每项人工智能项目的隐性税有哪些？以及如何避免缴纳这笔税款？

大多数人工智能项目技术上很棒，但商业上很平淡;你可以专注于技术如何融入日常工作，从而停止浪费数百万美元。

我看到董事会里紧张气氛升温，首席财务官向前倾身。“过去两年，我们在人工智能项目上已投入1800万美元。那么，有人能告诉我我们到底从中得到了什么吗？”

CTO翻阅了展示令人印象深刻的技术成就的幻灯片：模型准确率、部署时间表、基础设施升级——这些都是真实的，但没有一个能回答CFO的问题。

随之而来的沉默并不罕见。我在财富100强公司中多次见证过这样的场景。组织在人工智能上投入数百万，取得技术成功，却难以清晰表达他们创造的商业价值。问题不在于价值不存在——而是在承诺与兑现之间，隐藏的税收会消耗AI潜在影响力的30%到40%。

大多数高管从未在损益表上看到过这项税收。它不会作为一条项出现。相反，它表现为技术上成功但商业上令人失望的项目，作为永远无法扩展的概念验证，以及解决没人真正解决问题的人工智能系统。

一、价值流失的真实成本

这项隐藏税的实际成本如下：我曾咨询的一家全球金融机构花费1200万美元构建了一个复杂的客户流失预测系统。该模型实现了89%的准确率——从技术角度来看，确实令人印象深刻。然而，客户留存率几乎没有变化。为什么？因为模型识别了高风险客户，但组织缺乏针对这些洞察采取行动的流程。预测能力与客户服务工作流程、市场自动化和关系管理系统隔离开来。

技术团队为他们的成就欢庆。企业利益相关者们好奇他们到底花了什么钱。两者都没错。两者都是大多数AI实现中常见的价值流失的受害者。

这种模式在各行各业中反复出现。医疗系统实施的诊断人工智能从未被医生采纳。零售商构建的次优推荐引擎却忽视了客服团队。制造商部署的预测性维护是主管们不信任的。这项技术是有效的。价值会消失。

根据200多个国际案例研究，这种价值流失遵循可预测的模式。识别这些模式的组织可以预防它们。那些不继续缴纳隐税的人，一个又一个项目。

二、为什么传统方法会失败 AI

根本原因不是技术不足——而是把AI当作传统IT实现来对待。这一根本错误导致了系统性的价值破坏。

传统的IT项目基于固定需求、可预测的行为和明确的边界。而人工智能则从根本上不同。它需要不断迭代，从新数据中学习。它依赖于远超传统报告要求的数据质量。它在流程、角色和组织结构之间产生连锁反应，是大多数项目方法论无法预料的。

我合作的一位医疗服务提供者实施了一个人工智能诊断支持系统，采用了他们在电子健康记录更新上应用的相同项目方法。当他们无法为一个设计用于学习和演进的系统定义固定需求时，这种方法彻底崩溃了。成功只有在他们采用了完全不同的实施方法，注重持续学习而非固定里程碑时才会实现。

传统方法与AI独特特性之间的这种不匹配，造成了我所称的“结构性价值流失”——无论团队能力或努力如何，这种损失几乎不可避免。

三、4个关键泄漏点

通过分析各种实现方式，我识别出四个价值最常消失的点：

1. 战略错位

研究表明，人工智能项目常因领导层对项目目标的不一致而失败。我见过组织启动“人工智能客户体验计划”，但未明确希望提升哪些体验方面，也未明确衡量成功的方式。数据科学团队随后构建令人印象深刻的能力，但最终价值有限，因为他们解决的是客户实际上没有遇到的问题。

网络安全咨询公司AnzenSage的首席技术官Stuart King完美地描述了那些在面对人工智能时，心想“这里有个很棒的新东西，让我们去寻找它的用途”，而不是先识别问题再应用AI作为解决方案的组织。

2. 数据基础失败

据Gartner称，数据质量差每年给组织带来约1290万美元的损失。但有了人工智能，数据问题呈指数级增长。

一家制造客户构建了一套先进的预测性维护系统，测试表现优异，但在生产中表现显著失败。罪魁祸首？正常作中收集的训练数据中，缺乏足够多导致最高代价失败的边缘案例。

遗留系统带来了额外的挑战。正如Evidology Systems的首席技术官Rupert Brown所解释：“那些输入数据字段有限或被迫重复使用账户号码的遗留系统，会产生AI无法理解的修正。数据质量将成为一个问题，在可预见的未来将限制人工智能技术的实用性。”

