企业通过 AI 创造价值需了解的 5 件事

人工智能正变得越来越容易被公司获取——但当竞争对手也能使用许多相同的基础模型和AI智能体时，仅仅采用AI并不一定会让一个组织脱颖而出。

根据首席研究科学家 Stephanie Woerner 及其在 MIT Center for Information Systems Research 的同事们的说法，更大的机会在于弄清楚如何将广泛可用的技术转化为差异化的业务价值。

在新的简报“AI Value Creation: Five Provocative Propositions”中，研究人员借鉴了当前 MIT CISR 关于信任、技能、数据、AI智能体和价值创造的研究，并得出结论：成功在很大程度上取决于公司围绕AI建立的管理能力，而不是采用AI的速度。

首先，考虑推动AI价值的有效管理实践背后的五个前提。

1. 对AI智能体的信任无法被管理——它必须被内置于基础设施中。

传统上，公司通过关系、声誉、共同激励和问责制建立信任。但研究人员认为，这些因素并非自主AI智能体（尤其是第三方开发的智能体）所固有的，这些智能体的运行速度和规模使得持续的人力监督变得不切实际。

在这种情况下，组织需要AI行为是可审计和可质疑的，并配有控制措施来显示智能体是否遵守规则并保持在定义的边界内，同时辅以争议或撤销其决策的机制。

研究人员研究了一家金融服务公司，该公司的第三方AI贷款智能体在其训练数据发生漂移后产生了微妙的系统性偏见。为了快速发现问题，该公司需要建立审计追踪、持续监控以及挑战智能体决策的流程。

那些将这些保障措施内置于基础设施中的公司，将能够更好地与第三方智能体快速合作，而无需依赖持续的人力监督或承担责任风险。

2. 技能危机不在于AI培训；而在于专业知识的流失。

许多组织正在投资培训员工使用AI工具——但这可能不是公司面临的最难的技能问题。更大的风险是失去评估AI输出所需的深厚领域专业知识。

生成式AI可以极其自信地提供精妙的答案（包括错误的答案），以至于非专业人士很难识别其中的错误。研究人员写道，组织需要拥有足够背景判断能力的领域专家，以识别AI输出何时是错误的、不完整的或不恰当的。

这产生了矛盾：如果专家花费大量时间检查AI生成的工作，他们用于开发和维持其专业知识的复杂工作的时间就会减少。但将他们从审查过程中移除，可能会使组织无法准确评估AI生成的结果。

研究人员建议公司有意识地为人们保留培养深度判断力的机会，即使AI可以更高效地完成部分工作。

3. 用他人无法复制的数据实现差异化。

虽然AI能力正变得越来越容易获得，但专有数据却更难开发。

这种区别对某些公司来说可能尤为重要。MIT CISR 之前的研究发现，modular producer business model（即公司通过其他公司的数字生态系统提供即插即用的产品和服务）在战略上已变得非常重要。但由于模块化产品很容易被替代，提供这些产品的公司需要能够从竞争对手中脱颖而出。在AI时代，一个关键的差异化因素是获取不可复制的专有数据。