在最近的一项行业调查中，出现了一个惊人的数据：95% 投资了 300 亿至 400 亿美元用于生成式人工智能的组织报告称没有可衡量的回报。仅这个标题就引起了那些利润微薄、技术采用必须迅速证明其价值的行业的担忧。然而，这些数据也为少数将这些投资转化为实际收益的组织指明了一条清晰的道路。
问题的根源在于一个跨越技术本身和驾驭该技术所需的组织文化的学习差距。许多领导者假设 人工智能 可以简单地取代人类判断，但现实情况是，该技术在增强而非取代人类专业知识时表现出色。期望不一致——关注高可见性项目而非高价值职能——导致部署看起来很宏大但价值甚微。教训是，人工智能必须与对它所支持的人类工作流程的清晰理解相结合，确保流程的每一步都是得到增强而不是被颠覆。
成功集成的关键组成部分是“人在回路中”（human in the loop）模型。当人们被有意识地嵌入到人工智能工作流程中时，他们可以验证准确性、纠正错误并提供纯粹的自动化无法提供的背景洞察。人类判断与机器速度之间的这种伙伴关系，将原始数据转化为可操作的决策。在实践中，这意味着设计出与操作员协同工作的人工智能工具，使他们能够专注于更高级的任务，而系统则负责处理常规数据处理。
少数实现人工智能投资回报的组织遵循着几种共同的策略。他们与专业外部供应商合作，而不是试图内部构建解决方案，确保技术是为他们特定的流程和数据集量身定制的。他们还根据一线经理提供的运营指标来衡量成果，从而创建了一个自下而上的反馈循环，使高管责任与日常绩效保持一致。这种方法在保持与现有工作流程契合度的同时，加速了采用。
浏览更多文章
后台部署通常能带来最快的投资回报，能实现明确的成本削减，而不会以牺牲员工规模为代价。事实上，最成功的实施案例表明，人工智能可以在不缩减团队或预算的情况下加速工作。运营部门常常被忽视，但它已成为投资回报率最高的职能。这些收益说明，人工智能的价值在于提高效率和准确性，而不是取代人力。
在仓储优化中可以找到这些原则的具体例证。一家在南加州拥有一个大型仓库的领先零售商，面临着限制吞吐量的物理约束。通过将生成式人工智能与计算机视觉分析相结合，该组织使员工能够根据全面的产品属性自动生成质量数据——图像、描述、状况评估和材料分类。结果是，在人员数量和物理空间保持不变的情况下，将库存从接收到转售所需的时间大幅缩短。吞吐量增加了，成本下降了，仓库的运营效率也得到了显著提高。
然而，扩大这种由人工智能驱动的收益会带来新的挑战。将组织内的数据集中化可能会给小型IT团队带来过大负担，特别是当多个业务部门——制造、合规、销售——同时要求人工智能支持时。这一瓶颈凸显了战略伙伴关系的重要性，这些伙伴关系能够随着组织不断变化的需求而扩展。企业不应为了构建而构建，而应将人工智能举措与明确的业务成果相结合，确保每个流程和模型都直接支持运营目标。
对于供应链领导者来说，更广泛的启示是，人工智能投资必须围绕运营影响来构建，而不是技术新颖性。成功取决于一种严谨的方法，这种方法将人类专业知识与机器智能相结合，利用专业的外部合作伙伴，并根据一线绩效指标来衡量进展。通过采用这些最佳实践，组织可以将人工智能从一项代价高昂的实验转变为提高效率、可持续性和盈利能力的可靠驱动力。
正在加载评论...