AI 不会扩展，直到你停止称其为创新

AI 不会规模化，直到你停止称其为“创新”

大多数企业都有一个负责 AI 的团队，但很少有企业真正实现了 AI 的全面运营化。从实验到企业级部署之间的鸿沟，正是大多数组织停滞不前的地方——他们不断循环进行着从未真正交付给客户的概念验证（PoC）。当前正在发生的转变，是关于将 AI 作为产品来交付的运营纪律。

菲利普·兰巴赫（Philippe Rambach）是施耐德电气（Schneider Electric）的首席人工智能官。施耐德电气是全球能源管理和工业自动化领域的领导者。公司的两大核心业务——能源管理技术和工业运营自动化——都致力于帮助客户通过减少资源消耗和使用低碳能源，在建筑、工厂、家庭、数据中心、电网等场景中实现更高效率。

施耐德电气在其更广泛的数据与 AI 生态系统中，将 Databricks 作为关键平台，利用 Databricks 统一的数据与 AI 能力，摄取和处理大量工业遥测数据，在多云环境中大规模运行机器学习，并通过 Databricks Genie 实现自然语言数据访问。菲利普从零开始搭建了公司的 AI 组织，他的 400 人团队一半专注于将智能嵌入面向客户的产品中，另一半则致力于大规模优化内部运营。

在菲利普看来，那些成功实现 AI 大规模部署的企业，都是将 AI 视作与其他任何能力相同的产物，采用相同的产品开发严谨性，包括关卡评审、组合管理，以及对生产结果负责的团队。

“AI 原生”究竟意味着什么

Aly McGue： 随着越来越多组织将 AI 融入其产品，真正的“AI 原生应用”与传统产品上叠加智能功能之间的界限变得模糊。您如何看待这种区别？

Philippe Rambach： 关键在于，当 AI 是原生的，它必须完全融入应用的价值主张之中。没有 AI，产品要么毫无价值，要么失去绝大部分价值。我们不是在现有应用之上构建东西，而是 AI 本身就是解决方案的核心。

我们的客户需求并没有因为 AI 而发生根本变化。他们仍然追求结果：更高的可用性、更好的能效、更低的能源成本和更强的韧性。如果你去我们的现有客户群说：“你应该买这个，因为它很新”，他们不会太兴奋。真正的转变是从“附加组件”走向“AI 原生”，从“这太令人激动了”转向交付核心价值：帮助客户用更少的能源、更便宜的能源和更低碳的能源来运营。这一点必须成为解决方案的核心，而不是并列存在。

为规模化而构建，而非概念验证

Aly： 您将 AI 原生描述为产品的核心价值。从组织层面来看，为了在人员、流程和平台上实现这一点，需要哪些举措？

Philippe： 在人员方面，关键在于融合领域知识与 AI 知识。仅靠 AI 团队自己，可能会做出一些看起来非常炫酷的东西，我称之为“闪亮物件”，但未必真正帮助客户。因此，我们采用了“中心-辐射”模型。

每个解决方案都始于由业务线主导的商业案例。然后我们组建一个纯粹敏捷意义上的 Scrum 团队，包含所有实现规模化部署所需的资源：AI 专家、面向客户人员、IT 集成、来自业务部门的软件开发者、销售培训、定价等。这个团队不会在证明技术可行性或完成一个概念验证后就停止，而是持续到解决方案上线生产并进入支持阶段为止。

在平台层面，如果像我们这样的公司真想以全速推进 AI 原生，就不能有成千上万种不同的技术方案。我们成立了一个专门团队，定义并维护整个公司统一的一套核心技术栈。在任何时候，我们都只有一个平台。Databricks 在其中扮演了关键角色，它管理基础设施、数据和数据流，这样我们就能把更多时间花在业务逻辑和问题解决上，而不是低层次的技术难题。

我坚信，企业应该停止将 AI 视为“创新”，而应将其视为“产品开发”。我认为这是最重要的转变。我们有一套与任何其他产品相同的流程，包括关卡评审，依次经历构想、探索、孵化、工业化和运营阶段。在每个阶段之间，我和业务侧的同事共同决定该方案是否技术可行、商业上可行，以及业务计划是否成立，然后才推进下一步。每季度，我们会重新审视整个路线图和产品组合。我们将 AI 视同我们发布的任何其他产品。这才是真正的区别。

围绕 AI 的商业价值对齐团队

Aly： 面对如此多的移动部件，您如何确保跨职能团队从最初的商业案例到生产部署始终保持一致？

Philippe： 从用例和商业价值出发，是最好地对齐团队的方式。与其无休止地争论哪个技术提供商最好，不如从客户的需求出发。在一个管理良好的公司里，这才是驱动人们行动的关键。

