通过AI获利数据：MIT CISR的Barb Wixom

MIT信息系统研究中心（CISR）的首席研究科学家Barbara（Barb）Wixom借鉴了30年的研究，我，我自己和人工智能播客。她认为，数据货币化是AI企业成功的关键，并破坏了原因。

有了主持人Sam Ransbotham和Shervin Khodabandeh，Barb详细案例示例，以突出AI实施以及如何衡量价值以及数据治理和道德在成功的AI项目中起关键作用的最佳实践。他们还谈论了哪些公司出了什么问题以及AI研究的挑战和回报。

订阅我，我自己和人工智能在苹果播客或者Spotify。

成绩单

Shervin Khodabandeh：衡量AI对组织成功的影响的最重要方法是什么？一位AI研究人员对今天的情节分享了她的看法。

Sam Ransbotham：欢迎来我，我自己和人工智能，关于商业人工智能的播客。每个情节，我们都会向您介绍与AI创新的人。我是波士顿学院分析教授Sam Ransbotham。我也是AI和商业策略的客座编辑麻省理工学院斯隆管理评论。

Shervin Khodabandeh：我是BCG的高级合伙人，也是我们AI业务的领导者之一Shervin Khodabandeh。一起，麻省理工学院自2017年以来，BCG一直在研究和出版AI，采访数百名从业者，并对成千上万的公司进行调查，以构建，部署和扩展AI功能，并真正改变组织的运作方式。

Sam Ransbotham：嗨，听众。感谢您加入我们。我和Shervin今天正在与Barb Wixom交谈。她是MIT信息系统研究中心的首席研究科学家，称为CISR。Barb自2013年以来一直在CISR上的技术主题研究，并对数据和AI在业务中的使用有了新的研究。众所周知，舍文和我一直在研究类似的话题多年了，我们觉得Barb在这方面是一种亲切的精神。

因此，我们希望谈论我们的一些共同经历，并可能对一般的AI进行一些书呆子研究。这是一个非常快速的，复杂的话题，很难理解。顺便说一句，倒钩是我在学术界最喜欢的人之一。实际上，为什么我什至在学术界有资格呢？那是我愚蠢的。我应该有[Say] Barb是我最喜欢的人之一。首先，欢迎来到我，我自己和人工智能。

Barb Wixom：哦，天哪，谢谢你，山姆。并感谢您这样的介绍。

Sam Ransbotham：Barb，让您开始，您可以让我们的听众更好地了解您在CISR的角色，CISR的作用。我进行了粗略的概述。给我们一些深度。

Barb Wixom：好吧，这很有趣。CISR刚刚在麻省理工学院庆祝成立50周年。实际上，我们让创始人发表演讲。[迈克尔]斯科特·莫顿（Scott Morton）从哈佛大学博士出来。回到60年代初。他很荣幸在决策支持领域获得第一学博士学位论文。实际上，他讲了一个非常有趣的故事，他将其作为他的博士主题，从基本上是将数据从系统中获取并将其用于管理信息的想法。他当时试图优化洗衣机。他的顾问说，这是他听说过的最愚蠢的事情：为什么我们要使用系统中的数据浪费计算能力来为决策提供信息？

Sam Ransbotham：这不是很好。

Barb Wixom：不，没有。幸运的是，他换了顾问，证明了他的第一位顾问错误，并从字面上开始了决策领域。当他获得学位时，他成为麻省理工学院的教职员工，并于1974年成立了IS IS研究中心。这是在我们拥有CIO之前，大型组织正在努力管理技术并在技术方面取得成功。因此，建立了CISR来帮助领导者取得成功。这实际上是一个非营利组织。我们仍然帮助领导者成功地获得技术，而我的角色是专门帮助数据。它也总是[涉及] AI，我们可以谈论我如何看这两只动物。

Shervin Khodabandeh：Barb，您的角色如何专门在帮助领导者成功方面发挥作用？我想这是通过研究和教练来进行的，但是您可以分享更多具体的例子吗？

Barb Wixom：我有一本书叫数据是每个人的业务这是在2023年秋天出现的。这本书是我研究的30年的综合。我开始研究数据仓库的空间，当时还包括高级分析，现在我们将在1994年将其归类为AI。我们今天发现的是，整个组织中的每个人都有如此普遍的需求。一位前线工人一直到董事会成员 - 以了解如何以有效的方式思考数据和AI。那是什么书。

