高管们热情拥抱人工智能，认为AI是组织的首要任务
如今，高管们热情地拥抱人工智能，绝大多数人表示AI是他们组织的首要任务。
多项CEO调查证实了这一评估。例如，波士顿咨询集团的一份报告《从潜力到利润：GenAI的应用》发现，89%的高管将AI和生成性AI列为2024年的前三大技术优先事项。
然而，大多数公司在将AI项目转化为成功方面面临挑战。同一份BCG报告指出，“66%的领导者对AI和生成性AI的进展感到模棱两可或不满意。”
与此同时，非营利研究机构RAND的一份关于AI项目失败根本原因的报告指出，估计有80%的AI项目失败——这一失败率是传统IT项目的两倍。
AI项目失败可能意味着对技术的投资超过了实际回报，AI工具的错误率高于组织所能容忍的水平，或者工具未被员工使用，原因可能是他们不知道如何使用或不信任它，项目管理协会（PMI）Cognilytica的全球负责人和总经理Kathleen Walch表示，该机构提供AI和数据最佳实践的培训和认证。
无论失败背后的原因是什么，这一高失败率导致了对AI，尤其是生成性AI的幻灭，因为高管们发现AI的炒作并没有达到他们的期望。
此外，Walch表示，这些高失败率表明组织需要微调其管理AI项目的策略，以确保成功。
AI项目在范围、数据需求和成功指标上与许多传统IT项目不同。
AI项目与传统项目有何不同？
AI项目与其他IT项目有许多相似之处。主要是，它们都利用技术来改善现有的业务能力、功能或流程，或启用全新的能力。
然而，AI项目与采用传统技术的项目不同，这些差异源于AI的独特特性。
- 复杂性。首先，AI项目不仅涉及AI算法，还涉及其他技术组件。这通常增加了比许多其他传统技术实施更多的复杂性，管理咨询公司Protiviti的全球AI负责人Christine Livingston表示。“不仅仅是AI提供价值；而是AI与其他技术协同工作。正是AI加上其他技术使解决方案得以实现，”她解释道。
- 数据中心。AI项目也是数据项目——这是将它们与许多（但并非所有）传统项目区分开的另一个特征，IT咨询公司Ensono的首席技术官Tim Beerman表示。“你可以在没有数据的情况下完成很多IT项目。但即使你有一个定义明确且没有问题的AI项目，如果数据出现问题，它也会失败，”他说。
- 迭代性。另一个区别：AI项目需要持续监控准确性，并进行不断的训练、测试和调整。AI项目本质上是迭代的，而这在许多其他技术实施中并不常见，Livingston表示。
- 影响力。尽管这些差异可能很显著，但AI与更传统技术项目之间最显著的区别在于AI倡议可能产生的影响，Beerman表示。“在IT项目中，我们通常旨在提高效率。但在AI中，你可以完全不同地处理一个问题，”他说。换句话说，传统项目通常专注于改善一个流程，而AI可以完全颠覆该流程。
AI项目管理的挑战
与任何倡议一样，AI项目通常伴随着一系列挑战。尽管每个项目会面临独特的障碍，但许多AI项目面临以下共同问题：
- 膨胀和不切实际的期望。“人们对AI有自己的先入之见和期望，往往是非常膨胀的，”Livingston说。人们常常认为他们可以“随便将AI应用于一个问题，结果就会很好。”
- 缺乏高质量的数据。要准确运行，AI需要在足够的高质量数据上进行训练。所需数据的数量和质量取决于AI的应用方式，数字转型解决方案公司UST的首席AI架构师Adnan Masood解释道。例如，高风险AI系统（影响生命或安全的系统）需要极高数量的高质量数据，以确保最高的准确性。用于影响较小原因的AI对数据质量和数量的要求较低，因为对不准确的容忍度更高。
- 大规模的AI实施。组织可以迅速推出AI用例原型，特别是生成性AI原型，因为这样的概念验证小且易于管理，Livingston说。但当组织在大规模应用这些新AI工具时，他们通常会在构建所需基础设施以及监控大规模AI部署的准确性、无意偏见和伦理使用方面遇到困难。他们还难以控制与基础设施相关的成本，特别是云计算支出。“如果他们没有考虑到大规模实施的策略，额外的云支出可能会达到数十万美元，”Livingston补充道。研究证实了这一观察。例如，Gartner预测到2025年底，30%的生成性AI项目将在概念验证后被放弃。
- 没有项目结束日期。“AI没有‘设定后就忘'的概念，”Walch说。“存在模型和数据漂移以及影响性能的数据变化，因此我们需要确保重新训练我们的模型，以便它们按预期运行。”
- 用户采纳。许多组织在让用户采用新技术以完成任务方面面临挑战。但在实施AI时，他们可能会遇到更大的障碍，因为“这不仅仅是采用新技术，”Masood说。“AI重塑工作流程，重新定义人们的角色，因此存在工作流失的恐惧。”
- 缺乏可用技能。根据软件公司Confluent在其《2024数据流报告》中对受访者的调查，65%的人认为缺乏与AI相关的技能是一个主要问题或频繁挑战。
有效管理AI项目的12个步骤
尽管对使用AI辅助项目管理的兴趣很大，但项目经理和AI专家强调需要将经过验证的项目管理工具和最佳实践以及特定于AI的策略应用于AI倡议。它们包括以下15个步骤。
1. 设定现实期望
项目领导者应首先了解“AI能做什么，不能做什么，”Livingston说。然后，他们应教育其他利益相关者，以便他们对AI能够为其组织提供的好处以及所需的资源和时间有现实的期望。
2. 建立和完善数据计划
