微软巴克莱大会访谈：为什么AI项目的失败率超过 80%
参会嘉宾：
– Judson Althoff: 微软执行副总裁兼首席商务官 (CCO)
– Craig (嘉宾): 巴克莱银行高管 (根据上下文推断)
– Raimo Lenschow: 巴克莱银行分析师 (主持人)
开场致辞
Raimo Lenschow (巴克莱):大家早上好 。今天是大会的第二天，我就不赘述日期的细节了。首先，Judson 和 Craig，你们二位在各自组织中的职责范围都扩大了，恭喜你们 。
Judson Althoff (微软):谢谢 。
Craig (嘉宾):谢谢 。
关于“前沿转型” (Frontier Transformation)
Raimo Lenschow:Judson，目前的科技界正处于一个非常激动人心的时刻 。几周前我在参加微软 Ignite 大会时，注意到了一个非常有趣的概念——“前沿转型” (Frontier Transformation)。能否请你谈谈这对你意味着什么？这一信息的核心是什么？
Judson Althoff:好的。我们正致力于与客户合作，推动 AI 转型浪潮的演进。回顾过去几年的进展，大家主要关注的是效率和生产力，且大部分是由技术驱动的 。如果你审视市场上的各类 AI 项目——我想 Craig 也会同意这一点——你会发现 AI 项目的失败率极高，根据不同的研究数据，失败率甚至超过 80% 。
如果我们剖析其中的原因：
– 业务错位： 部分原因是典型的“技术脱离业务”，未能与业务目标对齐 。
– 数据混乱： 另一部分原因在于企业内部数据的无序，缺乏真正的数据资产或基础来构建高质量的能力 。
– 工具缺失： 如果再深入挖掘，还会发现缺乏合适的 AI 开发工具，导致研究人员无法在现有环境中高效工作 。
相比之下，我们在全球各行各业的客户群中看到的成功案例，主要归功于“业务主导的转型”这一理念 。这包括：
1. 员工体验： 你在做什么来丰富员工体验，并将其与你自己的 KPI 挂钩？
2. 营收驱动： 你如何在客户参与的框架下看待 AI？是否在驱动顶线收入增长，而不仅仅是底线的成本节约？
3. 流程重塑： 你是否在重塑业务流程？不仅仅是将技术生硬地套用在现有流程上，而是停下来思考：我该如何基于人类的愿景，并由代理（Agent）生态系统辅助，创建一个“AI 优先”的业务流程？
4. 创新应用： 你如何利用 AI 进行创新？
如果你拥有这样一个成功框架，将转型与业务目标绑定，再辅以技术组合，成功率将显著提升 。因此，我们将这种“业务主导、AI 赋能”的演进称为“前沿转型”。它允许企业通过 AI 实现根本性的重塑，而不是反其道而行之 。
这听起来可能只是细微的差别，但在我们追踪客户转型进度的过程中，这是一个巨大的差异 。我们发布的大量产品组合，正是为了帮助和刺激这种类型的增长 。
Raimo Lenschow:这与之前的技术转型（如云计算迁移、互联网普及等）相比有何异同？感觉这次似乎有些不同 。
Judson Althoff:可以说，几乎每一波技术浪潮都主要立足于“效率” 。即：我如何将技术投入流程，使其更快，并降低成本？AI 当然有潜力做到这一点 。你读到的很多报道都是关于它对白领工作的影响以及变革 。
但如果顺藤摸瓜深入探究，你会发现底线是：AI 能为人类做的、且需要做的，远不止是提高效率 。
– 药物研发： 以 AI 在药物发现中的应用为例，我们正在将新药上市所需的周期缩短一个数量级，并且是在不冒人体试验风险的情况下安全上市，避免了在最后关头失败 。
– 材料科学： 在材料科学、量子计算方面也是如此。甚至在微软自己的量子实验室中，我们之所以能在量子芯片上市方面领先，很大程度上是因为利用 AI 进行了材料科学研究 。
因此，如果你不再只盯着“天哪，我怎么用 AI 省钱和裁员”，转而思考“嘿，实际上我如何能完成更多工作？我如何用 AI 解锁创造力和创新？”，这将带来显著的业务成果变化 。
金融服务业的 AI 趋势与数据挑战
Raimo Lenschow:这正好引出了我想问 Craig 的第一个问题。像我们金融服务行业，历史上并不是第一批技术采用者，但我现在看到了围绕 AI 的巨大动作 。你如何看待 AI 对我们的影响？
Craig (巴克莱高管):我想大家都同意，机遇是非常巨大的 。实际上，关于 AI 的一切都在快速变化。当我回顾一些关键趋势，特别是近期生成式 AI 的影响时，我有五点体会 ：
◦ 案例： 以客户服务专员为例，现在有实时专家支持引导他们通话，总结通话结果，评估发展需求，并生成个性化的培训内容。这不仅仅是增强辅助，这是工作方式和能力培养方式的转变 。这种模式正出现在运营、技术以及信托风险管理等领域 。
1. 从实验到运营的转变： 我们开始看到 AI 从实验阶段走向运营阶段。虽然速度比我们预期的要慢一些（正如 Judson 所言），但 AI 正在根本性地改变角色和工作流 。
