罗氏Agentic Analytics实战:AI试点失败源于领导力未定运营模式
DataHot 速览
罗氏工程负责人Yannick Misteli在伦敦Agentic Analytics Playbook活动上表示,多数AI试点停滞并非技术和预算问题,而是领导层没有回答试点之后的归属、治理与风险容忍度。罗氏拥有10万多名员工、在25+个国家受严格监管,若能规模化落地Agentic Analytics,将打破“必须小团队才能做”的借口。罗氏将AI治理、安全与血缘视为不可妥协,但在完整性和延迟上接受取舍,因此报表采用夜间批处理而非实时。其建议是在扎实基础上“小步启动、大胆思考、快速迭代”。
为什么值得关注:大型受监管药企的Agentic Analytics规模化经验,直接回应AI试点无法转生产的普遍痛点,为数据团队提供了治理与取舍的落地参考。
本文目录 9 节
译文
AI 逐段翻译与罗氏在伦敦 Agentic Analytics Playbook 活动上的炉边谈话
如果说有一件事让我从 Yannick Misteli 在伦敦 Agentic Analytics Playbook 活动上的分享中印象深刻,那就是:大多数 AI 试点项目之所以停滞,并非因为技术或预算问题,而是因为没人回答"第二天"的问题。
我有机会与罗氏(全球制药公司,拥有超过 10 万名员工,并受到 25 多个国家的严格监管)的工程主管 Yannick Mistelli 坐下来交流。换句话说,如果罗氏能够大规模运营代理式分析,那么"你必须小而灵活"的借口就站不住脚了。100,000+ 名员工以及受到 25 多个国家的严格监管。
换句话说,如果罗氏能够大规模运营代理式分析,那么"你必须小而灵活"的借口就站不住脚了。
Yannick 直击了数据领导者在几乎每次对话中都会提出的痛点:从未进入生产环境的试点项目、阻碍数据民主化的治理担忧、来自领导层的压力(而数据仍不完美)、以及永远不会成为数据科学家但仍需要答案的业务用户。
以下是重点内容。
罗氏在代理式分析方面的主要启示
1. 领导力是阻碍因素,而非技术
Yannick 直言不讳:获得 AI 的赞助和预算比以往任何时候都容易。试点项目失败的原因在于领导层没有定义接下来会发生什么。试点项目失败的原因在于领导层没有定义接下来会发生什么。
这些都是领导者在扩展之前必须回答的问题,而不是在扩展过程中:
- 试点项目之后由谁负责?
- 谁对什么负责?
- 大规模运行需要什么样的治理?
- 可接受的风险水平是多少?
如果你不定义试点之后的运营模式,你的试点就会成为永久的实验。
2. 坦然接受不完美(通过明确权衡)
会议中最实用的时刻之一是 Yannick 谈到标准的时候。诱惑是降低标准以加快速度;更好的方法是明确说明在哪些方面你愿意妥协,哪些方面不愿意。
在罗氏,AI 治理、安全性和数据血缘是不可妥协的。但数据完整性和延迟呢?是可以接受的权衡,这就是为什么他们的仪表板运行在每晚批量更新而不是实时更新上。
"在做 AI 之前,你不需要一个完美的数据基础," Yannick 说。他的反驳是:有一个扎实的基础,然后"从小处着手,往大处想,快速迭代。"
那些在启动前感到必须一切就绪的数据领导者应该注意到这一点。将数据准备和产品部署并行进行,而不是等待一个完美的数据仓库。那些在启动前感到必须万事俱备的人才应注意。应将数据就绪与生产部署并行进行,而非等待一个完美的数据仓库。
3. 康威定律解释你的孤岛
数据孤岛和"技术太多"是 Yannick 经常听到的抱怨。他的框架更深刻:"技术产物只是我们组织问题的镜像。"
这就是康威定律:如果你的组织是孤立的,你的技术也会是孤立的,没有任何新平台能单独解决这个问题。
这就是为什么 Yannick 在整个会议中的主线是人员、流程和技术三者结合。仅仅把 AI 当作一项技术来扩展,而忽略其他两者?他称这是他最大的错误。
非技术用户中的信任优先采用
罗氏的采用目标不是数据科学家,而是商业团队中超过 2 万名市场推广专业人员,他们永远不会学习 SQL。
真正有效的不是说服。"试图说服人们改变是行不通的," Yannick 说。首先建立信任关系,让用户相信你真心为他们着想,这才是推动采用的关键。
这种方法听起来很柔和吗?看看这些数字。
罗氏现在有超过 40,000 名用户在使用 ThoughtSpot,其中 5,000 人每月登录;商业团队在一个月内完成了大约 200 万次查询。
罗氏用户是全球第二大活跃的 Spotter 用户群,在一年内扩展到了 500 名活跃的 Spotter 用户。
这样的采用曲线离不开信任。
如何将洞察带入工作流程
核心是一个关键框架:分析涵盖描述性、诊断性、预测性和规范性等问题。但真正的转变是洞察在工作流程中主动送达到你面前,而不是你去访问 BI 工具。
罗氏将分析嵌入到团队已经在使用的工具中:Salesforce、Google、Slack、Teams。当你贴近人们的工作环境时,他们会感觉自己被赋予了"新的超能力"。
嵌入式分析成为了人们访问的工具和人们依赖的能力之间的区别。
罗氏最大的迷思、错误和建议
在会议结束时,Yannick 分享了他的观点:
- 应该废除的迷思:在做 AI 之前你需要一个完美的数据基础。从小处着手,往大处想,快速迭代。
- 最大的错误:把 AI 仅仅视为一种技术并增加复杂性。简化而不是增加新的委员会。
- 对试点模式的建议:在正确的用例、正确的风险和足够好的数据下,将代理交到用户手中。
要点总结
如果试点项目停滞不前、治理引发焦虑、或者采用效果不佳,罗氏的方法提供了一个清晰的起点。最重要的是,将分析带到你的团队已经使用的工具中。
罗氏没有逐一解决人员、流程和技术问题:他们是三者一起解决的。
准备好运营代理式分析了吗?今天就开始免费试用。
这篇内容对你有用吗?
反馈只用于改善内容筛选,不等同于收藏