Sid Pednekar：AI 采用中稀缺的是判断力

我是 Sid Pednekar，在资产管理领域负责 AI、技术与数据工作。我将用两家假设公司的研究工作流为例，说明在 AI 采用方面领先的组织有什么不同。

AI 的使用已经很普遍，但结果并不均衡。我引用的调查显示，一些公司观察到生产力提升，却有较少公司报告可衡量的成本下降或收入增长。具体数字取决于调查和定义；更广泛的问题是，部署本身不会自动创造商业价值。

我把讨论分为三个支柱：设计正确的问题、建设共享能力，以及让优势不断积累。它们适用于不同职能的个人和团队，而不限于某个行业。

随着 AI 让分析和答案更容易获得，更多输出并不一定意味着更多价值。稀缺资源是判断力：在没有唯一明显答案时，选择重要的事情、理解特定情境下的质量，并权衡取舍。

判断力存在于整个组织中，从管理层、工程师到投资组合经理和数据科学家都在使用它。由于判断力有限，有用的问题是：我们最好的判断值得花在哪里？

第一支柱是选择正确的问题。人们很容易从新模型或助手出发，问可以把它插入哪里。我建议先看业务瓶颈，以及什么能够改善决策。

假设公司 B 使用 AI 更快地总结财报电话会议记录。这可能节省时间，但摘要也会丢失背景。公司 A 则询问重要信号为何太晚才到达分析师，并围绕这个瓶颈重新审视整条工作流。

相关瓶颈可能是研究能力、决策速度、数据质量、延迟或可靠性。依我的观察，领先者会有选择地决定哪些决策值得关注，而不是把每个可能的 AI 功能视为同样有价值。

实验有价值，但应与创新作秀或生产力作秀区分。一家公司即便到处推出摘要、助手和检索试点，也可能只是看起来很忙，而没有改善重要结果。我主张把工程、分析与人的判断集中到少数高价值工作流。

重新设计工作也意味着改变角色。分析师不必只是更快地制作报告，也可以定义投资论点、持续监测支持或反驳它的证据、调查例外，并深入研究最可能影响决策的案例。区别在于加速一个任务与重新思考围绕它的系统。

选定问题后，第二支柱是共享能力。技术与业务角色正在融合：工程师更贴近业务结果，业务专家也在构建工具和自动化。让合适的人一起工作需要打破组织壁垒。

我把这称为“标准化核心、个性化边缘”。共享基础设施和模块并不新鲜，但 AI 改变了分析师、客户、工程师和数据科学家之间能够共享的内容，同时仍允许各群体调整自己的工作方式。

对数据科学家而言，共享核心可以包括数据集、语义定义，以及哪些方法有效、哪些失败、哪里有缺口的记录。后来者应该能够在此基础上继续，而不是从头重建。可以问：下一位同事不应该再重新做什么？

企业过去主要围绕人使用单个应用设计。智能体可以跨应用和工作流行动，因此管理者需要了解基础设施和数据质量需要在哪里改变。数据能否复用是一个常见挑战。

可复用的知识可以支持不同类型的团队智能体：领域专家、协调任务的工作流智能体，或跟踪组织状态的智能体。它们的价值取决于能够使用的共享知识和流程。

最后一个支柱是积累优势。项目失败时，组织能学到什么？成功时，如何把经验纳入系统？个人可能从纠正中学习，但只有把有用的证据和经验反馈到工具、上下文或流程中，组织才会受益。

AI 可以释放能力，但管理者仍需决定把它用在哪里。围绕重要指标重新设计系统、监测结果并建立反馈循环。我的结束问题与开头相同：当人人都有 AI 时，谁拥有优势？