CDO 的价值要求：通过 Agentic AI 推动业务影响

4RUMky

首席数据官 (CDO) 的角色发生了巨大变化。曾经的后台职能已被推到业务战略的最前沿。CDO 现在发现自己处于第一线，肩负着将人工智能和分析转化为切实的业务优势的任务，压力很大。
如今，CDO 需要做的不仅仅是谈论 AI 驱动的决策，他们必须让其发挥作用。否则，他们可能会陷入与之前许多人相同的陷阱：大规模的 AI 投资永远不会转化为商业价值。
投资回报率不明确、治理差距以及分析与业务目标之间的脱节已经导致无数人工智能项目在扩大规模之前就夭折了。
那些弥补差距、证明人工智能和分析能促进收入增长的企业将获得晋升。而那些没有做到这一点的企业将发现其影响力正在减弱，预算也将缩减。
你会选择哪条路？
将数据与可衡量的业务影响联系起来

高管们喜欢数字——直到他们不再喜欢。毫无疑问，让高管们从怀疑论者变成坚定使用的唯一方法是展示数据、分析和人工智能计划的清晰、量化的投资回报率 (ROI) 。
重要的是要记住，这种怀疑往往针对的是结果，而不是人工智能本身。正如《福布斯》的一篇文章所说，“许多技术专家既看到了人工智能的前景，也看到了巨大的问号。”这些问号通常归结为不明确的投资回报率、失败的项目和无法转化为行动的分析。
将人工智能驱动的数据和分析与可衡量的业务影响、更高的参与度、收入增长和成本节约相结合的 CDO 证明了人工智能的真正力量在于使业务决策更智能、更快、更有价值。
尽管数据是一条有待开发的收入来源，但要将数据转化为金钱，光有良好的意愿是不够的。如果没有适当的策略，Agentic AI 和分析将停留在“潜在”模式。
为了通过数据推动重大的业务影响和价值，数据领导者必须关注四个关键支柱。
支柱一：战略协调与愿景

每项GenAI 和 Agentic AI 策略都始于一个简单的问题：什么才是真正值得做的？高价值的 AI 应用可直接增加收入、降低成本或提高效率。但要找到这些最佳点，需要提出正确的问题。
人工智能将带来哪些影响？

• 哪些GenAI 和 Agentic 应用程序能够产生可衡量的业务影响？
  
• 该组织的AI 准备、治理和 AI 采用成熟度如何？
  
• 是否有正确的数据共享框架和单一事实来源来大规模支持 GenAI？
  

回答这些问题是构建具有明确业务目标和 KPI 的结构化框架的第一步。没有 KPI，就无法证明成功。如果高管看不到成果，预算就会很快枯竭。
如果没有跨职能协作，即使是最好的战略也会失败。GenAI无法在孤岛中工作。它需要多个团队的支持才能共享、清理和维护高质量数据。如果没有这种协作，维护全面的 AI 就绪结构化数据是不可能的，而如果没有强大的数据基础，AI 就会停留在试验阶段。
1.使用 Agentic AI 解决数据过载问题

企业被数据淹没，却很少利用数据。尽管可以访问大量数据，但只有不到 25% 的业务决策实际上是由数据驱动的。问题在于原始数据与实际行动之间的差距。
从数据驱动到真正基于数据的决策意味着基于可信的实时数据和分析做出每项战略选择。这就是Agentic AI改变游戏规则的地方。
与生成答案并等待人类解释的 GenAI 聊天机器人不同，Agentic AI 会主动执行任务，适应新数据，并动态改进决策策略。
Agentic AI 将生成式 AI 的灵活性与传统自动化的精确性相结合，可以自动分析数据并采取行动。它不需要每一步都进行人工干预。它可以学习、分析和采取行动，使数据收集和业务执行更加紧密地结合在一起。
正如史蒂芬·霍金所说：“智力就是适应的能力。”这适用于人类，现在也适用于人工智能。
2.Agentic AI 有何独特之处？

四个关键功能使Agentic AI从根本上不同于“传统”AI 和 GenAI：
1). 自主、目标导向的行为
AI 代理确实会分析数据，但它们的作用远不止于此。它们会追求目标并实时调整行动。在数据和分析方面，Agentic AI 系统可以监控数据使用模式，主动识别相关数据集并推荐定制响应，所有这些都无需人工干预。
2).满足多样化业务需求的可扩展性
如果架构合理并配备自动化上下文和推理功能，Agentic AI 可以轻松扩展（这在依赖 RAG 和 GraphRAG 等方法时是不可能的）。小型团队可以从自动化基本数据访问请求和处理数据发现开始。随着组织的发展，相同的 AI 会扩展到个性化数据推荐、用户行为分析和基于人员在组织中的角色的实时数据访问优化。
3). 工作流程优化与执行
与传统的识别低效率的 AI 模型不同，Agentic AI 可以解决这些问题。它与数据目录、BI 工具和企业系统集成，以自动执行数据工作流。在自助数据访问方面，它不仅仅是建议数据。它检索相关数据集，应用必要的转换并提供答案。
4). 受控的自治与治理
借助 illumex 的 GSF（生成语义结构）等自动化语义数据结构，Agentic AI 可以进行精确调整以与数据治理框架保持一致，确保 AI 代理在定义的约束内运行，同时最大限度地提高数据访问和实用性。
支柱二：构建引人关注的价值描述

