企业AI应用的四个关键策略：从随机试验到深度整合

大部分企业在AI领域已经摸索了几年时间，运行着孤立的试点项目和概念验证，但后续跟进有限。然而，一种不同的模式开始出现。一些组织正在将所谓的"随机AI行为"转变为可重复、可衡量且与使命一致的业务实践。

来自不同行业的IT领导者分享了他们在这一转变过程中学到的四个关键经验。

构建有意图的组织架构

当Dan Jennings在2023年成为沃尔格林的CTO时，公司在AI方面充满热情，但缺乏协调。"我们到处都有AI活动的零散点，"他说。"不同团队在试验模型、试点项目和供应商工具，但没有统一的策略。"

他的第一步是通过创建AI赋能中心来规范这些试验活动，这是一个虚拟结构，将技术、数据、信息安全和业务部门在共同框架下连接起来。该中心既是创新引擎也是控制塔，旨在筛选、优先排序和扩展与沃尔格林业务策略一致的AI倡议。"这是关于快速失败、快速学习，但在创新方面要有纪律性，"他补充道。

该中心评估每个提案，然后引导团队通过一致的流程：概念验证、MVP测试和可衡量的部署。"我们像对待任何其他产品投资一样对待AI，"Jennings说。"有路线图、商业案例和我们可以跟踪的一套结果。"

这种结构使沃尔格林能够平衡其零售商和医疗服务提供商的双重身份——这两个行业的风险承受能力水平截然不同。在零售方面，AI可以快速推进，推动库存优化、个性化和数字化参与。在医疗方面，每项倡议都需要治理、透明度和验证才能推出。"我们正在将两个世界结合起来，"Jennings说。"零售的敏捷性和医疗的纪律性。"

他将公司的演进描述为从热情到意图性的转变。早期，员工渴望自己尝试生成式工具，创造了Jennings所称的随机AI行为。如今，这些努力正通过赋能中心引导到支持核心优先事项的治理用例中，如药房预测和员工排班。"这不再是关于玩弄模型，"他说。"而是关于使用AI来推动可衡量的业务结果，安全且大规模地进行。"

超越财务报表的ROI衡量

对于方济各会圣母健康系统的高级副总裁兼CIO Will Landry来说，传统的财务指标只能讲述故事的一部分。"我们是非营利医疗系统，"他说，"所以我们的ROI关乎医生的参与度和满意度，以及患者的参与度和满意度——不仅仅是金钱。"换句话说，成功的衡量既要看人类体验，也要看经济效率。

Landry说，该组织评估AI工具如何减少临床医生疲劳、缩短文档记录时间并改善患者互动质量。例如，现在在数百家诊所部署的环境监听系统，医生花费更少的"睡衣时间"在下班后完成记录，更多时间用于有意义的患者对话，这一转变提升了满意度和士气。此外，患者能更快收到记录，且记录更准确。

即便如此，FMOL Health在AI方面的投资正在带来可衡量的运营回报。Landry指出，随着医疗系统稳步扩大AI采用，从临床文档工具到后台自动化，技术总支出的增长率低于收入和服务量的增长率。"这告诉我效率是真实的，"他说。"我们用同样的团队和同样的人数实现了更多自动化。"对Landry来说，这种平衡——更高的参与度和持平的技术支出——是AI回报的最真实衡量：一个建立在财务审慎和人类福祉基础上的更健康组织。

在办公家具制造商Steelcase，CTO Steve Miller也采取了广泛的ROI观点，远远超出利润率和成本削减。"这取决于我们试图解决的业务领域，"他说。"在某些情况下，这是我们试图影响的可持续性指标。在其他情况下，这是使用我们产品的人员的体验和情感水平。"

Miller和他的AI业务小组没有将AI纯粹视为效率引擎，而是将每项倡议与对公司那部分最重要的结果联系起来，无论是意味着更低的能源使用、减少材料浪费，还是改善客户和员工体验。例如，AI驱动的分析和仿真工具帮助优化制造流程，最小化能源消耗和废料率，而专注于设计的系统在用户与Steelcase产品互动的流畅性方面衡量成功。"我们的一些结果不是纯粹的财务指标，"Miller说。"一些是可持续性指标和情感指标，例如。"

通过将AI投资与可持续性和人类体验联系起来，Steelcase构建了随时间复合的价值。例如，公司的预测分析可以预测组织何时可能翻新办公室——这些洞察帮助客户负责任地规划，同时减少过度生产和浪费。对Miller来说，这就是深思熟虑的AI的本质。"这是关于使用数据和智能来改善人们的工作方式和我们制造东西的方式，而不仅仅是让它们更便宜。"

通过防护栏和治理建立信任

对Landry来说，信任是医疗保健领域任何AI倡议的基础。"我们是患者数据的监护人，"他说。"我们的患者信任我们保护他们的信息。"这种责任意味着FMOL Health的AI创新必须始终平衡试验与安全和伦理监督。

