時至今日，人工智能已經不再僅僅是科幻小說的模糊概念——而開始真正改變我們的生活、工作乃至存在的方式。作為數據科學、分析以及技術改進與創(chuàng)新所無法回避的終極產物之一，AI擁有極為可觀的發(fā)展?jié)撃埽行臉I(yè)者甚至認為有理由跳過傳統(tǒng)智能數據技術而直接投資AI方案。

然而，至少單就2017年而言，我們仍有再觀望一陣的理由。

1. AI仍不完美

與任何一種潛力巨大的技術產物一樣，AI同樣吸引到眾多投資者、風投人士、初創(chuàng)企業(yè)及商業(yè)領袖的關注，并做好準備與其工作乃至生活場景相結合。

但問題在于，AI目前仍處于發(fā)展階段，或者說仍需要時間學習并證明自身價值?？陀^地講，即使最為先進的AI成果恐怕也要在三年后才能在市場上有所建樹。

另外，假定您已經擁有一套極為驚人的AI引擎驅動型演示系統(tǒng)。但如果投資者不能將其接入自己的筆記本，那么一切只能是空談。

因此AI就目前而言只能算是畫出了美妙的大餅，但平心而論其仍然屬于利基性產物——直到正式普及之前，任何整合嘗試都有可能以失敗告終。

2.分析仍然影響巨大

根據Simbla的調查結果，分析仍然擁有旺盛的生命力且能夠帶來等待發(fā)掘的可觀價值。作為由數據與信息轉向AI算法的通道，分析技術的目標更契合當前分析軟件與算法所能達成的效果。

除了URL挖掘及社交媒體報告等基礎功能，企業(yè)亦開始利用分析方案幫助自身更為靈活地打理數字化業(yè)務，包括市場營銷與搜索引擎優(yōu)化等。

能夠在作為一切數字化資產基礎的二進制空間內運行，意味著未來的分析工作除了提供與市場相關的報告與模式判斷結論外，亦將帶來更可觀的預測能力。

這種預測市場未來動向的能力無疑將吸引更多企業(yè)繼續(xù)堅守分析這一陣地，并在未來兩到三年內再逐步向更成熟的AI平臺轉移。

3.機器學習需要過程

建立業(yè)務部門是一種線性過程，而我們目前無法解決其中的一切難題以提供真正完美且能夠切實用于整合的AI成果。

作為AI訓練素材的當然是數據與分析——而這兩大領域仍然在邏輯性與定義結論層面處于摸索階段。

為了真正發(fā)揮AI的優(yōu)勢，我們必須收集大量數據，并構建起能夠以直觀方式解釋信息以實現預測分析的工具。

而直接投身AI無異于沒學會走就急著跑。雖然已經在一定程度上成為現實，但AI目前的狀況仍遠不能令人滿意。

4. 潛在分工

盡管我們很難準確預測業(yè)務的未來發(fā)展態(tài)勢，但就目前來看，分析、數據與AI幾項技術很可能各自獨立地實現分工與發(fā)展，而非朝著統(tǒng)一的智能化方向邁進。

行業(yè)分工確實會帶來一些有趣的機遇，特別是對于那些更傾向于投資成熟市場而非尚缺乏實踐經驗的AI方案的人們而言。

投資者與企業(yè)運營者在未來幾年內將繼續(xù)面對此類難題，即是將資金投入到影響力更大且更具實效的分析領域，還是押注在一切尚不確定的要工智能身上。

5.消費者認知

對于企業(yè)擁有者而言，在分析與AI之間作出選擇主要應考慮到其主要受眾的當前狀態(tài)與認知水平等因素。

年輕些的從業(yè)者可能更信任并愿意通過測試了解直觀的數字化解決方案。但如果您的營銷對象是更為成熟的上一代用戶，則采用分析功能也許可以更好地提升業(yè)務績效。

投身于AI確實有種致命的吸引力，但這一方面并不證明分析技術會因此而逐漸消亡; 相反，二者都會不斷成長并得到改進。另外，至少就目前來看，分析技術的實效性無疑擁有更為豐富的客觀指標作為支持。