对这些企业来说，它们关心的是，既不能错过新技术浪潮，但也要等待技术成熟到“鲜嫩时刻”才行——不宜迟，但也不宜过早。

　　人工智能不是“万能钥匙”。让AI真正能为企业赋能，需要提前评估和决策以下几点：何时是关键；核心商业目标是AI项目的出发点；评估应用AI的必要性：如果有其它解决方案呢；需要准备好大量的高质量数据；对预算、时间表、人才等进行合理把控……

　　更重要的是，我们需要建立一套衡量AI驱动型企业的新指标，而不能再是传统的以资产为核心指标的体系。平台参与度、数据价值和客户参与度等因素变得更重要。

　　关于人工智能，每天都有各种吹得天花乱坠的夸张宣传。该如何判断像人工智能这样的新兴技术是否值得花费时间投入？这是每次某种新技术开始成为主流的时候，CTO们需要回答的问题：

　　怎么和企业领导者解释，该项技术可以应用在企业的什么方面，这是一个竞争机会还是潜在威胁？

　　对于好奇的员工，如何用易于理解的语言来简单描述这项技术可以做什么，如何区分哪些是宣传、哪些是当前现实、哪些属于未来潜力？

　　对于有志于尝试的员工，我们要表示支持吗？应该让他们研究哪些问题，应该花时间学习这一新技术的哪些方面？

　　对于某些开发者推销的应用方案，是现在就该采用，还是为时尚早？该如何评估呢？

　　莫混淆夸大宣传和现实

　　一旦你对历史和科技有所了解，这时候对新兴技术所处生命周期的阶段做出判断，会是很有帮助的做法。

　　Gartner预测“通用型AI”（用以解决任何智能问题的人工智能技术）将于2020年之后出现。Venture Scanner披露的数据表明，大约2/3的AI创业公司的融资还处于初期融资阶段，这表明许多销售AI解决方案的公司都还处在产品开发及销售周期的早期阶段。麦肯锡称只有20%的有AI意识的公司实际采用了AI，而在AI上的投资超过50%是来自于大型技术公司和创业公司，而非刚好在使用这项技术的企业。

　　这些数据足以让CTO或企业高管在投资AI前三思而行。尽管AI的确很有前景，但这些算法的大规模商业应用才刚起步。

　　早期赢家都是大型科技公司和有能力、有资金、有耐心试验新技术的创业公司。大多数企业和中型公司并不具备这些奢侈的条件，它们的AI之旅才刚刚上路。

　　AI是具备高度破坏性的技术，我们不该视若无睹。但我们应该审慎地前进，避免中了那些夸大宣传的催眠术。

　　比如，当声音在某些应用上成为比屏幕、键盘更好的人机交互手段，或者当聊天机器人变得比人类客服更加智能、反应更加迅速时，许多企业就不得不采取这些技术来改善用户体验。

　　同样的，当深度学习算法在识别诈骗、风险交易或安全威胁上日趋完善，企业也要做好采用这些新手段的准备。

而随着我们利用数据库，最大限度地从口头语言、音频和视频等资料数据采集智能，这些技术手段的使用会使得很多企业获得重要竞争优势。

　　何时是关键

　　企业应该努力成为反应迅速的追随者，而不是早期采用者。这意味着，企业要在早期阶段关注AI技术，甚至可以尝试使用AI技术，但要等到技术足够成熟了，得到反复验证了，或者可以大规模产出的时候再来依靠AI技术。

　　了解AI功能的时候，你需要寻找那些可以帮助评估AI应用及其成熟度的工具和应用案例。比如：

　　研究公司Forrester定义了七项AI核心技术，并提出一种“搭积木”模型（building-block model），该模型以假设和研究为开始，以三个层次的实际应用为结束。

　　Workday发布了人工智能成熟度模型，这个模型将AI分成四个阶段，分别是自动化、通知、发现以及改造。只有当AI应用于解决人们正在解决的问题上时，评估AI取得成果才更容易。

　　还有很多行业案例，如保险、医疗、银行、农业、法律、广告、建造、慈善、媒体等等。

　　将企业的核心商业目标作为AI项目的出发点

　　围绕AI和机器学习的种种夸大或虚假宣传使得一些CTO和企业决策者武断地采取了技术第一的策略。相反地，看看企业存在的问题以及有哪些能带来显著优势的机会，以此为出发点，才能让研发投入得到有目的地产出。而且，所发现的机会应有相当规模的数据集，或是能轻易获得并进行整合的数据集作为支撑。

　　要以一个明确的商机为出发点，原因在于，你可能在此过程中发现其实有其它解决办法，无需用到最新的AI技术。如果需要用到一部分的AI技术，通过这一方法你还可以对解决方案进行分类，评估所需AI技术的整体成熟度。

　　反过来，若是解决方案需要深度的评估和思考，那说明你即将驶往的是不成熟的AI领域。

　　评估AI成熟度的一个方法是：浏览关于AI创业公司的各种供应商评估报告等资料，你会发现很多创业公司都把关注点放在独立而分散的几个问题的解决方案上，而不是想寻求一个普遍的认知上的解决办法。

　　当某个开发者跟你说“尽管把数据交给我们的AI吧”，你千万别信，不要期待能得到专家级的智能化作为回报。这是不可能发生的。

　　要真正起作用你的AI系统需要大量数据

　　以下是成功运用AI的第二个前提：你需要大量的高质量数据来训练AI算法，评估输出结果。

　　自动驾驶汽车得以成为可能的原因之一在于，在一个小时的驾驶中，激光定位器和其它感应器可以产生4000GB的数据。而如此大量的数据，仅仅是用于车要不要转弯、加速、减速或停下这样几个关键决策而已。

　　许多成功的AI解决方案也属于此类，也就是将大量的数据转化为有限数量的决策。

　　除了数据集，企业还需要具备数据整合及自动化能力，这样才可以让数据在任何AI处理引擎中自由转移。如果你的企业习惯靠人工运行脚本，手动地转移数据，我强烈建议你先投资自动化，再投资AI解决方案。

　　尝试AI的几种选择

　　一旦你发现了商机，也具备了大样本的干净数据集，你的AI之旅就准备好了。这两个步骤是为企业装备AI技术的前提条件。下一步则是考虑采用哪种AI解决方案以及如何执行。

　　如果没有专业技术，聘请专家前要三思，毕竟科技巨头公司都在花重金争抢懂AI的稀有人才，所以这场游戏的入场费是相当昂贵的。

　　还有一个选择是，可以使用那些解决方案中嵌入了AI技术的供应商。

　　选好一个或多个方案后，你需要让董事会或其它利益相关者建立符合实际的期望，这点很重要。投资AI后，你需要全身心的投入于灵活的实验中，因为你很可能会时不时地步入死胡同，要进行许许多多实验才能使其最优化。所以，对预算、时间表、人才等，都要提前做好评估。