像其他CIO一样，Katrina Redmond面临着部署AI的众多机会，这些AI承诺加速业务和运营流程，并优化工作流程。“每个人都在争相应用这种发展迅速的技术，但如果没有业务成果，这一切都毫无意义。”电力管理系统制造商Eaton公司的CIO Redmond说，“我们需要继续关注业务成果，并应用那些有意义的用例。”
一些潜在的项目需要使用大型语言模型（LLM）进行定制开发，但其他项目只需切换开关以启动企业软件中的新AI功能。“AI出现在每个软件包和每项技术中，尤其是生成式AI，”EY全球AI咨询负责人Dan Diasio说，而一些供应商，如微软，已将AI作为其软件的核心。
为了跟上步伐，Redmond成立了一个指导委员会，根据业务目标确定机会，并将一长串的潜在项目缩减到大约十几个，涵盖从库存和供应链管理到销售预测等领域。“我们不想只是追求下一个亮眼的目标，”她说。“我们希望保持纪律并深入研究。”
康涅狄格州Webster银行的CIO Vikram Nafde表示，要想成功，AI概念验证（PoC）项目还需要具有良好的商业意义。“实施和运行AI模型的成本可能相当高，因此在评估AI用例的商业价值时必须非常谨慎，”他说。“这涉及对每个AI项目的潜在收益、风险和成本进行严格评估，以确保投资是审慎的，并符合我们的风险回报特征。”
初步积极结果
在Eaton，一些PoC已经开始产生结果，他们已经使用AI在全球70多个ERP系统之间整合信息。Redmond的团队在软件开发商Palantir Technologies的帮助下开发了一个模型，该模型整合并清洗了这些系统的数据，然后对其进行分析，向决策者提供洞察——以及相当复杂的建议。
例如，如果一个业务单元的生产缺少用于完成装配订单的八英寸钢棒，而业务的另一个区域手头有十英寸的钢棒，AI可能会建议使用较长的钢棒并将其切割以赶上交货期限。“人类会审查它以确保这是有意义的，如果是，AI就会将其纳入学习模型，”她说。该项目仍处于Redmond所称的“价值主张阶段”，已经为公司的电气业务带来了积极结果。“准时交付有了显著改善，”她说。
Webster银行正在遵循类似的策略。“我们建立了一个由技术、架构、数据、安全、法律、风险和审计的代表组成的AI工作小组，其中包括技术实践者和业务用户，以制定AI使用最佳实践和治理框架，”Nafde说。该银行还在考虑使用AI帮助简化内部运营和提高效率，包括构建专门针对业务需求的定制模型。例如，它正在尝试使用生成式AI自动阅读企业客户的财务报表，以评估贷款申请。
“这里的团队必须阅读和理解大量的财务信息，而且几乎从不采用标准格式，”他说。“生成式AI可以阅读和提取所需信息，并为人类进行总结。”到目前为止，他说，“我们认为这是一个很好的用例。它可以更快、更准确，使团队更具生产力。”
礼来公司也处于采用和整合AI到业务前沿。“我们发现AI可以帮助几乎每个领域简化工作量并推进我们的研发，”执行副总裁兼首席信息和数字官Diogo Rau说。
目前，生成式AI通过创建前所未有的分子并分析其在新药开发中的潜力，以帮助新药开发。Rau说，它将多年的工作压缩为数月——有时甚至是数天。礼来还开发了一种AI工具，用于管理和解释治疗设备的患者数据，并使用专有的“传感器云”提高药物的安全性和有效性。此外，它还使用生成式AI自动开发软件的初步版本，以生产支持临床试验的文档，并创建用于监管提交的材料。
生产是另一个受益于AI的领域。“在礼来的工厂，我们利用复杂的算法和模型、自动导引车、全自动仓库、机器人和高度自动化的生产设备，以增加和加速我们的药物生产，”Rau说。
合作关系至关重要
为了为AI项目创建PoC，像Eaton的Redmond这样的CIO正在求助于值得信赖的合作伙伴。“这是必要的，因为我们没有大量的AI资源，而你需要一个模型来开始，”她说。“一开始这是一个很好的加速器。”但是，她补充说，随着项目投入生产，让你的内部团队提高学习曲线以降低成本也很重要。
Webster银行尽可能利用像微软和AWS这样的超级计算公司，并让银行自己的专家技术人员构建对其需求最重要的内容，同时尽量减少对顾问的依赖。“这样，我们就不必在构建和持续支持上花费昂贵的承包商费用，”Nafde说。
成功的PoC并不保证成功：利益相关者需要对其信任。例如，在Eaton，一个基于AI的销售预测工具有潜力大幅提高生产力。目前，所有财务和销售团队需要数月和成千上万的工时来回顾历史信息，将其与新的销售预测数据结合，并创建预测。现在，Redmond说，“AI模型可以潜在地为你完成这些工作。”
Eaton的预测PoC项目，在去年第四季度运行，至少和目前的方法一样准确，她补充说，如果不是更准确的话。“这肯定比我们现在花费成千上万小时工作的做法更好，”她说。问题是人们是否愿意信任技术，足以放弃自己完成工作。“在让人们舒适地放手这一点上，我们还没达到那里，”她解释说。“我们仍处于‘信任但验证’阶段。”
另一个可能导致AI信任问题的原因——无论是在IT内部还是外部——是模型如黑箱般的性质，无法确切理解输出是如何确定的。“而且，首次使用生成式AI时，我们正在与非确定性的技术合作；它不是二元的，”Genpact的首席数字策略师Sanjay Srivastava说。“例如，使用生成式AI时，你可能得到一个回答，表示94%的时间是正确的，这意味着它需要一些监督或增强。”
