全文阅读时长约12分钟

要真正发挥人工智能的价值，关键在于“精准匹配”——即在企业现有的数据资源与真实的业务问题或机遇之间，找到能创造价值的结合点。这个过程并不简单，但以下几个原则可以帮助您厘清思路、提出关键问题，并避开常见陷阱。

眼下，人工智能（AI）热潮持续升温，几乎所有企业都在寻找真正落地的用例——那些能够带来洞察、提升效率、甚至改写业务格局的应用。而实际上，这个过程更像是在拼一幅没有参照图的拼图，既复杂又充满未知。企业往往需要大量试验、不断调整，同时在技术和人才上持续投入，才能慢慢摸索出适合自己的AI解决方案。

究竟何为合格的人工智能用例，目前尚未形成清晰明确的界定。一位企业高管表示，所谓的人工智能用例，是指“将人工智能工具应用于特定行业，用以提升效率或增加收入”。而一位技术供应商则给出了不同看法，他认为用例是“我们已具备的人工智能技术和能力，在多个客户环境中成功部署并得到验证的成熟方案”。由此可见，不同视角下，人们对“用例”的理解也大相径庭。

我们的研究得出结论，一个优质的人工智能用例源于一场“精准匹配”行动，即在企业数据资源与具体业务问题或机遇的交汇处探寻价值。但实践远比理论复杂。在我们访谈的众多企业中，数据质量欠佳、数据准备不足、数据分散难以整合等问题依旧困扰着它们。与此同时，业务问题本身往往难以明确界定，其背景和内容因企业而异，而且还会随着时间不断变化。此外，企业高管与数据科学团队之间常存在“语言鸿沟”，语言沟通的重要性不容忽视，沟通障碍往往会成为关键制约因素。

那么，如何设计有价值的人工智能用例？事实上，数据与业务问题/机遇之间的匹配绝非一蹴而就之事，而是一个需要反复尝试、持续优化、不断从实践中学习且耗时颇长的过程。在人工智能用例设计阶段，有四个关键原则需要遵循。这些原则虽不能保证人工智能项目的实施百分之百成功，但至少能在用例设计阶段助您规避一些常见陷阱，使项目探索之路更加稳健、高效。

关键一：针对业务问题或机遇，精准匹配人工智能项目类型

如前文所述，沟通至关重要。我们在研究中发现，不同企业对于人工智能项目（AI initiatives）的定义存在重叠现象。鉴于人工智能项目在项目周期、复杂程度、不确定性与风险水平以及预期成果等方面存在显著差异，因此，在项目启动之初就清晰界定这些特征，对于确保项目顺利推进而言意义重大。

人工智能实验（AI experiments）通常规模较小，且有明确的时间限制，其核心目标在于验证特定假设或深入探究具体问题。此类实验旨在以较低成本投入，检验原始假设的可行性。例如，可开展一项人工智能实验，测试一套机器学习算法，评估其在历史数据中识别欺诈模式的效果。若实验结果呈积极态势，下一步通常将推进至更具结构性的项目，如概念验证（POC）或试点项目。

人工智能概念验证（POCs）与试点项目属于聚焦性专项工作，旨在受控条件下验证人工智能应用的可行性。这类项目耗时更久，通常调用部分真实数据，并接入实际的业务系统进行测试。例如，企业可能借助小规模客户服务数据集，检验人工智能聊天机器人能否精准回应客户咨询。一旦技术可行性得以证实，后续通常会对系统的性能、可用性及可扩展性展开评估，以推动系统正式投入运行。

人工智能项目通常是结构化、定义清晰的工作，往往遵循一套明确的方法论（比如敏捷开发流程）。根据项目复杂程度不同，周期可能长达数月，甚至数年。例如，一家工业企业在全公司推广基于人工智能驱动的预测性维护系统，这是典型的人工智能项目。

