通過調(diào)整“精益創(chuàng)業(yè)”方法論以適應(yīng)生成式AI項目試點，企業(yè)可以有效降低AI采納的風(fēng)險，并更好地確保在規(guī)?；瘧?yīng)用中取得切實成果。
圖片來源：GaudiLab / Shutterstock
在生成式AI出現(xiàn)之前，我們Rest——作為澳大利亞最大的養(yǎng)老基金之一——早已啟動了一項戰(zhàn)略，旨在為我們的會員簡化退休投資體驗。
然而，隨著2022年11月ChatGPT的發(fā)布，整個格局發(fā)生了巨大變化。我們認識到這項技術(shù)在為會員進一步提升效率方面的巨大潛力，同時也意識到它可能為我們這個受到高度監(jiān)管的組織帶來額外的風(fēng)險。
我們大約50%的會員年齡在30歲以下，許多人從事兼職和臨時工作，這意味著他們的賬戶余額通常低于全國平均水平。因此，我們必須高效運營，同時確保我們的投資獲得強勁的回報。生成式AI為實現(xiàn)這一目標提供了一個絕佳的機會。但是，正如許多組織已經(jīng)發(fā)現(xiàn)的那樣，利用生成式AI實現(xiàn)有意義的商業(yè)價值可能充滿挑戰(zhàn)。
從技術(shù)角度實現(xiàn)我們的目標，需要一種務(wù)實、可控的方法來釋放生成式AI的益處，同時該方法必須與我們的組織戰(zhàn)略和風(fēng)險偏好保持一致。
為了滿足這一需求，我們基于“精益創(chuàng)業(yè)”方法論開發(fā)了一個框架。我們的模型——“測試、衡量、擴展、放大”（Test, Measure, Expand, Amplify）——旨在指導(dǎo)和規(guī)?；墒紸I項目，同時有效規(guī)避風(fēng)險并實現(xiàn)可衡量的業(yè)務(wù)成果。
對于那些尋求實用項目管理方法以交付價值導(dǎo)向型生成式AI解決方案的組織而言，我們在Rest構(gòu)建的以下四步框架或可為其提供借鑒與指導(dǎo)。
第一步：測試 (Test) — 從小處著手，驗證想法
與“精益創(chuàng)業(yè)”方法論將“構(gòu)建”（Build）作為第一步不同，我們的框架始于實驗。在許多情況下，生成式AI模型已經(jīng)是“消費級”產(chǎn)品，無需大量的軟件開發(fā)即可上手。但在為一項AI計劃投入大量資源之前，從小處著手并驗證想法至關(guān)重要。
我們在此階段進行了一些實驗，包括引入RestGPT以提高員工生產(chǎn)力。在我們的首個版本中，我們在一個安全的環(huán)境中，利用運行在企業(yè)基礎(chǔ)設(shè)施上的ChatGPT“引擎”，并將數(shù)據(jù)存儲在我們自己獨立的租戶中。
為確保我們遵循一種受控且結(jié)構(gòu)化的方法，我們設(shè)立了“護欄”，包括一項“負責任使用政策”，要求員工同意在使用生成式AI時遵守我們的風(fēng)險與治理方針。
隨后，我們成立了一個工作組，在全公司范圍內(nèi)擔任倡導(dǎo)者，以幫助激發(fā)項目興趣。我們挑選了幾個關(guān)鍵用例進行測試，這些用例均與我們?yōu)闀T提升效率的目標相符。
為了使這成為一次真正的實驗，我們?yōu)槊總€用例設(shè)定了明確的基準。關(guān)鍵在于，我們需要了解在引入生成式AI之前，員工在每項任務(wù)上花費的時間，這樣我們才能衡量任何實際的改進。
這個“測試”階段使我們能夠以一種可控的方式驗證生成式AI的價值，確保其與業(yè)務(wù)需求對齊，同時系統(tǒng)性地管理風(fēng)險。
第二步：衡量 (Measure) — 定義真正重要的指標
我們框架中的“衡量”階段，是基于在“測試”階段建立的既定指標來評估每個用例。這是尤為關(guān)鍵的一步，因為項目團隊將在此階段做出關(guān)鍵決策：是繼續(xù)投資某個用例，還是停止并轉(zhuǎn)向價值更高的機會。
