引入AI应坚持衡量现有业务目标，而非创建新指标。AI是工具，应加速使命达成，避免局部优化，确保其真正价值体现在关键业务成果上。
译自：How To Measure AI's Organizational Impact作者：Steve Fenton
当组织引入人工智能时，他们经常犯一个关键错误：他们创建全新的指标来衡量其影响。这种方法忽视了一个基本事实，即人工智能是帮助实现现有目标的工具，而不是改变成功定义的原因。
你的目标没有改变
考虑一下F1赛车和苏格兰生态拉力赛之间的区别。F1车队以速度为优化目标——谁先冲过终点线，谁就赢。生态拉力赛车队面临一个完全不同的挑战：以最佳的规则性得分完成500公里路线，同时尽可能少地消耗能源。
这些车队需要不同的策略、不同的驾驶风格和不同的指标。目标决定了其他一切。
同样的原则也适用于你的组织。当你引入人工智能时，你的根本目的保持不变。你仍然希望创造最优质的音响、拯救蜜蜂，或者提供你以前创造的任何价值。人工智能只是一种新工具，可以帮助你更有效地实现这些现有目标。
坚持已有的有效方法
组织通常拥有完善的测量系统——财务指标、基于使命的指标以及跟踪其价值流不同部分的代理度量。例如，如果你已经确定软件交付性能与组织成果相关联，那么就继续使用这些相同的度量来评估人工智能的影响。
危险在于专门为人工智能的采用创建新指标。这些度量很少与有意义的业务成果挂钩，并可能导致你优化那些实际上对最重要的事情没有影响的活动。
局部优化陷阱
这是一个常见场景：一个开发团队开始使用人工智能，并将他们的功能交付时间从16小时缩短到12小时——纸面上看起来令人印象深刻的25%的改进。然而，当你审视整个价值流时，从客户请求到交付价值的提前期仍然是两周，没有变化。
这不是一个新问题。Eli Goldratt在《目标》一书中探讨了这一点，精益软件开发强调优化整个系统，而不是单个部分。人工智能放大了这一挑战，因为它很容易在特定领域看到即时的生产力提升，却忽视了更广泛的组织影响。
专注于真正重要的事情
大多数团队收集了大量的指标，帮助他们改进工作并保持标准。但从组织层面来看，只有少数指标是真正关键的——通常是财务业绩和基于使命的指标的某种组合，用于跟踪你是否在世界上产生了预期的影响。
只有当人工智能的益处体现在这些关键数字上时，它才真正带来价值。其他一切都只是有趣的数据。
研究驱动的实施
最有效的方法遵循基本研究原则：形成假设、设计测试，然后评估结果。在实施人工智能之前，明确阐述你期望它如何影响你的使命级指标。如果你已经建立了局部度量（如软件交付性能）与组织成果之间的关系，你可以在这些已验证的联系上构建你的假设。
太多组织颠倒了这个过程——他们先实施人工智能，然后匆忙寻找显示改进的指标。这种倒退的方法导致了看起来令人印象深刻但未能转化为有意义的业务价值的曲棍球棒图。这是经营企业和开展营销活动之间的区别。
前进的道路
人工智能将影响你的业务——这是不可避免的。但这种影响是否积极，很大程度上取决于你如何深思熟虑地采取接纳态度。通过持续关注现有目标和已验证的指标，你可以确保人工智能成为你使命的真正加速器，而不是昂贵的干扰。
将从人工智能中获得最大收益的组织是那些抵制改变成功定义的诱惑，而是利用人工智能更有效地实现成功的组织。