虽然一些公司——大多数大型银行，汽车公司，以及几乎所有的科技公司——都在积极地采用人工智能，但许多公司没有。相反，他们正在等待技术的成熟和人工智能的专业知识变得更加广泛可用。他们计划成为“快速跟随者”——一种与大多数信息技术一起工作的战略。

我认为这是个坏不太妙。的确，有些技术需要进一步发展，但有些（如传统的机器学习）已经相当成熟，并且已经以某种形式可用了几十年。甚至更近的技术，如深层学习，都是基于20世纪80年代的研究。新的研究一直在进行，但是目前人工智能的数学和统计基础已经建立。

系统开发过程

除了技术成熟度问题之外，还有其他几个问题，即一旦技术更有能力，公司就能够迅速采用。首先，开发人工智能系统需要时间。如果这些系统完全是通用的，那么它们可能对您的业务没有什么价值，因此需要时间来根据您的业务和其中的特定知识领域对其进行裁剪和配置。如果你采用的人工智能采用机器学习，你将不得不收集大量的培训数据。如果它像在自然语言处理应用程序中那样操纵语言，那么启动和运行系统就更加困难了。有许多分类和本地知识需要被合并到AI系统中——类似于专家系统的旧的“知识工程”活动。这种类型的人工智能不仅仅是一个软件编码问题，它是一个知识编码问题。发现、消除歧义和部署知识需要时间。

尤其是如果您的知识领域还没有被您的供应商或顾问建模，那么架构师通常需要几个月的时间。这对于复杂的知识领域尤其如此。例如，Memorial Sloan Kettering Cancer Center已经与IBM合作使用Watson治疗某些形式的癌症超过6年，尽管在癌症护理和人工智能方面有高素质的人才，该系统仍然没有准备好广泛使用。存在若干领域和业务问题，对于这些领域和业务问题，可以使用必要的知识工程。然而，它仍然需要根据公司的特定业务上下文进行操作。

集成化过程

即使您的系统已经构建，也存在将AI系统集成到您的组织中的问题。除非您正在使用一些嵌入到您公司已经使用的现有打包应用程序系统（例如，CRM系统中的Salesforce Einstein特性）中的AI能力，否则与您的业务流程和IT体系结构的匹配将需要大量的计划和时间来适应。从飞行员和原型到人工智能生产系统的转换可能困难且耗时。

即使您的组织擅长将试点和原型迁移到生产中，您也必须重新设计业务流程，以便对业务和行业产生全面影响。在大多数情况下，AI支持单个任务而不是整个业务流程，因此您将重新设计业务流程和围绕它的新人工任务。例如，如果希望影响客户参与，则需要开发或调整与营销、销售和服务关系的不同方面相关的多个AI应用程序和任务。

人机交互与人工智能化的过程

最后，还有人工智能的人类挑战需要克服。很少有人工智能系统是完全自主的，但是它更关注于人工的增强和人工的增强。新的人工智能系统通常意味着为与他们一起工作的人提供新的角色和技能，并且它通常需要相当长的时间来对新的过程和系统进行重新培训。例如，向客户提供“机器人建议”的投资咨询公司常常试图让人类顾问将注意力转移到“行为金融”，或提供建议和“推动”来鼓励投资中的明智决策和行动。但是这种技巧与提供买什么股票和债券的建议大不相同，而且需要花一些时间来灌输。

即使AI系统的目标是完全自主的，在增强模式中也有可能需要一段时间。在此期间，通过系统与其人类用户和观察者之间的交互，机器学习的关键部分发生了。称为交互学习，这是组织了解系统如何与其生态系统进行交互的关键步骤。他们经常可以收集新的数据集，并在此期间开始将它们烘焙成算法——这通常需要几个月或几年。

AI应用程序的的升级换代

虽然人工智能系统能够提供指数级的规模和预测，但它们需要比传统的控制和测试驱动方法更广泛的管理方法。随着时间的推移，人工智能算法的效率会下降，因为这些算法是基于历史数据和最近的商业知识构建的。这些算法可以随着机器从新数据中的模式中学习而更新，但它们需要由主题专家监控，以确保机器正确地解释业务上下文中的变化。算法也必须持续监控偏差。例如，如果一个人工智能系统被训练为根据客户的人口统计信息创建产品建议，并且新数据中的人口统计信息发生了显著变化，那么它可能会提供有偏见的建议。

治理还包括监视客户欺诈。随着系统变得智能化，用户也会变得智能化。他们可能试图用欺诈性数据和活动来与系统进行博弈。监控和防止这种情况需要在您的业务环境中使用复杂的仪器和人工监控。

赢家遥遥领先

因此，开发和全面实施人工智能系统可能需要很长时间，而且几乎没有必要的捷径。一旦成功实施，扩展——特别是如果公司有大量的数据和掌握的知识工程——会非常迅速。到后期采用者完成所有必要的准备工作时，早期采用者将占据相当大的市场份额——他们将能够以更低的成本运行，并获得更好的性能。简而言之，胜利者可能会全力以赴，而过晚的收养者可能永远赶不上。例如，想想像辉瑞这样的公司已经积累了150多个人工智能项目的学习和能力，据该公司的分析和人工智能实验室的一位领导人说。像字母表这样的科技公司有更多的学习经验，该公司在2015年已经有2700个人工智能项目在进行中。

诚然，如果一家公司愿意牺牲其独特的知识和开展业务的方式，那么等待可以加快一些步骤。供应商正在开发各种各样的知识图表和模型，使用从自然语言处理到计算机视觉的各种技术。如果你的行业或业务问题存在这样一个问题，并且你愿意在不做任何修改的情况下采用它，这将加快人工智能采用的过程。但是，如果你不调整它以适应你的环境并围绕它构建一切，你可能会失去你独特的能力或竞争优势。

显而易见的含义是，如果你想在人工智能领域取得成功，并且认为可能存在来自人工智能驱动的竞争对手或新进入者的威胁，那么你现在应该开始学习如何在多个不同的应用程序和人工智能方法中使其适应你的业务。一些领先的公司已经创建了一个集中的人工智能小组来大规模地完成这项工作。这样的中心团队专注于构建问题框架，证明业务假设，为可重用性模块化人工智能资产，创建管理数据管道的技术，以及跨业务培训。另一种可能是收购一家已经积累了大量人工智能能力的初创公司，但仍然需要将这些能力适应您的业务。简而言之，如果你还没有开始的话，现在就应该开始了，希望不会太迟。