別再把 AI 代幣浪費在垃圾上了

別再把 AI 代幣浪費在垃圾上了

我遇到的關於 AI 的最大誤解之一是，成功取決於撰寫更好的提示語。

提示固然重要，但它並非決定人工智慧計畫能否創造商業價值的關鍵因素。根據我與客戶的合作經驗，決定性因素其實很簡單：那就是輸入人工智慧的資料品質。

您可以精心設計提示，但如果底層資訊過時、不完整、無關緊要或管理不善，結果依然不盡如人意。這就是為什麼我經常告訴客戶，他們把 AI 代幣浪費在無用功上。每次查詢都會消耗資源，每次不準確的回應都會浪費時間、金錢和信任。

對話不應該從提示開始。而應該從資料開始。

人工智慧需要的是正確的資料，而不是更多的資料

許多組織認為人工智慧需要存取更多資訊。我不同意。人工智慧真正需要的是存取正確的資訊。

人力資源助理不需要工程文件。財務聊天機器人不應該搜尋行銷簡報。每個 AI 應用程式都應該連接到支援其特定用途的資料。

首先要問一個簡單的問題：我們試著解決什麼問題？

一旦業務目標明確，識別所需的系統和資料就容易得多。組織無需讓 AI 接觸所有資料，而是可以專注於提供相關、最新且值得信賴的資訊，從而產生有意義的成果。

這樣才能最大化每個 token 的價值。

負責任的人工智慧始於負責任的資料

負責任的人工智慧通常從治理、通透性和倫理的角度來討論。這些討論固然重要，但卻忽略了一個關鍵的前提條件：負責任的資料。

資料不可能永遠準確。

工程文件會變更。內部原則會演變。產品會發布修復程式。業務流程會改善。六個月前正確的資訊可能已經過時了。

因此，資料完整性不能僅僅視為 AI 專案啟動前的一次性清理工作。它必須成為一項後續的工作紀律。組織需要持續評估其資訊是否準確、最新、安全的，以及是否適用於使用這些資訊的 AI 系統。

當資料品質下降時，人工智慧的品質也會隨之下降。

資料所有權不僅僅是 IT 部門的責任

我看到的最大組織挑戰之一是資料所有權歸屬混亂。

企業常常誤以為這項責任完全是 IT 部門的職責，因為 IT 部門負責管理基礎架構。但儲存設備團隊並沒有責任去判斷人力資源原則是否仍然有效，或者工程文件是否仍然有效。

我喜歡將基礎架構團隊比作郵政服務。他們知道如何安全且妥善地交付信封，但他們不負責信封裡面寫了什麼。

建立資料的人員了解其含義。業務部門了解資料的使用方式。基礎架構團隊確保資料的可用性、受保護性及可存取性。

人工智慧的成功需要這三個群體共同合作。

我更傾向於將其視為資料保管而非所有權。每個人都應為維護組織最寶貴資產——資料的品質、安全性和實用性盡一份心力。

業務主管必須參與 AI 的討論

人工智慧專案通常被視為技術計畫，但實際上它們是業務計畫。

我見過的最成功的專案，從一開始就都有企業領導者的參與。他們明確預期成果、建立成功計量，並確定 AI 可以在哪些方面創造可衡量的價值。

這種共識改變了對話的走向。

企業不再要求 IT 部門「實作 AI」，而是開始解決具體的業務問題，例如減少手動工作、改善客戶體驗或幫助員工更快地做出決策。

這也有助於在整個組織內建立支持體系，因為每個人都明白這對他們有什麼好處。

員工不希望 AI 取代有意義的工作。他們希望 AI 能夠消除重複性任務，以便他們能夠花更多時間解決問題、服務客戶和創造價值。

別忘了考慮規模。

試點成功並不能保證部署成功。

我看過一些組織建構的 AI 解決方案，對於少數用戶來說效果非常好，但當需要支援成千上萬的員工時，經濟效益就會發生巨大變化。

使用者越多，產生的提示就越多。提示越多，使用的權杖就越多。如果最初的計劃中沒有擴充性，成本就會迅速增加。

因此，組織不應僅滿足於證明 AI 有效，更應該證明它能夠在生產規模下高效運行，同時不會造成不可持續的成本或令使用者失望。

提前做好規模規劃可以避免日後不愉快的意外。

從您的資料開始。

如果您要啟動一項人工智慧專案，我的建議很簡單。

首先，明確定義您想要達成的業務成果。然後，確定支援該目標所需的資料，並確保資料乾淨、及時更新、安全的且受到妥善管理。召集業務負責人、資料建立者和基礎架構團隊，讓每個人都了解自己在維護資料品質和衡量成功方面所扮演的角色。

只有到那時，您才應該專注於提示。

從 AI 中獲得最大回報的組織，未必是使用最新模型或編寫最巧妙提示的組織。而是那些投資於可信賴的資料、共享的責任和明確業務目標的組織。

歸根結底，AI 的價值取決於您提供的資訊。當您的資料乾淨、相關且管理完善時，您的 token 就成為投資而非支出，AI 才能真正開始交付所有人所追求的業務目標成果。