在澳大利亚组织中展示 AI 投资回报率的挑战

在快速发展的人工智能领域，澳大利亚各组织正处于关键时刻。

人工智能带来的巨大财务收益潜力显而易见，一些报告显示，采用人工智能投资组合可带来超过 1 亿美元的增量 EBITDA。但实现投资回报的道路充满挑战。

多达的 AI 未能兑现对企业的承诺。AI 的高失败率——甚至超过了过去数字化转型努力的众所周知的困难——凸显了其中的风险。

一旦人工智能部署失败，其影响可能是灾难性的。澳大利亚是人工智能带来风险的典型例子，其“机器人债务”丑闻就是明证。澳大利亚皇家委员会已召集人员对此事进行调查。

Gartner 分析师给出建议

虽然很多人对此感到兴奋，报告显示，80% 的澳大利亚人对人工智能带来的风险深感担忧，并认为这些风险应该被视为“全球优先事项”。

尽管存在风险和社会犹豫，CIO 们仍在向 AI 项目投入资金——毕马威研究显示超过一半的澳大利亚公司将10-20％的预算投入到人工智能领域。

这只会增加 CIO 和 IT 团队的压力，以确保 AI 项目能够体现价值。希望将 AI 视为长期投资机会的组织必须克服风险担忧。Gartner 研究表明评估和证明商业价值是人工智能项目的最大障碍。

Gartner 金融技术、价值与风险高级总监分析师 Nate Suda 告诉 TechRepublic，许多组织在表达 AI 的价值时面临的挑战包括成本管理、生产力效益以及确保 AI 投资转化为有形商业价值所必需的战略方法。

管理成本是部署 AI 的主要障碍。与成本最低的传统搜索引擎不同，生成式 AI 因其交互性而产生大量成本。

用户经常进行多次交流来完善回复，这会成倍增加成本。每次互动（以代币计算）都会增加费用。如果用户行为偏离最初的假设，成本可能会飙升。

正如 Suda 所说，“成本中最大的变量之一是人机交互。使用生成式人工智能，您不只是输入问题就能得到完美的答案。您可能需要多次迭代，而且您需要为问题和答案中的每个字付费。如果您的成本模型假设一次交互，而用户最终进行了多次交互，那么您的费用可能会成倍增加。”

为了降低这种风险，各组织都采取了“缓慢扩大规模”的策略。他们不会快速大规模部署，而是先在有限数量的用户中实施计划中的 AI 部署，然后再逐渐增加用户数量。

这种迭代方法使公司能够观察雄心勃勃的人工智能项目的表现，并根据实际使用模式进行调整，确保他们能够更准确地模拟成本并避免财务意外。

“最好的组织都是慢慢扩大规模的，”Suda 指出。“他们可能在第一个月从 10 个用户开始，然后在第二个月增加到 20 个，依此类推。这种方法可以帮助他们了解实时环境中的实际使用情况和成本。”

尽管人工智能有望提高生产力，但将这些改进转化为可衡量的经济效益却很复杂。苏达表示，仅仅节省时间（如 Microsoft Copilot 等工具所展示的那样）并不必然等同于创造收入或降低成本。

苏达说：“你必须清楚生产力意味着什么，以及如何将这种效益转化为价值，无论是增加收入还是降低成本。”

他还强调需要区分效益和价值。速度提高、客户体验改善、生产率提高等效益固然重要，但只有当它们对利润产生贡献时，它们才有价值。

例如，生成式人工智能可能会缩短一系列专业服务所需的时间，但除非这种效率转化为更高的收入或降低的成本，否则它就成为人工智能未能实现其承诺价值的一个例子。

Suda 指出的另一个关键点是，由于用户行为出乎意料，成本超支的风险。如果一个人工智能系统非常受欢迎，其使用量超出预期，那么产生的成本可能是天文数字。这种情况凸显了精心规划和实时监控人工智能部署的重要性，以有效管理和预测费用。

“如果用户喜欢人工智能并广泛使用它，你的成本就会大幅上升，”苏达说。“这就是为什么理解和模拟用户行为如此重要。”

Gartner 开发了一个三层框架，用于解释人工智能如何在平衡相关风险的同时带来价值。人工智能部署的每个“层级”都提供不同的潜在风险和收益，这被称为“防御、扩展和颠覆”。

保卫：这涉及小规模、渐进式的改进，例如使用 AI 来增强现有工具。这些低成本、低风险的举措可以带来小规模的收益。然而，挑战在于将这些收益转化为可观的财务回报。据 Suda 称，许多此类项目的明确收益微不足道，这使得 CIO 和 IT 团队很难在组织全面支持下进一步发展。
延长：在这里，AI 嵌入现有应用程序以提供有针对性的改进。这些举措需要仔细规划和执行，以确保它们能够实现预期的价值，但也更有可能带来值得注意的收益。
颠覆：最雄心勃勃且风险最高的方法是开发新的人工智能驱动模型或应用程序。虽然潜在回报巨大，但所需投资巨大，成功率较低。