AI规模化：信任而非模型决定成败

来自Grant Thornton、Ligentia和太古可口可乐的战术洞察

每一场AI对话最终都会变成一场模型对话：哪个最快，哪个幻觉最少，哪个你的竞争对手已经在用了。

最近的三期《数据与AI首席官》节目，由ThoughtSpot首席数据与AI战略官Cindi Howson主持，则完全从另一个角度论证了在企业中规模化AI需要什么。

在与一家全球供应链提供商、一家顶级全球咨询公司以及北美最大的可口可乐装瓶商之一的高管对话中，模型很少成为话题。

话题是信任：你如何赢得它，如何证明它，以及一旦拥有它，你愿意让AI在多大程度上接近一个真实决策。

本季Howson的嘉宾——Grant Thornton首席产品官Alpa Lally、Ligentia首席信息官Boris Rabkin，以及太古可口可乐数据、数字与AI副总裁Bharathi Rajan——在三个表面上几乎没有共同点的行业中运行AI项目。但Howson向每位嘉宾提出的问题始终围绕同一片领域。当你不再把AI当作报告工具，而开始把它当作决策伙伴时，会发生什么？在你被允许实现这一跨越之前，你的数据必须具备什么条件？

重新构想流程，而不是自动化混乱

Howson在这些对话中习惯于越过生产力叙事，她与Grant Thornton的Alpa Lally的交流就是一个清晰的例子。当被问及公司如何推进AI转型时，Lally并没有从工具谈起。她首先发出警告，指出她看到其他组织最常犯的错误。

“很多人会把AI这个词叠加在仅仅自动化现有流程之上。挑战在于，如果你只是自动化一个破碎的流程，你最终会更快地做错事。”

Alpa Lally

Grant Thornton首席产品官

在Grant Thornton，避免这一陷阱意味着在构建任何东西之前先问一个更难的问题：如果我们今天在AI可用的条件下重新设计这个流程，我们会这样构建吗？这个问题促使该公司重新思考审计工作流，包括曾经需要数天或数周的合规与风险评估。目标是在审计师走进客户会议之前就让相关洞察可用。Lally称之为跨越式发展，而非升级。

“我们在这里不只是从A走到B。我们在这里是为了跨越……你必须重新思考我们如何运营、如何构建、如何销售。”

Alpa Lally

Grant Thornton首席产品官

Boris Rabkin描述了Ligentia几乎相同的岔路口，只是从基础设施的角度。当他加入公司时，他发现自己所称的“一座建造得非常精良的报告工厂”，大量投入、大量报告，却仍然没有真正的速度，因为这些报告回答的是昨天的问题，而不是今天的问题。他的解决方案不是更好的仪表盘。而是拒绝将内部工具和面向客户的产品视为两个独立的数据问题。

“从数据角度看，我们没有分别构建内部工具和独立的客户产品，而是构建了一个可以同时服务两者的单一数据平台。如果它对客户有效，那它对我们当然也应该有效。”

Boris Rabkin

Ligentia首席信息官

这一决定催生了Ligentia Insights，一种直接嵌入公司自身运营平台的分析体验，而非作为独立仪表盘交付。用Rabkin的话说，目标是确保“人员处于决策发生的地方”，而不是在采取行动的时机已经过去之后再去回看一份报告。

治理是入场代价，而不是对速度的征税

如果说本季嘉宾共同破除的一个迷思，那就是治理会拖慢AI的想法。Bharathi Rajan在太古可口可乐的整个项目都建立在相反的前提之上。

“治理不是繁文缛节。如果你想用正确的数据做决策，治理就很重要，你必须拥有高质量的数据流入。”

Bharathi Rajan

太古可口可乐数据、数字与AI副总裁

Rajan并非继承这种纪律。她主要靠教育和关系建设而非强制命令来建立它，她也坦率地谈到了在团队看到治理实际上加速而非阻碍自身工作之前所遇到的早期阻力。

Lally本人在Grant Thornton的研究为同样的直觉提供了数字支撑。该公司的AI影响调查发现，78%的公司缺乏信心能通过AI治理审计，Lally称之为“AI证明差距”。但缩小这一差距并不会让组织放慢脚步。正是它让组织走得更快：全面整合AI的公司报告收入增长的可能性几乎是仍在试点阶段的公司的四倍。

“目标不能只是部署AI，”Lally说。“目标是负责任地部署AI，让人们对其产生的结果有信心。”

Rabkin在全球范围内进行同样的计算，在欧盟《AI法案》和相对宽松的美国监管姿态下运营，并拒绝建立两套独立标准。“我们通常从一开始就按更高标准设计，确保在不同市场构建可解释、受治理且可扩展的解决方案，”他说。“前期需要多花一点精力……但这确实避免了后期返工。更重要的是，它建立了信任。”

把AI放在决策真正发生的地方

Howson直接追问Rabkin一个当前让许多组织产生分歧的问题：谁应该拥有AI？他的回答毫不犹豫。“AI应该由创造价值的地方拥有，”Rabkin说。“它不应该是实验室里的一个集中式职能。如果它不贴近产品和使用它的人，AI就不会创造价值。”

Rajan对同一想法的阐释则不太关乎组织架构图，而更关乎一旦常规决策被自动化后，人的注意力该去向何处。她谨慎地将AI定位为对工作的重新分配，而非替代。

“这对我们内部来说是一个赋能因素，”Rajan说，“帮助企业真正实现增长，创造运营效率，同时也让人们从事更有影响力的工作。我们都想做一些更有影响力的事情。”

Lally描述了她自己角色中类似的转变。她说，三年前，她的大部分时间都花在收集信息和为他人制作演示材料以帮助其做决策上。现在，她的重心已转向解读这些信息并帮助推动这些决策。

“这项工作实际上与其说是产出信息，不如说是解读信息，”Lally说，“把各个点连接起来，推动决策。而这最终一直是最大价值所在。”

贯穿三个行业的模式

在全部三场对话中都浮现出一个清晰的模式：贴近决策，并由足够强大、足以赢得信任的治理作为支撑，才是真正决定一项AI投资能否产生价值的因素。

Rabkin直白地总结了其中的利害关系，描述了当一批货物卡住、而没有人能足够快地信任眼前那个数字并据此采取行动时会发生什么。

“速度是一回事，”他说，“但对数据的信心才是真正推动决策的东西。”

这就是贯穿本季每一场对话的主线。Rajan通过教育建立信任，一个团队一个团队地推进，远早于任何人要求她证明投资回报率。Rabkin通过让面向客户的工具和内部工具遵循完全相同的标准来建立信任，因此从来不存在数据的二等版本。Lally则通过表明治理与增长并非对立力量来建立信任。它们是一起前进的。

这些都不会出现在模型排行榜上。而这一切都会体现在：最接近决策的人，是否能在关键时刻有把握地据此采取行动。

收听完整对话，嘉宾为Alpa Lally、Boris Rabkin和Bharathi Rajan，节目为《The Data and AI Chief》，由Cindi Howson主持，可在你获取播客的任何平台收听。回顾该节目过往剧集，请访问The Data and AI Chief播客。