元建立自己的LLM。上周有消息称，GPT-4在大多数金融任务上都胜过了它。

所以基本上，Bloomberg花了1亿美元做的事情，你和我只花了1美元。

这里要吸取的主要教训是：你真的真的需要开始为人工智能的基础设施投入资金吗？或者你可以搭载别人的硬件和软件。

特别是：你能不能只依靠OpenAI API或使用RAG SaaS——而不是投资基础设施和重新创建软件(你没有核心竞争力！)

另一个例子：上周，我听说另一家公司在Azure云中花费了50万美元来创建一个RAG管道。虽然从技术上讲，这是必要的，但这绝对是最后的手段——在确定这是一条你想走的路之后。

解决方案：在投资基础设施之前，利用SaaS api。

障碍15：我们不相信AI

人工智能作为一项新技术，有一些人持怀疑态度。很难让普通员工相信他们以前没有经历过的事情。

这是人类的自然倾向。事实上，我必须承认：我花了一段时间才用上Twitter和Whatsapp。

旁白：我是在一次去印度的旅行后才开始使用Whatsapp的，当时我叔叔问我：“你最近怎么样？”

记住：人们是在ChatGPT推出并震惊世界之后才意识到人工智能的。世界需要冠军和英雄案例研究。

你的公司也不例外，除非你的公司在最初的人工智能项目上尝到了一些成功的滋味，否则没有人会相信它。

解决方案：简单地开始，让你的AI冠军和AI飞行员成为英雄。

因此，首先是让员工相信——即使是一点点的相信。

我最喜欢的一个案例是一家公司为客户支持人员部署了一个内部聊天机器人。几天之内，员工的工作效率飙升，“解决问题的时间”大幅缩短。这一“胜利”随后改变了公司的整体部署。

障碍16：我们的员工对人工智能一无所知

最近我和一家财富1000强公司的员工通了电话，对方问我：“LLM是什么？”

这个人负责在他的公司部署一个AI pilot。

我明白：人工智能并不是每家公司最重要的东西。我明白了，不是每个人都像我们一样呼吸和睡觉。

解决方案：投资人工智能培训。

你可以创建培训计划，包括新员工的入职培训和现有员工的持续教育。它不需要非常复杂。

即使让内部提示专家为同事做演示也会产生巨大的影响。

而且它不需要很贵。我确保每个员工从第一天起就拥有ChatGPT Plus(20美元订阅)。一旦他们玩过了，我就会给他们一些提示技巧的训练，比如“思维链”。

忍者技巧：作为一家初创公司，我给我的员工报销津贴，让他们在Fiverr上雇佣敏捷的工程师，以获得他们需要的提示和工作流程。

障碍17：我们没有AI的kpi

虽然评估人工智能还处于早期阶段，但大多数公司都是基于kpi运行的，所以从一开始就定义它们是很重要的。

它不需要是复杂的kpi……它可以是简单的kpi，如使用率、查询/员工数量、监控聊天记录等。

如果你部署的是面向公众的客户服务机器人，你可以定义kpi，比如“票证偏差”或“解决时间”的减少。聊天机器人得到的使用越多，对于这种面向客户的用例就越好。

解决方案：想想用什么指标来定义“成功”。

最近，我的一位首席营销官告诉我：“我不知道确切的数字，但我们的门票数量大幅下降。我们对此感到非常高兴，现在我们正在尽可能地部署人工智能。”

所以基本上：定向数据是好的——你不需要确切的数字——但至少要知道你在优化什么。

另一个原因是：当决定你的人工智能试点是否要全面部署时，首席财务官会询问有关预期投资回报率的问题。

障碍18：抗拒改变

当涉及到像人工智能这样的新事物时，人们和组织往往会犹豫不决。这就像当你习惯了一种做事的方式，突然，有人建议一种全新的方式——这可能会让你感到不舒服和害怕。

这就是我们所说的“抗拒改变”。

造成这种情况的因素有很多：

• 对未知的恐惧：人们通常喜欢他们知道的东西。引入人工智能就像走进了一个黑暗的房间。里面有什么？它会变得更好，还是会让事情变得更难？
• 担心工作：一个很大的担忧是人工智能可能会取代工作。就像机器人开始在工厂工作一样，人们担心自己会失业。
• 不信任人工智能：有时候，人们不信任人工智能是因为很难理解机器如何做出明智的决定。这就像信任一个机器人来照顾你的弟弟——你会觉得舒服吗？
• 对现状满意：如果一切都很好，为什么要改变它？这是很多企业的想法。转向人工智能系统似乎是不必要的，而且需要付出太多的努力。