另一个我想强调的是责任结构。在我所评估的许多公司中，一个团队负责构建概念验证（proof of concept），而另一个团队则负责将其规模化落地。这两个团队的目标截然不同，最终导致目标错位。而在我们的模式中，同一个团队负责整个流程——从构思到大规模部署。他们虽然仍可能在过程中构建概念验证，但始终以最终目标为导向。在其他组织中，一个团队可能专注于展示有趣的功能，而另一个团队则优化可扩展性。当由单一团队同时负责这两项任务时，这种矛盾就消失了。

从请求数据到与数据对话

Aly： Databricks Genie 为非技术人员提供了自然语言界面，可以直接查询数据。你们内部看到了哪些变化？

Philippe： 目前的一个核心挑战，尤其是在智能代理解决方案中，是如何在数据日益非结构化的背景下获取所需信息。Genie 在这方面非常有前景。它节省了我们在许多客户共有的核心活动上的时间，比如用自然语言从数据库中提取数据。

目前 Genie 刚刚在内部发布，还处于早期阶段。但大家的热情非常高涨。人们厌倦了总是需要请别人运行分析，然后等一小时或一天才能拿到结果，而且往往不是自己想要的。能够用自然语言自行获取数据，极大地改善了我们的工作方式。我们需要确保足够的准确性，目前正在与 Databricks 紧密合作解决这个问题。但它的潜在接受度非常强。

为什么仅靠模型不是答案

Aly： 当外部已有如此多强大的模型可用时，为什么还要基于自己的数据和基础设施构建原生 AI 应用？

Philippe： 我们当然使用外部模型。我们不自己开发语言模型，而是使用多种现成模型。但单个模型永远无法构成完整解决方案。它需要上下文、安全护栏、用户界面，有时还需要将传统分析型 AI 与大语言模型结合，有时甚至需要多个 LLM 驱动多个代理，在不同基础上做出决策。我们构建的是多代理系统，其中代理之间有时是竞争关系，而不仅仅是协作。

以我们的 EcoStruxure™ 微电网顾问为例。客户拥有几栋建筑，可能是大学校园，配有太阳能板和风力发电设施。我们会高频采集所有现场数据，以精准预测能源生产和需求。然后 AI 每15分钟根据未来48小时的情况进行优化：是立即使用当前产生的电力、卖给电网、从电网购买，还是储存起来留待明天使用？这不是一个模型的问题，而是预测、优化和实时决策在客户自身运营数据上协同工作的结果。通过这类方案，我们看到客户的能源成本最高可降低20%。

模型对每个人都是开放的。但并非每个人都能获得围绕这些模型构建的领域特定基础架构。你需要一切要素。

给刚开始这项工作的领导者的建议

Aly： 对于那些刚刚起步的领导者，有哪些经验是你希望更多组织在扩大 AI 规模之前能内化的？

Philippe： 第一，从商业案例出发，而不是从技术出发。不要从“某个供应商推出了新东西”开始。要从你真正需要转型什么、AI 如何帮助实现这一点入手，这样才能聚焦于规模化的影响。

第二，培训你的员工。如果员工没有我所说的“成熟的人机关系”，AI 转型就不会成功。AI 能做很多奇妙的事，但并非万能。它也没有某些人想象的那么可怕。你需要教育团队如何使用它，以及它的局限性。

第三，也是最具争议的一点：不要忘记你已有的知识。当人们启动 AI 项目时，往往会忘记这首先是一个项目，其次是一场变革。我们公司多年来一直在学习如何管理变革。AI 项目的重要组成部分正是这一点。有些部分需要重新设计，但并非全部。

结语

Philippe 最刻意的选择是拒绝把 AI 当作某种特殊事物来对待。不是因为它的潜力并不巨大，而是因为它的管理方式不应特殊化。轮轴式模型、关卡评审、坚持统一平台和端到端团队负责制——这些都不是 AI 策略，而是产品策略，以施耐德电气向客户交付任何其他能力时同样的严谨标准来执行。

对于那些仍将 AI 作为独立创新职能运作、配备独立团队、独立时间表和独立问责机制的高管而言，这种观点值得深思。真正实现 AI 大规模部署的公司，并不是那些拥有最富创意原型的公司，而是那些不再称其为“创新”，而是开始像产品一样交付它的公司。

如需从超过25位行业领袖的经验中汲取灵感，并定义您实现 AI 运营化的路径，请下载由《经济学人》企业版（Economist Enterprise）撰写、Databricks 支持的报告《让 AI 发挥价值》。