从建立孤立的概念证明到缺乏定义的成功标准，一系列的陷阱都会破坏你人工智能项目的商业前景。

近年来企业对人工智能的商业热情一直有增无减。IDC的最新预测显示，全球企业在认知和人工智能系统（从聊天机器人到深度学习，再加上为这些系统提供动力的基础设施）上的支出将从今年的240亿美元增至2022年的776亿美元，增长将达到两倍以上。

更为明显的是，人工智能已经从早期的采用者变成了主流的商业用例，几乎每个行业都有广泛的组织在探索试点项目，并将人工智能投入生产。但这并不意味着在这过程中是万无一失，毫无风险的。如果你不想浪费你将要花在人工智能上的资金，这里有一些常见的错误需要避免。

贪多必失

“不要试图在第一天就把海洋煮沸，”微软云人工智能团队的负责人Lance Olsen告诉CIO．com。你不可能在一夜之间就能用人工智能来改变你的整个商业决策过程，所以最好从小处着手，在你获得专业知识的同时采取渐进的步骤。

寻找你容易摘到的果实。在处理最重要的系统之前，你需要开发一个系统先用于实验和验证实验结果。他警告称：“不要一开始就进行最大的投资。”

建立独立的概念验证系统

构建一个一次性的人工智能系统并不能帮助你创建人工智能的整体流程，也不是你现有数据管道的一部分，无法让你向前走得很远。你需要为每个项目创建一个可持续的AI资产。在这里，可持续性意味着一个能够产生足够投资回报率的系统，你可以持续投资该系统以实现进一步的开发和扩展。每次你这样做的时候，都将有助于为整个业务创建AI功能，而不仅仅是一个特定团队的新工具。

在你已经在做的商业分析的基础上，将这些历史系统转化为预测能力。Olsen说：“从投资优化开始，利用你现有的管道，在你已经做的事情上进行优化。”然后你就可以继续进行更革命性的项目，对你的流程工作方式做出更大的改变。

没有合适的技术基础设施

根据麦肯锡最近的一份报告，在开始人工智能之前，你需要投资核心的和更先进的数字技术。已经在云计算、移动和网络开发、大数据和分析领域拥有专业知识的公司采用人工智能工具的可能性是其他公司的三倍。四分之三采用人工智能的组织表示，他们依赖于从现有的数字能力中学到的东西。换句话说：如果你的企业还没有准备好利用云计算和数据分析，那么你可能也还没有准备好接受人工智能。

缺乏数据

绝大多数人工智能系统——包括企业自行构建的——都是机器学习系统，而机器学习需要数据。正如微软公司副总裁Julia White在公司最近的商业AI活动上所说的，“我们新的机器人会在哪里？或者说，新的机器人会从哪里学习呢？”事实上，如果没有好的数据，AI会伤害你而不是帮助你，因为你实际上是在对一些没有实际证据的事情充满信心。

此外，如果你只有和你的竞争对手一样的公共数据，你只会得到和你的竞争对手一样的洞察力，所以你需要使用你组织自己的独特数据。假设你已经收集了正确的数据，这些数据也还需要进行清理和标准化。

不要低估在这方面所需的投资；收集和清理数据通常占了数据科学家工作的80％左右。从你已经用于商业智能和分析的数据开始，还可以更容易地确保你的人工智能系统将支持关键的业务流程，从而使其更有可能发挥作用。这也将有助于你定义数据准备的工具和流程，你可以使用这些工具和流程来处理尚未使用的数据。

