全世界的IT領導者和業務主管都認識到了AI實施的戰略重要性，但令人驚訝的是，很少有人超越了實驗。凱捷(Capgemini)最近的一項調查發現，只有13%的公司已經從概念驗證(POC)轉向了在整個企業范圍內擴展AI。

使AI投入運營的努力很痛苦，因為它代表著時間和資源的浪費以及未實現的潛力。文章中充滿了建議，框架和宣言，其目的是縮小AI概念與企業交付之間的差距(包括一項徹底消除POC的建議)。其中許多都是聰明的，值得的。但是，在任何一個案例中我們很少看到的是對人類進行投資的違反直覺的建議。

我們已經看到多個組織創建了將AI投入運營的明確意圖的數據科學團隊，并且我們已經取得了一些成功。我們了解到，要使AI投入運營，通常需要增加人員的參與度。這里有一些建議：

1.擴展團隊的技能。

數據科學家花費一小部分時間來構建AI模型。他們花費大部分時間來了解業務問題，收集和清理數據，從業務環境解釋數據，探索利益相關者提出的假設以及更多內容。盡管很復雜，但是建立模型-預測或推薦引擎-是最簡單的步驟之一。

通常最困難的部分是建立必要的支持系統以實現AI的運行。組織不能僅僅雇用一組數據科學家并期望他們能夠成功。除數據科學家外，組織還需要軟件開發人員(越來越多的數據和機器學習工程專家)和程序經理。專長于效力，泛濫于效率。建立正確的實踐社區，并在效率和有效性之間進行適當的權衡。

2.發展團隊能力。

保持人脈是成功的必要條件。設計最出色的模型遠非萬無一失。型號壞了。未檢測到的錯誤會迅速加劇。您將需要知識淵博的人員來監視您的AI系統并在出現問題時做出響應。此外，您將需要團隊不斷發展自己的能力。

考慮完成四年大學，四年醫學院和多年居住權的醫生。然而，他們的教育從未停止。隨著新發現的出現和最新技術的發展，醫生不斷發展。您的團隊也必須如此。您的團隊需要具備必要的技能，以利用技術和算法的進步。

3.為業務翻譯。

業務洞察功能對于任何可操作的解決方案都是至關重要的。無論流程多么自動化，它仍在解決業務問題。向業務部門報告有效的方法和原因，這對于AI的成功至關重要。例如，如果AI模型是推薦引擎，那么它達到目標的效果如何?什么有效，什么無效?誰根據建議采取行動?根據到目前為止的經驗，我們應該重新設計產品還是提供產品?這些以及許多其他以業務為導向的問題應被提出，回答和傳達。