为什么人工智能计划会失败

人工智能计划失败的原因有很多。一个原因是人工智能尚未被理解透彻。包括人工智能的本质、现状及其能力、所代表的价值、人工智能成功的必备条件、人工智能炒作与现实之间的差异、人工智能与其他分析技术相比的差异和独特优势、人工智能和机器学习之间的差异等，真正理解这些问题的高管和经理很少。人工智能可以为公司、客户、用户及员工带来巨大的利益，但这些利益并不总是那么显而易见。受众也不清楚需要什么数据和技术，花费多长时间，投入多少成本，以及如何权衡利弊。衡量所构建的人工智能解决方案成功与否也并不容易。

公司也可能没有领导数据和高级分析的“合适”组织或者人才。人工智能是一个技术性非常强的专业领域，在管理层和高级分析专家之间需要翻译，而在软件环境中该职责通常由业务分析师和产品经理承担。像高管一样，他们之中理解人工智能的人也很少，因此产生了以数据为中心版本的新角色（例如数据产品经理），该角色相对较新而且人才稀缺。此外，由于公司内部的数据组织还处于相对幼稚的阶段，因此现实世界中的数据组织结构（如领导、报告、职能协调）乱七八糟。最重要的是，可能没有优化这些数据的组织结构来促进人工智能计划的内部采用、协调和理解，更无法在一般情况下成功交付人工智能项目（例如角色、职责、资源）了。

在考虑技术投入时，高管们对项目的最终结果、成本、实现价值的时间、投资回报率、风险控制与管理（例如偏见、缺乏包容性、缺乏消费者的信任、数据隐私和安全性）以及是自建还是外购都要有充分的理解。与数字化转型相关的传统技术投入（例如构建移动应用或数据仓库）不同，人工智能更多地被认为是科学创新，这暗示存在类似研发活动的内在不确定性。

人工智能是以统计学和概率论为基础的领域，在最新技术和潜在应用方面都在迅速发展。人工智能可能无法避免一定程度的不确定性。对此不理解或不能正确地设定期望值是项目失败的另一个潜在原因。因此，不要以敏捷和精益的方式去推动人工智能项目，而要适当地尊重人工智能的探索性和实验性。对项目进行适当的评估应作为专门针对人工智能特点和潜在挑战而采用的更广泛方法的一部分。AIPB框架旨在帮助企业解决和避免潜在的失败点，并且最大限度地利用人工智能取得成功。

最后，构建成功的人工智能解决方案，使人们在企业之外受益，这需要知道人们的需求和想法，以及如何设计优秀的产品和良好的用户体验，因为其中许多成分同样也可用于做出好的人工智能解决方案。从根本上讲，与其他的选择相比，人们使用的产品和服务更有用、更令人愉快，也能带来良好的体验。能够实现所有这些的人工智能解决方案将获得成功，而那些只聚焦于其中一种成分的人工智能解决方案则可能会失败。