人工智能用例在何处体现？

人工智能用例，指的是将人工智能技术应用于特定业务情境或具体问题，以验证业务机遇并从中创造实际价值的场景。它是人工智能项目的起点，也决定了实验、试点和概念验证的方向。用例为这些后续工作提供了业务背景以及评估标准，后续举措的设计与评估均以此为基准。开发成功的人工智能项目是一个高度迭代的过程。用例起到了桥梁作用，助力企业实现数据与具体业务问题或机遇的精准匹配，并通常会推动开展实验。实验旨在验证支撑用例的假设。当实验通过验证后，下一步是进入概念验证阶段；而成功的概念验证将进一步推进至规模更大的试点项目，为更广泛的部署策略提供依据。最终，经过试点验证的项目才具备在企业全面上线部署的条件。因此，一个用例最终成功的标志，就是转化为一项全面投入运营的人工智能项目。

人工智能用例的开发工作，应以业务需求为核心驱动力。例如，当新兴的、具备潜在变革性的技术（例如生成式人工智能）问世，或者需要通过更有说服力的商业案例以支持高成本转型项目时，业务部门就迫切需要通过在有限范围内开展可量化的成果验证，来获取必要的资金支持。用例能够帮助企业明确真正的价值富集区，进而为人工智能战略的落地实施提供指引。

利用历史试验数据、人口统计学信息以及站点绩效指标，开发了一个机器学习模型，通过迭代方法将业务挑战与相关数据集相匹配。

成功的人工智能用例应具备哪些标准？

在调查中，我们发现成功的人工智能用例通常具备以下几个特点：

• 业务问题或机遇与特定数据集和/或人工智能模型之间的反复匹配与调整。
• 测试和验证剩余假设，明确价值创造的方向。
• 多数情况下聚焦于具体行业或细分领域。
• 中期推进周期，通常为三到九个月，并设有明确的关键时间节点，用于决策是否继续推进。
• 明确的里程碑和关键绩效指标（KPI），以衡量预期成果。
• 有高级管理人员担任项目推进者，负责项目成败，并在推广阶段成为有力的支持者。

例如，在访谈过程中，一位制药行业的高管分享了一个运用机器学习技术优化临床试验中心选址的典型用例。该项目通过历史试验数据、患者人口信息和试验中心绩效指标，反复匹配业务需求与相关数据，开发出一个机器学习模型。项目的目标是在为期六个月的时间内，通过回顾性和前瞻性测试，验证减少选址错误的假设。项目设定了明确的里程碑和关键绩效指标（KPIs），如招聘速度提升，以及时间节点的遵守情况，确保成果可量化。此外，项目中期还设置了关键决策点，以综合评估项目进展，决定是否进一步推进至大规模实施阶段。该倡议由一位高级管理人员牵头，有力保障了项目与企业整体战略的高度契合，并在用例取得成功后积极推动其更广泛的落地应用。这一基于假设驱动、不断迭代的方法，充分彰显了该人工智能用例为企业创造显著价值，并具备向全公司运营层面推广的巨大潜力。

例如，一家信用卡公司在探索人工智能在信用卡欺诈检测中的潜在应用。

关键二：确定匹配关键点

传统观点指出，用例开发应以具体的业务问题或机遇作为起点，进而追溯解决该问题或把握机遇所需的数据。但在人工智能领域，这种关系更像“先有鸡还是先有蛋”——有时是从业务问题切入，有时则是从已有数据展开。尽管构建一个通用且具备灵活性的技术架构至关重要，但它绝不应成为用例开发的起始点。业务问题的内容往往聚焦于特定场景，其背景信息不容忽视。一个好的业务问题定义需要具备具体性、相关性、客观性且可量化性（毕竟数据是人工智能解决方案的核心）。

例如，一位医疗行业的高管讲述了一个用例开发历程。最初，团队提出的业务目标为“期望借助人工智能技术提升医院入院流程效率”。然而，这一表述过于笼统，缺乏对具体问题、应用场景、成功衡量指标以及数据来源的明确界定，致使项目难以有效推进。经过多次调整，团队将目标重新定义为：“通过识别30天内高风险再入院的患者，确保他们得到及时的跟进护理，力争将再入院率降低10%，并改善患者的治疗效果。”这一更为明确的目标设定，为一场卓有成效的数据与业务需求匹配工作奠定了基础。团队首先着眼于电子健康档案、患者人口统计信息、治疗方案及历史再入院数据，随后在这些数据基础上应用人工智能模型，推动项目的深入开展。