3. 技术实施的差距

Spirent Communications企业技术副总裁Matt Bostrom在尝试将AI与现有系统集成时遇到了这个问题：“我们公司有集成工具，但它们是较旧、过时的工具。实现生成式人工智能所需的大规模集成，将需要大量且昂贵的升级。”

我见过一家金融服务公司开发的欺诈检测人工智能，测试时表现完美，但在实际交易处理中造成了不可接受的延迟。该算法准确，但计算量过高，无法满足生产交易量，迫使其妥协，效率下降了40%。

4. 组织壁垒

也许最隐蔽的漏洞来自于各自为政的实施。一家全球银行有17个独立团队，分别构建客户流失预测模型——每个团队针对不同产品和地区。他们无法访问超出其特定领域的数据，严重限制了其效能。全面分析产品本可以揭示任何单一团队都看不到的模式。

正如思科副总裁杰里米·福斯特所说：“在各自为政的沟通中，有时会陷入困境。在整个项目中保持良好的视野，避免坑洞至关重要。”

四、投资组合效应：隐藏价值乘数

除了单个项目的流失，大多数组织还错失了一个更大的机会：妥善管理的人工智能组合所带来的复利价值。组织通常将人工智能项目视为独立项目，并简单地汇总其价值。这种方法会错过20%到40%的潜在影响。

我曾咨询的一家金融服务机构为12个同时进行的人工智能项目实施了全面的投资组合测量。除了针对项目的具体指标外，他们还明确跟踪了数据资产利用、模型重用、知识转移和能力应用等跨项目的表现。该投资组合层面评估显示，约35%的总价值来自这些协同效应，而非独立项目回报。

这一见解改变了他们的工作方式。他们不再资助孤立项目，而是开始有意设计各项目以最大化跨项目利益。结果呢？在没有增加预算的情况下，人工智能投资的总回报率增长了47%。

五、阻止泄密：四部分框架

解决方案不是放弃人工智能——而是实施系统化的方法来防止价值流失：

在开始前制定明确的价值协议。明确你正在解决的具体业务问题，明确衡量成功的方式，并明确哪些利益相关者必须就结果达成一致。我曾合作过的一个组织，仅仅通过要求业务和技术领导者在项目审批前签署一页的价值声明，就将失败的项目减少了超过60%。

把测量融入你的基础。从第一天起就建立技术和业务指标，并定期进行审查周期。跟踪领先指标（包括模型性能和用户采用率）以及滞后指标（如业务影响和财务回报）。我见过的最成功的实施是按日和每周监控，而不是季度或每年。

从一开始就设计组织整合。绘制AI能力如何与现有工作流程连接，谁将根据洞察采取行动，以及需要哪些流程变更。不要把集成当作事后考虑——把它当作设计的核心。建立跨职能团队，共同承担业务成果责任，而不仅仅是技术成果。

实施持续价值验证。定期设立技术进展与业务影响相关、明确关联的检查点，为价值流失建立早期预警系统。一家制造公司每月举办“价值论坛”，技术团队必须展示业务影响力，而不仅仅是技术成就。这种做法发现并纠正了许多技术上进展但商业上漂浮的举措。

六、这对你意味着什么

对人工智能的隐藏税并非不可避免。实施系统化方法防止价值流失的组织，能够持续从相同投资中获得30%到40%更多的价值。他们通过将技术卓越与业务影响相结合的有意识实践，而不是通过更先进的算法或更大的预算来实现这一点。

问题不是你的组织是否缴纳了这笔税——几乎可以肯定是。问题是你是否会继续支付，还是会实施框架来减少成本，将人工智能投资转化为最佳商业价值。

在批准下一个AI项目之前，请问三个问题：我们具体解决了什么业务问题？我们将如何衡量成功——用商业术语？需要哪些组织变革才能捕捉这样的价值？如果你无法清楚回答这些问题，你就要再次缴纳隐藏的税款。

现在选择权在你手中。继续资助那些令人失望的技术，或者要求每一分AI投资都创造最佳商业价值。大多数组织无意中默认选择前者。少数选择后者的人，将人工智能从昂贵的实验转变为竞争优势。