例如，电力管理公司伊顿的CIO Katrina Redmond创建了一个与特定业务领域挂钩的“AI工厂”，以满足迫切需求。AI团队中的领域专家虽不直接向IT部门汇报，但会与其紧密协作。她表示：“我们会根据价值创造来共同决定优先开展的活动，并据此付诸实践。”

伊顿公司的每个团队都由一名AI负责人、产品负责人、机器学习工程师、数据工程师以及云和DevOps工程师组成，他们与业务领域专家共同开展工作。Redmond表示，设立AI与创新副总裁一职也是组建高效团队的关键。

不过，Principal金融集团执行副总裁兼CIO Kathy Kay指出，如果AI团队中的领域专家无法用技术团队能够理解的方式阐述业务问题，那么仅有领域专家是不够的。需要有人担任产品经理的角色——即具备足够领域专业知识来定义业务问题并将其进行转化的人。她表示：“这个人可能是业务部门的产品经理，也可能是IT企业内部的产品经理，或者是其他业务线中曾有过相关经验、能够与需要问题转化的产品经理合作的产品经理。”

安永美洲区AI自动化与分析负责人Hugh Burgin补充道，数据科学家和AI工程师固然重要，但他认为，最大的投资回报率并非来自单一技能，而是所有技能共同推动业务转型。

AI团队应涵盖的五类角色

那么，高效AI团队的关键要素有哪些呢?Burgin表示，你需要从五大类中获取专业知识，首先是为每个项目提供高层支持。

另一个有时会被忽视的关键角色是尽早让直接使用AI的人员参与进来。换句话说，就是终端用户的参与。他表示：“从技术上讲，大多数AI项目都能交付，但这并不意味着终端用户会采用。”

接下来是转型工程。这些角色既是业务流程方面的领域专家，也是AI解决方案方面的领域专家。这些人有时被称为产品负责人、产品经理或职能领导，他们与团队合作开发AI应用程序，并具备利用该应用程序推动业务转型的职能知识。

负责产品交付和变革管理的员工构成了另一个类别。常见的职位包括项目经理、变革管理专业人员和Scrum主管。

最后，IT领导需要AI支持人员，他们的职责涵盖所有用例，以确保在负责任的AI、治理和财务运营方面保持一致性。Burgin表示：“IT部门如今已经存在这些支持角色，但工作内容正在发生变化，需要提升AI相关技能。”

每个AI团队都应具备(或至少应考虑具备)的关键角色

在核心AI团队中，最关键的角色是数据科学家、数据工程师和AI工程师。不过，企业可能还需要专注于整体AI解决方案架构的AI架构师，以及模型经理、验证人员、测试人员和伦理学家。Gartner杰出副总裁兼分析师Arun Chandrasekaran刚刚发布了一份关于AI职位角色、职责和技能的研究报告，他发表了上述看法。

在招聘时需要牢记的是，数据科学家的角色正在发生变化。Chandrasekaran表示：“如今，模型都经过了大规模预训练，因此数据科学家会花更多时间来调整和运营模型。模型经理需要深入了解各种可用模型，并必须为其应用选择最准确、最经济实惠且性能最佳的模型。AI验证人员会评估AI应用程序的公平性、偏见、透明度和可解释性，并确保其符合业务、监管和道德标准。AI测试人员则会对模型、API和管道等AI组件进行测试，以查找漏洞、性能问题或意外行为。”

接下来，产品经理充当工程团队和终端用户之间的中介。他补充道：“他们会与用户交流，了解需求，并确保产品满足这些用户的需求。”

AI伦理学家则负责制定并执行AI伦理使用准则。Chandrasekaran表示：“他们会监测偏见、毒性和有害输出问题”，对于受监管行业而言，这一角色尤为重要。

平台团队与产品团队

全球工程、咨询与建筑公司博莱克·威奇的数字技术执行副总裁兼首席数字技术官Mike Adams表示，该公司对AI的激活主要集中在两种不同模式上。平台团队确保公司能够从战略平台提供商(微软、Salesforce、甲骨文和ServiceNow)提供的原生智能体和GenAI功能中获益，而数字产品团队则开发特定业务的AI功能，以创造持久且差异化的价值。

