2024年生成式人工智能市场现状

生成式人工智能（GenAI）正处于早期阶段，但已显示出对各行各业产生重大影响的能力。GenAI 将显著改变每个行业，但企业在采用这项技术时也面临着重大挑战，包括缺乏 AI 技能、数据隐私和安全问题、算法公平性以及潜在的滥用。尽管存在炒作，但 GenAI 确实有望带来变革，为企业带来机遇和风险。

市场份额和投资回报率：企业预计将在 2025 年从其 GenAI 倡议中获得可观的预期投资回报。IT 支出将集中在 GenAI 上，预计到 2027 年或更晚，预期投资回报率将低于预期。
主要应用场景：当前获得最多资金支持的应用场景主要集中在客户服务、效率提升和内容生成。主要部署的应用场景需要“人在回路中”（HITL）来中间处理和验证输出结果。
未来应用场景：预计到 2025 年，企业将继续在 HITL 用例中多样化 GenAI 的使用，并拥抱包含效率提升的 AI 驱动服务。长期来看，企业需要持续关注技术进步，并在开始尝试更大规模和投资回报率的应用案例之前，为自己获得对相关风险更好的理解。
从试点到量产的困境：将 GenAI 从试点项目扩展到全面的生产部署对企业而言仍充满挑战。目前，企业或软件或服务提供商都未能建立起从初始试点用例到大规模、生产就绪型工作负载的可重复、可靠的路径。

转型软件开发：将 GenAI 集成到软件开发过程中，可以显著提升生产力、效率和品质。人工智能驱动的分析简化了利益相关者访谈和需求收集，而自动化工具改进了系统架构和用户界面的设计。人工智能助手支持代码生成和错误修复，减少了人工工作并提高了整体代码质量。人工智能可以生成和执行软件测试用例，并改进回归测试。此外，人工智能工具优化了部署流程，并主动管理系统维护，减少错误和停机时间。
IT 领域的 GenAI——AI 落地区：企业正开始利用 GenAI 的力量来简化运营、增强创新并优化 IT 基础设施中的工作流程。
IT 领域的 GenAI——AIOps：AIOps 利用包括机器学习和数据分析在内的先进技术，以提高 IT 系统的效率、智能化和响应能力。通过自动化任务、预测问题并提供可操作的洞察，AI 在 IT 运营中有助于企业主动管理其 IT 环境、减少停机时间并提升整体性能。
购买人工智能实施服务：企业可以通过选择与其特定需求和基础设施相匹配的适当 AI 实施服务，来弥补内部缺乏 AI 专业知识和技能的差距，并提高其与 GenAI 目标的绩效表现。
购买人工智能工具或平台时的关键考虑因素：企业需要考虑成本、定制化需求、集成能力、可扩展性和供应商支持等因素。

数据平台：数据平台作为企业范围内组织、管理、存储、处理、分析和呈现数据的支柱，对于支持并赋能人工智能驱动的业务运营和分析至关重要。它们确保数据可访问且值得信赖——这是人工智能应用的关键因素。
数据治理与数据工程：数据治理和管理对于维护数据的完整性、安全性和质量至关重要。这些领域的供应商目前正在将人工智能嵌入其工具中，旨在自动化和增强数据清理、数据溯源跟踪和元数据管理等数据流程。

GenAI 对企业带来的风险：数据隐私和安全、工具性能和结果质量、法律风险是企业在采用 GenAI 时需要关注的主要风险。
AI 合规性：全球视角：企业必须及时了解监管环境，同时追踪满足这些需求的合规机制以及消费者期望的脉动。
AI 治理的新前沿：企业必须设计健全的人工智能治理框架，以确保负责任且合乎道德地发挥 AI 的全部潜力。
伦理方法应用于通用人工智能：将负责任的数据使用整合到人工智能设计中是一个基本方面。在设计阶段建立问责制使企业能够优先考虑道德规范，确保人工智能的影响与公司价值观一致，并提升客户满意度而非损害它。

数据和业务流程成为差异化因素：每家企业都拥有一套独特的数据，并可以利用这些数据来提升其运营和客户互动。从长远来看，您的数据将成为关键差异化因素。
技能差距：企业内部缺乏 AI 技能，因为只有 23% 的企业报告称他们拥有具备必要技能的人员。随着 GenAI 的扩散加速，企业和服务提供商需要重新思考如何利用技术来与竞争对手区分开来。
算法的重要性下降：算法不太可能提供持续的优势。大多数算法，甚至它们生成的模型，都在开源社区中广泛可用。考虑到这种情况以及训练大语言模型（LLMs）的成本，很少企业会进行创建自有通用人工智能（GenAI）模型的必要投资。