◦ 我指的不仅仅是护栏，而是理解组织中每个代理（无论是人还是 AI）的角色、权限、决策机制以及监管需求 。能处理好这一点的组织将建立起“负责任的自主性”（autonomy with accountability），这对金融服务业至关重要 。
2. 从后台走向前台： AI 正从后台应用转向客户交互界面，从“人在回路中”转向更自主的工作流 。这提升了治理（Governance）的重要性 。
3. 数据是真正的战场： Judson 也提到了这一点，虽然我们常谈论 AI，但真正的战场其实是数据 。数据确实是 AI 的燃料，但很多时候数据无法访问、质量不高或结构不合理，无法支持实时决策 。大多数组织都发现了同一个基本事实：当数据被困在孤岛中、无法连接整个客户生命周期的活动、缺乏数据血缘和控制时，你无法扩展 AI 。尽管 AI 占据了头条，但我认为真正的优势将在数据中创造 。
4. 基础设施的重构： 我们都知道要规模化使用 AI 需要多云环境下的强大模型、计算密度和电力 。但真正的转变在于韧性（Resilience）。随着 AI（特别是自主代理）成为金融机构关键工作流的核心，对韧性的期望将急剧上升 。这将对从网络、多云基础设施到数据平台和 API 的整个技术栈产生深远影响 。
5. AI 既是机遇也是威胁： 传统的网络攻击（漏洞识别、恶意软件等）现在的执行规模和速度是前所未有的 。但更令人担忧的是新出现的利用手段，例如跨多个社交平台的大规模虚假信息活动，利用深度伪造技术（Deep Fakes）针对大量受众瞬间发动攻击 。这是一种截然不同的威胁，我们需要开始着手缓解 。
微软的数据战略：智能与信任
Raimo Lenschow:Judson，Craig 提到了几个有趣的观点，尤其是关于数据作为核心这一点 。微软内部是如何考虑这个问题的？昨天我问 ServiceNow 的 Gina 是否在“吃自己的狗粮”（使用自家产品），她说她实际上是在“喝香槟”（享受自家优质产品）。你们是如何处理数据方面的？
Judson Althoff:数据部分对我们来说至关重要 。我们在几周前的 Ignite 大会上发布了 70 多项产品公告，主要集中在两个领域：智能（Intelligence）和信任（Trust），两者都立足于数据 。
在智能方面，我们做出了巨大的提升，帮助客户以更可用的方式掌控他们的数据 。这里有一个根本性的区别：是让 AI 工程师（即使是最聪明的一批）使用连接器和 API 去抓取数据源，还是通过我们称为 MCP 服务器的语义层，允许代理与代理之间进行对话？
– 模型提供商的做法： 试图通过“1000 根小吸管”吸取数据，然后对数据进行推理（Inference）。“推理”这个词听起来很酷很技术，实际上就是“花式猜测” 。
a. Work IQ： 这是 Microsoft 365 Copilot 的大脑 。它知道你如何工作、与谁合作、协作的内容，而且它是确切知道，不是猜测 。我们现在不仅将其作为 Copilot 的大脑，还将其作为 Azure 的一个计量服务提供出来 。你可以在此基础上构建代理，提供更高的准确性、速度和信任度，甚至可以推理机密和加密文档 。
b. Fabric IQ： 针对我们的数据服务产品 Fabric。它允许你跨多个数据源（如 Google BigQuery, Amazon S3, Azure 数据服务等）进行推理 。我们利用 Power BI 的语义层作为跨云数据的纽带，并将其作为单一 API 提供，这就是 Fabric IQ 。
c. Foundry IQ： 针对 AI 应用构建层。我们将所有知识库解锁为代理对代理的通信，并将 Azure 搜索的基础元素整合进 Foundry IQ，让代理开发更高效 。
– 微软的做法： 相比之下，我们提供了智能层。
所有这些都是**模型多样化（Model Diverse）**的 。如果明天出了个新模型，没问题，插进去就行，我们支持超过 11,000 种模型 。这一层智能服务对于让企业完成更多工作至关重要 。
巴克莱的 AI 优先级与实施
Raimo Lenschow:Craig，在巴克莱方面，AI 可以触及的地方太多了。你们是如何确定优先级的？
Craig (嘉宾):我们很早就进入了生成式 AI 领域，这主要得益于我们在基础设施、数据安全方面的投资 。目前我们正走出所谓的“创造性混乱阶段”（大量实验、快速学习、价值不均），并确定了三个优先领域 ：
1. 流程转型： 正如 Judson 提到的“前沿转型”。我认为生成式 AI 是第三代自动化（第一代是基于规则，第二代基于任务，现在是基于语言）。结合 AI、数字化和数据的潜力，我们有机会从前到后、从左到右地重新设计流程以释放真正价值 。
2. 同事赋能： 将技术交到同事手中，让他们创新。这里的挑战不在于技术，甚至不在于技能，而在于思维模式（Mindset） 。如何激励人们拥抱可能性的艺术，摒弃传统工作方式？这是一场尚未全胜的战役 。
