过早地孤掷一注
正如你无法在一夜之间建立数据文化一样，你也不应该期望分析项目会立即取得转型成功。成功的AI或机器学习计划需要人员、流程、技术方面的经验以及良好的基础设施支持，获得这些经验不是能一蹴而就的。在IBM的计算机Watson赢得Jeopardy比赛或DeepMind的AlphaGo击败人类围棋冠军之前，都经过了多年的协同努力。
许多AI项目之所以失败，是因为它们超出了企业的能力范围。这在企业尝试推出基于 AI 的新产品或业务线时尤其明显。从头开始构建某些东西涉及太多不稳定的部分，以至于难以成功。
正如Dirty Harry在 电影《紧急搜捕令》中所说，“人必须知道自己的极限”，这也适用于公司。大型企业每天做出无数的业务决策，这些决策可以通过AI和数据实现自动化。总体来说，利用AI来改善一些小决策可以提供更好的投资回报。与其押注长远的未来，企业不如从不那么吸引人、风险也不那么高的AI和机器学习领域开始投资，来改善现有工作流程。新闻发布室可能不会注意到，但会计师一定会有所感受。
即使你已经成功地使用AI做出数据驱动的决策，投资改进现有模型也会比着手开发新程序更好。2018 年，麦肯锡一份报告《更好模型的价值是什么?》表明，即使预测能力只有小幅的增长也能引发经济价值的巨大增长。
分析的组织结构不足
AI并不是一种能够立即带来投资回报的即插即用的技术。它需要改变整个企业的思维方式，并在内部机构上进行相应的改变。但通常，人们过度关注人才、工具和基础设施，而很少关注组织结构应该如何改变。
在高层的支持下，一些正式的组织结构，对于实现将传统的非分析型企业转变为数据驱动型组织所需的临界质量、动力和文化变革是必要的。这将需要新的角色、职责以及一个“卓越中心”。卓越中心 (COE) 采取的形式应取决于企业的具体情况。
一般来说，两院制模型似乎效果最好。其中，AI的核心职责是集中处理，而嵌入在各个业务部门的COE 像“卫星”一样负责协调交付。这种结构通常会增强业务部门之间的协调和同步性，也导致AI转型拥有更大共享所有权。
由首席分析官领导的COE 最适合处理这些职责，比如：开发教育和培训计划、创建AI流程库(数据科学方法论)、生成数据目录、构建成熟模型和评估项目绩效等。COE主要处理那些受益于规模经济的职责，还包括培养 AI 人才、与第三方数据提供商谈判、制定治理和技术标准以及培育内部的AI社区。
COE在各个业务部门的代表能够更好地提供培训、促进采用、帮助裁决经过AI增强的决策、维护实施、激励计划，并大致判断应该在何处、何时以及如何引入AI业务。COE的“SWAT 团队”可以在项目基础上增加业务部门代表。
作者：Steve Nunez
原文网址：https://www.infoworld.com/article/3639028/why-ai-investments-fail-to-deliver.html
