知名技术领袖探讨他们如何部署 AI

本文信息来源：baincapitalventures

企业级 AI 应用：从试点到真正的业务价值

2025 年是企业级 AI 普及之年，调查显示，许多大型公司目前已在至少一个业务职能中使用 AI。但问题依然存在：公司是否在以有意义的方式使用它并产生价值？员工是否倾向于使用它？今年发布的几份备受关注的报告发现， 绝大多数 AI 试点项目都停滞不前或以失败告终 ，而且大多数组织从其 AI 投资中看到的衡量回报微乎其微。

为了探讨采用与影响之间的差距，我们采访了三位 Bain Capital Ventures CTO 顾问委员会成员：福特汽车首席数据与 AI 官 Franziska Bell；Mammoth Brands 首席技术官兼 AI 官 Sandeep Chouksey；以及 Box 首席技术官 Ben Kus。每位成员都处于企业 AI 决策的中心，亲身接触到塑造现实世界部署的机遇与阻力。

尽管身处不同行业，他们的观点却汇聚在一个关键点上：即便规模化进程参差不齐，AI 在组织内部的使用是真实且持续的。一些人已经看到了显著价值，而另一些人则认为，看似缓慢的进展其实是必要的实验期——考虑到这项技术的颠覆性，这一阶段往往被广泛低估了。

引导员工使用 AI

Fran： 在福特，AI 的采用在整个组织中自然而然地发生了。每周约有 5 万名员工活跃地使用我们的内部平台 Ford LLM。我领导着一支由技术专家和数据科学家组成的跨学科团队，与汽车设计师、产品经理、工程和制造团队紧密合作。该小组深入嵌入到各业务部门中，专注于了解员工的日常工作，并以务实的方式应用 AI，既改善了团队的运作方式，也为更广泛的业务策略提供了参考。

Sandeep： 在 Mammoth Brands，我们营造了一种好奇心文化，这种特质无疑影响了我们接触和实验 AI 的方式。虽然我们对所使用的工具始终保持审慎，但我们围绕 AI 试点制定了一套策略，鼓励团队与广泛的合作伙伴一起敏捷地进行测试与学习。为了实现这一点，我们愿意投资于试用，并快速办理法律和安全评价，以便我们的团队能够迅速了解哪些平台能提供最大的价值。我们还优先考虑知识共享——我们拥有一支由 AI 倡导者组成的特别工作组，定期开会讨论心得、最佳实践以及如何在各自职能部门内进一步推动采用，并定期让团队成员分享使用案例。

Ben： 在 Box，我们首先通过全公司范围的 AI 认证课程来教育我们的团队，以便各级员工都能在自己的职能范围内战略性地实验和使用 AI，从而发现哪些方案行之有效。我们的领导团队并不试图规定每个员工应该做什么，相反，我们提供工具的使用权限、关于其工作原理的一些基础背景，以及底层数据的许可范围。然后，我们让他们自己去探索。此外，我们通过让 Box 员工分享他们如何成功使用产品来增强日常工作，极大地鼓励了对我们自身 AI 工具的使用。

成功的 AI 应用案例

Fran： 我们拥有十几个被称为“AI 豪赌”的项目，每一个都与福特的整体战略保持一致。我们的供应链风险辅助 AI 是一个多智能体系统，用于早期识别福特庞大且复杂的供应链中的风险。它让我们能够与供应链伙伴合作，在问题或延迟升级之前将其化解，从而确保我们能按时交付车辆。

在车辆设计过程中，生成式 AI 功能正帮助我们的设计师通过点击按钮，将手工草图转化为车辆内饰和外观的 2D 或 3D 渲染图。以前，这需要花费数小时。在车辆测试方面，专有模型可以模拟空气动力学阻力计算，过去这需要 16 到 18 小时，而现在我们可以在几秒钟内获得相当的准确度。

Sandeep： 我们的分析与洞察团队发现，运行在数据仓库之上的工具具有巨大价值。能够提出诸如“过去六个月我们的收入趋势如何”之类的问题，其意义不仅在于提高效率，更在于让数据访问和解读变得民主化。另一个数据自动化价值的绝佳案例来自我们的供应链团队。他们使用生成式 AI 工具来简化数据流水线和工作流创建，包括解析存在于数百封电子邮件和 PDF 中的非结构化数据。这让他们能够做出更快、更明智的决策，并与供应商和制造商进行更高效的合作。

Ben：我们向全公司开放了处理非结构化数据的早期版本 Box 智能体，并举办了一场黑客松。有趣的是，一些最积极拥抱这项技术的团队——采购、合规和审计——从事的都是非常精密的工作。其中一个团队实现了审计取证的自动化，他们认为这是工作中最为充满挑战且耗时的部分。现在，AI 可以查阅海量数据，快速提供答案和具有参考价值的见解。

评估与衡量 AI 价值

Fran：我们的“AI 豪赌”项目都经过了严密的财务分析，并且已经产生了巨大的价值。但我们的成功指标不仅仅是财务方面的。我们还关注敏捷性和速度，并希望为我们的学科专家腾出时间，让他们能够专注于最重要的事务。

Sandeep：我们在 2025 年试点了 30 多种新的 AI 工具，超出了年初设定的进球。其中许多都失败了，而这正是设计使然。我们的首要任务是鼓励快速学习，而不施加即时的投资回报率（ROI）压力。那些被证明足够有用并进入生产阶段的项目随后会被纳入部门预算，这成为一种还原号的强制机制，促使团队审查工具的 ROI 并对其价值负责。

Ben：我完全赞成衡量投资回报率（ROI），但考虑到人工智能仍以如此之快的速度演进，目前过度强调这一点是愚蠢的。我们尽量不去说：“你花了三个月时间还没证明任何价值，所以这项技术或项目被砍掉了。”随着事物走向成熟，会有时间用这种批判性的眼光去审视，但就目前而言，实验才是成功的关键。

采购 AI 解决方案及对供应商的重要要求

Fran： 我们倾向于购买现成的解决方案。在采购过程中，网络安全至关重要，所有公司无论规模大小，都必须满足我们的安全需求。作为 Google 的深度用户，我们的基础设施主要建立在其云平台上，因此与 Google 生态系统的互操作性是另一个重要组件。我们更倾向于与中大型公司合作，但也会与提供创新技术的小型供应商合作，因为它们有时表现得比大公司更好。

Sandeep： 我们对现有的软件供应商没有偏好，并且愿意与那些在 AI 领域进展更迅速的小型公司合作。我们采购的这 30 个工具全部来自供应商，其中三分之二的公司员工人数少于 100 人。我们并不一定要求产品是 100% 完成的。我们很乐意成为设计合作伙伴，直接参与产品路线图的制定，并让聪明的人才帮助我们构建酷炫的东西。初创公司也需要具备基础的安全和合规要求，这样我们才能确定你在处理我们的数据时是经过深思熟虑的。

Ben： 在过去的 12 到 18 个月里，我们尝试了各种形式的 AI 技术——自研工具、供应商方案、开源项目以及商业产品。变革如此频繁，以至于以往采购工具或软件的常规规则已不再适用。我们不想听供应商说：“我有一个能解决所有问题的方案。”相反，我们更希望听到：“这是一个优质的工具，无论从资金、时间还是精力投入的角度来看，都非常值得投资。随着形势的变化、模型的演进以及 AI 智能体复杂度和精细度的提升，我们会快速做出响应。”