AI赋能企业数字化应用，将面临哪些“坑”？
近两年来，随着AI技术的不断发展，许多传统企业的数字化转型进程得到了推动。
但在实际落地过程中，可以看到AI与业务的融合，通常是“雷声大，雨点小”。
很多先进技术对企业的业务影响，总是“隔靴搔痒”，让业务方对智能技术的实际价值犹豫不决！
有些人说，AI浪潮就像二十年前的因特网一样，很快就席卷了各个行业。但是这一过程，也许比想象的要长。
造成AI落地阻力的原因有很多。
一是技术本身的特点。
在互联网时代，数字技术主要解决业务在线化的过程。所有的业务活动都是先在物理世界中定义，然后在数字系统中“再现”。
比如在一个合同审批流程中，之前的线下部门审核或者是哪个部门审核，只是无纸化，所有的领域模型和决策判断都没有根据。
尽管引入了互联网技术，但这一事务仍然是由人完成的，只影响流程效率，不影响流程结果。
但是AI技术在业务中的引入是不同的，事务的处理方式发生了变化，执行主体由人变为机器。
然而，大多数AI技术的底层技术模块都是围绕密集向量计算的“黑盒”推理逻辑，这使得AI输出结果极其不可控，对应的结论可解释性较差。
比如很多自媒体平台会根据用户的行为日志“限制流量”，当客户觉得莫名其妙的“委屈”，想向平台投诉时，即使是官方客服也往往很难给出满意的解释。 ...
在企业应用中，AI技术会引入对流程的“失控感”，大多数公司都讨厌风险，甚至比成本更敏感。当AI技术落地到实际业务应用中时，它的准确性门槛非常高。
为了达到特定的算法准确性，需要投入大量的R&D成本。当R&D成本大于长期人工成本时，公司将放弃这个“AI替代”项目。
所以，尽管理论上很多AI技术也可以替代业务，但是经济账户并不划算，最终也会很难落地。
第二，责任和伦理问题。
这个话题在AI技术的发展中已经讨论过很多次了，这里就不赘述了。缺乏责任会导致很多问题，比如组织考核激励失衡、风险控制失衡、利益分配失衡等等。
第三，“长尾需求”。
目前大部分AI技术都依赖于一定规模的可见数据集训练，但在实际业务中，零样本、小样本的问题数不胜数。
比如上过班的人都知道，他们每天处理的大部分事情都是从未见过的“坑”。世界是一个草台团队，没有那么多规范标准的事情要处理。
当大多数业务问题都是非标准化的，几乎没有见过的时候，AI很容易失败。在这种情况下，AI技术的服务效果并不像“人”那样敏捷灵活。
第四，“业数结合”难度大。
传统业务从业者很容易理解互联网，但理解AI技术的门槛更高。与其他传统业务领域相比，AI技术从业者的专业芥蒂更大。
因此，业务人员缺乏对AI技术能力边界的基本认知和判断，使得AI产品R&D团队难以有效地与业务人员就解决方案达成一致。
AI技术可能很难实现很多业务人员认为可以简单做到的事情；另一方面，一些看似难以完成的业务任务可能已经被AI解决了。
这主要是因为人和机器解决业务问题的底层机制不同，所以非AI领域的人很难客观评价AI的能力或者理解AI的输出行为。
也正是因为如此，关于AI应用的讨论通常是不愉快的。面对过高或过低的期望，业务方和技术方之间很容易产生不信任，进而影响良好的“AI“发现和落地需求。
本文来自微信微信官方账号“大话数字化转型”（ID：dataminingxmz），作者：数字刘老师，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com