停止将 AI 令牌浪费在无用内容上

停止将 AI 令牌浪费在无用内容上

我遇到的关于人工智能最大的误解之一是，成功取决于编写更好的提示词。

提示当然很重要，但这并不能决定人工智能计划是否能提供业务价值。根据我与客户合作的经验，决定因素要简单得多：为人工智能提供数据的质量。

您可以设计完美的提示，但如果基础信息过时、不完整、不相关或管理不善，您仍然会得到糟糕的结果。这就是为什么我经常告诉客户，他们是在把 AI token 花在垃圾上。每个查询都会消耗资源，每个不准确的响应都会浪费时间、金钱和信任。

对话不应以提示开头。应从数据开始。

人工智能需要正确的数据，而不是更多的数据

许多组织认为人工智能需要获取更多信息。我不同意。人工智能真正需要的是获得正确的信息。

人力资源助理不需要工程文档。金融聊天机器人不应搜索营销演示文稿。每个 AI 应用程序都应连接到支持其特定用途的数据。

首先问一个简单的问题：我们想要解决什么问题？

一旦业务目标明确，识别所需的系统和数据就会变得容易得多。组织可以专注于提供相关、最新和可信赖的信息，从而产生有意义的结果，而不是将 AI 暴露给所有事物。

这就是您最大限度发挥每个令牌价值的方式。

负责任的人工智能始于负责任的数据

负责任的人工智能经常在治理、透明度和道德方面进行讨论。这些对话很重要，但它们忽略了一个关键的先决条件：负责任的数据。

数据不会永远保持准确。

工程文档更改。内部政策不断变化。产品修复已发布。业务流程改善。六个月前正确的信息可能已经过时。

这就是为什么在启动人工智能项目之前，不能将数据完整性视为一次性清理工作。它必须成为一项持续的规范。组织需要持续评估其信息是否准确、最新、安全，且适合使用该信息的人工智能系统。

当数据质量下降时，人工智能的质量也会随之下降。

数据所有权不仅仅是 IT 责任

我认为最大的组织挑战之一是关于数据归属权的混淆。

很多时候，企业认为这一责任完全属于IT部门，因为IT部门负责管理基础设施。但存储团队不负责确定人力资源政策是否是最新的，也不负责确定工程文件是否仍然有效。

我喜欢将基础设施团队与邮政服务进行比较。他们知道如何安全地递送信封，但他们不对信封里写的内容负责。

创建数据的人员理解其含义。企业了解如何使用它。基础设施团队确保其可用、受保护且可访问。

成功的人工智能需要所有三个小组共同努力。

我更愿意将其视为数据保管，而不是所有权。每个人都有责任维护组织最有价值的资产：其数据的质量、安全性和实用性。

企业领导者必须参与人工智能对话

人工智能项目往往被视为技术举措，但实际上它们是业务举措。

我见过的最成功的项目从一开始就有业务负责人的参与。他们定义预期成果，建立成功指标，并确定 AI 可以创造可衡量价值的领域。

这种一致性改变了对话。

组织不再要求 IT "实施人工智能"，而是开始解决特定的业务问题，无论是减少手动工作、改善客户体验还是帮助员工更快地做出决策。

它还能让整个组织获得支持，因为每个人都了解这对他们有什么好处。

员工不希望人工智能取代有意义的工作。他们希望人工智能能够消除重复性任务，从而让他们有更多时间解决问题、服务客户和创造价值。

别忘了规模

试点成功并不能保证部署成功。

我见过一些组织构建了适合少数用户的 AI 解决方案，运行效果极佳，却发现当需要支持数千名员工时，经济效益会发生根本性的变化。

更多用户生成更多提示。更多提示会消耗更多令牌。如果可扩展性不是原始计划的一部分，成本会迅速增加。

这就是为什么组织应该超越仅仅证明 AI 有效这一层面进行思考。他们需要证明 AI 能够在生产规模上高效运行，而不会产生不可持续的成本或令用户失望。

及早规划规模可以防止以后出现不愉快的意外。

从您的数据开始

如果您要启动人工智能计划，我的建议很简单。

首先定义您试图实现的业务成果。然后确定支持该目标所需的数据，并确保其干净、最新、安全和受管控。将业务领导者、数据创建者和基础设施团队聚集在一起，让每个人都了解他们在保持数据质量和衡量成功方面的作用。

只有这样，您才应该专注于提示。

从人工智能中获得最大回报的组织不一定使用最新的模型或编写最巧妙的提示。他们是那些投资于可信数据、共享问责制和明确业务目标的组织。

因为归根结底，AI 的价值取决于您所提供的信息。当您的数据干净、相关且治理良好时，您的 token 便成为一种投资而非开销，AI 也将由此开始交付每个人所期望的业务成果。