商业中的 AI：从早期采纳到今日的突破

打开邮箱，系统提醒 10 天前发出的邮件未获回复，建议跟进。确实需要提醒同事。这一幕让我反思：商业 AI 走过了多远，前路几何？

近 40 年前，伯克利本科时期，在 Alice Agogino 教授课上，我初遇 AI。教授在黑板绘制简单图示：

商业中的 AI：从早期采纳到今日的突破

彼时 AI 称「专家系统」，让更多人以专家水平完成多数任务，提升用户潜能、整体偏移业绩曲线。专家得以聚焦唯有其能攻克的最难任务。

「技术能规模化延展人类绩效」这一核心理念伴随我职业生涯，轨迹与 AI 演进同频。但途中有挑战：模型滞后于业务变化，虽能最优解决昨天的问题，渐趋陈旧；需专团队维护与使用。

今天的 AI：三大根本差异

传统方案碎片化：一套看当下运行（传统 BI），一套辅助决策如何运行，另一套记录做了什么（ERP）。用户须走冗长断裂路径：描述性/诊断性分析 → 预测分析 → 数字孪生优化 → 决策 → 回头录入 ERP。

AI 则直接从推荐起步，可向下探索预测/诊断/描述性洞察作为解释。AI 提供分步行动指南，甚至决策偏离推荐时亦能辅助执行。

传统专家系统过度聚焦自动化。今 AI 助我们导航、编排业务流程。我主张视 AI 为「增强智能」而非「人工智能」。今天我们能训练、适配 AI 服务己需。

传统系统静态、易陈旧，需增强修订纳入反馈或业务变化。AI 系统动态，随使用学习适应，越用越聪明、越有效。

传统 BI	AI
用户须走冗长断裂路径：从描述/诊断分析探索替代、预测结果、选择、最终行动运营业务。	提供推荐行动，可探索预测/诊断/描述性洞察作解释。AI 已完成常规分析步骤的所有繁重工作。
局限于描述性仪表盘、报表、警报。	融入用户日常任务；你甚至可能感觉不到它的存在。
演进中趋向泛化以覆盖更广受众。	学习变得个性化、越来越贴合个体行为偏好，即便用户群扩大亦然。
聚焦分析数据。	聚焦做决策。
静态、易陈旧。需增强修订以跟上业务变化偏好。	动态，设计为学习适应变化。越用越聪明、越有效。

AI 能力强大，但也带来挑战。

变革管理： 若视技术为威胁或拉高绩效指标工具，员工会破坏其成功；若视为让生活更易、更聪明、跨组织协作、成就更多的新工具集，员工会推动其成功。
AI 伦理： 需让 AI 更透明、更合乎伦理。模型学自教导与暴露的数据，数据有偏则 AI 有偏。没人愿追随黑箱推荐。模型须透明解释：推荐依据、假设、感知模式、探索选项。
问题定义： 须自问：我们用 AI 解决的问题，真的是当下最该解决的吗？应利用 AI 延展人类触达、改善生活，而非控制生活。

AI 迄今的变革，用一个词形容：革命性。我们拥抱、善用、改进这项技术越多，业务改善就越多。

Adeel Najmi 为 LevaData 首席产品官。

工业技术