企业成功押注人工智能前必做的四件事

人工智能（AI）在商业领域的应用步伐不断加快。根据市场研究机构Gartner的预测，在接下来的两年内，一半的商业决策将完全或部分由AI代理支持。四月份，在旧金山举行的Snowflake Summit 2025媒体圆桌会议上，四位业界领袖分享了他们在AI领域的经验教训。 1. 云战略要得当 韦恩·菲林-马修斯（Wayne Filin-Matthews）是阿斯利康（AstraZeneca）的首席企业架构师，他介绍了公司在多个领域推动AI应用的努力。阿斯利康与斯坦福大学等顶尖学术机构合作，开发了一种AI研究助手，通过提高科研方法的可重复性和新药开发效率来提升科学家的工作生产力。此外，该公司还利用AI自动化生成营销材料和新药研发信息，以应对在全球126个市场推广产品时面临的复杂挑战。“在我们踏上这个旅程的过程中，越来越多的用例证明了AI的好处。然而，关键在于你必须拥有坚实的基础云基础设施。你不能只是AI优先，而忽视了云战略。”菲林-马修斯强调。 2. 重视数据治理 阿米特·帕特尔（Amit Patel）是Truist批发银行部门的首席数据官。他表示，部署AI用例时，最重要的是确保数据来源的可靠性。“作为一家银行，我们必须对外部监管机构证明我们的数据来源、正确性、治理、数据血缘、元数据和数据质量检查。我们必须首先建立起这些基础，然后才能在此基础上构建AI应用。”帕特尔指出，员工往往低估了在企业环境中部署大型语言模型（LLM）的复杂性，认为可以像家庭使用一样简单。“我们通过设置预期管理这些误解，让人们了解到这并不是一个简单的点击即可完成的过程，它需要时间和思考来建立有效的治理机制。” 3. 确保输出质量 阿纳希塔·塔夫维兹（Anahita Tafvizi）是Snowflake的首席数据和分析官，她的团队不仅开发AI产品，而且作为这些产品的首个内部用户进行实验。塔夫维兹提到了Snowflake Intelligence，这项技术允许业务用户创建数据代理。她的团队特别关注AI工具的输出质量。“我们的销售部门AI助理推出了之后，我们面临的一个重要问题是‘95%的质量是否足够好？’我们必须仔细考虑这些问题，因为员工必须信任AI实验的结果。”她说，合适的治理结构、访问控制、数据血缘、元数据和语义模型对于平衡创新速度和治理要求至关重要。 4. 期待意外收获 托马斯·鲍登斯基（Thomas Bodenski）是TS Imagine的首席数据和分析官，他的公司在2023年10月开始使用AI来减少员工的工作负担。尽管最初关注的是自动化手动流程，但鲍登斯基表示，AI还带来了其他意想不到的好处。“使用AI不仅仅是减少工作量，它还能让我们做事情更快、更好，同时也大幅提高了覆盖面。”他说，TS Imagine每年会收到来自专业数据供应商的10万封有关产品变更的邮件，每封邮件都需要阅读和理解其影响。这一过程原本需要两个半全职员工，但现在通过Snowflake的AI模型得以完全自动化。“我们现在永远不会遗漏任何关键信息，这两个半全职员工可以专注于更有价值的知识工作。”此外，AI还解决了公司的一个薄弱环节：周六处理客户请求。“现在AI可以在周末自动响应客户询问，并分配给相应的人处理。” 业内评价与公司背景 这些经验教训表明，企业在实施AI时不仅要关注技术本身，还要重视基础建设和治理。阿斯利康作为全球领先的制药公司，其对AI的应用展示了AI在科研和商业化中的巨大潜力。Truist作为美国大型银行之一，重视数据的合规性和安全性，其经验对于其他金融企业具有重要参考意义。Snowflake是一家提供数据分析和数据共享解决方案的领先科技公司，其AI产品和技术在数据管理和自动化方面表现出色。TS Imagine则通过实际应用，展示了AI在金融技术领域的高效性和可靠性。这些公司的成功经验为其他企业应用AI提供了宝贵的借鉴和启示。