这并不是说所有的技术实现都没有达到目标,只是说绝大多数实现都失败了。反复出现的问题是技术不够成熟,提供该技术的公司,以及部署该技术的公司,都用令人印象深刻的销售努力来说服买方相信其好处,同时缺乏后续行动来确保所承诺的价值已经实现。
同样的事情也可能发生在人工智能上。
当客户端/服务器趋势袭来时,当时技术还没有准备好,但它几乎让IBM破产,因为市场试图转向一些还没有准备好的东西。
原因在于,销售往往能超越产品所在的位置,远远超过围绕产品的服务。当像人工智能这样的新趋势来袭时,每个人都想分一杯羹。但除了IBM和英伟达(NVIDIA)等公司在人工智能领域已经研究了几十年,没有人(包括谷歌)宣布为人工智能做好了准备。
IBM此次如此兴奋的原因是,它拥有watsonx,这是目前市场上最成熟的人工智能解决方案。这一次,IBM在企业级生成式人工智能能力方面是最成熟的,而其他公司则依靠很少或根本没有基础的销售和营销承诺生存。
当销售领先于技术时,买家就会吃亏。根据IBM关于数字化转型的数据,很多人吃亏是因为他们没有做尽职调查。
解决办法:做好功课,遵循流程
在这种情况下,最成功的流程之一是“从试验到生产”。不要一步到位地进行部署。一旦确信某个供应商已经为你提供了足够成熟和完整的解决方案,创建一个或多个试点项目来验证你的信念。即使是成熟的产品也不能适用于所有情况。你不想大规模失败,但在试点中失败是可以恢复和承受的。
但即使在试点之前,也需要确保供应商对收益和投资回报率的要求是可以实现的。向其他已经部署并实现了承诺的好处的人寻求参考,询问供应商,看看他们是否已经在内部部署了这项技术,并要求与使用该技术公司的IT人员交谈(他们通常会非常诚实)。
与其他正在尝试同样任务的人一起研究并获取最佳实践,要意识到并非每种解决方案都适用于每个公司甚至每个部门。
混合多云是在正常运行时间、成本、可用性和可靠性之间提供最佳平衡的实践。需要一个理解这个概念的供应商,与你信任的云计算供应商有着深厚的关系,并且已经获得了足够的经验,所以它不应该是在服务你的过程中学习的。
特别是对于人工智能数据,质量是至关重要的,你需要很多帮助来确保它。不想要一个有偏见或产生幻觉的AI,就像你不想要一个总是提供不准确答案的分析一样。
这些新的人工智能功能预计将是多模式的,包括自然语言、图像、音频、视频,甚至是关键的时间元素。人工智能的使用往往倾向于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,所以你需要了解其中的差异,并让供应商知道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,你需要度量标准和里程碑方面的帮助,这样,如果供应商的性能不佳,你就可以及早确定问题所在,要么更换供应商,要么更换团队。如果与你合作的供应商不能帮助你为项目设置度量标准和目标,那么你就找错了供应商。
从20世纪80年代的客户端/服务器到今天的人工智能,我们在最近的大型技术中经常遇到的问题是,销售远远超过产品和支持结构。其结果是部署不能满足目标和期望。在许多情况下,更明智的做法是等到合适的合作伙伴、合适的团队和合适的解决方案出现后,再行动。