缺乏评估和衡量成功的标准

数据科学就是科学。你需要有一个关于如何改进商业决策、销售、客户支持或其他任何你想用AI做的事情的假设，你必须在行动中测试并评估结果。

这意味着你需要设计如何衡量一个项目是成功的——无论是在采用还是结果方面。这可以转化为使项目与员工的业绩截止日期保持一致，比如销售和营销团队的90天前景，或者联系中心的小时配额。这也意味着拥有一个不使用新系统的控制组，因为如果你在开发新系统上投入了大量资金，可能会得到一个过于主观的结论。你需要确保人们在做数据驱动的决定，而不是依靠直觉；如果他们习惯性地忽略数据，那么即使让人工智能工具向他们展示数据也将无济于事。你还需要提前决定成功是什么样子的，因为这是你正在测试的假设。你想要更多的客户订单还是更大的订单？你想减少客户支持电话，还是需要更少的时间来解决打电话的客户？

开始时不知道人工智能能帮你解决什么问题

“人工智能”这个词的问题在于，它能让人觉得一切皆有可能。在过去的几年里，人工智能行业已经取得了巨大的进步，但是你仍然需要知道人工智能可以实际提供什么，以及它将如何集成到你现有的系统和业务流程中。然后你需要知道你的组织有什么问题，人工智能可以帮助你解决什么问题。你不能因为其他公司都在采用人工智能，就采用它。

“高管们在求助于人工智能之前需要考虑两件事，”Cheetah Digital的分析服务高级总监Jacob Davis告诉CIO．com。“第一，我们真正想要解决的是什么？我们现在如何解决这个问题并掌握手头的数据？如果你不能想出一些东西，即使是理论上的，那么可能在你目前状态的可能性范围内，AI也无法帮到你。第二：我考虑人工智能是因为我听到了很多关于它的炒作吗？你必须真正评估你对这类解决方案的渴望，否则，你可能会在一些无法增加真正价值的东西上投入大量资金。”

没有合适的人才也没有合适的项目

你将需要数据科学专业的知识，如果您没有专门的数据科学团队，那么这些专业知识通常会在IT团队中建立起来。无论它在哪里，重要的是不要把它孤立在一个卓越的中心。Ovum最近为数据科学软件供应商Dataiku所做的一项针对全球2000个生产人工智能项目的组织的研究表明，要使项目成功，这些专家需要参与他们正在解决的问题所在的业务团队，以及项目管理和开发团队中去。因为中央团队可能会错过当地业务部门的一些文化差异。

“一次又一次，我们看到世界各地的公司和跨行业的团队无法开始他们的数据工作，因为他们无法帮助不同地区的这些人共同合作——更不用说拥有不同技能以及不同类型的人了，“Dataiku的首席执行官Florian Douetteau说。如果你不能让数据科学专家永久驻扎在关键位置，可以利用中央专家的协作和知识转移来帮助培养当地的数据科学技能。

建立你自己的人工智能能力

虽然IBM Watson广为人知，但即使是预先构建的人工智能服务也需要时间和专业知识来与你自己的系统和流程集成，并且必须仔细评估，但是很少有企业具备从头开始构建一切的专业知识。如今，AI工具越来越多地内置于SaaS产品中，例如Salesforce、Dynamics和Adobe的营销云，尽管它们很可能是你需要额外付费的插件。Azure、AWS和Google也提供了云计算机器学习服务，这些服务可以提供特定的“认知服务”，例如机器视觉和语音识别，你可以定制并构建到自己的工具和服务中，你也可以提供你自己需要和可以适应的通用解决方案库。利用这些工具快速起步，然后考虑需要从头构建哪些其他模型和工具，因为员工对人工智能所能带来的生产率优势会更加适应。

期待人工智能彻底取代人力

像自动化一样，人工智能将在人类和人工智能系统协同工作时给你带来最大的性能和生产力提升。《哈佛商业评论》最近的一项研究显示，随着企业采用越来越多的人机协作，绩效提高了4到7倍。为了获得这种协作，业务团队需要参与评估人工智能系统究竟能够为他们实际做些什么。能够为专家提供建议、多种选择、决策支持和升级的人工智能工具，显然比那些在没有任何人工参与的情况下仅仅给出简单的yes／no答案的工具来说更加有用。