[ 编者按 ]在未来，越来越多的企业将会引入AI来实现企业抱负、充分激发潜力、提升创新能力。但是，想要掌握AI技术，让其与企业各方面业务融合，并不是一件易事。
据统计，目前拥有高成熟度AI的企业并不多，仅有很少的一部分企业能够利用AI来快速有效扩大规模并实现其收入目标。我们将这些同时具备强大的AI基础（如云平台和工具，以及数据平台、架构和管理体系）与差异化的AI能力（如强大的AI战略和高管投入）的公司称为“AI成就者”（AI Achievers）。
如何迈入“AI成就者”的行列？尽管对于不同行业、不同企业有着不同的方法论，但是这里有4点需要引起你的注意，它们对企业发展AI的成熟度极为重要。
为什么企业要向着“AI成就者”而努力？下图是一次针对企业AI成熟度及影响的研究结果，其从宏观的角度评估了被调研企业在为客户、股东和员工实现更高回报的过程中，其AI基础和AI能力的结合情况：
虽然导致差距的具体原因和做法将会涉及到公司的具体举措，然而，这里有4种往往被忽视的行为，它们对发展AI的成熟度同样重要。
事项1：打造你的AI数据中台
大多公司面临的与AI有关的*挑战之一，是跨平台和系统的数据激增——本地的历史遗留系统与公司日益增长的云计算系统被尴尬地混合在一起。在日常使用时，数据经常会出现诸如格式不匹配导致的无法访问等问题。而这样的问题，也会反过来限制公司在组织内推广AI技术的效果。
我们来看看AI成就者都是怎么做的——它们往往会建立起AI数据中台，即运营数据和AI平台，从而可以利用公司的人才、技术和数据生态系统，更好地平衡试验与执行的比例。在研究中也发现，AI成就者相比AI试验者，其实现数据管理治理规模化的可能性要高出33%，而实现数据管理治理规模化，正是建立强大的AI“核心”的*步。
另外，AI核心可以帮助企业做很多有益的事情，比如迅速将AI应用产品化、将AI整合到其他应用中等。那么如何建立AI核心？大多数的AI成就者会在确保数据可靠的情况下，将它们存储在一个单一的企业级云平台上，配以适当的使用、监测和安全策略，来充分发挥内、外部数据的作用。
例如，瑞士制药巨头诺华（Novartis）从2019年开始便通过创建“决策中心”（Insight Centers）来拓展其AI治理和数据管理实践，为该公司的制造业务和分销点提供更实时的数据可见管理。与此同时，他们还努力完善这些技术的兼容性，最终大大提高了开发和生产药物的能力，大大节省了时间和成本。
事项2：维持你的AI投资
对于AI成就者而言，AI投资之旅没有终点，并不存在所谓“AI峰值”。因为这种认知，AI成就者们会进入一个AI收益的良性循环，即使AI成熟度日渐提升，但随着时间推移，仍然不断投入，从而继续获得更多收益。
对于AI成就者来说，持续的投资通常会用于提升AI的影响广度，从而将影响*化；同时，还将进一步尝试各种跨领域AI解决方案，在过程中重新部署资源。例如，某奥地利能源公司近年来在AI驱动的数字孪生技术上投入了大量资金，帮助他们更好地为维也纳市等客户服务——除去带来的其他积极影响外，该技术系统更精准地模拟出了客户对供暖和制冷服务的需求，进而估算出来企业所需要的各种举措的短期成本和长期能源节约。
事项3：培养AI方面的人才
AI成就者明白，让AI与人类员工无缝合作，是最高效的工作方式。这也是很多AI成就者更倾向于制定积极主动的AI人才战略，以保持在行业趋势前沿的原因。除了以AI为重点的招聘外，AI成就者还经常与专业公司合作或收购专业公司来填补关键职位的人才空缺，如数据或行为科学家、社会科学家和伦理学家。
AI成就者也更有可能对大多数员工进行强制性的AI培训，从产品开发工程师到高管团队都会参与其中。而且，由于他们会更侧重于提升员工AI方面的知识，他们的员工会比其他公司的同行更精通AI相关技能。
这些努力使得人类与AI的协作更容易实现规模化，并确保AI渗透到企业肌理当中。举例来说，欧洲一家大型能源公司便打造了一个“数字工厂”，帮助员工在日常工作中使用分析技术与AI洞察，同时还让数字工厂培训现场工程师使用并改进机器学习模型。该工厂还为所有管理人员提供强制的数据与AI培训，并为公司全体员工提供再培训和技能提升支持。
得益于该组织对AI人才方面的投资，其业务部门如今在启动开发的5个月内就能收到新的AI应用程序——在数字工厂建成之前，他们平均要等18个月。更长远来看，到2025年，该公司预计其数字工厂每年将使其利润增加15亿美元。
事项4：打造靠谱的AI框架
随着企业在越来越多的任务中部署AI，遵守法律、法规和道德规范正成为提升AI成熟度越来越重要的行为。事实上，能够向外展示自己拥有高质量、值得信赖且达到监管要求的AI系统，将使这些走在前列的公司在短期和长期上都获得巨大优势，从而吸引更多新客户，更好留住现有客户，并提升投资者信心。
不靠谱的AI框架，会给企业自身、客户带来许多风险。以常见的算法偏见为例。它是指根据过往偏见数据训练出来的AI也会继承这方面的偏见，所以当你的AI框架中的训练数据不够“公平”，那么AI输出的结果自然也不够准确。这种时候，公司便可以结合对数据和算法中偏见原因的研究，对AI模型进行多层级的“算法公平”（algorithmic-fairness）评估，进而定义和应用公平性的量化措施，包括提出使算法更加公平的数据收集和建模方法。
除此之外，还可以通过不同专家的广泛合作来重新设计AI框架，从员工到设计师、数据科学家、合规专业人士和商业分析师等。将员工培训成为AI专家，这对打造可靠AI框架也至关重要。