您可以想象，[在]数据是每个人的业务，第一个问题是，AI如何？因此，我最近做的是很多工作来告知AI如何适合数据。因为我们可以对此进行辩论 - 我热情地认为，在数据获利的背景下，AI不是您应该追求的。我知道我们将不得不暂停并首先定义这个，因为那里有太多的听众在思考，数据货币化？不是以令人毛骨悚然的方式出售人数据吗？

不，这不是我相信我们应该考虑数据货币化的方式。数据货币化是从数据开始作为组织资源开始的，最终获得了金钱和经济资源，而组织中发生了一种转换。

AI是一种有助于转化过程的技术。例如，AI可用于将数据转换为用于推导洞察力的数据资产。AI可用于获得洞察力。但是最后，我们必须采取行动。这就是最终变成财务价值的机制。现在，即使在今天，AI也可以在自动化或决策过程方面启动行动。归根结底，我关心的是要实现一个组织的价值：数据货币化。同样，人工智能是帮助我们到达那里的原因。

Shervin Khodabandeh：现在，您谈到了人们如何在数据货币化之外追求AI，这说明AI的价值应具有不同的价值。这也是我们的工作。也就是说，如果您随机追求这些闪亮的对象而没有与业务和战略价值相关的没有牢固关系的，那么如果您的AI努力与您的业务战略或公司策略无关，或者您如何获得更高的效率，收入或成长方式，那么这些就是可能浪费了。那是你的意思吗？

Barb Wixom：这绝对是我的意思。归根结底，AI的背景应该改变工作性质，改变产品的性质，或者创建新的信息解决方案收入流。这些是货币化的三个选择。当然，现在，尤其是在大型组织中，将有一些用例不直接促进公司的财务状况。例如，也许您将AI用作人才。我看到[这发生在社会良好的人工智能上下文中。例如，BBVA，当他们第一次真正地进入AI时，他们做了很多社交良好的工作。实际上所做的事情有助于吸引人才进入现任的BBVA银行，否则才能参与传统的银行业思维类型的组织。因此，由于这样的原因，绝对有时您将有选择地参加AI项目，但是您的大部分投资组合需要以某种方式与您在损益表中看到的指标相关。

Shervin Khodabandeh：您的研究告诉我们什么？我们发现，跨部门的公司从AI中获得有意义的价值的能力有很大的差异。有时，这是根据其策略的关系，他们如何改变工作性质以及组织中的过程的差异。您的研究中有哪些掘金？

Barb Wixom：我是成功的倡导者。这我领导的研究都是基础和前卫。它们有点不同的动物。因此，基础工作正在进行中。那就是，我们需要建立什么永恒的基础？绝对需要什么功能？哪些实践可以建立它们？我们如何设计我们的组织并将人员联系起来，以建立再次创建有效的数据货币化计划所必需的数据民主国家？我们如何选择和优先级正确的数据货币化计划，以确保我们做出正确的选择？

每隔一段时间，因为我一直在关注这些主题这么长时间，所以会有改变。例如，您需要的五个功能之一就是进行治理和监督。您可能会在数据科学方面做得很好，您可能会做得很好，但是如果您没有适当的监督，那么您将被停止。

早在2015年左右，我们就开始从与我密切合作的有关数据令人毛骨悚然的领导者那里收到问题。那是如何开始的。他们的意思是，我的[执行委员会]刚刚告诉我，我不应该令人毛骨悚然。这意味着什么？我如何管理数据令人毛骨悚然？。

然后也是前卫。这就是我认为会改变您的想法的事情。这里的一个很好的例子是Genai [生成AI]。突然我们继续徒步旅行，我们遵循了AI项目，它们是传统的机器学习和自然语言处理以及预测性的技术。我们真的认为我们对这些项目的发展以及采取什么方式以及组织的发展和成熟度的外观有所了解。然后，突然之间，我们被Genai击中了，就像，这是怎么回事？

当我们遵循他们的所有AI计划时，突然间，每个人都意识到当前的剧本不再是Genai的工作。例如，对Genai的研究产生的最新见解之一是将所谓的Genai工具与解决方案区分开来的重要性。基本上，这意味着当我们向整个组织的大众推出通用工具时，我们需要管理像管理个人生产力类型的工具一样。

鉴于，如果我们创建了Genai解决方案，那么这些计划是我们一直在管理的倡议，我们在这里投资某种解决方案来帮助一部分业务，但Genai是基本的。因此，这是一种与传统的投资过程和开发过程相同的动物。

