Deliberate decisions and enterprise AI value

深思熟虑的决策与企业AI价值 | Databricks 博客

跳至主要内容

数据战略

2026年10月30日

深思熟虑的决策与企业AI价值

了解资深数据和AI领导者如何在保持势头、问责制和灵活性之间取得平衡，将AI愿景转化为持续的企业价值。

作者：Jack Yallop 和 Lexy Kassan

摘要

• 为什么在准备度、证据和预期不均衡时，AI进展需要脚踏实地的决策。
• 资深领导者正在学习关于投资、所有权、人类判断和战略灵活性的关键经验。
• 为什么五个领导力学科能帮助将AI愿景转化为持续的企业价值。

AI进展正在加速。期望值不断上升，实验范围持续扩大，组织面临展示实质性回报的压力。但最关键决策很少涉及AI是否可行，而是涉及在证据尚不完整时，应在何处投入、优先考虑什么以及如何推进。

这就是《深思熟虑的决策：如何通过务实领导推动企业AI价值》报告的核心内容，该报告由DataIQ与Databricks合作发布。报告汇集了在真实组织中做出这些决策的资深数据和AI领导者的观点。

为何现在需要深思熟虑的决策

该报告基于DataIQ Guild 2026的公开同行讨论，这是一个仅限受邀的资深数据和AI领导者的闭门智库。跨行业领导者描述了相似的挑战：他们需要在技术、运营模式、员工影响和商业案例持续演变的同时保持势头。

早期的AI成功可能比组织能够吸收的速度更快提高期望。试点和概念验证可能在团队具备评估、治理和支持能力之前就迅速增加。当AI跨越不同职能时，所有权可能变得模糊，而角色和工作流程的变化速度可能超过组织定义它们的能力。

答案不是等到一切确定后再放慢脚步，也不是承诺每一个有前景的用例。报告指出了一种更务实的领导形式：在保持适应能力的同时，做出基于证据的深思熟虑的选择。

报告快照：

• 报告基于DataIQ Guild 2026两天的同行讨论。
• 五个持续的压力正在塑造当前的数据和AI环境。
• 五个领导力学科帮助领导者做出深思熟虑的回应。
• 四个阶段描述了AI采纳旅程：担忧、好奇、适应和胜任。

立即下载报告：《深思熟虑的决策：如何通过务实领导推动企业AI价值》

深思熟虑决策背后的五大领导力学科

来自DataIQ Guild 2026讨论的五大领导力学科：

• 基于现实的自信：将AI进展与证据、准备度和生产现实进行对比。
• 企业导向的选择，而非需求驱动的反应：优先考虑业务成果，而非孤立的热情或用例数量。
• 通过影响力而非控制力领导：在企业范围内创造清晰度、所有权和适度的治理。
• 将人类判断作为战略能力：保留人们挑战AI输出所需的权威、背景和技能。
• 稳定而不僵化：在保持目的、决策权和标准的同时，保持角色和技术选择的灵活性。

自信且灵活AI领导的四大基石

当前数据和 AI 领域的领导者需要在承诺与灵活性之间不断权衡。每一个投资决策、架构设计和运营模式的选择，都需要领导者在对现有认知保持信心的同时，对可能发生的未来变化保持开放态度。

报告中提出的 Databricks 视角，指出了应对这种挑战的四大支柱：

• 上下文：将 AI 建立在受信任且受管控的数据基础上。
• 控制：让领导者对创新能够以负责任且安全的方式推进充满信心。
• 成本：确保可持续采用与雄心和效率目标保持一致。
• 选择：在技术、模型和业务优先级变化时，保留进化的可能性。

这些支柱体现在 Databricks 的能力中，例如 Lakebase，这是一个受管控的事务性基础架构，用于构建和运行数据与 AI 应用及代理；以及 Genie，它帮助人员和 AI 代理负责任且高效地访问组织上下文。

这些能力共同强化了报告的核心信息：进步不需要等待确定性。它要求做出明智决策，明确承诺的领域并保留选择权。

报告中你将发现什么？

如何区分进展与就绪状态

成功的试点并不等同于已准备好投入生产的 AI 能力。报告探讨了早期成果与可持续采用之间的差异，包括 AI 进入实时工作流后显现的操作支持、治理、技能、监控和成本模型。正如 Axpo Trading & Sales 数据与分析运营负责人 Thomas Gebetsroither 所说：

“成本不仅仅是模型或工具本身。它还包括安全性、支持、采用、治理和运营模式。如果这些成本不可见，商业案例就是不完整的。”

