面对层出不穷的“企业何时会采用AI”问题，试试这四步方案，无需对AI评估与采用感到惶恐。
译自 How to Stop People from Asking, “When Are WE Getting AI?”，作者 Michelle Gienow 是一名前端开发人员，之前在 Container Solutions 和 Gatsby 工作，现在在 Cockroach 实验室投身分布式 SQL。她是 O'Reilly Media 出版的《云原生转型:创新实用模式》的合著者。她喜欢游戏、她的狗和食物。
如果你发现有一台神秘的服务器在桌子底下运行了20年怎么办？(真实故事！)或者，如果你需要指导如何处理你的老板让你使用人工智能(AI)而不是人来填补你的空缺职位，你该怎么办？也许你需要在这次事故其实是你的过错时，度过一次无责难辞的事后总结。
为了表达团结精神，希望提供一些幽默，也许甚至为IT领导提供一些建议，我写了《工程师求生手册：专家建议如何处理工作量(和工作/生活)灾难》。这本新书由Giovanni Cruz巧妙而幽默地插图绘制，由Cockroach实验室出版，提供了专家的建议，帮助你在工作中求生存、在工作场所求生存，以及在任何接下来发生的事情中求生存(这些天，什么都有可能发生)。
你可以在Cockroach实验室的网站上获得这本书的免费副本。同时，欣赏这条我们从剪辑室地板上复活的额外求生建议(导演剪辑版!)。
啊，AI——作为一个 IT 领导者，你必须拥抱这个趋势，否则你会变得绝望地过时。这是一条兔子洞，你逃不掉的。
很长一段时间以来，生成式 AI 一直在“即将到来”。AI 就在那里，模糊地悬浮在地平线上，即使我们不知道它什么时候会来这里——或者它来的时候会是什么样子。早期的 AI 感觉更像一个派对诡计，而不是一个有用的工具。
然后，AI 突然一下子就来了，带来了快速跟进，极高的压力，要求尽快在你的产品、服务或软件中结合 AI。不管是否存在错过的恐惧症，当你被任务安排去为你的组织引入新的工具和技术时，现在人们只有一个问题："我们什么时候能用上 AI？"
它从各个角度不断地、源源不断地朝你袭来：在咖啡机旁、电梯里、与你的远程团队开会时、在洗手间。即使食堂也不安全:你想要薯条配那个吗？哦，顺便问一下，我们什么时候能用上 AI？
对他们来说问这个问题很容易；他们不是那个在 AI 引入太早而浪费资源与等待太久而落后于竞争对手之间找到安全道路的人。这是令人痛苦的新技术，AI 的风险是真实的，包括歧视、违反消费者权利或(误)导组织做出代价高昂的错误决定。
在你跳进去之前观望太久很快就会变得危险，因为企业会冻结在一个无限循环中，循环所有他们还不知道的关于 AI 的事情。然而，在另一端，存在采取太多行动的问题——太快，而且通常朝错误的方向。(例如，世界真的需要 AI 驱动的牙刷吗？)
你的工作是要安全地驾驶“企业号”星舰，在不要陷入分析麻痹的黑洞和没有足够数据就飞得太远太快直接飞进超新星之间找到平衡。诀窍是专注于那些不会改变的事情——是的，有一些事情——即使生成式 AI 空间围绕着我们以比毛球族繁殖还快的速度变化。
首先加倍关注非同质化的基础，让你在最佳时机为组织引入合适的AI工具(或网络人)做好了准备。更好的是，当你被问到(这可能是第11万次了)组织AI采用,它为你提供了一个积极可行的回应方式。
遵循这些生存秘诀，最终你也能自信地对同事们说一声“早上好！”，不再存有恐惧。
架构师、高级工程师和拥有 IT 影响力的其他人必须抵抗来自各个角度的压力所造成的追逐闪亮新技术(AI，AI，还是 AI!我们是不是提到了 AI？)的黑洞引力场。
无论 AI 正在推动多少种范式，它仍然需要与你的组织采用的任何其他技术相同的评估流程。这个不变的事实就是你 AI 领域的王牌。每个人都想要闪亮的东西，但很少有人想做严格的前期分析，以确保它是正确的东西：采用成本。功能。可用性。互操作性和易于集成。潜在的威胁和风险。别忘了大家最喜欢的法律合规性。