“这些工具非常强大，有时却令人信服地错误，”EY的Diasio说。不幸的是，人们有自动驾驶的倾向。人类需要使用这些工具并详细审查输出。“你需要为此规划时间，”他说。
Srivastava说，大多数项目保留人类进行最终决策，但后续行动至关重要。“如何在连续循环中从数据到洞察到行动？”他问。“这是人们未能获得经济成果的首要原因。”
数据准备很重要，除非……
在供应链和分析等领域，将所有数据准备好，随时可供AI模型使用是至关重要的。“数据是AI成功的关键，”Nafde说。“在AI策略之前先从数据策略开始，并使你的AI策略与你的业务策略保持一致。”
Diasio同意。“确保你拥有的数据能被AI系统发现，这可能意味着使用生成式AI构建丰富的目录，或者在结构化数据之上构建本体，”他说。“在许多情况下，使用AI简化这些工作量可以显著提高生产力。在我们观察到的一些数据迁移活动中，各个步骤的效率提高了40%，速度也有所提升。”
礼来已经在使用AI工具加速摄取和清洁用于训练和微调其制药模型的数据，Rau说，Genpact也使用AI准备其数据供其AI模型消费。“我们拥有大量数据，其中三分之二是非结构化的，”Srivastava说。“你可以使用生成式AI在你的数据之上自动构建一个语义层。你需要理解数据位于哪里，它如何与其他东西关联，数据的质量如何，血统是什么，以及它在哪里被使用。”
这项工作很困难，需要高度熟练的人才，这就是为什么许多企业会引入合作伙伴来帮助完成这项工作。但AI可以为你自动创建那个语义层。它不是完美的，但它可能让你达到80%，Srivastava说。
然而，Diasio表示，你不总是需要组织内部数据来利用AI。“例如，使用市场上可获得的预训练模型和生成式AI，像产品开发这样的创造性任务，或像联系中心转录这样的概要任务，在适当的上下文环境和巧妙的提示下可能会有效地开箱即用，”他说。“这可以帮助公司加速AI的使用，同时他们继续策划他们的内部数据并收获他们的专业知识。”
在启用AI功能前确保其适用性
“CIO应该投资于新的或升级现有的CRM、物联网、ITSM和商业智能工具，这些工具包括AI/ML功能，”IDC的研究副总裁Jevin Jensen说。“当你从现有的现成供应商那里选择一个已经增加了AI功能的软件解决方案时，价值实现的时间将大大缩短。”你可能只需要打开该功能或添加插件。他说，只需检查确保你可以选择退出让你的数据用于训练供应商的模型。
虽然Salesforce和ServiceNow等企业软件中的新AI功能承诺提供大量的工作流程生产力好处，但你不应该在完全理解它们如何适应你的工作流程之前就启用它们。“我们最近与ServiceNow进行了深入研讨，讨论如何使用智能预测、虚拟聊天和其他功能与我们的业务战略保持一致，”Nafde说。例如，银行的虚拟聊天功能包括几十个用例。有些可能可以开箱即用，有些需要定制，有些则不适用。“我们需要决定哪些功能将是有用的，”他说。
Eaton已经在ServiceNow中启用了一些AI功能，到目前为止结果令人鼓舞。“从案例管理的角度来看，它很有帮助，找到我们可以改进的缺陷线索，找到根本原因，并提供可以减少案例数量的解决方案，”Redmond说。
然而，企业软件中嵌入的AI的难题在于，它可能今天还没有为你的组织的需求提供引人注目的解决方案。在这种情况下，尤其是面临竞争压力的CIO可能会发现自己处于两难境地：“你应该等待你的业务线应用供应商纳入AI，并在等待供应商构建它的同时牺牲上市时间，还是应该构建自己的企业架构策略，你有自己的定制实施和围绕它的基础设施，但它昂贵且需要持续投资？”Srivastava问道。“这就是挑战所在。”
礼来还在其IT运营中利用AIOps能力。AI工具包括一个事故检测和响应系统，能够迅速检测异常，预测潜在问题以防止它们升级，确定故障的根本原因，并评估技术问题对业务的影响。“例如，如果订单处理系统经历延迟，AIOps可以量化对收入和客户满意度的影响，”Rau说。这使团队能够优先解决最关键的问题，并更快地解决。
应该做什么和不应该做什么
尽管Webster Bank在AI之旅的初期阶段，Nafde已经学到了一些东西：整理你的数据。将你的AI策略与你的业务战略对齐。在开始前就确定正确的关键绩效指标(KPI)。然后从小处开始，展示价值证明，逐步扩展，并在每一步与利益相关者进行教育和沟通，他说。
同样重要的是合作起步，但要通过工具和专业知识建立你的团队，以开发和维护新的AI能力。同时，不要低估建立信任的需要。“保持你的信息传递领先，”他说。“期望会有怀疑者，做好市政厅会议，让领导者介入。”毕竟，当引入新技术时，很多人会感到恐惧和普遍不愿接受变化。“这里的挑战不仅仅是关于AI，”他补充道。“这是一个经典的变革管理问题。”
Redmond补充说，要有策略并限制你承担的项目数量。“专注于少数几件事情并深入研究，”她说。找到可信赖的合作伙伴来帮助你开始，并利用你的SaaS供应商已经引入其产品中的AI能力——当这些能力有意义的时候。她补充说，不要忽视你的生态系统中已有的资源。
“文化很重要，”Rau补充说。“变革很艰难，所以CIO需要通过展示你所期望的创新和开放思维行为，以及创造一个鼓励围绕AI进行学习和创新的环境，来引领文化转变。我们最大的风险是如果我们的员工没有充分利用AI。”
Redmond表示，像让利益相关者使用它直到他们适应新技术这样的胜利会极大增加信心。“这会降低恐惧因素，”她说。