3. 技术现代化： 利用 AI 从遗留架构和技术转向现代架构 。我们看到由代理和工程师组成的跨职能团队在重构遗留技术方面潜力巨大，速度是以前的一小部分 。
如果你在 12 或 24 个月后再问我，我的答案可能会变，因为这项技术演进太快了。保持好奇心和适应性，始终关注客户价值是唯一的途径 。
AI 的投资回报率 (ROI) 与可观测性
Raimo Lenschow:Judson，从客户对话来看，大家是如何看待回报率的？毕竟采用这些创新的投入不菲 。
Judson Althoff:这涉及到我们在 Ignite 上提到的第二大重点：信任（Trust） 。这不仅是安全层面的信任，更是商业层面的信任：我们能否相信这一转型之旅最终的 ROI 是物有所值的？
为此，我们发布了一个新产品叫 Agent 365 。
– 功能： 它允许你可视化整个企业内的所有 AI 工件（无论是微软平台还是第三方构建的），注册这些代理，并提供身份和访问权限 。
– 可视化工作流： 最重要的是，它能让你看到代理如何在工作流中协作以及与人类的交互 。
– 内部案例： 在产品发布前，我们在微软内部启用了 Agent 365。结果发现，我们在内部有 8.8 万名员工每周使用 13.8 万个代理。我敢打赌，你们组织内部发生的 AI 活动比你知道的要多 。
– ROI 优化： 你可以即时了解代理的使用强度。例如在供应链流程中，如果“承诺可用性代理”被大量调用，导致成本过高并影响 ROI，你可以针对性地微调其底层模型来优化流程 。
– 预演能力： 比如一家大型保险公司想用 AI 重塑理赔流程。在他们承诺投入巨资之前，我们可以先“过一遍水”（模拟），算出处理每一个理赔单的 AI 成本。如果你一年要处理 1 亿个理赔单，这就是账单，这就是 ROI 。
这种提供全栈可观测性（Observability）和 ROI 透明度的能力，将极大地推动真正的 AI 采用 。
巴克莱的 Copilot 部署体验
Raimo Lenschow:Craig，说到信任，当我们决定全面推广 Copilot 时，那可能是我在巴克莱多年来见过的最大的单一项目 。这似乎有一种前所未有的紧迫感，当时的思考是什么？
Craig (嘉宾):最初我们也是从小规模试点开始的 。让我们惊讶的是，员工参与的兴趣高涨，远超我引入过的任何其他技术 。试点表明，当我们将技术交到同事手中时，他们确实进行了创新 。这给了我们信心，承诺向全组织 10 万名同事推广 。
挑战在于如何在大规模范围内复制早期采用者的那种热情和好奇心 。我们对此投入了巨大精力：
– 活动： 举办了 3 场全球黑客马拉松（6000 人参与，另有 8000 人因容量限制未能参加），还有密室逃脱、提示词马拉松（prompt-a-thons）和数百场演示 。
– 社区： 在 Teams 和 Viva Engage 上建立了充满活力的兴趣社区 。
成果： 根据 Viva Insights 的数据，我们刚刚通过这一过程实现了 100 万小时的生产力提升 。而且需求持续旺盛，原本计划明年年中完成的推广，现在将于今年年底完成 。接下来的重点是将 Copilot 代理交到那些早期创新者手中 。
Raimo Lenschow:Judson，巴克莱是一个典型的客户案例吗？Copilot 最初被视为“提问并做事”的工具，但现在感觉它是通往一切的门户 。
Judson Althoff:巴克莱是一个强有力的早期采用者，Craig 甚至帮助我们对产品进行了“品味把控”（taste make）。
做一个类比：Copilot 之于 AI，就像 iPhone 之于个人计算，或者 Windows 之于 PC 。它是一个平台。代理（Agents）就像 iPhone 上的应用程序 。将人类的雄心壮志与 Copilot 及代理生态系统相结合，才是推动真正前沿转型的公式 。
未来展望
Raimo Lenschow:最后一个问题。展望未来，除了 Copilot，还有什么是我们要关注的下一步？
Judson Althoff:我认为核心在于业务的重塑 。我很兴奋我们正通过智能层赋能客户构建“代理式业务流程”（Agentic business processes）。同时，通过可观测性来预测 ROI 和结果，这将极大增强企业的信心。我们将看到更多关于真正增长和富足的案例，而不仅仅是效率和生产力 。
Craig (嘉宾):我认为这正在重新定义数字化转型的含义，并增加了其紧迫性 。
1. 差异化窗口： 现在有一个差异化的机会窗口，没人承担得起掉队的代价 。
2. 深度转型： 选择 3-4 个关键流程，深入挖掘，进行真正的转型，而不仅是实验。要综合利用数字、数据和 AI 的集成能力 。
3. 组织准备： 技术已经准备好了，问题是组织准备好了吗？这涉及教育领导者管理混合团队（人+代理）。
4. 基础建设： 基础设施、数据、安全，这些东西虽然不光鲜，但最终将决定谁能真正规模化应用 AI 。
Raimo Lenschow:听起来是一段激动人心的旅程。谢谢各位 。