Sam Ransbotham：这很有意义，因为如果您朝另一个方向前进，您会很开心。我们都看到了这种冲向的奔跑。每个人都知道。让我们将其用于一切吧。您的第二种方法当然更面向策略。它与我和我在我们的中发现的最后的研究报告，人们似乎正在掌握其如何将AI纳入其业务战略的战略。这从30％增加到40％，说他们知道自己在做什么，达到50％，知道自己在做什么，一旦Genai出来，就可以回到30％和40％。这种新工具的引入引起了一些流程的重新思考。

不过，我想回到您关于货币化的观点，也许可以向后推一点点。关于金钱的一切吗？我的意思是，我和Shervin一直在寻找的一些事情正在寻找除了金钱以外的结果。钱是唯一的东西吗？[跟进]随后，如果这是唯一的事情，不是会使我们更快地做同样的事情，但这不是正确的事情，但这不是正确的事情吗？反驳。

Barb Wixom：是的。这就是为什么。首先，我将价值创造与价值实现区分。因此，仅仅因为我说这是关于金钱的全部，这是有价值的实现，这并不意味着我们需要在我们的倡议中追求经济利益。实际上，我希望我们能为我们的用例列出各种价值创造成果，这些用例的范围从更快乐的员工到满意的客户，到创新的思维方式，再到更多，不断地，不断地。社会善良 - 我们可以从可持续性开始，对吗？但是，金钱之所以重要的原因是，如果您要建立一种随着时间的流逝而经济上维持的用例，则必须涉及金钱。金融健康必须有所改善。现在，不一定意味着，例如，直接收入。

Shervin Khodabandeh：是的。感谢您推回Sam。

Sam Ransbotham：Shervin喜欢对我反击的任何人。

Shervin Khodabandeh：有时候，有一种乌托邦式的看法，即最容易衡量的事情，无论某事的善良或邪恶如何，最终都会成为金钱。您可以说，只能仅仅衡量影响。我会说，这是可以测量的最简单的变量。

Sam Ransbotham：我想您举例说明了一个组织做得不好的方式。您与许多组织进行了交谈。他们怎么把这个搞砸了？如果很清楚地将其与钱绑在一起，如果那是一个很棒的测量工具，人们会如何弄乱这一点？

Barb Wixom：好吧，我不说这很容易。我认为问题是，为了建立测量，优先级，进行持续的投资，在您建立组织学习和能力的地方，所有这些都需要真正强大的领导才能和真正强大的管理。我可以说的是，当某些事情很重要时，您将找到一种完成它的方法。测量是一个很好的例子。我得到了如此之多的推动力，当我们改变这项工作时，我们可以衡量数据分析对损益表的影响。”我的回应是，您可以。我以各种不同的方式看到了一百万次。

现在，显然您的组织环境很重要。对严峻的胃口和需要进行的测量结果是什么？许多因素可以告知您如何做到这一点。但是当有遗嘱时，有办法。我认为，坦率地说，大多数组织都没有承诺做他们真正需要的事情，以建立正确的能力并投资于成功实践。

Sam Ransbotham：我想推动另一端。我是一个半空的人。人们搞砸了什么？您提到了获奖者正在做的事情。频谱的另一端发生了什么？

Barb Wixom：他们搞砸了基础知识，这就是为什么我在书中拥有其中一些基础知识的原因。例如，数据洞察行动值创建/值实现过程。他们只是专注于其中的一个或两个组成部分而搞砸了，而不是一直遵循。因此，我不写的一件事是我可悲地观察到的所有失败，因为我不喜欢你，山姆。我已经满了一半。我只想看看成功。让我们向人们展示可能发生的梦想，因为它可能会发生。但是果然，是的，我研究了很多失败。大量时间，组织的其余过程将会发生这种假设。

例如，我是一个组织，我在IT组中非常努力地创建出色的数据，然后以各种可视化的仪表板的形式产生洞察力，然后我假设并只是想知道在那里的用户将采取这些见解，他们会与他们做些事情。

实际上，大多数情况下，见解只是坐在架子上。我知道它们看起来很简单，其中一些基础知识，但是如果有人真的可以坐下来一路走来走去，那么这就是一半的斗争，为正确而战。我说，那些成功的人就是那些无视他们自己必须管理该过程的人，或者您可以依靠它只是在发生。

Shervin Khodabandeh：这是一个很好的观点，芭芭拉。我的意思是，这很简单，但是很难，因为经常发生的事情是发现洞察力本身具有挑战性。但是，当然，正如您所说的那样，我们同意这还不够。现在您必须捕获它。这通常需要大规模改变工作的方式。