他表示，平台团队还会利用战略平台所提供的一些API，借助其在AI领域的投资成果。具体而言，他的团队致力于将战略平台API引入微软Teams和Copilot(该公司面向自主式AI的用户界面)。Adams表示：“我们仍处于早期试验阶段。”

相关角色包括特定平台架构师、应用组合经理以及一些平台工程与开发角色。他表示：“作为我们战略平台生态系统的一部分，AI能力方面的繁重工作和投资都由平台提供商完成，因此我们试图将重点放在管理企业变革上，以推动适当采用。”不过，安永的Burgin表示，一旦你开始定制AI解决方案以改变业务或让其了解你的业务，就需要组建一支具备全面技能的专业团队来开展工作。

在博莱克·威奇公司，创新则由数字产品部门负责。Adams表示：“我们正在初步构建BV数字产品运营模式。”团队角色包括数字产品经理或负责人，以及数字产品交付负责人，后者领导一个交付团队，其中包括Scrum主管、质量保证工程师、解决方案和产品架构师、软件开发人员，以及负责管理数字产品软件的迭代开发、构建和发布流程的DevOps和云工程师，在许多情况下，这些软件包括生成式AI、应用AI和机器学习运维组件。

如果数字产品集成了生成式或应用AI，其他角色可能还包括数据工程师和数据架构师。Adams补充道：“成功的AI产品团队与数字产品团队类似。唯一的区别在于，你需要在数据、分析和AI工程与架构方面具备特定领域的技能。”

博莱克·威奇公司的数字产品运营模式尚未完全成熟，因此目前业务关系经理会协助填补数字产品管理角色的空缺。Adams表示：“最终，端到端的数字产品运营模式将扩大规模，以支持首款BV数字产品BV Ask(一款基于内部数据训练的内部版ChatGPT，包括工程最佳实践、工程知识产权、项目执行、估算和其他非结构化数据)。”工程师可以通过自然语言或对话界面访问这些信息，以便在工程界实现信息获取的普及化。

与许多企业一样，该公司的AI团队也在不断发展。Adams补充道：“我们需要加强的领域是正规的产品管理和产品所有权。我们需要在这方面更加严谨。”他补充道，这些角色需要牢牢扎根于客户。他表示：“机遇如此巨大，如果我们不能以客户需求为基础，就可能会错失每一个AI机遇，而无法为我们的业务和客户带来实质性变革。”

内部培养团队：培训与招聘

核心AI团队角色需求旺盛，因此培训IT专业人员转型至AI相关职位是一项战略要务。Principal的Kay表示：“培养内部人才，因为外部人才非常难找。”她的企业通过让IT专业人员与经验丰富的人员搭档，并给他们分配“拓展性任务”，帮助他们胜任新角色。

博莱克·威奇公司也在对工程团队进行AI交叉培训，而且这并非一项艰巨的任务。Adams表示：“这些人员都是技术专家，因此大语言模型对他们来说并不神秘。如今，这些能力已融入软件工程、数据工程和分析领域。”Adams的策略是让IT专业人员通过实践经验来学习，从而提升相关技能。

伊顿公司也在采取类似的路径。Redmond表示：“我们已经对现有的创新团队进行了转型，该团队原本就致力于机器人流程自动化，而且我们将首席数据官团队的一个核心领域专注于AI工作，并加速数据稳定性和治理工作。”这些团队通过试点项目和在沙盒环境中开展工作来积累经验。

Chandrasekaran表示，每位CIO都应制定明确的计划，为未来重新规划技能。他表示：“看看未来两三年你需要哪些技能，并规划如何培养员工掌握这些技能。”

不过，企业可能仍需从外部招聘以填补某些职位。在招聘AI工程师时，Kay表示要寻找喜欢摸索的人，因为使用这些模型时，你必须不断改变方法。寻找熟悉你正在使用或希望使用的模型的人员。而且不要过于拘泥于职位头衔，因为你需要员工足够灵活，能够胜任多个角色。她表示：“工程师需要保持灵活性，能够承担多项职能。”

