AI熱潮并未按計(jì)劃進(jìn)行，企業(yè)難以將AI投資轉(zhuǎn)化為穩(wěn)定的收入來(lái)源，部署GenAI比預(yù)期困難，即使是預(yù)測(cè)AI將帶來(lái)25.6萬(wàn)億美元經(jīng)濟(jì)效益的麥肯錫，現(xiàn)在也承認(rèn)公司需要進(jìn)行組織變革才能釋放技術(shù)的全部?jī)r(jià)值。

然而，在急于重建組織之前，領(lǐng)導(dǎo)者應(yīng)該回到基礎(chǔ)。與其他事情一樣，AI的價(jià)值創(chuàng)造始于產(chǎn)品與市場(chǎng)的契合：了解要滿(mǎn)足的需求，并確保使用合適的工具。

如果你在釘釘子，錘子很好用，但如果你在做煎餅，錘子則毫無(wú)用處，還會(huì)弄得一團(tuán)糟。在當(dāng)前的AI領(lǐng)域，一切都被錘子敲打。在CES 2024上，參觀者驚嘆于AI牙刷、狗項(xiàng)圈、鞋子和喂鳥(niǎo)器，甚至你的電腦鼠標(biāo)現(xiàn)在也有一個(gè)AI按鈕。在商業(yè)世界中，97%的高管表示他們期望GenAI為業(yè)務(wù)增值，75%的公司將客戶(hù)互動(dòng)交給聊天機(jī)器人處理。

將AI應(yīng)用于每一個(gè)可能的問(wèn)題，導(dǎo)致許多產(chǎn)品僅有邊際效用，有些甚至是破壞性的。例如，一個(gè)政府聊天機(jī)器人錯(cuò)誤地告訴紐約的企業(yè)主解雇投訴騷擾的員工，與此同時(shí)，Turbotax和HR Block上線了給出錯(cuò)誤建議的機(jī)器人，錯(cuò)誤率高達(dá)50%。

問(wèn)題不是我們的AI工具不夠強(qiáng)大，也不是我們的組織無(wú)法應(yīng)對(duì)挑戰(zhàn)，而是我們用錘子做煎餅。要從AI中獲得真正的價(jià)值，我們需要重新聚焦于我們?cè)噲D解決的問(wèn)題。

毛絨玩具謬誤

與過(guò)去的技術(shù)趨勢(shì)不同，AI特別容易中斷企業(yè)現(xiàn)有的產(chǎn)品與市場(chǎng)契合流程。當(dāng)我們使用像ChatGPT這樣的工具時(shí)，很容易被其人性化的表現(xiàn)所迷惑，認(rèn)為它具有類(lèi)似人類(lèi)的理解能力。

這類(lèi)似于我們可以稱(chēng)之為“毛絨玩具謬誤”的現(xiàn)象。當(dāng)2000年代初毛絨玩具Furby上市時(shí)，許多人——包括一些情報(bào)官員——認(rèn)為Furby會(huì)從用戶(hù)那里學(xué)習(xí)。實(shí)際上，這些玩具只是執(zhí)行預(yù)先編程的行為變化，我們賦予Furby人性化特征的本能導(dǎo)致我們高估了它們的復(fù)雜性。

同樣地，我們很容易錯(cuò)誤地將直覺(jué)和想象力歸因于AI模型——當(dāng)我們覺(jué)得AI工具理解我們時(shí)，很容易跳過(guò)明確闡明目標(biāo)和需求的艱巨任務(wù)。計(jì)算機(jī)科學(xué)家們幾十年來(lái)一直在應(yīng)對(duì)這一挑戰(zhàn)，即所謂的“對(duì)齊問(wèn)題”：AI模型越復(fù)雜，發(fā)出精確指令就越困難——而且未能做到這一點(diǎn)的潛在后果就越大。(粗心地下達(dá)指令讓一個(gè)強(qiáng)大的AI系統(tǒng)最大化草莓生產(chǎn)，它可能會(huì)將整個(gè)世界變成一個(gè)大草莓農(nóng)場(chǎng)。)

AI 災(zāi)難的風(fēng)險(xiǎn)之外，對(duì)齊問(wèn)題使得在 AI 應(yīng)用中確立產(chǎn)品與市場(chǎng)的契合變得更為重要。我們需要抵制篡改細(xì)節(jié)并假設(shè)模型會(huì)自行解決問(wèn)題的誘惑：只有從一開(kāi)始就明確表達(dá)我們的需求，并嚴(yán)格圍繞這些需求組織設(shè)計(jì)和工程流程，才能創(chuàng)造出真正有價(jià)值的 AI 工具。

回歸基礎(chǔ)