在高峰時期，我們約有90%的員工在使用RestGPT工具。但正如IT和項目負責人所知，工具的使用率僅僅是一個指標，其本身并非KPI。衡量與戰(zhàn)略目標相一致的生產(chǎn)力提升至關(guān)重要——在我們的案例中，即為會員帶來效率提升。
舉例來說，我們用RestGPT測試的一個用例是幫助我們的財務(wù)團隊分析市場洞察報告。在RestGPT的協(xié)助下，執(zhí)行此項分析所需的時間減少了約85%——這在試點期間為我們的分析師節(jié)省了大量時間。
這正是在“衡量”階段所要尋找的結(jié)果：一個清晰、可量化的效率提升。它是一個強有力的價值指標，并為規(guī)?；茝V該用例提供了充分理由。
第三步：擴展 (Expand) — 規(guī)?；兄行У姆桨?/span>
在我們框架的“擴展”階段，我們在實驗成功的領(lǐng)域識別更多的用例，以擴大生成式AI的影響力。然而，我們也認識到，并非每個用例都能如預(yù)期般規(guī)模化。
在“測試”階段確認了RestGPT能推動生產(chǎn)力提升后，我們便將目光投向了基于聊天的AI之外，開始探索企業(yè)級的AI集成。
我們當時還在并行測試一個聊天自動化工具，旨在通過生成推薦回復(fù)來支持員工的在線聊天。該工具能提供AI生成的回復(fù)，客服專員可以在與會員的實時聊天互動中復(fù)制、編輯并發(fā)送。
從表面上看，結(jié)果似乎很不錯，該工具提供了大量高度準確的回復(fù)建議。但當我們分析實際采納率時，發(fā)現(xiàn)只有一小部分建議被我們的員工使用。他們對于依賴AI來實時撰寫回復(fù)感到不適。因此，我們沒有強行推進一個未被充分使用的解決方案，而是在僅僅兩周半后暫停了該計劃以調(diào)整策略。
這是一個關(guān)鍵的學(xué)習(xí)時刻：并非每個生成式AI用例都能成功規(guī)模化，即使它通過了初步測試。采納率與準確性同等重要。
相比之下，呼叫中心的其他試點項目，如語音轉(zhuǎn)文本轉(zhuǎn)錄和通話數(shù)據(jù)分析，則顯示出立竿見見的價值，將通話后處理工作時間減少了50%。
“擴展”階段將使你能夠精確地找到生成式AI在何處以及如何發(fā)揮最大影響。通過保持靈活性并關(guān)注采納率，你可以在必要時進行調(diào)整。
第四步：放大 (Amplify) — 釋放全部潛力
我們框架的最后一步，是項目團隊退后一步，評估進展，并識別那些將產(chǎn)生最大影響的進一步用例。
在此階段，項目團隊專注于那些能在規(guī)?；瘧?yīng)用中交付最大價值的用例。在我們的案例中，我們基于兩個關(guān)鍵因素進行評估：
影響力 (Impact)：基于實施成本與“節(jié)省的員工工時”或“質(zhì)量提升”所計算出的用例擴展的凈現(xiàn)值 (NPV) 是多少？
可行性 (Practicality)：考慮到與現(xiàn)有系統(tǒng)的集成、現(xiàn)成解決方案的可用性以及潛在風(fēng)險，在規(guī)模上實施該項目的可行性如何？
基于這種方法，我們發(fā)現(xiàn)了兩個生成式AI可以顯著增強我們戰(zhàn)略的明確領(lǐng)域：
Rest員工的AI助手：我們的第一個“放大”計劃涉及升級RestGPT，將其應(yīng)用范圍擴大到所有800多名員工。通過利用一個企業(yè)級平臺，我們能夠?qū)⑵浼傻皆S多后臺系統(tǒng)，如ServiceNow、Atlassian、M365和辦公桌預(yù)訂系統(tǒng)，這使我們能夠集中化知識檢索和任務(wù)自動化，包括處理IT請求。通過升級到企業(yè)平臺，我們現(xiàn)在可以追蹤哪類員工在使用該工具以及用于何種目的。追蹤實際節(jié)省的工時對我們而言是一個“游戲規(guī)則改變者”。這使我們能夠識別從初級分析師到高層管理人員所節(jié)省的時間，并讓我們對正在實現(xiàn)的價值充滿信心。
