编者注：供应链咨询公司Katzscan Inc. 总裁 Norman Katz 每月为《供应链管理评论》撰写专栏文章。Katz 的专栏文章每月第三个星期一刊登。
2 月 14 日发表的一篇CIO Dive文章引用了多项反映与 AI 实施相关的项目失败的调查。
根据文章：
波士顿咨询集团 2023 年的一项民意调查发现，三分之二的高管认为其组织在生成人工智能方面的进展不达标。
Everest Group 于 2024 年 1 月开展的一项调查显示，首席信息官发现，即使试点成功，AI 解决方案也难以推广。主要原因是缺乏明确的成功指标（73%）、对成本的担忧（68%）以及技术格局快速变化的速度（64%）。
诺曼·卡茨的更多作品
供应商和供应商之间的不平等阻碍了供应链的竞争优势
首席信息官克服技术人才招聘困难的秘诀
如何创造真正的零售商品牌忠诚度
选择能够伴随您业务成长的 3PL
不过，文章对此表示支持，因为它解释说，失败不应被视为死路，而应被视为学习的机会。
这篇文章重点关注了生成式人工智能项目的失败。当然，也许这篇文章的意图就是只关注生成式人工智能。（这实际上是我们读到和听到的唯一一种人工智能。）我的问题是：如果人工智能项目的失败是由于选择了错误的人工智能类型，该怎么办？如果“生成式人工智能”一词在指人工智能时变得有点笼统，该怎么办？
生成式人工智能从给定的数据集创建新数据。例如，从现有文本中生成新文本，或从文本 Iceland电子邮件列表 提示中生成图像。判别式人工智能用于区分给定数据集中的类别。判别式人工智能的一个例子是评估制造缺陷，其中缺陷被定义为超出可接受的公差参数。判别式人工智能通常用于欺诈检测。
根据2023 年 7 月 25 日的《Fast Company》文章，判别性 AI 将在企业实施中引领生成性 AI，因为：
判别性人工智能比生成性人工智能具有更高的准确性和可靠性
判别性人工智能对噪声和异常数据的鲁棒性比生成性人工智能更强
与生成式人工智能相比，判别式人工智能如何解释数据更容易理解
这并不是说生成式人工智能无法赶上判别式人工智能，也不是说生成式人工智能在企业中没有一席之地。我在这里只想说——就像我在其他关于软件的文章中所说的那样——人工智能不仅仅是一种软件：它是一种完成工作的技术工具。选择正确的软件，并在业务流程的正确位置，是完成这些（或任何）软件项目并正确完成的关键。正如《Fast Company》文章结尾所指出的那样，成功实施人工智能的解决方案可能是将判别式人工智能产品放在数据源的前端或附近，让它区分定义类别内的数据，然后让生成式人工智能产品评估解析后的数据。
我们从运行供应链所需的大量互连系统（例如 ERP、EDI、自动识别）中了解到，成功实施 AI 的解决方案是首先针对问题选择正确的软件，然后承认完整的端到端解决方案可能涉及多个系统的集成。