chanong 在当今企业环境中，AI应用的规划、构建和部署成为CIO们的主要关注点，然而，随着管理层要求通过计算ROI来证明这些项目的合理性，开发团队面临数据隐私、法规遵从和安全风险等复杂挑战。新的策略侧重于通过改善现有度量指标来实现ROI目标，从而缩小AI项目的范围，专注于对现有流程的改进，这种方法不仅加快了项目启动和原型交付的速度，还简化了数据合规性和安全性的过程，减少了设计变更的需求，许多企业已经看到了这种方法的价值，并计划迅速实施。
不难理解，为何我最近参与的大多数CIO圆桌会议的主要焦点都是AI应用的规划、构建和部署，但近期，管理层要求IT部门通过记录这些项目对业务的好处和价值来证明其合理性，已经不再是过去那种仅仅因为某些项目具备明显的AI功能而可以轻松开展的时代了。
如今，管理层希望在任何AI提案中包含投资回报率（ROI）的计算，但是，如何对全新且不同的事物，或者像AI这样复杂的事物进行ROI计算呢？AI带来了很多问题，例如数据隐私问题、法规遵从的复杂性以及全新的安全风险，这些因素迫使许多开发团队缩小其AI计划的范围，对于那些负责兑现AI承诺的人来说，这反而是一种解脱。
这使得构建能够通过改善已有度量指标来实现ROI目标的AI应用程序变得尤为重要，同时缩小AI项目的范围，专注于最具吸引力的改进（包括提供最大的ROI）对于数字系统而言是一种明智之举。开发团队可以将现有的度量指标作为应用设计的指南，通过评估当前应用来确定最有利于使用AI的方式，而当项目仅旨在改进现有流程而不是发明全新事物时，范围也大大缩小了。
这种新方法带来了一些引人注目的好处：
当项目仅旨在改进度量指标和流程时，无需创建新的ROI计算、进行传阅并让各方利益相关者达成一致，团队可以更快地开始工作并交付原型。
利用现有的应用逻辑并使用相同或大部分相同的数据，可以缩短确保数据合规性和安全性的过程，范围较大的AI项目通常会因为IT外部的各种团队（如法律和合规团队）需要处理潜在问题而被延迟。
从一开始就对应用设计及其附加值有更清晰的认识，可以缩短设计过程并减少每次代码提交后所需的更改数量，简单来说，增强已知事物所需的时间要比创造新事物少。
这种针对ROI的方法变更可能并不适用于每个AI项目，然而，许多企业发现，设计和证明全新AI应用的合理性存在许多未知因素。专注于改进已经在度量的最重要指标可以成为一种有价值的捷径，而许多CIO圆桌会议的参与者已经看到了这种方法的价值，并计划很快实施。
