1.行业背景：战略包络
您所处的行业在很大程度上影响着您计划推出的人工智能应用案例的预期顶线。.
这第一道关口取决于三个标准：行业的监管力量和合规成本、特定技术生态系统的成熟度以及行业内短期到长期的投资文化。.
1.1 监管力量与合规成本
每项人工智能计划都在特定行业的监管范围内运作，而这些监管范围直接决定了投资回报率的潜力。.
以医护人员获取处方药 data 为例
- 在美国，HIPAA 保护患者身份信息，但允许出于商业和研究目的使用和销售去标识化的医生处方 data，受到的控制并不那么严格--这使得处方分析市场得以蓬勃发展。
- 巴西的法规也在不断发展：ANVISA 和 Lei Geral de Proteção de Dados (LGPD) 负责监管健康 data，其规则与 GDPR 类似，但执行情况尚不成熟；处方 data 被视为敏感信息，其使用须遵守保密法和商业秘密法，除非进行匿名化或汇总，否则访问通常受到限制
- 在欧洲，GDPR 对个人和健康 data 实施严格控制，对医生处方 data 的收集、处理和商业使用进行了严格限制，通常要求获得明确同意或进行严格的匿名化处理。
因此，利用处方 data 面向医疗保健专业人员的投资回报率在美国很高，在巴西一般，而在欧洲则有限，因为在欧洲，data 大部分时间是在地区层面汇总的。.
这些限制因素形成了 “投资回报率护栏”，用于确定可行的用例。.
1.2 生态系统成熟度乘数
一个行业的技术格局，尤其是专业化参与者和创新型初创企业的存在，在加快人工智能项目投资回报率方面发挥着至关重要的作用。.
当一个行业受益于由技术提供商、集成商和利基初创企业组成的动态生态系统时，企业就能更迅速地确定、测试和部署针对其特定业务挑战的尖端人工智能解决方案。这一生态系统促进了合作、知识共享和对一流工具的使用，缩短了开发时间，减少了集成障碍。.
此外，开源社区和专业供应商使公司能够利用成熟的框架进行实验，并从集体创新中获益，从而简化试点工作，缩短实现价值的时间。因此，拥有丰富的人工智能参与者网络的行业能够更快地扩展成功项目，更快地实现有形的生产力和效率收益，从而直接影响其投资回报率轨迹。.
1.3 作为投资回报率加速器的长期主义
与短周期行业相比，采用多年规划的行业（如能源、航空航天）在 5 年期间实现的累计人工智能投资回报率要高得多。长期周期可以投资于更创新、更大胆的技术，同时通过内部招聘和长期供应规划，平滑项目管理成本。.
一个著名的例子是英国石油公司（BP）长达十年之久的海上钻井预测性维护人工智能路线图。.
2.企业实施成本：执行层
部署人工智能用例的公司对实施成本有重大影响，这取决于 3 项资产的成熟度：技术基础、data governance 和企业对人工智能的需求。.
2.1 技术堆栈准备成本
与依赖传统系统的同行相比，拥有现代 data 基础设施（cloud data 湖、MLOps 管道）的组织可显著加快人工智能用例的实施。.
为了提供估计数字，与源系统建立新的连接可能需要几天到一个月的时间，具体取决于可用的连接器类型。.
2.2 Data 治理债务
缺乏强大的 data governance 技术会从两个方面大大降低人工智能应用案例的投资回报率。.
首先，由于需要进行大量的 data 准备工作和实施适当的访问管理，团队必须花费大量时间清理、整理和保护 data 才能开始建模，因此项目往往会被延迟。在机器学习项目中，Data 准备工作可能会耗费多达 80% 的精力。.
其次，治理不力会导致 data 质量低下和标记不当，从而直接影响人工智能的性能--在不完整、不一致或标记不当的 data 上训练出来的模型，其结果的准确性和可靠性都会降低，从而损害商业价值，并需要代价高昂的返工或延长开发周期。.
2.3 采用摩擦指数
员工的技术亲和力和变革管理能力决定了人工智能工具是带来价值还是成为束之高阁的摆设。.