事实上，学习实验室的一位与会者表示：“我的客户担心人工智能太好了——因此有人担心这将对人力资本产生什么影响。”

解决方案：将人工智能展示为生产力的增强者，而不是人类的替代品。从小型人工智能项目开始，并展示它们如何提供帮助。

调查1：GenAI Insights学习实验室调查

2024年1月进行的一项研究调查了与大公司合作的人工智能顾问，以确定采用新技术的主要进入障碍。主要障碍是缺乏安全协议，紧随其后的是技术基础设施的限制、问题识别的困难以及员工培训的缺乏——根据人工智能顾问的说法，这些障碍并列第二。

调查2：网络人工智能准备评估

第二项调查对135名专业人士进行了调查，主要来自教育、技术和金融领域，了解他们的组织是否准备好采用人工智能。受访者表示，降低成本和提高客户满意度是实施人工智能解决方案的主要动力。

两项调查的主要发现

随着企业在复杂的人工智能领域中导航，他们遇到了许多阻碍采用人工智能的障碍。采用人工智能的过程充满了技术和运营障碍，每个障碍都需要仔细考虑和战略管理。

以下是组织在此过程中面临的主要挑战：

• 应对隐私和合规性的复杂性——保持人工智能计划符合不断变化的有关数据隐私和道德人工智能的法规，仍然是采用人工智能的最大挑战。
• 缺乏战略性的人工智能框架——许多组织很难将人工智能项目与总体业务目标和战略结合起来。
• 孤立的数据基础设施——数据管道、格式和治理不足严重限制了人工智能的潜力。
• 人工智能与遗留系统的集成——人工智能与根深蒂固的平台和工作流的紧密耦合会导致瓶颈。
• 人工智能投资的财务不确定性——由于投资回报率不明确，许多公司发现很难证明人工智能的大规模预算是合理的。
• 人工智能人才短缺和现有员工的培训——围绕招聘专家人工智能从业者和研究人员的激烈竞争已经形成。

适合视觉学习者

这是学习实验室的完整录音：https://youtu.be/uLNAM3ZvyTM

人工智能工具的影子使用会带来风险

ChatGPT推出14个月后，许多公司继续阻止员工使用人工智能工具，但OpenAI的网络数据显示，80%的财富500强公司的员工在工作中使用ChatGPT。

在允许使用人工智能工具的公司中，员工自己授权使用人工智能工具通常不会得到报销。缺乏官方的人工智能使用政策增加了那些未经适当数据安全实践培训的人错误处理敏感企业数据的风险。

通过了解这些综合的技术和非技术挑战，公司可以定制他们采用人工智能的方法，确保他们能够更好地解决这些问题并成功利用人工智能。

评估你的组织的人工智能准备得分

这个数据驱动的评估工具定量地评估你在关键领域的业务，如战略、数据管理、技术基础设施、人才库和治理。

开始评估

链接：https://totheweb.com/learning_center/ai-readiness-assessment-for-enterprise-leaders/

通过对现有流程进行评分，记分卡不仅突出了你的优势，还指出了需要改进的地方。通过清晰地了解组织的差距，你可以驱动你的AI路线图并优先考虑缩小这些差距的努力。

感谢阅读，希望你喜欢这篇文章。你还可以订阅我们的YouTube频道，观看大量大数据行业相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：Alden Do Rosario
翻译作者：文杰
美工编辑：过儿
校对审稿：Jason
原文链接：https://pub.towardsai.net/18-roadblocks-and-solutions-to-ai-adoption-in-companies-d8306591a44b