AI 不会自我推销。CDO和 CAIO 需要讲述高管真正关心的故事。用算法打动人们并不能确保 Agentic 或 Generative AI 获得认可。这需要证明您的企业 AI 实施如何赚钱、省钱或降低风险。
请记住，要想取得成功，您的 AI 叙述必须适应每个受众及其优先事项。高管希望看到收入增长、成本节约和风险降低。部门主管需要 AI 来解决实际的运营瓶颈。一线团队关心的是 AI 是否使他们的工作变得更轻松或更困难。
展示您的 Agentic 和 GenAI 计划如何直接与业务目标保持一致，比关注技术可能性更有效。如果模型的准确性不能推动业务指标，那么它就毫无意义。
能够提高销售额、降低运营成本或保持客户参与度的人工智能会迅速赢得认可。而且数字必须清晰明了：节省了多少钱、提高了多少效率、获得了多少竞争优势。
1.将（Agentic）AI变成商业故事

案例研究和有数据支持的成功案例让人工智能的价值变得生动起来。传达影响的最佳方式是将其描述为业务挑战：

• 从问题开始。公司面临什么痛点？
  
• 介绍一下AI解决方案。Gen/ Agentic AI是如何应用的？
  
• 显示结果。有哪些可衡量的改进？
  

当人工智能解决了实际问题并带来明确、可量化的业务影响时，它就不再是一个抽象的概念，而成为不可或缺的工具。
2.可解释的代理人工智能：不再有黑匣子

高管们担心可解释性和透明度，这是他们应该担心的。Agentic AI 可实现工作流程自动化并做出实时决策，这意味着风险很高。没有人希望 AI 系统做出不可预测的决策，从而导致监管问题或声誉受损。
麦肯锡强调，“可解释性不仅仅关乎信任；它还使企业能够理解、验证和改进人工智能系统，以确保与其目标保持一致。”
AI 不能成为黑匣子，CDO 必须保证每个 AI 驱动的响应都是可追溯、可解释、可治理且完全可问责的。否则，AI 幻觉就会出现，而这可能会导致一系列问题。
3.缓解人工智能幻觉的必要性

当非确定性 AI 模型生成看似正确但实际上完全错误的输出时，就会产生幻觉。这些是一颗定时炸弹，尤其是在金融、保险和医疗保健等高风险行业。一个错误的 AI 输出可能会在这些领域带来灾难性的后果。
《福布斯》科技委员会警告称，“人工智能模型中的幻觉会削弱人们对自动化的信心，增加责任风险，并导致严重的运营挫折。”
为了消除这些风险，CDO 必须转向确定性的Agentic 和 GenAI 系统，这些系统可以产生基于事实的、一致的输出，而不是推测性或误导性的结果。
黑匣子不再是一种选择。每次交互中的治理和可解释性必须是优先事项。为了确保准确性，代理 AI 系统需要自动化、结构化的监督、确定性响应以及自动化治理工作流程和流程。
采用 Agentic AI 意味着负责任的自动化。优先考虑零幻觉 AI 实施的 CDO 可以建立信任和可靠性，并使其组织免受无法解释、不可预测的 AI 输出风险的影响。
支柱 3：推动组织认同

推出 Agentic AI 是一次组织变革。如果没有支持，即使是最智能的 AI 计划也会停滞不前。成功整合 Agentic AI 意味着让利益相关者参与进来并控制成本，以保证长期可持续性。
1.有效地吸引利益相关者

高管需要看到真正的业务影响。正如麦肯锡所说，“当人工智能计划与业务目标保持一致，并且领导层了解其潜在影响时，它们就会取得成功。”
当 AI 被视为现有业务问题的解决方案时，其采用速度会更快。而建立信任的最快方法是展示快速成功。更快的决策、更少的瓶颈、节省成本……当您的 AI 项目尽早带来切实的收益时，扩大采用就更容易了。
透明度至关重要。如果决策者不了解 AI 如何得出结论，他们就不会在日常工作流程中信任或依赖它。对于自主制定和执行决策的 Agentic AI 来说尤其如此。信任的基础是清晰的可解释性，展示 Agentic AI 如何得出结论以保持可靠的输出。
2.优化 Agentic AI 的总拥有成本 (TCO)