呼叫中心的對話輔助：我們的第二個計劃專注于提升呼叫中心的會員體驗。通過將AI與人類專業(yè)知識相結(jié)合，我們在會員通話時為員工提供量身定制的指導(dǎo)。通過與一家生成式AI平臺合作，我們看到了在每天1600通電話中提升效率的機會。通過將每通電話的處理時間平均減少2.5分鐘，我們估算出每年可節(jié)省總計20,000小時。這使得我們的呼叫中心員工每天能幫助更多的會員。
我們的“放大”階段帶來了另一個關(guān)鍵的學(xué)習(xí)時刻：借助生成式AI，你可以發(fā)現(xiàn)意想不到的好處。例如，我們曾低估了分析通話數(shù)據(jù)的價值，而現(xiàn)在我們正利用這些數(shù)據(jù)來更深入地洞悉會員最關(guān)注的話題。
利用生成式AI交付成果
在Rest，這個框架在引導(dǎo)我們應(yīng)對生成式AI采納的復(fù)雜性方面發(fā)揮了關(guān)鍵作用，確保了我們的各項舉措與戰(zhàn)略目標保持一致，并為我們的會員交付了切實的價值。
當您在考慮自己的生成式AI之旅時，我們希望采納一個像“測試、衡量、擴展、放大”這樣的框架，能有助于您開發(fā)以價值為導(dǎo)向的用例，并將其有效地規(guī)?；疗髽I(yè)級別。
1.【核心挑戰(zhàn)/背景】
企業(yè)在面對生成式AI浪潮時，普遍陷入一個核心困境：一方面，該技術(shù)展現(xiàn)出重塑業(yè)務(wù)效率與客戶體驗的巨大潛力；另一方面，在高度監(jiān)管和成本敏感的環(huán)境中，盲目投入不僅可能導(dǎo)致資源浪費，還可能引入難以控制的合規(guī)與數(shù)據(jù)安全風(fēng)險。文章以澳大利亞大型養(yǎng)老基金Rest為例，其會員結(jié)構(gòu)年輕化、賬戶余額普遍偏低的特點，決定了其運營效率必須做到極致。因此，對Rest而言，挑戰(zhàn)并非是否要采納AI，而是如何以一種務(wù)實、可控且與自身戰(zhàn)略和風(fēng)險偏好高度匹配的方式，將AI的巨大潛力精準地轉(zhuǎn)化為可衡量的商業(yè)價值，從而避免陷入“試點煉獄”，確保創(chuàng)新能夠真正服務(wù)于核心業(yè)務(wù)目標。
2.【應(yīng)對策略/核心論點】
為應(yīng)對上述挑戰(zhàn)，Rest公司借鑒“精益創(chuàng)業(yè)”思想，獨創(chuàng)了一套名為“測試-衡量-擴展-放大”的四步走框架，旨在系統(tǒng)化地解構(gòu)和管理AI項目的生命周期。第一步“測試”，主張從小范圍、有明確基準的實驗入手，如內(nèi)部使用的RestGPT，并設(shè)立“負責任使用政策”等治理護欄。第二步“衡量”，強調(diào)對結(jié)果的量化評估，用實際數(shù)據(jù)說話，例如財務(wù)團隊利用AI分析報告，時間縮短了85%，這一清晰的效率提升成為了繼續(xù)投資的有力依據(jù)。第三步“擴展”，在成功的領(lǐng)域擴大應(yīng)用，但同時保持警覺，因為并非所有試點都能成功規(guī)?；?。一個關(guān)鍵案例是聊天自動化工具，盡管技術(shù)上準確率高，但因員工采納率低而被果斷暫停，這揭示了“用戶采納率與技術(shù)準確性同等重要”的核心洞察。第四步“放大”，則是在前序基礎(chǔ)上進行戰(zhàn)略聚焦，基于影響力（凈現(xiàn)值NPV）和可行性兩大標準，篩選出最具規(guī)?；瘍r值的項目。最終，他們鎖定了企業(yè)級AI助手和呼叫中心對話輔助兩大方向，前者通過與ServiceNow等后臺系統(tǒng)深度集成，實現(xiàn)了對員工生產(chǎn)力價值的精準追蹤；后者預(yù)計每年能節(jié)省20,000小時的通話處理時間。?
