今年1月，IBM发布了一份详尽的研究报告，解释了数字化转型只能提供-5%到10%的投资回报率，而非预期的150%。这种差距与过去几十年在客户端/服务器实施、操作系统迁移、大数据应用和技术实现方面积累的经验有关。
并非所有技术实现都未达成目标，但大多数实现却未成功。主要问题在于技术尚不成熟，技术提供商和部署公司往往通过推销来吸引买方，但却缺乏后续跟进，以确保所承诺的价值得以实现。
同样的事情也可能发生在人工智能上。
当客户端/服务器趋势兴起时，技术尚未做好准备，导致IBM陷入困境，市场急于转变至尚未成熟的领域。
销售通常能够超越产品本身，这是因为销售往往强调的是产品的附加价值和服务。在人工智能等新技术兴起的时代，许多公司都希望能够在这一领域获得一席之地。然而，除了像IBM和英伟达这样在人工智能领域研究了几十年的公司之外，没有其他公司（包括谷歌在内）宣布已经准备好全面进军人工智能领域。
IBM之所以如此兴奋是因为它拥有watsonx，这是市场上最成熟的人工智能解决方案之一。在企业级生成式人工智能领域，IBM是最成熟的，而其他公司则依赖于少量或根本没有基础的销售和营销承诺生存。
购买者在销售领先于技术的情况下可能会受到损失。数据表明，许多人未能做好尽职调查，因此导致了这种情况。
在这种情况下，一个成功的策略是采用“试验先行”方法。在确保供应商提供的解决方案成熟和完整后，通过试点项目验证其可行性。即使产品成熟，也需根据实际情况逐步部署，以避免可能的大规模失败。试点项目的失败是可以接受和纠正的，有助于在生产阶段做出更明智的决策。
在试点之前，确保供应商的收益和投资回报率要求是可实现的，可向已成功部署技术的公司寻求参考。询问供应商是否内部部署过该技术，并与使用该技术的公司的IT人员沟通，获取真实反馈。
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。
以上是人工智能需要吸取数字化转型容易失败的教训的详细内容。更多信息请关注PHP中文网其他相关文章！
