数据领导者扩展人工智能的操作指南

麦肯锡全球调查发现，65%的公司定期使用生成式AI，但多数尚未看到显著商业影响。企业需从“Tech for Tech”和“试验和错误”两大陷阱中走出，建立以数据为中心的运营模型以规模化部署生成式AI。

核心观点与关键数据

1. 运营模型的重要性：运营模型定义了人员、流程和技术的部署方式，涵盖从人员配置到技术开发的全过程。65%的公司已制定生成式AI策略，但需进一步建立运营模型以实现可衡量的业务成果。
2. 基于组件的架构：31%的高绩效企业与11%的其他企业采用组件化方法，通过分阶段部署新组件（如LLM托管）实现业务目标，同时保持技术栈灵活性。
3. 团队构建：
   • 扩展现有团队：成本较低但可能受限于传统IT流程，如某物流公司试点项目因整合问题部署缓慢。
   • 独立团队：可快速迭代但需与IT部门协调避免重复工作，如某欧洲银行通过专项小组实现快速启动。
4. 数据管理：
   • 建立“企业级中心（CoE）”集中管理非结构化数据，确保合规性与质量。
   • 按业务领域优先级（如财务、人力资源）分阶段推进，避免需求淹没。
5. 开发模式演进：
   • 集中式：由中央团队主导，如某电信公司以业务单元节点形式运营。
   • 联邦式：IT提供统一基础设施，业务单元负责领域内开发（如某北美投行）。
   • 分散式：各领域组建自主团队（如某营销部门开发社交媒体代理供其他领域使用）。
6. 风险与合规：
   • 制定六步风险计划：识别威胁、分类工具、分层部署、跟踪风险、组建团队、全员参与。
   • 强调动态调整以应对法规变化（如欧盟AI法案的透明度要求）。

研究结论
企业需以数据为核心，通过明确的运营模型（组件化架构、分级团队、动态数据管理）实现生成式AI规模化部署。中央IT团队需提供统一基础设施，业务单元逐步承接开发任务，同时建立灵活的风险治理机制以平衡创新与合规。