供应商们让你相信，我们正身处一场从根本上改变工作方式的人工智能革命。但多项研究表明，现实远比这复杂。
尽管企业对生成式AI兴趣浓厚，但从概念验证转化为实际产品却困难重重。实施中的技术复杂性成为主要挑战，这既可能源于旧技术栈带来的技术债务，也可能单纯由于缺乏相应技能人才。
Gartner研究发现，实施AI解决方案的两大主要障碍分别是：难以估算和展示价值（占比49%）以及人才短缺（占比42%）。Lucidworks的研究也显示，仅有四分之一的受访者成功实施了生成式AI项目。
麦肯锡资深合伙人Aamer Baig在MIT Sloan CIO研讨会上指出，其最新调查显示仅10%的企业正在大规模实施生成式AI，仅15%的企业看到了对盈利的积极影响。这表明炒作热度已远超大多数企业面临的现实。
究竟是什么在拖后腿？
Baig认为，复杂性是导致进展缓慢的主因。即使简单项目也涉及20到30种技术元素，选择合适的LLM仅是起点。此外，企业还需具备适当的数据和安全控制措施，员工也必须掌握提示工程及知识产权控制等新技能。
陈旧的技术栈同样阻碍发展。“调查中，大规模实现生成式AI的主要障碍之一实际上是技术平台过多。”Baig表示，“问题不在于用例、数据可用性或价值实现路径，而在于技术平台本身。”
Thoughtworks首席人工智能官Mike Mason表示，当前技术架构是企业为AI做准备的重要组成部分。“问题在于你有多少技术债务？答案取决于具体组织，但越来越多的组织正感受到这方面的痛苦。”
一切始于良好的数据
准备不足部分源于数据问题。Gartner调查中，39%的受访者将缺乏数据列为成功实施AI的首要障碍。Baig建议专注于有限且可复用的数据集：“要专注于有助于多个用例的数据。通常公司可选出三四个高优先级业务领域启动，这些领域具有商业价值并能交付规模化成果。”
Mason指出，AI执行能力与数据就绪度密切相关，但不必采取“全有或全无”的方法。“组织意识到需要进行AI准备工作、构建平台和清理数据，但不必花费两年才能看到价值。”
企业还必须尊重数据来源及使用权限。Mathematica首席信息官Akira Bell表示，在使用受严格协议约束的私有数据及处理弱势群体数据时，必须谨慎行事。“作为可信数据管理者，我必须在网络安全和客户数据治理方面保持务实。”她深知这项技术在提供更好数据理解方式的同时，也需要在推进进步与谨慎治理之间取得平衡。
寻找价值
如同云计算兴起之初，CIO们对生成式AI持谨慎态度。他们看重潜力，但也需解决治理和安全等基础问题，并寻求真实的投资回报率（ROI），而这往往不易衡量。
Juniper首席信息官Sharon Mandell表示，衡量生成式AI投资回报正变得具有挑战性。她正通过试点项目谨慎推进，试图找到能证明成本合理性的生产力提升指标。
Baig强调，在公司范围内采取集中化方法很重要，应避免“太多‘黑匣子’式独立项目”。他表示：“你需要公司提供支撑框架，确保产品和平台团队有组织、专注且高效运作，同时还需要高层管理的可见性。”
Mason和Baig均建议团队避免贪多，应重用已有的有效方案。Baig说：“直接重用可以转化为交付速度，让客户满意并产生影响力。”
无论执行何种生成式AI项目，都不应因治理、安全和科技挑战而陷入瘫痪，也不应被炒作蒙蔽双眼。最好的方法是先启动一个能展现价值的项目，然后在此基础上逐步构建。请记住，尽管炒作不断，许多其他公司也在挣扎。