在人工智能（AI）成为企业首要优先级的当下，大多数组织面临的真正挑战并非是否引入AI，而是如何制定衡量指标并判断项目成败。为此，我们梳理了亚马逊云服务（AWS）应用AI解决方案高级副总裁科琳·奥布里（Colleen Aubrey）的实战经验，为企业摆脱“AI试点困境”提供路径。
作为亚马逊S团队（S-team）成员，奥布里拥有超过20年的产品构建经验。她指出，理解AI投资回报率（ROI）的核心在于回归业务指标，而非发明新的衡量标准。“人们试图发明新指标来衡量AI影响，但真正重要的是你的业务指标。”她强调，AWS花费20年构建云基础设施，而AI应用则是全新的机会，第一步便是摒弃传统的“AI ROI演示文稿”思维。
从Amazon Connect看成功路径
奥布里接管AWS应用层项目时，Amazon Connect成为最成功的案例之一。其成功源于团队深厚的客户服务实战经验，以及选择尖锐切入点——专注于AWS骨干网卓越的语音质量，而非追求与传统供应商的“功能对等”。这一策略如今已扩展至Connect Customer、Connect Talent、Connect Health和Connect Decisions等产品线。
IT领导者应关注的五大要点
1. 功能对等是一个陷阱
早期AWS Supply Chain项目曾试图与成熟的企业资源规划（ERP）供应商实现“功能对等”，导致团队陷入追赶而非引领的困境。相比之下，Connect团队承认无法实现功能对等，转而从小处着手，以语音质量为突破口。奥布里将这一教训应用于供应链领域，重构为Connect Decisions，聚焦于解决计划员被信号淹没、决策滞后的痛点。停滞不前的AI项目往往试图复制整个工作流程，而成功的项目则识别出一个痛苦的决策点并进行大幅优化。
2. 业务指标并未改变
企业不应纠结于“令牌回报率”等技术指标，而应关注AI能否推动既有业务指标。以Wells Vehicle Electronics为例，该公司在三个月内将库存减少了7%，同时将积极监控的SKU数量从20个扩展到2,000个。员工讨论的是营运资金而非令牌。如果项目无法与公司首席财务官（CFO）已跟踪的指标挂钩，它仅是一个实验，而非投资。
3. AI不会消除瓶颈，只会转移瓶颈
推广AI工具初期难免混乱，但这正是发现基础设施短板的机会。奥布里指出，修复测试覆盖率和管道健康度后，部署速度显著提升，今年其团队生产环境推送速度提高了两倍。速度的提升并非来自编码助手本身，而是来自修复助手所暴露出的下游问题。跳过基础架构优化而直接购买工具的企业，往往会发现活动量上升但产出不变。
4. 掌控结果，而非任务
随着AI承担更多任务，基于任务的职位描述将迅速过时。在亚马逊用户体验团队中，设计师开始发布代码，并出现了新的“UX技术”角色。奥布里直言：“你唯一不能做的选择就是只掌控任务。你必须选择掌控结果。”IT领导者应与人力资源部门合作，围绕结果重新定义角色和目标，并坦诚沟通团队结构的变化。
5. 糟糕的用户体验会让优秀的AI失败
AWS推崇“拟人化”设计理念，即AI应适应人们现有的工作方式。奥布里警告，带着糟糕用户体验推出优秀AI注定失败。她的团队致力于缩小内部原型与生产环境的差距，转向能捕捉线索、记住决策的AI系统。目前，TE Connectivity已将Connect Decisions扩展至2,000名计划员，而Connect Talent直至9月才正式全面可用，体现了团队在产品完善前避免激进扩张的纪律。
给IT领导者的行动指南
- 选择切入点，而非平台。识别人们被信号淹没且行动滞后的决策点，如处理异常的计划员或客户代表。狭窄且痛苦的问题能带来快速胜利和清晰指标。
- 废除“AI ROI”幻灯片。令牌回报率等指标衡量的是活动量而非价值。在项目获资前，将其与库存、解决率等既有业务指标挂钩并设定基线。若指标无变化，无论演示多精彩，都不应扩大规模。
- 为下游修复预留预算。AI会暴露下一个约束条件，如数据质量或集成问题。提前分配预算和人员修复这些瓶颈，而非事后补救。
- 围绕结果重写角色。与HR合作更新职位描述和绩效期望，坦诚告知员工团队结构可能的变化，模糊不清比坦诚更易滋生焦虑。
- 将可用性作为采购标准。在评估供应商时，将设置、配置及日常体验的权重与模型能力同等对待，确保业务用户愿意采用。
多数企业AI项目停滞的原因与AWS早期面临的问题相同：范围太广、焦点太少且衡量标准错误。AI时代奖励的不是拥有最多试点项目的公司，而是那些选择尖锐问题、修复基础设施、围绕结果重塑工作并推动既有业务指标增长的企业。