为了最大化AI的商业价值，AI团队需要具备广泛的技能和角色，从数据科学家和领域专家到战略决策者。
越来越多的企业在各个行业中采用AI来改造业务流程，但其项目成功与否不仅取决于数据和技术，还依赖于是否拥有合适的人员。
一个高效的企业AI团队是一个多元化的团队，不仅仅是由少数数据科学家和工程师组成。咨询公司Omdia的AI平台、分析和数据管理首席分析师Bradley Shimmin表示，成功的AI团队还需要包括一群了解企业及其需要解决问题的人员。
他说：“我们目前的技术和工具更多地倾向于赋能领域专家、业务用户或分析专业人员，让他们能够在企业中直接掌控AI。”
Acacia Advisors的AI总监Carlos Anchia也同意，AI的成功很大程度上依赖于建立一个多技能的全能团队，但这并非易事。
他说：“确定一个高效AI团队的构成看似简单，但当你仔细研究成功AI团队中每个人的具体职责时，很快就会发现建立这样的团队极其困难。”
随着GenAI的出现，项目已扩展到几乎所有企业活动的各个领域和职能部门，并有望对所有行业(不仅仅是科技公司)产生变革性影响，这意味着AI现在需要更多关键人才，拥有比以往更广泛的技能和责任。
IT咨询公司Insight的AI实践负责人Meagan Gentry表示：“我们看到企业在AI项目中增加了更多的多样性和复杂性，涵盖了内部和外部使用，这要求新的角色，通常设置在卓越中心或创新团队中，这些角色包括AI参与经理、AI治理战略师和LLM运营工程师，他们对于推出安全、可扩展且高投资回报率的GenAI应用至关重要。”
而且，这不仅仅涉及纯技术技能。
她补充说：“高管需要明确了解AI投资的表现，并且在投资或项目未达到预期效果时，能够迅速调整方向的可靠框架，同时，领导者还需要知道他们的团队是如何缓解风险的，比如安全和隐私漏洞、数据源的偏见和可信度，以及随着技术环境变化，系统架构的健壮性。跨学科角色支持这些活动，对成功至关重要。”
为了帮助你组建理想的AI团队，以下是当今管理良好的企业AI团队中常见的10个关键角色。
数据科学家
数据科学家是任何AI团队的核心，他们处理和分析数据，构建机器学习(ML)模型，并得出结论以改进已投入生产的模型。Meta的资深数据科学家Mark Eltsefon表示，数据科学家是产品分析师和业务分析师的结合体，外加一些ML知识。他解释道：“主要目标是理解对业务有重大影响的关键指标，收集数据分析可能的瓶颈，直观展示不同用户群体和指标，并提出各种解决方案来提升这些指标，包括制作解决方案的原型。”他还补充说，当为TikTok用户开发新功能时，如果没有数据科学的支持，无法判断该功能是利于用户还是疏远用户。“你不知道应该测试该功能多久，也不知道具体该测量什么，”他说，“而为了解决这些问题，你必须应用AI方法。”
ML和LLM运营工程师
数据科学家可能会构建AI和ML模型，但真正实现它们的是工程师。Insight的Gentry表示：“他们专注于ML和大语言模型(LLM)的运营方面，确保模型能够有效部署、监控和维护。”在GenAI领域，这可能包括将LLM功能集成到现有的企业系统中——这是一个变化极为迅速的技术领域。ML工程师的职责较为明确，因为它已经存在较长时间，但这一角色也在不断变化。
Persistent Systems的首席数据科学家Dattaraj Rao表示：“在GenAI时代，ML模型不一定由企业内部构建和托管。”在许多情况下，ML工程师的角色已经转变为从多个来源汇总数据，创建能够让LLM生成丰富内容的提示，通常是通过API调用实现的。
他还指出，数据架构技能非常紧缺，许多应用需要在向量数据库中处理非结构化数据，并扩展到处理数十亿行文本内容的规模。
“最后，不同的与LLM交互的方式展现出了潜力，比如反思、思维链和工具使用的模式，”他说，“这导致了代理和代理化工作流的出现。尽管代理化工作流趋向于自主运行，但ML工程师仍需设置连接，验证数据流是否正确，并设定评估标准，确保LLM调用的响应是准确的。”
AI提示工程师