目前，Kay正在一个CIO领导团队中探讨战略性招聘方法。她问道：“我们是需要一位经验非常丰富的开发人员，还是希望招聘一位经验稍浅但富有创造力的人员?创造力和一些AI开发经验的结合是否会为我们带来更好的成果?我们还不得而知。”

外包策略

当然，并非总能通过培训或招聘获得所需技能。Burgin表示：“数据科学家、数据工程师和AI工程师在市场上极为抢手，而且很难快速培训出这样的人才。”因此，引入外部合作伙伴可以弥补技能缺口，同时也能为内部团队成员提供宝贵经验。他补充道：“寻找能够为你团队带来所需专业水平的合作伙伴。每当你试图建立一项新能力时，都要引入第三方来帮助建立能力据点”，并与你的团队合作，拓展团队能力。

Chandrasekaran表示，当你的团队在特定领域缺乏经验时，就应寻求咨询师的帮助。虽然许多企业都在将业务外包给德勤等传统咨询公司，但包括Hugging Face和OpenAI在内的模型公司也在进军服务领域。他表示：“他们提供一款产品，并确保其得到正确配置和设计。他们不是带来领域知识的传统咨询师，而是能够为用户定制和优化产品的软件工程师。”

Redmond表示，使用内部与外部AI团队存在关键差异。她表示：“内部团队能带来长期利益，如深入了解公司系统、迭代更快以及与业务战略保持一致。另一方面，外部托管则能提供快速原型制作、专业领域知识，并能补充带宽。”伊顿公司采取了一种混合方法，将内部领域专家和AI技能与外部专家相结合。

把良好的战略与强大的领导力结合在一起

没有坚实、专注的领导力，任何团队都无法发挥效力。一些企业会投入时间组建庞大的数据和AI工程团队，但如果没有真正的业务问题需要解决，这些资源可能就会沦为实验品。

Adams表示：“不要一味追求深度，然后指望应用会随之而来。”因此，首先要与第三方合作开展几个明确界定的项目，在扩大规模之前积累动力和团队技能。

Redmond表示：“清晰的战略愿景以及使用影响力和可衡量指标来实现这一愿景的可行路径至关重要。”

让团队通过试错来学习。例如，Principal的一个AI团队在早期开展一个项目时，对数据的了解不够深入。结果，系统总结了用户不需要的内容，并引入了无关文档。Kay表示：“了解数据及其管理方式对于避免不良结果至关重要。我们意识到，必须花更多时间来了解数据。”

关于汇报结构，Burgin表示，一个高效的团队并不要求所有人都向同一位经理汇报，只要所有人在转变业务方面具有相同的优先级和承诺即可。他表示：“但你需要一个跨职能团队来协同工作，并致力于这一转变。”

Chandrasekaran表示，不幸的是，许多公司仍然存在僵化的部门壁垒，这意味着AI可能完全属于数据分析团队的管辖范围。他补充道，在这种情况下，这些团队与其他团队之间的协作并不多。

因此，他的建议是让AI团队更加分散化，因为在许多情况下，组建一个集中的AI和数据工程团队并不奏效。他表示：“有些事情应该集中处理，但AI和数据科学应该分散到各个AI团队中，以获取领域知识。”

最终，领导层需要明确设定优先级。Burgin表示：“考虑你想用AI转变的10个业务领域，并从头开始通过AI赋能能力重新构想这一流程。针对每个流程，组建一个综合工作团队，专注于如何转变业务，并每天协同工作，尽管他们可能隶属于业务的不同部门。”

最后，不要只培训你的AI团队，还要带动外部人员。Kay表示：“我们正在向整个公司推广AI和数据素养，某些特定角色还会接受额外培训。”最重要的是，CIO在组建AI团队时应投资于员工。她补充道：“这非常重要，尤其是当AI在企业路线图中占据重要地位时。你的团队能够快速学习，并做出巨大贡献。”

企业网D1net(www.d1net.com)：

国内头部to B IT门户，旗下运营国内最大的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。

版权声明：本文为企业网D1Net编译，转载需在文章开头注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。