领导者将找到一种实用方法，测试 AI 项目是否能在有限实验条件之外保持有用、可靠和经济可行。

如何做出企业级决策

AI 的需求可能来自董事会、业务部门、员工或供应商。但需求本身无法决定议程。报告探讨了领导者如何从明确的业务问题出发，使权衡变得透明，并优先推进具有企业级潜力的工作。

报告还分析了为何 AI 投资可能更适合以投资组合的方式管理。组织可以进行一系列初步尝试，随着证据增强逐步增加投资，并停止或调整那些无法证明进一步投入合理性的项目。

“并非每项投资都需要以相同方式获得回报。有些会直接创造价值，有些会带来学习成果，有些则会构建可在整个组织中复用的能力。” ——National Grid 首席数据官 Gavin Goodland

如何明确组织内的权责归属

AI 的采用不是由单一团队负责的。业务成果、工作流变革、风险、采用率和持续成本在组织内广泛分布。你将了解到，除非业务负责人也准备好承担结果及其后果，否则明确的决策权本身是不够的。

这很重要，因为一个获得批准但缺乏明确权责归属的用例，可能创造新问题，而非解决现有问题。

“我们希望业务方对结果负责。我们优先考虑的任何用例都必须对长期规划产生影响。” ——Swire Coca-Cola 数据、数字化与 AI 副总裁 Bharathi Rajan

如何保护人类判断

随着AI承担越来越多的执行任务，人们将花费更多时间用于界定问题、解读结果以及决定下一步行动。报告探讨了为何必须明确人类的权威、组织如何构建与角色相匹配的AI能力，以及为何自动化可能剥夺专业能力发展的机会会带来长期风险。

核心问题并非人类是否仍参与流程，而是他们是否仍保有在关键时刻质疑输出结果的权威、背景和时间。

如何在不僵化的前提下建立稳定性

组织需要足够的连续性以明确问责归属和适用原则。同时，技术选择、角色和运营模式也需留有进化空间。正如报告所指出，领导者的挑战不是保护人们免受自动化影响，而是避免将组织无法替代的能力自动化掉。

报告提供了一种识别关键固定点的方法——目标、决策权、标准、人类权威和业务所有权，同时保持其他决策的灵活性，并尽可能实现可逆性。

该报告对领导者有何价值？

《审慎决策》未预测哪种技术会胜出，而是聚焦于领导者当前正在做出的判断：承诺什么、在何处坚持、如何负责任地推进以及如何在条件变化时保留选择权。

对于正从实验阶段迈向企业级AI价值的领导者，该报告提供了实用框架和共享语言，使权衡取舍变得可视化。它不再将用例视为孤立的技术项目，而是将其与应改变的业务结果、支持下一轮投资的证据以及维持其所需的权责联系起来。

这有助于与高管赞助者和业务团队开展更有价值的对话。当证据变化时，也能更轻松地评估准备情况、停止、调整或重新设计工作，将路线修正视为纪律性领导而非失败。

下次AI审查前需思考的三个问题

在批准下一个用例前，请问：

• 哪些证据表明该能力已准备好应对真实企业环境的条件？
• 谁负责结果，包括采用、运营影响和持续成本？
• 如果技术、角色或业务优先级发生变化，哪些决策部分应保持灵活？

这些问题不会消除不确定性，但能提升在不确定性存在时决策的质量。

将审慎决策转化为行动

完整报告通过五个领导力学科和DataIQ Guild社区的视角深入阐述这些理念。其设计目的是帮助领导者将自己的决策与其他组织在AI变得更具影响力时的选择进行对比。

下载完整版《审慎决策》报告，探索领导力模型及其背后的实践行动。

常见问题

领导者如何判断AI是否已准备好扩展？

超越试点结果。当组织能够在真实工作流中支持、治理、采用并负担AI时，AI就已准备好扩展。

组织应如何优先考虑AI用例？

从明确界定的业务问题和企业价值开始。将项目组合管理作为投资策略，随着证据增强逐步增加投入。

谁应负责AI项目？

企业所有者应负责结果、采用情况、运营后果和持续成本，并在跨团队中拥有明确的决策权。

领导者如何在AI扩展时保护人类判断？

明确哪些决策仍由人类主导，并赋予人员挑战、覆盖或停止AI系统的权威、背景和时间。

组织如何在AI发展过程中保持灵活性？

为宗旨、标准、所有权和人类权威设定固定基准，同时保持角色、运营模式和技术选择的开放性，以便持续审查。

相关标签：

数据负责人

订阅最新文章

订阅我们的博客，将最新文章发送到您的邮箱。

立即订阅

查看所有博客

slice-start id="_gatsby-scripts-1"

slice-end id="_gatsby-scripts-1"