今年 1 月，IBM 发布了一份详细的研究报告，说明为什么数字化转型只能带来 -5% 到 10% 的投资回报率，而不是预计的 150% 投资回报率。这个巨大的落差与我们在 20 世纪 80 年代最初的客户端/服务器实施、20 世纪 90 年代的操作系统迁移、21 世纪初的大数据实施以及过去十年的分析实施的经验是一致的。
这并不是说所有的实施都像上面那样失败，只是说绝大多数如此。经常出现的问题是，技术、提供技术的公司和部署技术的公司都不够成熟，销售人员努力说服购买者相信技术的好处，但却缺乏后续行动来确保前期承诺的落地实现。
现在，人工智能也是如此。在前沿领域，你不需要了解销售承诺。您需要的是了解技术供应商，他们是否已经花时间了解您的独特需求，可以帮助您创建理想的解决方案，并在他们的流程中有严格的实施经验和结果保证。
让我们来谈谈如何避免这种反复出现的问题。
原因
我经历过早先的每一种痛苦。客户机/服务器潮流来袭时，我还在 IBM 工作，尽管当时技术还没有准备就绪，但由于市场试图转向尚未准备就绪的技术，这几乎让公司陷入困境。
究其原因，销售往往会走在产品的前面，远远领先于围绕产品所提供的服务。当人工智能这样的新趋势出现时，每个人都想搭上这趟顺风车。但想想去年，除了像 IBM 和英伟达（NVIDIA）这样在人工智能领域耕耘了几十年的公司之外，没有任何其他公司（包括已经停止努力的谷歌）在微软宣布要将人工智能垂直化之前做好了任何准备。
这次 IBM 如此兴奋的原因是，它拥有目前市场上成熟的人工智能解决方案 watsonx。此外，就企业级生成式人工智能能力而言，IBM 这次也是成熟的，而其他公司都是靠销售和营销承诺过活，几乎没有任何基础。
当销售领先于技术时，买方就会被坑，而根据 IBM 有关数字化转型的数据，很多人都因为没有尽职调查而被坑了。
解决之道：做好功课，遵循流程
在这种情况下，最成功的流程之一就是“从试点到生产”。不要一步到位地进行部署。一旦你确信供应商的解决方案足够成熟和完善，就应该创建一个或多个试点项目来验证。即使是成熟的产品，也不是在任何情况下都能发挥作用。谁都不希望大规模失败，但试点失败是可以挽回的。
即使在试点之前，也需要确保供应商声称的效益和投资回报率是可以实现的。向其他已经部署并实现了所承诺效益的公司索取参考资料，询问供应商是否已经在内部部署了这项技术，并要求与供应商的 IT 人员交谈（他们通常会出人意料地对你坦诚）。
与其他正在尝试相同任务的人一起进行研究，了解最 佳实践，同时认识到并非每种解决方案都适用于每家公司甚至每个部门。
混合多云是在正常运行时间、成本、可用性和可靠性之间取得最大平衡的实践。您需要一个了解这一概念、与您信任的云计算供应商有着深厚关系、同时积累了足够经验的供应商，这样才不会让你的投资打水漂。
尤其是人工智能数据，质量至关重要，您需要很多帮助来保证质量。你不希望人工智能出现偏差或幻觉，就像你不希望分析结果总是提供不准确的答案一样。
这些新的人工智能功能预计将是多模态的，包括自然语言、图像、音频、视频，甚至关键的时间元素。而人工智能的使用往往会针对其中一种数据类型进行优化，而在其他数据类型上表现不佳，因此您需要了解其中的区别，并有一家供应商愿意告诉您，在它不具备能力的领域，另一家供应商可能是更好的选择。
最后，你需要在衡量标准和目标方面得到帮助，这样如果某个供应商的性能不佳，你就能及早发现问题，并更换供应商或更换团队。如果与你合作的供应商不能帮助你制定项目的衡量标准和目标，那么你就找错了供应商。
总结
从 20 世纪 80 年代的客户机/服务器到今天的人工智能，我们在最近的大型技术上经常遇到的问题是，销售远远领先于产品和支持结构。其结果是，部署无法达到目标和预期。如果你没有办法让销售回到现实，或者不明白供应商已经走得太远，很可能在投资上犯错，那你就完蛋了。
如果我还在 IT 行业，我会与提供大量核心技术的英伟达（NVIDIA）公司建立合作关系，并将其作为一个参考，帮助选择一份供应商和服务提供商的简短名单，尽管你可能会从另一家使用其技术的供应商那里购买产品。为此，我会在行业活动中与正在或已经部署类似解决方案的同行交流，了解哪些供应商执行得好，并利用这些信息来确定我想研究的供应商。
在我的名单中，排在最前面的是那些在内部和外部部署过与我所预期的类似解决方案的供应商，但不要轻信这些信息。我会与了解这些部署情况的人面谈，以验证结果和公司的技能。
在许多情况下，更明智的做法可能是等到有了合适的合作伙伴、合适的团队以及合适的解决方案后再行动，并实时了解这些部署会有多么糟糕。
关于作者：Rob Enderle，作为恩德勒集团（Enderle Group）的总裁兼首席分析师，为地区性和全球性公司提供指导。