许多组织尚未创建成熟的数据计划，缺乏确保在正确的时间提供正确数量、正确质量水平的数据的基础设施、实践、流程和治理。根据S&P Global Market Intelligence的《2024全球AI趋势报告》，约35%的受访者认为存储和数据管理是阻碍AI部署的主要基础设施问题。
鉴于AI在没有足够高质量数据的情况下无法工作，Walch表示，她建议项目领导者“确保了解数据需求，包括数据来源、如何访问这些数据以及这些数据的状态。”
3. 专注于商业目标，而不是AI本身
围绕AI的炒作使一些高管过于关注技术，而忽视了技术所能让他们做的事情，Masood说。他警告不要陷入这个陷阱，组织应首先识别待解决的问题或待追求的机会，然后确定AI是否以及如何解决这些问题。
“从商业角度看待。思考[你在哪里]效率低下，或者在哪里……你可以做得更好。这就是AI将改善的机会差距，”Masood建议。换句话说，确保AI项目的目标与组织的目标一致。
4. 确定合适的模型
AI一词通常包括所有类型的智能技术，包括经典人工智能、生成性AI、机器学习、深度学习、神经网络等。虽然许多人可能将AI作为所有这些的代名词，但各种类型的AI并不相同，也不可互换。
AI项目领导者必须确定哪种方法最适合解决所面临的商业需求，并考虑AI模型的使用场景——例如，边缘计算与云计算——Walch说。“这对于确保其按预期工作至关重要，”她补充道。
Luv Tulsidas, 《快速失败的秘密：成功更快的10个秘诀》（Innovation Done Right）的作者和为企业构建AI解决方案的Techolution创始人表示，大多数组织应该选择特定用途的AI，以满足其特定的商业需求，仅需进行微调。他表示，这比尝试将通用AI调整为自己的需求要好——这将是“一条漫长、昂贵的旅程，需要大量技能，而成功的概率仍然很低。”
5. 规划转型
正如Beerman所指出的，AI是一种变革性技术，而不仅仅是效率的促进者。因此，他表示，组织应赋能利益相关者和项目团队成员，使他们具备识别机会以全面转型流程和产品所需的技能和资源。
组织还需要为AI驱动的工作场所做好准备，在这里不仅工作流程发生变化，还有全新的工作流程，需要员工具备新技能并执行新任务。
“这不仅仅是变更管理。这是重组。你需要培训员工使用这些AI工具，以不同的方式行动，改变他们的流程，”Beerman说。“我认为AI项目领导者在使最终用户以不同的方式思考上花费的时间不够，因为他们[错误地]将AI视为任何其他技术。”
6. 纳入项目管理基本原则
尽管AI倡议在某些方面与仅涉及传统IT的项目不同，但AI项目仍然受益于传统项目管理最佳实践，Livingston表示。“我们在技术项目管理中几十年来学到的所有东西仍然适用，”她说，并指出敏捷交付原则通常非常适合AI项目，而瀑布式交付方法则不然。
7. 组建跨职能团队
Beerman强调跨职能协作对于AI项目成功的重要性。项目数据、业务、技术及其他利益相关者必须协作，以确保AI倡议所需的所有组件都能得到包含。
8. 定义成功并建立衡量标准
AI项目与所有其他项目一样，应包括组织认为成功结果的内容，以及衡量AI成功的指标和KPI，Walch说。她承认，由于AI的性质，定义AI项目的成功往往比定义其他类型项目的成功更具挑战性。例如，概率AI模型永远不会100%准确，因此组织需要在宣布成功之前确定模型在每个特定用例中应达到的准确性。
Livingston承认，对于某些AI项目，特别是涉及生成性AI的项目，设置衡量成功的指标可能具有挑战性，因为用例的新颖性。为了帮助解决这些挑战，Masood表示，他建议高管关注与每个AI项目相关的商业目标，并开发与商业案例相关的指标。
9. 制定扩展策略
鉴于组织在扩展AI方面面临的挑战，Livingston表示，AI项目必须计划如何从概念验证转向试点，再到部署，然后扩大AI工具的使用，识别并资助支持AI大规模所需的新IT架构、数据基础设施和人才。
10. 规划对AI的持续工作
根据Masood的说法，AI项目需要“大胆的举措和漫长的进程”。因此，组织需要将AI项目视为需要迭代支持改进的产品。更具体地说，AI需要持续监控，以确保其在组织设定的性能参数内运行。它还需要随着新数据的可用性进行持续训练。用户需要不断学习如何与AI合作并利用其进行转型。
此外，Walch表示，项目领导者必须与高管利益相关者合作，确保他们分配所需的资源来实现这一切。
11. 在环中加入人类
尽管“智能”一词在其名称中，但AI在其生命周期内仍需要人类的监督，从开发和训练到运营性能和微调，Tulsidas表示。因此，AI项目计划必须包括人类在环中——更重要的是，Tulsidas强调，必须是具有正确专业知识和技能的合适人类。“没有这个，AI解决方案将不会成功，”他补充道。
12. 建立AI治理
AI治理是一个框架，设定了组织内使用智能系统的伦理和法律标准。“一个用于AI的伦理和负责任使用的框架是你必须拥有的最佳实践之一，”Masood说。
AI工厂的案例
随着AI的普及，一个新术语“AI工厂”应运而生。定义各异，但它本质上是企业内一个框架和功能，体现了可有效执行AI项目的流程，Masood说。
Masood表示，应用明确的AI项目管理方法是此类框架的基础。
他补充道，框架是有价值的，因为它们为企业内AI项目的开发和执行带来了可重复的流程，特别是在数据方面。这使组织能够更有效、高效和一致地追求和扩展其AI战略。