低估 AI 实施的真实 TCO 是一个巨大的错误。隐藏费用、数据基础设施、模型再训练和计算能力可能会在项目扩展之前就失败。
一个主要的财务陷阱是过度依赖矢量数据库和检索增强生成 (RAG) 来为你的 AI 模型提供背景信息。RAG 可能会因为计算需求大而增加运营成本，需要大量的手动设置和维护，而且仍然不能保证准确的响应。BizTech警告称，实施 LLM 的企业必须考虑存储、检索和处理成本，否则可能会使 AI 的扩展成本过高。
CDO 可以通过转向自动化上下文和推理解决方案（如生成语义结构 (GSF)）来削减成本，从而减少对持续外部数据检索的依赖。使用 GSF，您可以节省高达 80% 的代币成本，同时保持完全透明和响应的完全准确性。
3.生成语义结构（GSF）的力量

生成语义结构 (GSF)可提高 AI 效率。GSF 是一种全自动语义数据结构，无需人工干预即可理解独特的业务背景、映射关系并为结构化企业数据赋予含义。
它可自动推理、强制管理并确保您的 AI 生成的答案具有确定性、可解释性且无幻觉。从一开始。GSF 可确保您的 Agentic 和 Generative AI 实施具有成本效益，同时不会牺牲准确性、深度或响应。
无需移动甚至直接接触您的数据，GSF 即可激活您的元数据并创建单一事实来源。它可消除不一致的输出、增强治理（减少 90% 的工作量）并大幅削减运营成本。
借助透明且经济高效的 Agentic AI，CDO 可以在不产生财务或组织摩擦的情况下推动 AI 的采用。任何非技术用户都可以访问可靠的数据和分析，而无需成为 SQL 专家或快速工程师，并做出真正基于数据的决策。
这就是数据和人工智能如何能够推动真正的商业价值而不仅仅是理论潜力。
支柱四：扩大规模，实现可持续影响

现在您已经建立了无幻觉的 Agentic AI 实现，是时候确保它能够扩展了。但与想象相反，扩展 Agentic AI 的意义远不止是更大的模型或更快的处理速度。
您必须保持适当的治理、风险管理和适应性。否则，您的 AI 项目可能很快就会成为负担而不是资产。可持续的 AI 需要透明度、合规性和不断改进，以跟上不断变化的法规和现实世界的业务需求。
管理风险、信任和治理

数据领导者非常清楚，监管环境永远不会停滞不前。欧洲率先颁布了《欧盟人工智能法案》，该法案自 2024 年 8 月 1 日起生效。该法案将人工智能应用按风险等级分为不可接受、高风险、有限风险和最小风险，并执行严格的合规规则。
部署高风险人工智能的公司必须建立风险管理系统，确保数据质量，维护技术文档，实施人工监督，并满足准确性、安全性和稳健性的严格标准。
CDO 已做好迎接这些变化的准备。根据Gartner 的 2024 年 CDO 议程调查，近九成 CDO表示，强大的数据和 AI 治理对于推动业务和技术创新至关重要。
监管期限非常紧迫。组织只有六个月的时间来遵守禁止的人工智能系统的要求，十二个月的时间来遵守某些通用人工智能法规，二十四个月的时间来满足完全的立法要求。监管时间紧迫，未能适应的企业将发现自己很难跟上。
为了跟上人工智能和法规的步伐，公司必须应用自动化治理工作流程。确保敏感信息被自动标记，数据沿袭被正确跟踪到列级别，并且文档的移动速度与数据的增长速度一样快。
Agentic AI 是一项长期投资，这意味着它必须与您的组织一起发展。AI 系统需要轻松扩展、与新兴技术集成并支持新用例而无需进行昂贵的大修。以治理、适应性和透明度为核心构建 Agentic AI 的公司将引领 AI 时代。
CDO 到 CAIO：下一步发展

人工智能正逐渐成为企业运营的中枢神经系统。随着人工智能战略、治理和货币化成为焦点，CDO 往往会演变为首席人工智能官 (CAIO)。
欧盟《人工智能法案》和其他法规正在将人工智能治理推向高管领导层。公司需要了解数据结构、治理和负责任的人工智能部署的人工智能远见者。这就是为什么越来越多的组织开始意识到，成功的人工智能部署不仅关乎技术，也关乎领导力。CDO 和 CAIO 塑造组织的 AI 愿景、推动采用并确保公司的 AI 实施符合业务目标。