組織利用最新人工智慧演算法幫助其成長和發展的方式之一，是採用私有人工智慧模型來調整其業務戰略。
在這種情況下，私有和公共人工智慧之間的區別很重要 - 大多陣列織都非常警惕允許公共人工智慧訪問敏感資料集，如人力資源資訊、財務資料和運營歷史詳情。
很合理的是，如果人工智慧獲得了特定的資料作為其響應的基礎，其輸出將更加相關，因此在幫助決策者判斷如何制定策略方面更加有效。使用私有推理引擎是公司獲得人工智慧最佳結果並保護其智慧財產權的邏輯方法。
特定於企業的資料和微調本地人工智慧模型的能力，使組織能夠提供更貼近公司日常工作現實的定製預測和運營調整。德勤戰略洞察論文將私有人工智慧稱為"定製指南針"，並將內部資料的使用視為競爭優勢，埃森哲則描述人工智慧為"即將提供自農業和工業革命以來最重大的經濟提升和工作變革"。
然而，存在這樣一種可能性，就像傳統的商業智慧一樣，使用跨企業多年運營的歷史資料，可能會使決策陷入過去的模式。麥肯錫表示，公司正處於"將其機構過去映象在演算法琥珀中"的危險之中。哈佛商業評論指出了一些技術複雜性，稱使模型的活動更加與公司相關的定製過程很困難，因此可能不是除了最精通人工智慧的資料科學和程式設計人員之外的人能完成的任務。
麻省理工學院斯隆學院在私有人工智慧商業戰略制定的狂熱倡導者和保守聲音之間取得了平衡。它建議將人工智慧視為副駕駛，並敦促持續質疑和驗證人工智慧輸出，尤其是在風險很高的情況下。
相信革命
然而，考慮追求這種行動方案（搭上人工智慧浪潮，但以私密、安全的方式）的決策者，可能希望考慮那些強烈倡導這種人工智慧賦能方式的建議來源的動機。
例如，德勤使用定製基礎設施（如其即服務工廠產品）為客戶構建和管理人工智慧解決方案，而埃森哲有專門致力於客戶人工智慧戰略的實踐，如埃森哲應用智慧。它與AWS和Azure合作，為財富500強公司等構建定製人工智慧系統，而德勤則與甲骨文和英偉達合作。
有"利害關係"，諸如"自農業和工業革命以來最重大的變革"和"定製指南針"等措辭聽起來很鼓舞人心，但供應商的動機可能並不完全是出於利他主義。
人工智慧的倡導者理所當然地指出，模型能夠比人類更有效地識別趨勢和統計潛流。考慮到現代企業可用的海量資料，包括內部和外部可用資訊，能夠大規模解析資料的軟體是一個令人難以置信的優勢。與手動分析海量資料倉庫（耗時且容易出錯）不同，人工智慧可以穿透表面，提煉出真正可操作的洞察。
提出正確的問題
此外，人工智慧模型可以解釋用普通語言提出的查詢，並基於經驗資訊做出預測，在私有人工智慧的背景下，這與組織高度相關。相對缺乏技能的人員可以查詢資料，無需具備統計分析或資料庫查詢語言技能，就能獲得原本需要跨企業的多個團隊和技能集才能得到的答案。這種時間節省本身就很可觀，使組織能夠專注於戰略，而不是形成必要的資料點並手動查詢他們收集到的資訊。
然而，麥肯錫和Gartner都警告了過度自信和資料過時的風險。在後一種情況下，歷史資料可能不適合制定戰略，尤其是如果記錄可以追溯到幾年前。過度自信在人工智慧背景下可能最好理解為操作者未經質疑就信任人工智慧的響應，不深入研究響應的細節，或在某些情況下，將對措辭不當的查詢的響應視為事實。
對於任何軟體演算法，人類短語如"基於我們的歷史資料得出結論"是開放解釋的，不像例如"基於過去十二個月的銷售資料得出結論，忽略與平均值相差超過30%的異常值，但要為我列出這些例項"這樣的說法。
經驗軟體
組織可能會在成熟的現有商業智慧平臺旁追求私有人工智慧解決方案。SAP商業組織已經接近30年曆史，但與早在1990年代網際網路主流化之前就已存在的SAS商業智慧相比還是個後來者。即使是相對較新的微軟Power BI，也代表了至少十年的開發、迭代、客戶反饋和商業分析的實際應用。因此，將私有人工智慧部署在商業資料上，似乎應該被視為戰略制定者工具箱的補充，而不是取代"傳統"工具的靈丹妙藥。
對於具有稽核和調整模型輸入和內部演算法能力的私有人工智慧使用者來說，保留人類控制和監督很重要 - 就像使用甲骨文商業智慧套件一樣。在某些場景中，對實時資料的智慧處理和行動（例如線上零售定價機制）確實使人工智慧分析比現有的商業智慧平臺具有競爭優勢。但人工智慧尚未發展成為商業戰略的萬能瑞士軍刀。
在為商業資料分析而設的人工智慧像市場上一些主流商業智慧平臺那樣經過充分開發、迭代、經受考驗和成熟之前，早期採用者可能需要用實際經驗和批判性眼光來平衡人工智慧和人工智慧服務供應商的熱情。人工智慧是一個新工具，具有巨大潛力。然而，在其當前形態下，無論是公共還是私有，它仍處於第一代階段。
（圖片來源："關於規則和策略"由pshutterbug根據CC BY 2.0許可）
本文最初發表於人工智慧商業智慧：買家謹慎，來自人工智慧新聞。