如果之前已经有多个人工智能成功案例，而且员工能够获得持续的人工智能培训计划，帮助他们揭开技术的神秘面纱、展示成果并强调其与人类的互补性，那么他们就会更容易接受未来推出的人工智能用例。.
例如，支持推出人工智能产品的培训课程一般包括 20% 专门针对人工智能适应的内容，以及至少一个关于工具使用的部分。这些产品越是集中在一个界面中，并以已经受过培训的团队为目标，适应工作就越能减少 30 到 40% 的工作量。.
3.多地平线效益：价值矩阵
人工智能用例的收益围绕两个时间跨度，以释放其全部价值，收益的有形性各不相同。.
第一个愿景的时间跨度为一年，非常具体，重点关注人工智能带来的新产品和新服务的推出，以及人工智能实现的任务自动化。.
第二个愿景为两到三年，不那么具体，涉及通过使用人工智能改进战略决策和提高企业对市场变化的应变能力。.
3.1 短期（0-12 个月）
顶线增长引擎
实现业绩增长的主要方法是提高现有产品的收入。在个性化领域，有两个例子可以说明问题：Netflix 的推荐引擎将客户参与度提高了 30%，从而降低了客户流失率。另一个例子是 Stitch Fix，这家服装公司利用人工智能算法分析客户的偏好和行为，从而提供量身定制的服装推荐。如果没有人工智能，这种大规模的个性化是无法实现的，而正是这种技术让 Stitch Fix 的商业模式变得可行。.
第二种方法是推出在人工智能出现之前无利可图的新产品。例如，Nutella 与意大利奥美公司合作，利用神经网络制作了 700 万个独特的罐装标签，所有标签在一周内全部售罄。如果没有人工智能，制作如此大量的独一无二的标签将成本过高，甚至根本不可能，因此这次活动的利润非常可观。.
3.2 长期（12 个月以上）
战略决策优势
评估一项战略决策对公司财务的影响总是充满挑战，而评估 artificial intelligence 对该决策的影响更是如此。不过，大家都承认，人工智能已经成为决策中的战略伙伴。Artefact 提供的一个例子是营销组合建模的使用，该工具旨在优化下一年各种渠道的营销预算分配。在某些情况下，这种优化带来的利润增长可达 40%。.
组织复原力
采用人工智能驱动的文化可将持续学习、适应性和快速实验融入日常运营，从而为企业带来敏捷性。人工智能使团队能够自动执行常规任务、快速检测异常情况并简化工作流程，从而使员工能够专注于创新和价值创造。这种文化鼓励分散决策，并赋予团队测试新想法、分析结果和实时迭代流程的能力，培养一种拥抱变化、将失败视为学习机会的心态。因此，组织变得更加灵活，能够更好地应对市场变化，并有能力不断发展战略和角色，以应对新出现的挑战，从而使敏捷性成为组织特性和运营实力的核心部分。.
在 Dataiku 的一项研究中，90% 的受访公司认为人工智能是应对衰退风险和经济危机的一种工具。超过80%的管理者表示，尽管经济存在不确定性，他们仍会保持或增加对人工智能的投资，这反映出他们对人工智能保护企业免受干扰的能力充满信心。.
同心投资回报率框架
基于上述所有因素，我们提出了以下计算人工智能用例投资回报率的公式，它取决于三个层面：行业、公司以及围绕 IT、data 和变更管理成本的用例合理化。虽然评估每个因素都很复杂，但这个公式可以帮助您牢记所有需要考虑的因素。.
结论：平衡投资回报率等式
这一框架超越了静态的成本效益分析，为人工智能的连锁影响建模：
- 行业力量为投资回报率创造条件
- 企业准备程度决定进入成本
- 效益范围随时间复合
在最后一篇文章中，我们将通过两个医疗保健行业的案例来探讨如何将这一框架付诸实施，其中一个以 0-12 个月的投资回报率为导向，另一个以 12 个月的投资回报率为导向。.