由于 AI 系統(tǒng)無(wú)法自行找到產(chǎn)品與市場(chǎng)的契合點(diǎn)，作為領(lǐng)導(dǎo)者和技術(shù)專(zhuān)家，我們必須滿(mǎn)足客戶(hù)的需求，這意味著要遵循四個(gè)關(guān)鍵步驟——其中一些來(lái)自商業(yè)101課程，另一些則針對(duì) AI 開(kāi)發(fā)的挑戰(zhàn)。

1. 理解問(wèn)題。大多數(shù)公司在這一步出錯(cuò)，因?yàn)樗麄儚娜狈?AI 是關(guān)鍵問(wèn)題的前提出發(fā)，這導(dǎo)致得出“添加 AI”本身就是解決方案的結(jié)論，而忽視了終端用戶(hù)的實(shí)際需求。只有在不提及 AI 的情況下清晰表達(dá)問(wèn)題，才能確定 AI 是否是一個(gè)有用的解決方案，或哪些類(lèi)型的 AI 可能適用于你的用例。

2. 定義產(chǎn)品成功標(biāo)準(zhǔn)。在與 AI 合作時(shí)，發(fā)現(xiàn)并定義使你的解決方案有效的因素至關(guān)重要，因?yàn)榭倳?huì)有權(quán)衡。例如，一個(gè)問(wèn)題可能是優(yōu)先考慮流暢性還是準(zhǔn)確性。一家保險(xiǎn)公司創(chuàng)建精算工具時(shí)可能不希望一個(gè)流暢但數(shù)學(xué)錯(cuò)誤的聊天機(jī)器人，而一個(gè)使用GenAI進(jìn)行頭腦風(fēng)暴的設(shè)計(jì)團(tuán)隊(duì)可能更喜歡一個(gè)更具創(chuàng)意的工具，即使它偶爾會(huì)胡言亂語(yǔ)。

3. 選擇技術(shù)。一旦了解了目標(biāo)，與工程師、設(shè)計(jì)師和其他合作伙伴一起討論如何實(shí)現(xiàn)目標(biāo)。你可能會(huì)考慮各種 AI 工具，從GenAI模型到機(jī)器學(xué)習(xí) (ML) 框架，并確定要使用的數(shù)據(jù)、相關(guān)法規(guī)和聲譽(yù)風(fēng)險(xiǎn)。在流程早期解決這些問(wèn)題至關(guān)重要：最好在構(gòu)建時(shí)考慮限制，而不是在產(chǎn)品推出后再試圖解決。

4. 測(cè)試(和重新測(cè)試)你的解決方案。現(xiàn)在，只有現(xiàn)在，你才能開(kāi)始構(gòu)建產(chǎn)品。太多公司急于進(jìn)入這一階段，在真正理解它們將如何使用之前創(chuàng)建 AI 工具。不可避免地，他們最終會(huì)尋找要解決的問(wèn)題，并努力解決早期應(yīng)該考慮的技術(shù)、設(shè)計(jì)、法律和其他挑戰(zhàn)。從一開(kāi)始就優(yōu)先考慮產(chǎn)品與市場(chǎng)的契合，可以避免這些失誤，并實(shí)現(xiàn)解決實(shí)際問(wèn)題和創(chuàng)造實(shí)際價(jià)值的迭代進(jìn)步。

由于 AI 看起來(lái)像魔術(shù)，因此很容易假設(shè)在任何環(huán)境中部署任何 AI 應(yīng)用程序都會(huì)創(chuàng)造價(jià)值，這導(dǎo)致組織通過(guò)發(fā)射大量箭頭并在它們落點(diǎn)處畫(huà)靶心來(lái)“創(chuàng)新”。其中少數(shù)箭頭確實(shí)會(huì)落在有用的地方，但絕大多數(shù)對(duì)企業(yè)或終端用戶(hù)幾乎沒(méi)有價(jià)值。

要釋放 AI 的巨大潛力，我們需要先畫(huà)出靶心，然后全力以赴地?fù)糁兴鼈儭?duì)于某些用例，這可能意味著開(kāi)發(fā)不涉及 AI 的解決方案，在其他情況下，這可能意味著使用更簡(jiǎn)單、更小或不那么引人注目的 AI 部署。

無(wú)論你在構(gòu)建哪種 AI 產(chǎn)品，有一點(diǎn)始終不變。確立產(chǎn)品與市場(chǎng)的契合，并創(chuàng)造滿(mǎn)足客戶(hù)實(shí)際需求的技術(shù)，是驅(qū)動(dòng)價(jià)值的唯一途徑。在 AI 時(shí)代，那些做對(duì)這件事的公司將成為贏家。