您在实现这一目标所需的战es的实际变化方面看到了什么？

Barb Wixom：首先，如果没有变化，您将不会获得经济利益。总是必须有变化。因此，当我们谈论行动时，行动意味着要改变，因为您要比较一个与什么是什么或什么是什么。这是创造价值的变化。

我们发现的是，正是突然放置AI模型，机器学习的这种转变 - 在这里有一些自主权进入生产环境。因此，将AI模型纳入运行核心，关键任务业务流程的运营中有更多的兴趣。这确实是在摇摇欲坠的事情 - 我们如何有效地做到这一点？AI是我们试图弄清楚如何衡量这些项目的成功。通常，您会考虑更多采用这种措施。

但是，我们很快意识到，在大多数情况下，这不是更多的采用，因为这些举措是关于减少人们在流程中的融入有趣的

因此，我们继续研究这些项目，然后注意到，每个人都必须经历这三个阶段。……当时的每个人也在谈论扩展。[他们]说，我们将进行扩展。我们要进行扩展。那么缩放实际上是什么意思？这些公司经历的是我们所说的扩展。所有这些都在弄清楚您如何进行基于机器学习的项目并使其可部署。

为了使其可部署，它需要超出我的数据货币化五个核心功能的第六功能，这是AI的解释。我们定义人工智能解释作为一个能力，您可以在其中进行偏见修复，决策追踪，价值制定和边界设置。然后，下一阶段似乎是重新连接模型的能力。

我们在CEMEX上做了一个大规模的案例，您将学习如何使用AI以优化世界各地和不同市场的植物时优化植物。然后，您如何重新定下所有这些不同的地理位置，以使模型的有效性？

最终，您有了这个临界点，组织到了一个从字面上驱动算法的地步。核心业务流程和普遍的方式正在从这些零接触处理的情况下实现。我们将其大规模称为。组织可以以MLOP和自动化的方式以全面使用模型的方式进行工业化。最重要的是，我认为所有这些扩展使我们意识到，作为研究人员，现在与AI这确实不同。我们必须思考组织的本质实际上是如何被重塑的。

Shervin Khodabandeh：Genai比以前变得更陌生。你在那里看到什么？

Barb Wixom：首先，我们还不知道。这很有趣，因为我们注意到相同的模式，因此规模扩大，大规模扩展，我们注意到了。但是循环时间却大幅减少了。例如，一个传统上将需要一到三年的机器学习项目，而Genai则看到了1到三个月。这将非常有趣。

Shervin Khodabandeh：我认为这是一个有趣的观点，并引起了我的共鸣。因此，从个人经验来看，您知道我已经做了20年的时间。较早的日子 - 将其列入价值的周期，以扩展您刚刚谈论的笨拙的部分是重新定义，持续学习，将其从洞察力到价值创造，这是最后几个步骤在您的言论中，有价值的实现很难。因为AI非常笨拙，我们都在谈论人类和人工智能一起工作，以及与人工智能合作的不同方式，人类将扮演的角色以及AI将扮演的角色。都是如此，但是很难做到这一点，因为您需要超级用户才能使用这些机器学习，深度学习模型或优化模型。

我还看到了Genai，除了凉爽因素和生产力的提高以及你们两个刚才谈论的所有其他事情，成为一个不错的界面。[它]消除了人类和人工智能的许多笨拙。这可能是为什么您会看到这些周期时间要快得多。最终用户现在不必技术才能与AI接口。

Barb Wixom：不过，这就是让我感到恐惧的原因。这是我真正担心的地方。因此，如果您回想一下五个数据货币化功能，并且一个事实，即，您可以跳过进步的水平，那么在很多情况下发生的是Genai，即高级数据科学，[工具将会]开始以该高级级别的效果，但是从组织的角度来看，它们确实在仪表板和可接受的数据使用和治理方面开始效果 - 因此您有监督风险。因此，我们现在在组织中有这些巨大的差距，我担心。我非常担心。是的，员工可以轻松地使用这些工具，但是我们必须确保他们的培训和识字能力同样容易消费，因为我们将不得不迅速提高他们。

Shervin Khodabandeh：beta越来越大，灾难性失败的机会 - 因为您看到这种工具在没有基础的情况下似乎很聪明，而且它可能会让您陷入困境 - 比以前大得多， 正确的？另一方面，对于在过去的二十年中投资了许多这些基础能力和数据治理以及MLOPS和人类在循环功能的获胜公司，这些都是与Genai和Genai和Dare I一起假设传统的AI实际上是在获胜并获得了很多价值。这个差距也越来越快。正如您所说，Barb的价值创造周期缩短了，而且获胜者和失败者之间的差距也以更大的速度加速。