现有或可获取的数据集也可以作为良好的切入点。借助人工智能赋能，数据集中潜藏的有价值模式能被挖掘，进而为业务问题或机遇生成假设与洞见。

例如，一家信用卡公司在探索人工智能在信用卡欺诈检测中的潜在应用。该公司利用无监督机器学习技术，对大量交易日志进行分析，且没有预设具体问题或场景。人工智能系统发现了一组来自不同商户类别和地区的交易，这些交易在时间点上表现出异常规律，且刷卡顺序异常（识别出异常模式）。这一模式提示可能存在一个跨多商户协同作案的欺诈团伙（假设和洞察）。基于这一数据洞察，公司得以明确用例，开发出针对性的欺诈检测模型，主动识别并拦截这些复杂的欺诈行为。

遗憾的是，将数据集与业务问题或机遇进行匹配，远不像在交友平台上为个体牵线搭桥那般简单。业务和数据两方面都具有动态变化的特性，会随着时间不断演进。数据集并非静态存在，它们之间存在互补关系，即当与具备互补属性的其他数据融合时，其价值会显著提升。例如，机器使用时的天气状况数据。同样，业务问题和机遇也会随着经济环境、市场状况、竞争态势以及客户需求和行为的变化而不断发展。例如，当下越来越多关注健康的消费者，对有机食品、供应链透明度、营养信息以及可持续生产方式的需求日益增长。

此外，无论是数据集还是业务问题和机遇，都存在“已知”与“未知”的部分，需要在实践中不断识别和厘清。比如说，一个数据集可能只涵盖了特定的时间范围，但如果进一步挖掘历史数据，数据模式可能会发生变化。再比如，一个业务机遇可能建立在当前的隐私监管环境之上，但未来的监管变化可能会对其可行性产生影响。

因此，在这些情况下，该如何启动“匹配”的过程呢？

首先，无论是从业务问题出发，还是从数据入手，都需要对二者进行评估与确认。评估业务问题或机遇的关键标准包括可行性，即是否能够实现预期成果，以及影响力，即成果能否显著提升业务绩效。而在数据方面，评估的关键标准包括可获取性，即我们是否能够找到足够可靠的数据来支撑决策或行动，以及可访问性，即是否能够以合理的成本获取这些数据。其次，需要通过反复迭代，进一步明确“匹配维度”。例如，如果我们调整工作流程，是否能够提升业务问题的可行性？又或者，是否能够找到替代数据或公开数据，在具备足够高置信度的前提下，为决策提供支持？

深入理解匹配维度，是成功设定人工智能用例的关键，也将显著提升项目的成功率。

关键三：迭代匹配过程

一旦明确了构成人工智能用例的数据维度和业务维度，就可以着手开展匹配与迭代工作。切忌让业务团队先独立定义问题或机会，再交由数据科学团队处理，反之亦然。应从一开始就组建跨职能团队，将数据科学与深入的业务领域知识和流程经验相结合，以实现更理想的成功。

这个过程通常包括三个阶段：

1. 假设构建。明确阐述业务维度和数据维度下的核心假设。在业务层面，可列出导致该问题发生的一系列前提条件，例如，需要在什么情境下该业务问题才会出现。在数据层面，可以初步界定数据集所包含的变量，并思考是否需要引入其他数据源来辅助构建人工智能用例。理想情况下，双方的假设应能够初步勾勒出潜在的解决路径：现有数据是否足以支撑问题的解决？适合采用何种人工智能模型？
2. 假设验证。本阶段旨在提高对业务与数据假设的信心。业务问题或机遇通常涉及对关键流程负责人或业务相关方进行定性深度访谈。数据层面则需确认相关数据集是否真实存在、是否可访问，以及其数据质量是否足以支撑人工智能用例的构建与运行。
3. 洞察形成。这一阶段是数据与业务维度紧密匹配的过程。数据科学与领域经验的结合将推动洞见的产生和价值的实现。我们能否通过这种匹配构架持续解决问题或抓住机会？是否需要通过组织或工作流程的调整来解决业务方面的问题？是否需要更多或不同的数据以提升自信程度？我们是否拥有合适的人工智能模型或算法？这些问题的答案将引导反馈循环的进行，以及迭代的深度。随着匹配的不断完善，价值驱动因素变得更加清晰，从而初步勾勒出该用例能够带来的业务收益。

