Sandy Carter · Wiley, 2025
💡 核心洞见（5条）
- 65% 的企业已在日常运营中使用生成式 AI（McKinsey 2024），但只有那些将 AI 嵌入决策流程、运营和客户互动每一环节的公司才真正获得竞争优势。表层采用（比如网站上挂个聊天机器人）和孤立的 AI 项目都不算 AI First。
- 多模态学习（Multimodal Learning）是下一波 AI 浪潮的核心——不再只是处理文本，而是同时理解文本、图像、视频、声音。作者用 Chick-fil-A 杯子做实验：拍张照片发给 ChatGPT，AI 准确识别出品牌并描述产品。对品牌来说，这意味着你需要关心：当消费者拍下你的产品时，AI 会怎么描述它？
- 数据飞轮效应（Data Flywheel）：更多数据类型 → 更好的模型 → 更多使用 → 更多数据。这个正向循环是 Amazon 当年用 AWS 跑通的，现在多模态 AI 正在加速这个循环。关键是不要只停留在结构化数据，非结构化数据（社交媒体、视频、图像）才是下一个金矿。
- CAIO（首席 AI 官）角色正在快速普及：11% 的中大型企业已任命 CAIO，21% 正在招聘（Foundry 2023）。但作者给出反直觉建议：最佳人选可能已经在董事会里了——CMO（如果 AI 对营销影响最大）或 CTO，只要他们既懂业务又愿意学 AI。盲目外聘数据科学家反而可能失败，因为他不懂行业业务逻辑。
- 因果 AI（Causal AI）是预测模型的下一个跃迁——不只是看相关性，而是理解因果关系。比如营销预算分配，传统 AI 只能告诉你「投这些渠道销量高」，因果 AI 能告诉你「如果我把预算从渠道 A 移到渠道 B，销量会怎么变」。这需要同时懂数据科学和领域专业知识的人才。
💥 最震撼案例
作者帮助一家零售公司用空间数据+AI 优化店铺布局。通过摄像头和传感器收集顾客移动模式、各区域停留时间、高峰购物时段，AI 生成热力图显示哪些区域人流高、哪些低。发现高需求产品被放在低流量区域，调整布局后销量显著提升。还根据高峰时段调整排班，既改善顾客体验又优化人力成本。这个案例的特别之处在于：它不是用 AI 替代人，而是用 AI 赋能人做出更好的运营决策。
如果你想了解 AI 如何真正改变商业运作，而不是学几个 prompt 技巧，这本书是你的菜。Sandy Carter 不是坐在象牙塔里的学者，她在 AWS 和 IBM 一线干了十几年，书里的案例都是从实战里抠出来的。
🔧 Skill 提炼
ai-first-auditor —— 对照 AI First 框架审计组织的 AI 采用成熟度
触发词: audit AI-first readiness / 检查 AI 战略成熟度 / AI 采用诊断
输入: 公司行业、规模、当前 AI 使用场景
输出: AI First 成熟度评分 + 4 个维度（战略嵌入/运营整合/人的因素/信任建立）的差距分析 + 优先改进建议
multimodal-strategy-planner —— 帮助企业设计多模态 AI 策略，确定应整合哪些数据类型
触发词: 设计多模态 AI 策略 / multimodal AI strategy / 多感官数据整合
输入: 业务场景、现有数据类型、目标（客户体验/运营效率/产品创新）
输出: 多模态数据整合路线图 + 优先级排序的数据类型组合 + 实施风险评级
