企业采用人工智能的关键成功因素

结论：展望未来企业人工智能采用的 2 个关键成功因素目录引言：驾驭人工智能革命——从潜力到绩效1. 优先排序和选择正确的用例42. 确定业务价值以获得高管认可53. 优化有限人工智能资源的工 作64. 拥有高质量数据以获得准确和相关的结果75. 使自主式人工智能有意义86. 成功通过安全评估107. 理解和减轻道德与合规风险128. 整体企业中的扩展和定制人工智能139. 一种灵活、可扩展的架构，用于快速高效地进行创新1410. 管理变革与推动最终用户采用15 企业人工智能采用的关键成功因素3引言：驾驭人工智能革命——从潜力到性能。发现关注可衡量的价值与负责任的AI如何帮助像您这样的组织克服人工智能采用的十大挑战——将潜力转化为已证明的性能并以诚信进行创新。人工智能，尤其是生成式人工智能和最近出现的智能体式人工智能，已经不再是科幻概念——它正在积极地重塑商业格局。虽然转型的潜力巨大，但组织在试图有效利用人工智能的威力时，往往会遇到困难。从最初的实验到实现实际业务价值的道路，充满了重大障碍。你如何精准定位能带来可衡量成果并获得领导层认可的AI应用场景？你如何确保你的数据质量足够高以实现可靠的AI结果，如何应对安全和伦理风险的复杂性，以及如何管理专业AI人才的稀缺性？你如何理解新兴技术（例如代理式AI），构建可扩展的架构以实现快速创新，以及至关重要的是，如何推动员工队伍的广泛采用？这不仅仅是小的阻碍；它们是关键挑战，可能会停滞人工智能计划，侵蚀信任，并阻止公司获取承诺的收益。这就是 Workday 发挥作用的地方。建立在世界上最大、最干净的人力资源和财务数据基础之上，Workday 并非将人工智能视为独立技术，而是将其作为一个集成能力，旨在自然的工作流程中解决实际业务问题。 企业人工智能采用的关键成功因素挑战。所以挑战不在于如何选择最广受欢迎的AI解决方案，而在于选择正确的用例来向领导团队证明AI能够带来实际成果。选择错误的用例可能会导致对AI价值的误解，从而导致未来对AI解决方案的支持和资金流失。1. 优先考虑并选择合适的用例。根据麦肯锡研究, 78%的企业现在正在以某种方式使用人工智能。这可能是开发人员使用助手或整个公司使用生成式人工智能产品，例如ChatGPT或Google Gemini。人们可以争论全公司采用的价值更大，但那种价值的具体性实际上取决于特定用例的采用。例如，每个人都可以使用生成式人工智能来帮助起草内部邮件，但在自动化或协助特定的业务流程时，价值更容易衡量（并被捕获），例如年度预算和资源规划或季度末结账。 工作日如何提供帮助。需要解决的问题。• 高可行性：您是否确信它可以无重大资源或投资即可开发和部署？• 与定义明确的过程保持一致:是在自动化重复性任务或现有流程，还是在创造新行为或引入新用户界面？• 解决一个真实的商业问题:这个商业流程或用户体验中是否存在真实问题的证据？你是否有员工访谈的引言或来自调查或系统的支持数据？借助 Workday AI Foundry，在新的人工智能功能早期开发阶段，我们会与设计合作伙伴进行合作，在我们早期采用者计划之前。通过这种方式，用户体验被设计（并重新设计），以令人愉悦，并让不同用户群体易于采用，而无需成为人工智能专家。• 快速实现价值：需要几天还是几个月才能投入生产，然后被最终用户快速采纳和利用？在任何新技术或解决方案中，从低风险环境开始，支持实验和经验总结是一种最佳实践，如果你想在整个组织中部署多个人工智能解决方案，这一点尤其重要：• 对战略目标有清晰和可衡量的影响：这是否很明显，它如何能积极影响顶层目标，并且这个价值是否能被自信地衡量？工作日公司会及早并直接地与客户收集关于人工智能功能的反馈。我们不会专注于构建与具体用例脱节的一般人工智能能力，也不会仅仅为了迎合炒作而发布人工智能功能。我们认为优先级降低低影响功能使我们能够发布那些最大化客户价值的功能。