提示工程师这个词汇在两年前甚至还不存在。如今，任何与技术相关的工作都需要具备一定的提示工程知识，了解如何提出问题，并意识到AI的局限性，但当GenAI被集成到企业系统时，提示工程变得更加复杂和技术化。一个提示需要包括所有相关的上下文信息，比如AI在回答时应扮演的角色、回答的风格、长度和格式，以及所有相关信息、限制条件等。提示工程师可能需要进行大量实验，找到每种用例的最佳提示，然后随着AI模型的发展不断调整这些提示。
数据工程师
数据工程师负责构建和维护组成企业数据基础设施的系统。信息技术服务公司SPR的CTO Matt Mead表示，在传统的机器学习中，大约80%的工作在于处理和准备数据。
他补充道：“传统ML需要大量数据，并且需要精通数学和统计的专家，但像大多数公司使用的大型语言模型这样的GenAI工具，不需要那么多数据，而且它们的学习速度非常快——有时只需要几个小时。”
部署预构建的聊天机器人、通过API集成简单的LLM查询、部署助手或使用像Salesforce这样的企业应用中的GenAI工具的公司，可能几乎不需要数据工程，然而，那些通过微调模型、使用RAG嵌入为AI提供最新信息或从零开始构建模型的公司，仍然需要训练数据以及管理数据的能力。
咨询公司Fesswise的所有者Erik Gfesser表示，数据工程师对AI项目至关重要，因为在进行任何可信赖的操作之前，数据需要被收集并调整为可供使用的状态。他指出，过去两年中这个角色变化不大，并补充道：“这一角色的重要性继续增加，没有数据工程师，AI项目将会停滞不前。”
领域专家
领域专家在特定行业或主题领域中拥有深厚的知识，他们是该领域的权威，能够评估可用数据的质量，并与AI项目的目标业务用户沟通，确保该项目具有现实世界的价值。
软件开发公司SpdLoad的CEO Max Babych表示，这些领域专家是必不可少的，因为开发AI系统的技术专家很少具备该系统旨在服务的实际领域的专业知识。“领域专家可以提供关键见解，帮助AI系统发挥最佳性能。”
当Babych的公司开发一种计算机视觉系统，用于替代LIDAR的自动驾驶物体识别时，项目一开始并没有领域专家。尽管研究证明系统有效，但SpdLoad并不知道的是，汽车品牌更倾向于LIDAR而非计算机视觉，因为LIDAR的可靠性已经得到证明，因此它们不会购买基于计算机视觉的产品。
他说：“首先要考虑商业模式，然后吸引领域专家来判断这种方式在你的行业中是否可行，只有在那之后，才开始讨论更技术层面的事情。”
此外，领域专家还可以在客户和AI团队之间发挥重要的沟通桥梁作用，iSchoolConnect教育科技平台的CTO Ashish Tulsankar表示。
“这个人可以与客户沟通，了解他们的需求，并向AI团队提供连续的指引，”他说，“领域专家还可以确保AI的实施符合伦理。”
AI设计师
AI设计师与开发人员合作，确保他们理解人类用户的需求，这个角色设想用户将如何与AI交互，并创建原型以展示新的AI功能的用例。AI设计师还确保在人类用户和AI系统之间建立信任，并确保AI通过用户反馈进行学习和改进。
咨询公司BCG的AI业务北美区高级合伙人兼总经理Shervin Khodabandeh表示：“企业在扩大AI规模时面临的困难之一是用户不了解解决方案、不认同或无法与其交互。”那些真正从AI中获得价值的企业，其成功秘诀在于他们正确处理了人类与AI的交互。
他解释道，BCG将其称为10-20-70法则，即10%的价值来自算法，20%来自技术和数据平台，而70%则来自业务整合，或将其与公司的战略结合到业务流程中。
“人类与AI的交互绝对是关键，它构成了那70%挑战中的很大一部分，”他表示，并补充道，AI设计师将在这一过程中助你一臂之力。
产品经理
产品经理的职责是识别客户需求，领导产品的开发和营销，并确保AI团队做出有益的战略决策。AI开发公司Nexocode的AI产品负责人Dorota Owczarek表示：“在AI团队中，产品经理负责理解如何利用AI解决客户问题，并将其转化为产品战略。”她最近参与了一个为制药行业开发基于AI的产品，该产品利用自然语言处理来支持对研究论文和文档的手动审查。
她表示：“该项目需要与数据科学家、ML工程师和数据工程师密切合作，以开发驱动产品所需的模型和算法。”
