人工智能正在通过赋能企业重新思考如何为客户提供价值，从而颠覆各行各业。然而，挑战往往在于如何从试点项目过渡到可扩展且具有实际影响力的应用场景。

通过遵循结构化流程和指导原则，企业能够更好地利用人工智能提升客户体验，并推动创新与增长。包括全球饮料行业领军企业帝亚吉欧（Diageo）在内的多家组织已成功采用此类方法，为其他企业提供了宝贵经验。

1.从小处着手，然后扩展

聚焦高影响、低复杂度的应用场景，以展示价值并获得组织内部支持。采用“试点与扩展”方法，在受控环境中测试后再进行全面部署。聚焦存在低效、客户需求未满足或新机遇未开发的领域。小型灵活团队通常能主导这一阶段。目标是在无需重大组织变革的情况下，快速建立早期成果和势头。

2.业务价值优先，AI其次

扩展AI解决方案需要对成果保持纪律性的关注。在选择AI技术前，需明确业务目标。人工智能应作为解决问题或创造机会的手段，而非最终目标。仅应扩展那些能明确体现商业价值并符合战略目标的用例。分阶段拨付资金，即根据已验证成果逐步释放资源，可确保人工智能投资始终以成果为导向。

帝亚吉欧的HALO计划是一个由生成式人工智能驱动的平台，允许消费者共同创作个性化酒瓶标签及其他商品，堪称典范。在成功测试概念后，该公司通过训练人工智能引擎使用品牌元素和苏格兰艺术家斯科特·奈史密斯（Scott Naismith）的艺术作品，为消费者提供了创建约翰尼·沃克威士忌独特瓶贴的机会。这使得约翰尼·沃克蓝标威士忌的销量提升了110%，且售价提高了20%。

3.数据作为战略资产

确保数据清洁、可访问且治理良好。这包括打破部门间的数据孤岛，并建立强大的数据基础设施。哈佛商学院的一项研究指出，组织内的数据孤岛是有效利用数据的最大障碍。第二大障碍是数据标准化和技术集成。明确的数据共享协议以及一个强大且可访问的“数据湖”，能够聚合所有相关数据，有助于解决这两个挑战。

星巴克通过其Deep Brew平台解决了这一问题，该平台基于交易数据、偏好和行为洞察，实现超个性化客户体验。其企业数据分析平台和数据湖整合了来自多个来源的数据，这些数据通过Deep Brew中的计算层进行处理。这为个性化推荐、定制化优惠和供应链优化提供了动力，所有这些都通过移动应用、数字drive-thru、网站和社交媒体等触点交付。

4.跨职能协作

为了支持人工智能的大规模实施，建立一个人工智能领导力生态系统至关重要。要培养跨职能的人工智能倡导者网络，并投资于提升团队技能，以便他们能够有效地与人工智能技术合作。这些合作关系可以提供额外的专业知识和访问前沿技术的能力。

帝亚吉欧的人工智能委员会展示了领导力和协作如何推动创新和效率。这个跨职能论坛包括来自IT、法律、采购、数字、创新和规划部门的人员。存在自下而上的机制，即每个新的人工智能试点项目需通过数字流程或门户由市场或品牌方提出，并经审批以确保知识共享、风险管控及效率提升得到充分考虑。该委员会将负责具体战略工作流，如培训计划、负责任人工智能框架或人工智能洞察议程。

5.速度与纪律：大规模敏捷实验

一旦高潜力机会被识别并执行，下一步就是构建更具战略性的敏捷实验能力。基于学习计划和证据评分卡的快速创新周期，使组织能够在大规模测试和迭代人工智能解决方案。为了在不同用例、品牌和地区持续进行实验，公司需要自上而下的战略愿景、自下而上的赋权以及适当的组织基础设施。这一阶段需要系统、治理和文化准备，以从孤立的试点项目过渡到企业范围内的测试与学习引擎。

在帝亚吉欧，只有当机会能够在品牌、类别、地区或渠道中的至少两个领域实现规模化时，才会被追求。他们从一开始就定义“规模与成本”的平衡，并随着学习的深入进行调整。基于潜在影响和风险评估，预期回报最高的项目将被优先推进。

6.技术栈可扩展性

投资于灵活的技术架构。采用前端（应用程序、聊天机器人）与后端（数据）分离的无头架构，可使企业快速适应新的人工智能模型和供应商，同时降低风险。同时构建内部能力并依托外部、解决方案中立的顾问网络至关重要。尽管企业可能无法吸引顶尖人工智能人才，但可通过采购、IT和法律部门合作，构建并完善合作伙伴生态系统。然而，架构灵活性也带来了复杂性和集成挑战。需要强大的技术监督以避免创建碎片化系统、安全漏洞和不断增加的运营成本。

联合利华通过模块化、无头架构实现了技术栈可扩展性的良好示例。通过解耦数据、模型和接口，该公司构建了一个灵活的生态系统，使其能够集成来自多个提供商的最佳人工智能工具，同时保持对核心能力的控制。全球数据战略，包括将来自各种来源的数据整合到一个数据湖中，确保了跨市场和职能的一致性和互操作性。这使得实时决策和快速部署人工智能用例成为可能，从需求预测到生成式内容创建。因此，联合利华能够保持敏捷性，减少供应商锁定，并持续适应快速演变的人工智能格局。

指导原则

虽然六个步骤概述了企业利用人工智能必须采取的行动，但一套指导原则明确了企业必须如何运作。这些原则贯穿人工智能成熟度的各个阶段，从初始试点到企业级部署，并帮助组织保持专注、灵活和以客户为中心。

基于证据做出决策：利用数据优先考虑与战略目标一致的应用场景。

快速行动：采用测试与学习的方法，优先进行实验和快速迭代。快速成果能建立信誉和势头。

自上而下推动和赋能：在领导层倡导人工智能，并赋能团队从基层推动用例。

以客户为中心：设计满足真实客户需求的人工智能用例，简化他们的决策过程，并提供更个性化的体验。

构建信任：在开发和部署的每个阶段融入负责任的人工智能原则，如透明度、公平性和隐私保护。

人工智能是一段持续探索与创新的旅程，重新构想企业与客户互动方式的途径。现在正是开始实验、探索其真正潜力的最佳时机。