工作日公司致力于开发能够解决实际业务问题的人工智能，并在工作流程中以用户为中心的体验来推动更自然的最终用户采用。• 简化变更管理：您需要为多个部门或团队进行培训吗？在使用此AI功能之前，需要提供多少指导？这是否是现有工作的自然流程？ 挑战。需要解决的问题。企业人工智能采用的五个关键成功因素众所周知，人工智能，特别是近年来在生成式人工智能（Gen AI）和智能体式人工智能（agentic AI）方面的创新，有潜力改变我们的工作方式并创造革命性的商业价值。我们所有人心中最大的问题在于：一旦我选择了要解决的商业挑战，如何在购买或部署人工智能之前，向关键利益相关者评估和证明其价值？2. 确定商业价值以获得高管认可。执行层利益相关者无疑会要求那个预期价值的完成时间，并且明确偏好“尽快”。项目越短越好。各种成本和时间延误的活动包括评估、开发、配置、测试、数据迁移或转换、实施以及持续的支持和维护。整体价值和价值实现时间可能会受到完成所有这些活动所需的复杂性和资源的影响而受损。基于理论假设构建一个价值计算器很容易，但有实际客户的价值观指标来支持它，将使您和您的领导团队不仅对潜在价值，而且对其他组织已经实现的预期价值有信心。新兴技术，如人工智能，可能因为各种原因而使这变得困难，包括缺乏现实世界证据、快速的变化和创新速度、对最终用户采用的担忧、数据质量问题以及价值实现时间，仅举几例。虽然为了估计特定人工智能解决方案的预期价值，有必要处理这些问题，但在组织内部单独应对这些挑战是一种不切实际的负担，这可能会使竞争激烈的人工智能优先事项中的审批迟缓，或在期望值被夸大的情况下导致令人失望的结果。 工作日如何提供帮助。工作日通过我们的设计合作伙伴小组和早期采用者计划，以客户为中心，在开发过程中开始计算价值指标，并随着AI功能的更广泛采用而改进这些计算。然后，我们与现有客户合作，在多个用例和流程中确认实际价值，以帮助其他组织利用真实客户统计数据来加强其基于证据的业务案例，涵盖各行各业。这些价值指标可以轻松转换为考虑价值实现时间的净现值（NPV），而无需考虑漫长的实施过程或人工智能功能启动的额外复杂性。 企业人工智能采用的6个关键成功因素需要解决的问题。挑战。人工智能，特别是生成式人工智能和自主式人工智能，是一项新技术，其人才库正竞相追赶创新的高速步伐。最前沿、资源丰富的科技公司可能对此并不在意，但对于我们大多数人来说，我们没有资源来雇佣甚至重新培训我们的技术专家成为人工智能专家，以在各个领域构建、测试和部署新的人工智能解决方案。3. 优化有限的人工智能资源工作。即使大多数组织计划购买成品软件，试图评估供应商的战略方法、各种AI模型以及支持AI的基础核心技术都需要丰富的经验和知识，这对许多人来说在短期内是无法实现的。假设大多数组织无法快速获得人工智能人才，依靠供应商开发解决方案来从人工智能中获益是最有可能的路径。首先，评估人工智能需求应该是容易的。这意味着要了解这项技术的工作方式、人工智能模型的详细信息，以及一种将这些信息传递给各种评估者的简便方式。然后，配置和部署解决方案所需的AI技术专业知识应该是有限的。当这两个方面都得到解决时，您有限的人工智能人才库就可以承担更多的AI项目，特别是那些仅限于您的组织并且需要内部开发或大量定制的项目。 工作日如何提供帮助。工作日通过我们人工智能事实单提供透明和详细的文档，这些事实单可在工作日社区供客户查找。我们还提供了关于我们人工智能架构和人工智能模型如何工作的网络研讨会和会议录音，通过“底层”细节和视觉效果，使人们易于理解和评估我们如何处理人工智能。此外，我们的客户无需人工智能专业知识即可在 Workday 中启用人工智能功能，因为这些功能已嵌入我们的核心平台，并在人力资源和财务流程的自然工作流程中使用。通过最小的（可选）配置，管理员可以简单地从单一控制面板开启和关闭人工智能功能。这为客户提供了对哪些功能被启用以及每个单独功能使用了哪些数据的完全控制权和粒度透明度。 企业人工智能采用的7个关键成功因素要实现高度承诺的AI结果，企业数据需要：挑战。