Owczarek在项目中的职责包括执行产品路线图、估算和控制预算，以及协调技术、用户体验和业务方面的合作。
她补充道：“在这个特定的项目中，由于业务利益相关者发起了项目，因此有一位能够确保满足他们需求的产品经理尤为重要，同时还需关注项目的整体目标。”AI产品经理不仅需要具备技术技能和商业头脑，还需能够与不同的团队和利益相关者紧密合作。“在大多数情况下，AI项目的成功将取决于业务、数据科学、ML工程和设计团队之间的协作。”
Owczarek还指出，AI产品经理需要理解与AI相关的伦理问题。“他们有责任制定内部流程和指南，确保公司的产品符合行业最佳实践。”
AI战略家
AI战略家需要理解公司在企业层面的运作方式，并与高管团队及外部利益相关者协调，确保公司拥有适当的基础设施和人才，能够为AI项目取得成功奠定基础。要成功，AI战略家必须对自己的业务领域有深入了解，并掌握ML的基础知识。EY Consulting的全球AI领导者Dan Diasio表示，他们还需要知道如何利用AI解决业务问题。
“几年前，技术是最难的部分，但现在我们需要重新构想如何调整业务流程，以充分利用我们创造的AI能力或资产，”他说，并补充道，AI战略家可以帮助公司以变革性的方式思考如何使用AI。“要改变公司做决策的方式，需要一个具备影响力和远见的人来推动这一过程。”
AI战略家还可以帮助企业获取所需的数据，以有效推动AI发展。“公司当前系统或数据仓库中的数据，只代表了它们在构建AI能力时所需数据的一小部分，”Diasio说，“战略家的角色之一就是展望未来，找出如何在不侵犯隐私的前提下获取和利用更多数据。”
AI治理战略家
GenAI的出现使其成为监管的重点。前几代AI带来了数据隐私和网络安全风险，但GenAI的潜在危害如此之大，以至于加州的一项AI“紧急停止开关”法案在提交至州长办公室后才被否决，尽管其他一些法案，比如监管深度伪造的法律，已经签署成法。此外，许多司法管辖区，包括欧盟，也在制定或已经实施相关法律。
但企业不仅需要关注新的法规。与版权问题相关的案件正在法院处理中，加拿大航空因其AI聊天机器人的错误推荐被判承担责任。此外，还有偏见、公平性和伦理问题——如果这些问题得不到妥善解决，可能会导致负面舆论、员工士气和留任率下降，以及市场份额的流失。为了解决这些问题，Insight的Gentry建议指派一位AI治理战略家，负责确保AI系统的开发和部署是负责任的，并制定AI使用的框架和政策，确保符合法规和伦理标准。
首席AI官
首席AI官是所有AI项目的主要决策者，负责向利益相关者和客户传达AI的商业价值。iSchoolConnect的Tulsankar表示：“决策者需要了解业务、业务机会和风险。”
此外，首席AI官应了解AI能够解决的用例，识别出能带来最大财务收益的领域，并向利益相关者清楚传达这些机会。
“他们还应规划这些机会的实现路径，逐步推进。”他说，“如果AI需要应用于多个客户或多个产品，首席AI官可以分解实施中不依赖特定客户和依赖特定客户的部分。”
随着GenAI的出现，首席AI官的角色也在不断演变。他补充道，“越来越强调加快AI技术的实施，以保持竞争优势。”
执行赞助人
执行赞助人是公司高管层的一员，积极参与确保AI项目得以实施，并负责为公司的AI项目筹集资金。EY Consulting的Diasio表示，执行领导层在推动AI项目成功方面发挥着重要作用。“公司最大的机遇通常出现在打破某些功能壁垒的地方。”
他解释道，例如，一家消费品制造商的研发、供应链、销售和市场营销都有各自的团队。“将AI应用于这些功能之间的整合，可以带来最大、最好的业务变革机会。”他说，“这需要来自CEO或公司高管层的强大领导力来推动这些变革。”
不幸的是，许多公司的高级管理层对AI的潜力了解不足，BCG的Khodabandeh表示。“他们对AI的理解非常有限，通常将其视为一个‘黑箱’。”他说，“他们把AI丢给数据科学家，却并不真正理解与AI协作所需的新工作方式。”
他补充道，对于许多公司来说，采用AI是一个巨大的文化变革，因为他们并不理解高效AI团队的运作方式、角色如何发挥作用或如何赋予这些角色权力。“对于99%的传统公司而言，采用AI是一个艰难的过程。”
