核心观点与关键数据
- 预期与现实的差距：超过一半受访者将生成式AI视为战略业务资产，超过80%预期其重要性在未来12个月内增加。然而，只有22%的人表示他们正在其组织中释放生成式AI的价值。
- 技术基础薄弱：虽然大多数受访者已经建立了生成式AI技术和基础设施基础（95%使用商业基础模型，88%使用云供应商），但他们在数据准备、治理和技术技能方面存在不足。
- 数据准备挑战：仅42%的受访者表示他们可以在自己的企业数据上训练生成式AI模型，89%的人表示难以准备业务数据。只有24%的人已经推出治理政策，75%以上的人在理解、技能、道德、风险和隐私意识方面面临挑战。
- 技能差距：至少80%的受访者表示员工对生成式AI的理解有限，超过75%的受访者表示缺乏技术技能（如解决方案/数据架构师、数据科学家和工程师），以及缺乏生成式AI专业知识。
- 合作伙伴的重要性：88%的受访者表示，更深入的技术专业知识对于数据集成、模型优化、用例开发和进一步的应用开发变得越来越重要。90%的受访者同意他们的组织需要具有更大技术能力的合作伙伴，89%的人需要合作伙伴来帮助他们加速新用例的部署，88%的人需要合作伙伴了解他们的市场和特定用例。
研究结论
- 价值收获者与价值寻求者：研究将受访者分为“价值收获者”（在11个部门中10个或11个部门看到中等或重大价值）和“价值寻求者”（在0到6个部门中看到中等或重大价值）。价值收获者更可能使用商业基础模型和云供应商，拥有更先进的数据能力，已经实施了生成式AI治理，并通过知识和发展能力以及有效的合作伙伴来加速生成式AI的采用。
- 行业和公司规模的影响：美国受访者比其他国家/地区的受访者更可能释放生成式AI的价值。零售业比金融服务/保险业更可能成为价值收获者。收入较高的公司比收入较低的公司更难释放价值，因为它们更难在整个硬件、软件和基础设施环境中组织所需的能力。
- 主要收益：价值收获者更有可能采用更多用例，对从未来生成式AI计划中获得业务价值更有信心，并在创新、研发、运营效率、软件开发、客户参与和员工生产力方面体验到更显著的业务绩效改进。
关键建议
- 定期更新投资回报率和影响评估。
- 将数据准备作为战略基础。
- 跟踪组织准备状态和技能的进展。
- 寻找能够跨组织调解生成式AI战略的合作伙伴。