为了实现这种平衡，Landry的团队将治理嵌入到技术设计和部署的每一层。即使是实验性系统，如起草就诊记录的环境临床监听工具，也在严格监督下推出，需要明确的患者同意和会后临床医生审查。"我们在设计上是保守的，"他说。"如果AI起草了什么，医生总是在它接近记录之前审查和签署。"

FMOL Health的治理结构也延伸到临床应用之外。该组织的数据管理和安全团队协同工作，监控数据如何通过其Community Connect项目在医院、诊所和其他合作伙伴之间共享，该项目允许独立诊所安全地使用FMOL Health的Epic系统。Landry说，目标不仅仅是合规，而是信心：临床医生和患者需要知道AI正在负责任地使用。

对Landry来说，这些防护栏不会减慢创新，而是使其可持续。"医疗保健必须快速行动，但不能破坏东西，"他说。"我们的治理框架给了我们安全前进的信心。"

据Miller说，对AI的信任始于结构。"我们有一个数据治理委员会，帮助提供不仅是你能用AI做什么，而是你应该做什么的防护栏，"他说。委员会由数据治理、信息安全、法律和人力资源的领导者组成，审查每项AI倡议以确保数据质量、隐私和道德使用。他们的工作包括定义哪些数据集被允许用于哪些目的，监控偏见，以及执行关于如何处理敏感信息的明确规则。

Miller坚持认为这个框架不是官僚层，而是直接构建到AI开发中的活跃治理系统。"我们实际上在AI开发团队中嵌入了一名数据治理专家，"他说。那个人的工作是监督模型行为，标记潜在风险，并确保在测试新工具时负责任的迭代。"你必须做很多事情来确保数据被正确使用，"Miller说。"如果它没有产生好的结果，你要快速控制它。"

他强调这些实践能够促进创新。通过早期澄清伦理边界，团队可以在安全参数内自由试验。"当你进入智能体AI时，你真的必须定义和执行边界，"Miller说。

在Steelcase，治理不仅仅是合规，它是信任的基础。公司的设计师和工程师每天依赖AI系统来创建产品配置、模拟工厂布局和分析空间利用数据。"这是关于给我们的团队信心，AI将表现得可预测和道德，"Miller说。"这就是让人们真正使用它的原因。"

通过AI赋能人员

对于数据经纪商ZoomInfo的首席战略官Russell Levy来说，AI的真正力量在于放大人类能力，而不是将人们从流程中自动化出去。"我们一些最好的AI智能体不是由数据科学家构建的，"他说。"它们是由销售代表构建的，他们确切地知道什么对他们有效，他们想与其他人分享。"

这一原则塑造了ZoomInfo的整个AI策略。公司给员工提供设计和部署自己的智能体AI的工具，但在一个让人类牢牢掌控的治理模型下。"我们部署的每个智能体都有人在循环中，"Levy解释说。"智能体可以起草电子邮件、记录会议或总结通话，但人决定何时以及如何使用该输出。"

Levy将此视为从自动化到增强的转变。通过将高绩效员工的直觉编码到可重复使用的AI智能体中，ZoomInfo使专业知识在整个组织中可扩展。销售人员的最佳跟进策略或支持代表在困难对话中的措辞现在可以自动捕获和分享。"这是关于获取部落知识并使其可重复使用，"Levy说。

AI的这种民主化，即非技术员工创建体现自己工作流程智能的智能体，已成为文化转折点。"一旦人们意识到他们可以构建帮助自己和整个团队的东西，采用就会自然而然，"Levy解释说。结果是一个人类和智能体持续协作的工作场所，彼此学习。"AI不会取代我们的人员，"他说。"它扩展了他们的影响力。"

在这些行业中，对比是明显的，但共同线索也是如此：深思熟虑的AI不是单一的剧本。它是一种平衡创新与诚信、自动化与人类判断的心态。

Q&A

Q1：什么是AI赋能中心，它如何帮助企业管理AI项目？

A：AI赋能中心是连接技术、数据、信息安全和业务部门的虚拟结构，既是创新引擎也是控制塔。它负责筛选、优先排序和扩展与企业业务策略一致的AI倡议，通过统一的流程引导团队进行概念验证、MVP测试和可衡量的部署，将随机的AI试验转变为有纪律的创新实践。

Q2：非营利医疗机构如何衡量AI投资的回报？

A：非营利医疗机构的ROI不仅看财务指标，更关注医生和患者的参与度及满意度。例如通过环境监听系统减少医生的下班后文档时间，提高患者互动质量。同时也有实际运营效益：技术支出增长率低于收入和服务量增长率，实现了用同样团队完成更多自动化工作。

Q3：企业如何通过治理框架确保AI应用的安全性和伦理性？

A：企业建立数据治理委员会，包含数据治理、信息安全、法律和人力资源领导者，审查每项AI倡议。在开发团队中嵌入数据治理专家，监督模型行为和风险。医疗机构还要求明确患者同意、临床医生审查等严格监督措施，确保AI负责任地使用。