AI 试点项目如何成功扩展至生产环境

企业正经历智能体转型浪潮，尽管 AI 试点项目失败率居高不下，各方仍在积极寻求生产力提升与成本节约的突破口。

Boomi 产品高级副总裁 Mani Gill 表示，那些善于建立信任、衡量影响、展示成果并在项目推进过程中保持治理规范的企业，往往能在早期 AI 实践中取得更好的成绩。Gill 与同事、应用集成平台 AI 领域 CTO 兼创新负责人 Patricia Bradby Moore，在周三纽约举办的 AWS 峰会上，分享了多个客户案例中最具代表性的成功经验。

"这不仅仅是连接数据本身的问题，更在于智能体能否真正理解这些数据的含义以及如何加以利用。"Bradby Moore 说道。

Gill 指出，团队需要构建坚实的数据基础，并对所使用的 AI 工具有充分的了解，才能逐步建立信任。他建议团队从风险较低的 AI 应用场景入手，先行测试工具，因为这样更便于领导者奠定基础、识别变化并逐步扩大规模。

"大家都倾向于选择那些看起来最酷、影响最大的场景，"Gill 说，"但现实是，越酷、影响越大的场景，往往也是最复杂的。"

在建立信任之后，团队便可开始衡量影响并验证投资回报率（ROI）。尽管企业内不同部门对 ROI 的定义可能各有不同，但若不明确具体应用的业务影响，ROI 根本无从衡量。Gill 表示，团队还需明确究竟需要追踪哪些指标。

他同时强调，评估 ROI 时必须将风险纳入考量——团队需要判断所获得的生产力提升，是否值得承担随之而来的潜在风险。

在推动落地的过程中，领导者应明确表态鼓励员工进行探索与实验，以此引导采用计划走向成功。

Gill 表示，在整个组织内公开展示 AI 项目的成果，有助于所有人了解哪些方向有效、哪些方向不足。他观察到，一些团队成员因为使用了 AI 输出结果、而非独立完成任务或亲自编写代码，会产生羞耻感。

"我们需要转变这种思维方式，告诉大家：'我们使用这些工具，不是为了生产 AI 垃圾，而是为了创造 AI 价值。'我们需要能够清晰地展示这一点。"Gill 说。

对于顺利通过试点阶段的 AI 项目，保持护栏机制与治理规范至关重要。Gill 表示，这意味着需要制定员工使用 AI 及审查输出结果的规则与培训体系，同时企业还应追踪有多少智能体在运行，以及它们拥有哪些访问权限。

随着团队将应用场景从简单的自动化逐步扩展至更复杂的任务——例如参与企业决策的智能体工作流——"人在回路"协议变得不可或缺。

"我们努力推动的，不仅是技术层面的变革，更是流程与文化的全面转型。"Gill 说。

Q&A

Q1：AI 试点项目为什么失败率这么高？

A：失败的主要原因在于团队往往一开始就选择最复杂、影响最大的应用场景，而忽视了基础建设。Boomi 的 Mani Gill 建议，企业应从风险较低的场景入手，先建立数据基础和工具信任，再逐步扩大规模。此外，缺乏明确的业务影响定义、忽视风险评估，以及治理机制缺失，也是导致项目失败的常见原因。

Q2：企业如何衡量 AI 项目的投资回报率？

A：衡量 AI 投资回报率首先需要明确具体应用的业务影响，不同部门可能对 ROI 有不同定义，但核心是确定需要追踪哪些指标。同时，ROI 评估不能脱离风险考量，团队必须判断生产力提升是否值得承担潜在风险。没有清晰的业务目标和风险框架，ROI 的计算便无从谈起。

Q3：智能体工作流扩展时，企业需要注意哪些治理问题？

A：当智能体工作流从简单自动化扩展至参与企业决策时，治理规范至关重要。企业需要制定员工使用 AI 的规则与培训方案，持续审查 AI 输出结果，并追踪运行中的智能体数量及其数据访问权限。此外，"人在回路"机制在复杂场景中必不可少，确保人类始终能够介入和监督关键决策过程。