需要解决的问题。• 特定领域：特别是在生成式人工智能方面，上下文和意图对于产生高质量的观点和答案至关重要。多个行业可能使用完全相同的术语来表示一个相似的概念，但由于上下文不同，指导方针、政策和最佳实践可能完全不同。在这种情况下，人工智能正在使用不相关的数据来告知生成的输出，从而导致混淆以及基于不准确观点的商业决策。4. 拥有高质量数据以获得准确且相关的结果。示例：如果员工反馈和发展机会的内容都没有结构化，并且你想评估现有技能来开发一个专注于特定技能的学习课程，那么人工智能可能会将这两组数据点混合起来，并错误地判断组织中哪些技能已经存在，而不是哪些技能目前正在开发。• 结构化:具有一致结构的数据减少了AI需要进行的“猜测”，以确定大型数据集中每个数据点是否属于特定属性。非结构化数据可能会在执行请求时，将不相关的数据属性添加到初始AI模型训练和推理中。没有高质量的、干净的企业数据，人工智能在生成高质量的输出和洞察方面可能会失败，如果你根据这些有缺陷的结果做出关键商业决策，可能会导致灾难性的后果。如果你使用过人工智能，你可能遇到过影响其输出准确性和实用性的局限性。这是因为数据来源质量低、分散。对于普通消费者使用生成式人工智能来说，互联网是一个很好的数据来源，但是仅依赖这个来源的大型语言模型会面临数据完全无结构、未针对特定组织或用例量身定制，以及缺乏更广泛业务背景的问题——尤其是在组织领域之外。 工作日如何提供帮助。Workday 拥有世界上最大、最干净的人力资源和财务数据集，800B+我们每年产生的交易70M+最终用户均在统一的数据模型中——从而带来更准确、更相关且更具组织特定性的结果。此外，Workday理解业务背景——72M+月度业务流程事件，包括整个组织内业务流程的过去和当前背景、数据、参与人员、用户信息以及当前待办任务，并保留先前对话的对话上下文。示例：特定类别的支出在同一行业内的不同组织中可能会有很大差异。政策、支出文化，甚至活动的类型（创收与内部团队建设）在不同组织中都可能存在很大差异。因此，检测支出异常或自动对支出进行分类，需要针对每个具体的组织进行，以便AI才能真正发挥价值。示例：一家公司可能拥有一个内部知识库，其中包含针对人员管理者的内容，介绍如何预防和处理员工流失的最佳实践。然而，如果AI超出人力资源（在此情况下）的领域，它可能会发现大量从市场营销或销售角度出发，关于如何防止客户流失的文章和博客，并利用这些信息来解释（错误地）如何优化营销漏斗或重新谈判销售合同——这两者对于大多数人员管理者来说完全无关紧要。• 与组织相关：人工智能可以利用全行业数据生成高质量的领域特定结果，但如果在输出中（相对于其他组织）不优先考虑您组织的数据，那么从这些洞察中做出的决策可能实际上与您特定的组织并不相关。• 及时:使用陈旧数据会导致那些在过去可能有效但现在可能无效的见解和结果。数据不一定需要实时流式传输，但确实需要在适合人工智能用例以提供预期价值的间隔内进行刷新。此外，还需要与数据直接相关的业务背景来告诉人工智能模型“完整的故事”，以便洞察力和内容不是在孤立的隔间中生成。并且与数据间接相关的背景——例如，在做出外部招聘决策时您内部人才技能方面的背景——只会提高人工智能输出的质量，从而带来更好的战略决策。示例：生成排班表可能只需要每周刷新一次人员可用性数据，而洞察工资信息可能只需要每两周（或对某些公司每周或更频繁）的刷新频率。但内部网搜索如果知识文章每天或上传后几分钟内就能被索引，才可能对员工有用。 挑战。需要解决的问题。1. 理解技术。8个企业人工智能采用的关键成功因素尽管自主式AI的真实定义需要规划、推理、自主决策、角色和目标定义以及迭代学习等能力，但不同解决方案提供商对AI代理的定义有所不同。为了防止因试图深入理解每个供应商中每个代理的独特架构而导致的分析瘫痪，组织应优先考虑业务价值、质量和安全性。这并不是说AI架构不重要；事实上，它对于实