3.【結(jié)論與啟示/戰(zhàn)略價值】
該四步框架的最終結(jié)論是，生成式AI的成功落地并非依賴于一次性的技術(shù)豪賭，而是一個紀律嚴明、迭代演進的價值發(fā)現(xiàn)過程。對于企業(yè)的CIO和CDO而言，其戰(zhàn)略價值體現(xiàn)在提供了一套將AI從概念炒作轉(zhuǎn)變?yōu)槠髽I(yè)級戰(zhàn)略資產(chǎn)的務(wù)實路線圖。它強調(diào)，真正的護城河并非技術(shù)本身，而是駕馭技術(shù)的能力。該框架的核心啟示有三：第一，風(fēng)險可控的創(chuàng)新，通過“先測試、后投入”的模式，將創(chuàng)新風(fēng)險最小化；第二，價值驅(qū)動的決策，以可量化的業(yè)務(wù)指標（如節(jié)省工時、提升質(zhì)量）和用戶采納率作為項目存續(xù)與否的唯一標準；第三，戰(zhàn)略聚焦與規(guī)?；?，通過系統(tǒng)性評估，將有限的資源集中投入到能產(chǎn)生最大復(fù)利效應(yīng)的應(yīng)用場景中。最終，這個框架幫助決策者擺脫了對AI的模糊期望，建立起一套可復(fù)制、可衡量、可持續(xù)的AI價值實現(xiàn)機制。
總結(jié)：面對生成式AI帶來的機遇與風(fēng)險，企業(yè)亟需一套務(wù)實的落地方法論。“測試-衡量-擴展-放大”四步框架，通過小范圍實驗、量化價值評估、關(guān)注用戶采納和聚焦高影響力場景，為決策者提供了一條從零散試點到企業(yè)級戰(zhàn)略整合的清晰路徑，確保AI創(chuàng)新在風(fēng)險可控的前提下，實現(xiàn)可衡量的商業(yè)價值。
（二）金句
成功的生成式AI戰(zhàn)略，并非一場追逐技術(shù)浪潮的豪賭，而是一張精心繪制的航海圖，它指導(dǎo)企業(yè)在規(guī)避暗礁（風(fēng)險）的同時，精準抵達價值大陸（商業(yè)成果）。
書名:?The Lean Startup(中文譯名：《精益創(chuàng)業(yè)》)
作者: Eric Ries
推薦理由: 本文提出的四步框架明確基于“精益創(chuàng)業(yè)”方法論。閱讀此書可以深入理解其“構(gòu)建-衡量-學(xué)習(xí)”的反饋循環(huán)核心思想，這對于任何希望在不確定性高的領(lǐng)域（如生成式AI）進行低風(fēng)險、高效率創(chuàng)新的企業(yè)決策者來說，是必讀的基礎(chǔ)理論。
網(wǎng)址:?https://theleanstartup.com
書名:?Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World(中文譯名：《AI時代的競爭：當算法和網(wǎng)絡(luò)主宰世界時的戰(zhàn)略與領(lǐng)導(dǎo)力》)
作者: Marco Iansiti and Karim R. Lakhani (哈佛商學(xué)院教授)
推薦理由: 本文聚焦于AI實施的“戰(zhàn)術(shù)”層面，而這本書則提供了“戰(zhàn)略”層面的宏大視野。它深入探討了AI如何從根本上重塑企業(yè)運營模式、競爭格局和組織架構(gòu)。對于希望理解AI對整個商業(yè)生態(tài)系統(tǒng)深遠影響的CIO和CDO而言，此書能幫助他們將具體的AI項目置于更宏大的企業(yè)戰(zhàn)略轉(zhuǎn)型框架中進行思考。
網(wǎng)址:?https://www.hbs.edu/faculty/Pages/item.aspx?num=56633
行業(yè)報告:?The state of AI in 2024: A new era of Gen AI for all(中文譯名：《2024年AI現(xiàn)狀：全民生成式AI新紀元》)
機構(gòu): McKinsey & Company (麥肯錫公司)
推薦理由: 這份來自麥肯錫的年度報告提供了關(guān)于全球企業(yè)采納AI（特別是生成式AI）的最新數(shù)據(jù)、趨勢和洞察。它可以為Rest公司的案例提供更廣泛的行業(yè)背景，幫助決策者了解不同行業(yè)、不同職能部門的AI應(yīng)用成熟度、投資回報率以及面臨的共同挑戰(zhàn)，從而更好地校準自身的AI戰(zhàn)略和期望。
網(wǎng)址:?https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2024-a-new-era-of-gen-ai-for-all
