作为一家咨询公司的负责人，乔治·布鲁克斯在近两年中带领团队对主流人工智能应用进行了大规模试验，覆盖数十个产品和具体使用场景。这些尝试的结果差异明显：部分项目在早期就取得进展，部分在初期失败、但在模型能力提升约六个月后重新尝试时取得成功，还有一些仍处在探索阶段。
布鲁克斯表示，在这一过程中，团队对AI应用的认知和结论一直在变化和更新。
传统“AI战略”面临的约束
目前，许多企业管理层正投入大量精力制定所谓“AI战略”，包括详细的路线图、实施步骤和资源配置安排。布鲁克斯认为，这种做法反映了管理层对方向清晰度、对利益相关方承诺以及对整体计划可预期性的需求。
但他指出，人工智能技术的迭代速度正在超出传统规划周期的承载能力。例如，2024年1月仍被视为“几乎不可能”的功能，到当年6月可能已经商品化。GPT-4于2023年3月发布，当年年底，团队已经开始构建多模态AI和语音界面，而这些能力在他们最初制定计划时尚不存在。
在这种背景下，布鲁克斯所在公司选择弱化“固定战略”的概念，转而形成一种可持续执行的“态度”。
从“战略”转向“态度”
布鲁克斯将“态度”描述为一种持续的思考方式，用于在环境变化时判断何时、为何以及如何开展实验。这一思路更接近一个实时决策框架，而非一次性完成的规划文件。
在具体实践中，该公司在尝试用AI解决任何问题之前，都会先进行筛选，判断该问题是否符合内部设定的标准。为此，他们搭建了名为“SPARK”的决策框架：
- 规模（Scale）：任务量大或耗时长的工作；
- 模式（Pattern）：存在可重复的结构或行为；
- 模糊性（Ambiguity）：需要视角或创意的场景；
- 冗余（Redundancy）：过去做过、未来还会反复出现的工作；
- 瓶颈（Knots）：阻碍人员效率的关键卡点。
如果一个潜在应用场景至少满足上述两项指标，团队就会推进实验；否则则暂缓。布鲁克斯称，这一筛选机制有助于将资源集中在高价值机会，而不是在所有可能性上分散投入。
实验态度的累积效应
在布鲁克斯看来，形成清晰的“态度”后，组织会在三个方面产生累积效应：
- 更快识别具有价值的机会；
- 逐步积累在特定业务环境下“什么有效”的机构知识；
- 更清楚地判断何时应继续尝试，何时等待技术进一步成熟。
他举例称，某合作团队在2023年初开始尝试使用AI进行客户支持分流。早期结果并不理想：AI经常错误分配工单，自动回复内容也较为笼统。
约六个月后，双方重新审视这一场景。此时，模型能力有所提升，提示工程方法更为成熟，团队对AI可处理内容的边界也有了更清晰的认识。第二轮尝试取得了明显改善：该团队目前使用AI处理约60%的一级支持互动，将人工团队从大量基础咨询中解放出来，转而处理更复杂的客户问题。
布鲁克斯认为，这一变化并非源于“更好的战略文件”，而是源于一种“何时回头再试已测试过的方案”的态度。
企业如何构建自身的AI态度
布鲁克斯指出，其他机构并不需要照搬SPARK框架，而应根据自身业务环境、风险承受能力和团队能力构建适用的决策机制。在这一过程中，他建议企业重点思考以下几个方面：
- 企业愿意在何种类型的问题上进行尝试；
- 哪些结果足以支撑将试点扩展为规模化应用；
- 在推进速度与责任要求之间如何权衡；
- 哪些触发条件会促使企业加大投入或选择放弃某一方向；
- 如何系统化地记录并分享实验过程中的经验和教训。
在他看来，相比追求“完美答案”，对这些问题形成清晰、可执行的回答更为关键。
面向持续演进的长期视角
布鲁克斯认为，AI能力将持续演进，新应用场景会不断出现。当前被视为前沿的应用，未来可能快速商品化，而部分方向则可能逐渐被证明行不通。
在这种不确定环境下，他表示，那些能够持续评估新机会、从结果中学习并随环境变化调整做法的公司，更有可能在AI应用上取得进展。这类公司通常会形成一批熟悉业务与技术边界的内部专家，能够判断在哪些领域适合开展实验、何时适合推动规模化应用。
布鲁克斯将这种做法概括为：企业对AI的看法不应停留在某一时点的“快照”，而应形成一种可随技术演进不断调整的“态度”。
他表示，在技术持续向前发展的背景下，这种态度有助于组织保持与技术进步的同步。
（作者乔治·布鲁克斯为Crema首席执行官兼创始人。）