这让我感到恐惧，因为这使我们成为许多部门的垄断状况。

Barb Wixom：同样，要解决萨姆的愤世嫉俗，并给予一点希望。…

Sam Ransbotham：哦，太苛刻了。

Barb Wixom：如果我们只记得这个简单的概念，简单的基础，这绝对不必那么困难。例如，如果您知道您需要这五个功能，则需要在AI方面进行AI解释，那么当我们重新谈论诸如《人类在循环》之类的事情时，我们知道这是在哪里。我们进行人类在循环中，因为这有助于我们的AI解释能力。我们需要真正投资于我们的数据，因为这将进入我们的数据管理功能和数据平台能力，以创建所需的资产等。因此，当我们有一个词汇量并且有一些框架时，至少我们知道需要什么。而且，如果我们专注于这些ABC，那么我们确实可以做一些魔术。但是你是对的；Genai正在摇动。

Sam Ransbotham：我想利用您在一秒钟前说的话，然后将Shervin放在现场。我们三个人都试图研究组织中发生的事情，并研究AI的情况，您提到这很难，Shervin，研究这个问题很难？你觉得困难吗？

Shervin Khodabandeh：研究它是什么呢？

Sam Ransbotham：是的，做这项研究。知道[人工智能]怎么办？

Shervin Khodabandeh：除了与您合作吗？

Sam Ransbotham：除此之外。当然，每个人都赞赏这一点。

Shervin Khodabandeh：我想说的是，当对此，当Barb谈到这一点时，[您]与一系列公司合作一段时间时，我会说，这是一种体验研究。您处于不同的洞察力和对正在发生的事情的理解。这仍然可能没有统计学意义，因为您没有数千个数据点，但是您有数十个，而且它的信息丰富。我认为您真的看到了发生了什么。我认为，当您谈论将这类研究扩展到各个领域的数千家公司时，最终，其中很多是由高管在不同级别的理解水平和不同水平的识字率上自我报告的。因此，我认为其中一部分是数据本身必须用一粒盐处理。

山姆，我们已经这样做了七，八年。我认为总体而言，跨部门的数据实际上是非常有价值的，而且因为您确实看到了重大趋势。而且，他们得到了完全独立的工作来证实的，就像CISR和其他人所做的工作一样。

我不知道研究本身是否很难。我认为捕获价值很难。

Sam Ransbotham：倒钩，你也这样做。您提到那里的速度，这是我认为可能会出现的。是什么让您很难研究这些东西？

Barb Wixom：好吧，我会告诉你什么。过去很难，但是真正帮助我的是我的数据板。我甚至无法对这些领导人表示感谢。我应该分享模型。实际上，这真的很有趣。因此，想象一下，我有一百个CDO，COO，全球，非常忙碌的人，但是他们每个季度就某个主题耐心地参加对话。我提出了一个问题。因此，例如，当Genai首次出现时，第一个问题是，Genai是否会朝着同一方向加速您，将您送往新的方向，还有其他吗？您最好的用例是什么？再次，当第一次出现时，他们仍在试图找出用例。那么，您最好的用例是什么？这类对话。然后他们回答，然后我们交谈，我们聚在一起，真正考虑我们刚刚发现的分享的见解。

因此，在研究对话中，拥有一线前线，非常精致的领导者，这对我来说是魔力。作为一名学者，我陷入了许多学者的陷阱，我们总是试图赶上实践。这是我终于发现的机制，它至少使我与战es中的思想保持一致。

Sam Ransbotham：因此，正如您提到的那样，这是一种结合，试图理解发生了什么，并且有很多进展，但我提到了很多投入并吸引人们，请停下来暂停并交谈向您告诉您，同时他们试图弄清楚这件事如此迅速。这似乎是一个挑战。

倒钩，与您交谈真是太好了。感谢您抽出宝贵的时间与我们交谈并分享您对此的看法。我们真的很感激。

Shervin Khodabandeh：是的，谢谢。

Barb Wixom：太感谢了。什么乐趣。

Shervin Khodabandeh：感谢您今天听。We’re back in March with Season 11. In the meantime, catch up on our older episodes, and please give us a review on Apple Podcasts or on Spotify.

Allison Ryder:Thanks for listening toMe, Myself, and AI。Our show is able to continue, in large part, due to listener support.Your streams and downloads make a big difference.If you have a moment, please consider leaving us an Apple Podcasts review or a rating on Spotify.And share our show with others you think might find it interesting and helpful.