图1 人工智能用例迭代框架

用例执行过程应有明确的结束点。企业失败的常见原因之一是让用例演变成其他形式的试验或与项目相关的其他工作。因此，应设定时间框架、明确指标和清晰的结果。组织性学习是推动人工智能持续进步的关键。

关键四：尽早计划扩展人工智能用例

用例应成为人工智能战略的核心组成部分。成功的用例能帮助您明确业务中真正的人工智能价值所在。然而，仅靠用例本身并不能带来投资回报（ROI）。只有在应用规模化推广后，商业价值才能体现。在初期，您需要提出以下问题，确保能够顺利将成功的用例转化为具有变革性的项目：

• 扩展后的用例能否在战略层面产生显著影响，推动客户体验、运营效率、员工体验或商业模式等核心目标的实现？
• 用例所解决的问题是否具有可重复性，适合通过长期的人工智能解决方案进行持续改进，而非一次性任务？
• 企业是否具备足够的资源和预算支持用例的规模化实施，包括财务规划及供应商和合作伙伴的管理能力？
• 是否拥有稳定且可扩展的技术基础设施，包括模块化设计、云原生架构、机器学习运维实践及高效的数据处理管道？此外，是否建立了跨用例的统一标准，如共通的数据和技术层？
• 数据资源是否具备高质量且可持续性，支持长期运营所需，包括完善的数据治理体系、质量控制机制及灵活的数据合作伙伴关系？
• 能否有效管理扩展过程中的安全性、合规性及伦理风险，确保符合法规要求、数据隐私保护及伦理规范？
• 企业是否具备实施规模化部署所需的技能储备和准备度，包括跨部门协作机制、人才培养及培训计划？
• 是否明确了预算责任主体和业务负责人，确保人工智能解决方案能够顺利嵌入并持续优化业务流程？

大多数企业会同时推进多个用例项目，只要遵循一定的规则，并建立清晰的内部治理，这种做法是可行且有效的。建议将人工智能战略聚焦于一个以统一技术和数据架构为支撑的用例组合。

如果从一开始就将可扩展性作为核心目标，而非事后考虑，人工智能用例才能顺利完成从探索到生产的转变，为实现长期且有实效的业务价值奠定基础。

业务问题或机遇与数据集的结合，可能成为助长人工智能战略落地的“最佳拍档”。成功的用例是发掘业务价值的核心，但如前所述，这往往是一段漫长的、迭代不断、组织协同高度复杂且结构化的旅程。正如 Spotify 的实践所示：组织越善于运用“用例迭代”的机制，其匹配效率和质量就越高。领导力、业务转型能力以及责任落实，是实现成功的关键。借用乔布斯的话来说：“如果你仔细观察，大多数人工智能的‘一夜成名’，其实都经历了长时间的打磨。”

本文翻译自I by IMD，中文版本仅供参考。 点击“阅读全文”，获取英文原版。 

关于作者

关于瑞士IMD国际管理发展学院

瑞士IMD国际管理发展学院已有75年以上历史，始终致力于培养能够推动世界更加繁荣、可持续与包容的领导者与组织。IMD由一支专业且多元化的教师队伍领导，在瑞士洛桑和新加坡设有校区，并在中国深圳设有管理发展中心，致力于成为全球有志个人和组织最值得信赖的学习伙伴。IMD的高管教育和学位项目长期位居全球领先地位。这一持续领先源于IMD独特的“真实学习，真实影响（Real Learning, Real Impact）”教育理念。通过屡获殊荣的研究、课程和咨询服务，我们助力商业领袖找到更新更好的解决方案，挑战现状，启迪未来。