所以，当人们在敲打你的门(比喻意义上的——现在还有谁有实际的办公室？)并要求 AI 答案时，你可以对他们扔出这句话："我们目前正在汇总主动评估基础设施，以中间整合已知未知，然后再将 AI 集成到我们的关键任务操作中。"
这只是一种花哨的说法，意思是“我们正在评估 AI 技术以进行采用”。然后，你会礼貌地趁他们弄明白你刚才说的话的时候溜出前面提到的门。
很好。现在你为自己争取了一些喘息的空间，这里是真正的工作开始回答他们的要求并将 AI 引入你的组织。你将需要高质量的数据、启用与你的业务能力互动的 API 以及对生成式 AI 生态系统中 API 类型的一些实践经验。
首先要考虑的是你的数据基础，因为你引入的任何 AI 都需要在该数据上进行训练。GIGO（Garbage in, garbage out）仍然适用。你的数据管理做法是否合理且彻底？你的数据是否分类得好且质量高？你有跟踪数据新鲜度和完整性的指标吗？
换句话说，不要给你的 AI 喂脏数据。如果你对每个问题都不能很好地回答(不要难过，几乎所有组织在至少一个领域都有所不足)，那么你需要进行适当的数据清理——通过修复或删除任何不正确、不完整、不相关、重复或格式不当的数据来为分析准备数据。
对 AI 的更多了解和经验会对做出更好和更明智的决定有帮助。(ChatGPT 让我这么说的。)所以，边做边学。选择一个你感兴趣的 AI 平台，试用该技术。选择一个有用的用例。选择一个大语言模型(LLM)。选择一个适用于你的用例的数据库。然后做一些事情。
AI 技术势必会发生变化——而且会很快——但是与它们互动的模式不会改变。(至少在我们达到通用人工智能，机器可以像人类一样推理和决策之前。那时一切讨价还价都泡汤了。)大多数情况下，它只是与越来越多不同的 API 进行互动。
API 定义了独立软件之间可能的交互，以便它们可以请求和返回或呈现服务——所有这些都无需一个软件了解另一个软件的任何信息。这一抽象层使复杂交互的简单执行成为可能，说实话，这可能是 AI 中唯一简单的事情。
API 允许企业更好地向内部和外部客户提供各种数据和服务。你采用的任何 AI 工具几乎肯定会成为你最大的“内部客户”。
这就是为什么在引入 AI 之前评估 API 基础的最佳时机。你的组织的业务功能通过功能性、可重用的企业 API 提供服务的效果如何？为了利用 AI(特别是为了实现自动化和捕获效率等业务目标)，你需要一种与其互动的方式，无论是数字的还是物理的。API 是如何打开舱门的方式。
非常好！现在你已经建立了一个优质的、对 AI 友好的数据质量和管理基础，为与现有系统的功能和服务进行必要的 AI 交互创建了 API，并且获得了一些生成式 AI 生态系统的实践经验，你已准备好 AI 上线的最后一步:招募人类支持团队。
事实上，即使在前三个 AI 测试和探索阶段的工作过程中，作为 AI 采用计划的一部分，你可能已经在与其他团队建立关系并开展协作。数据和分析人员将帮助数据清理。工程、平台和开发团队将帮助应对 AI API 并在内部试用它们。如果你还没有这么做，现在是让你的安全、合规性和(当然)法律团队参与的时机。
是的，关于利用 AI 提供真实业务价值而不会造成完全毁灭的知识有很多需要学习。而且，AI 生态系统(更不用说将其带给我们的实体)正在不断发展。关键在于把当前所有不可知的东西放在一边——没有人知道这些东西;我们正在发明它!与此同时，不要让闪亮的、真正具有范式转移作用的诱人技术(更不用说压倒性的同行压力)的魅力使你直冲可能非常有可能是错误的 AI 虫洞。
相反，关注那些不会改变且在你控制范围内的事情。这使你在时间和条件成熟时为你的组织抓住正确的机会作好了充分准备。
恭喜你!你已经汇总了主动评估基础设施，并协同编排了无误差的人类催化剂。你的执行领导会感谢你，你终于可以平静地去洗手间了。
如果你已经读到这里，并发现它既有趣又可能有用，请去阅读实际的书(免费)！