企业人工智能战略如何面对模糊的ROI问题|roi|人工智能|模糊性|正式版模型|歧义

任何企业都喜欢明确的ROI（投资回报率）。在人工智能应用上也不例外：定义问题，找到干净的数据，选择模型，部署，衡量——这是开发企业人工智能的标准剧本。它使项目按时完成，降低风险，但也限制了创新。

当你使用导航上班时，通常每天都会遵循同样的建议路线。它既高效又熟悉，但这也意味着除非交通警报或绕行提示，否则你很少探索其他路径。你可能永远不会发现一条更快、更安全或风景更优美的路线。同样的事情也发生在追求人工智能项目的组织内部。团队经常坚持熟悉的、追求定义良好的用例和可预测的结果。但这种对已知事物的舒适感可能会让他们对更具创新性或突破性的可能机会视而不见，而这些可能性只有通过质疑假设、尝试不确定性和冒险走出老路才能出现。

人工智能最具变革性的进步不是来自精确的商业案例或投资回报率驱动的路线图。AI数字助理和LLM搜索助手等突破的出现是因为有人提出了一个没有明确答案的问题，并愿意探索业务需求和技术潜力之间的灰色地带。模棱两可可能会让人觉得效率低下，甚至有风险，但它是创新的原动力。虽然结构化分析优化了已知的东西，但模糊性为创造价值的全新方式打开了大门。

在企业人工智能背景下定义歧义

歧义经常被误解。虽然大多数人将该术语与混乱或缺乏重点联系在一起，但它实际上是对尚未完全形成的问题、非结构化或难以建模的数据集以及价值真实但尚未衡量的领域的刻意探索。更好的术语可能是“战略模糊”。战略模糊使组织能够发现未满足的需求和未知的未知因素。它允许他们在客户、市场甚至竞争对手尚未确定需求的领域进行实验。从这个意义上说，模糊性不是一个需要弥合的差距，而是一个需要探索的前沿。

尽管存在潜力，但模糊性与大多数企业的本能背道而驰。大型组织在结构和文化上都追求精确。清晰的时间表、明确的关键绩效指标和可衡量的投资回报率使项目规划更容易，执行审批更顺利。此外，大多数测试都是由数据科学家进行的，他们倾向于使用重视可重复性的科学方法。

然而，这种精度偏差是有代价的。它将组织推向增量用例（客户流失预测、潜在客户评分、流程优化等）——这些项目是安全的、可衡量的，并且从根本上影响有限。当每个人工智能项目都必须通过短期投资回报率来证明其存在时，创新就会缩小。人工智能成为另一种报告机制，而不是转换引擎。

模糊性价值

如果你是一名需要证明投资回报率的经理，那么所有这些关于不可预测性的言论可能会让你感到不舒服。但不要害怕，因为为GenAI提供动力的大型语言模型和多模式系统是为了处理歧义而构建的，不需要完美的结构化数据或严格框架的问题。相反，它们在开放式提示和模糊的上下文中茁壮成长。以下是一些定位这一概念的方法，以吸引任何敏感的利益相关者：

将模糊性重新定义为一个特征。这从根本上改变了企业与信息交互的方式。例如，在法律和合规等领域，数据是大量文本和细微差别的，团队现在可以探索无法清晰表达的问题。模糊性远非过程中的缺陷，而是解锁跨学科理解和以前无法获得的见解的机制。

将模糊性视为洞察的捷径。传统的分析需要详尽的数据准备和明确的目标，然后才能产生任何价值。GenAI颠倒了这一顺序。它允许团队快速生成假设，在投资全面模型开发之前，用数据测试想法。通过这种框架，模糊性成为一种创造性的催化剂，可以激发新的想法，发现创造性的解决方案，并揭示结构化模型忽略的独特变量。

在营销中，模糊性释放了创造潜力。创意团队传统上依靠直觉和先例来指导信息传递和设计。GenAI改变了这一点。它使营销人员能够探索数十种视觉和消息传递方向，其中许多在现实世界的测试中表现优于人工创建的版本。人工智能生成的内容允许大规模实验，揭示与微观受众产生共鸣、反映新兴趋势或挑战传统假设的想法。在这种情况下，歧义不是噪音，而是信号。

探索性投资回报率

传统的ROI框架难以捕捉早期AI探索的价值。当结果纯粹以收入或成本节约来衡量时，这些结果之前的经验就会消失。

组织需要替代指标来承认探索的战略价值。真正的问题是：该项目开辟了多少可行的途径？它产生了多少新的问题或假设？即使即时交付成果还没有准备好投入生产，团队学习真正重要的东西的速度有多快？最有意义的进步往往来自一路上发现的东西。这些努力是否有助于发现新的机会，引导团队远离非生产性的方向，或加深他们对客户需求的理解？最重要的是，团队学到了什么他们以前不知道的东西？在GenAI驱动的组织中，这种洞察力和迭代成为势头的真正信号。

通过围绕探索、发现和学习速度重新构建投资回报率，领导者可以将模糊工作的投资作为基础数据来证明其合理性。这些回报可能不会出现在下一份季度报告中，但它们塑造了组织的长期创新能力。

如何使歧义具有可操作性

接受模糊性需要建立一种不同的探索结构。为了使歧义更加明确，可以考虑以下几点：

为歧义创造安全空间：设立专门的沙盒或内部实验室，团队可以在明确的时间范围内探索想法。鼓励他们带着问题而不是固定的要求进行设计，这样他们就可以测试早期信号，追随好奇心，并提出意想不到的见解。

组建混合团队：创建迷你吊舱，将领域专家、数据科学家和GenAI专家聚集在一起，以推动快速实验。这种结构鼓励对线性思维的协作探究，帮助团队发现更好的问题和更快的洞察力。

跟踪学习，而不仅仅是交付：当学习被定义为核心产出时，知识创造可以被视为其自身可衡量的KPI。

改进治理以支持不确定性：引入灵活的流程，允许在保持合规性的同时进行实验。使用理工具。与其进行繁重的复习，不如让团队分享简短的单页故事：我们尝试了什么？什么让我们感到惊讶？我们学到了什么？接下来我们该怎么办？这些叙述展现了真正的洞察力，并使探索与业务目标保持一致，而不会减缓进展。在某种情况下，过早地要求清晰可能会阻碍推动差异化的发现。

创造实验文化

当哈佛商学院将拥有强大实验基础设施的公司（亚马逊、Facebook、谷歌等）的股票表现与标普500指数在过去10年的表现进行比较时，他们发现这些“实验组织”的表现一直明显优于标普。因此，虽然精确度可能会满足寻求可预测性的高级领导者的需求，但很明显，拥有实验文化对于保持竞争力越来越有必要。

谷歌是一家将模糊性制度化的公司的典型例子。通过其著名的“20%时间”政策，员工一周的大部分时间都在运送核心产品，但有一部分时间可以探索开放式的想法。这种文化产生了新的业务线和功能，从AdSense和谷歌新闻到谷歌地图中的轮椅无障碍等功能，其中许多功能在成为核心之前都是次要项目。换句话说，谷歌不仅容忍歧义，而且在日程中给了它一个正式的位置。