2025年，数据、AI和分析领域将迎来重大变革。组织越来越认识到设计和管理支持大规模机器学习（ML）所需的数据基础设施的复杂性，并重新调整了他们的预期，更加重视评估其计划的性能和投资回报率（ROI）。这一转变承认了AI项目成本的上升，特别是随着组织转向更复杂的应用程序。此外，实现企业级规模化实施不仅需要创新技术，还需要相当多的专业知识和治理。
核心观点和关键数据：
- ROI压力增加： 2024年，GenAI的实验激增，而2025年将是组织开始有意义地评估其初始投资绩效的一年。随着需求的驱动，组织已经表现出对GenAI的巨大兴趣，但许多公司由于缺乏专业知识和部署企业级项目在规模上的技术复杂性而面临挑战。随着相关立法的普及和扩展，组织需要确保AI模型的设计、开发、实施和维护符合相关AI法律以及内部AI政策。随着AI驱动的新无代码应用程序和代理平台的开发，不同的业务角色可能会成为这些技术的目标用户。
- 丰富媒体生成： 许多企业最初专注于基于文本的GenAI应用程序，但现在有明确的愿望将非结构化的丰富媒体数据纳入AI战略。预计对视频生成的兴趣将转化为更多可在生产中使用的功能，包括数据科学团队合成图像以训练机器视觉模型，营销人员大规模交付高度个性化的视频片段，或演讲者使用音频生成和口型同步技术进行多语言网络研讨会。
- AI治理： 随着AI监管的普及和扩展，组织需要确保AI模型的设计、开发、实施和维护符合相关AI法律以及内部AI政策。AI治理工具将从主要由专家提供的服务发展到更广泛的选择，随着企业软件供应商进入该市场以解决这一不断增长的需求。
- 代理AI： 大量实验和早期用例使用LLM最基本的功能，如内容生成、信息总结和学习，通常作为独立系统。然而，供应商和组织正在将LLM集成到更复杂的场景中，利用它们进行推理和自动化。在这些场景中，通过使用复杂的提示，LLM作为“代理”编排层，可以被分配到任务、推理查询并采取行动。
- 代理AI治理： 许多领先的企业平台技术提供商正在推出低代码或无代码选项，供业务部门用户轻松设计和部署AI代理。然而，虽然AI代理和代理架构具有加速业务流程的巨大潜力，但存在潜在的陷阱。随着非技术人员被授权设计和部署这些代理，并且许多平台提供主要为专有的代理堆栈，因此与相关数据、工件和活动的治理需要成为一项主要考虑事项。
- 推理效率： AI工作负载仍然由训练主导——这是一个非常资源密集型的任务，得到了在专用硬件和软件方面的大量投资。然而，随着市场转向大规模生产中的生成式AI、实时应用程序和资源受限的环境，包括边缘，对高效推理的需求正在迅速增加。研究人员和业务团队正在探索模型服务、推理框架和新模块化系统架构中的优化技术，以使他们的客户能够更有效地运行。
- 专业化模型： LLM提供商正在开发新的模型，目标是创建高度性能的通用产品，在各个行业都表现出色。然而，由于这些模型主要在公共领域的数据上训练，因此它们在更有针对性的企业工作流程中的实用性有限。67%的组织使用GenAI技术，正在微调预训练的基础模型，这反映了对提高输出准确性和相关性的迫切需求。
- 合成数据： 合成数据虽然不是新概念，但在组织努力在内部构建和训练AI模型以及用数据集补充现成的LLM以实现检索增强生成（RAG）等目的时，其实用性正在增长。46%的受访者来自构建和部署自己AI模型的组织，表示他们目前使用生成数据（包括合成数据）进行模型训练。
- 非结构化内容： 非结构化内容通常代表企业数据存储量的主体，但由于隐私、敏感性和知识产权问题，在AI模型训练和GenAI使用的情况下经常难以处理。然而，随着企业努力在内部构建自己的AI模型，他们并没有从现有的内容库中获取非结构化数据来训练模型。55%的受访者来自构建和部署自己AI模型的组织，表示他们对存档存储的依赖程度很高。
- GenAIOps： 随着企业GenAI项目从实验转向部署（也称为运营化），确保GenAI应用程序不会带来业务风险至关重要。由于GenAI能够生成新内容，因此GenAI模型带来的挑战与经典ML模型不同，后者由ML运营化（MLOps）解决。24%的组织已经投资于MLOps技术；对于那些还没有这样做的人来说，主要原因是他们的AI使用仍然有限。
- 向量支持： 向量数据库是一种新型数据库，可以存储和处理向量。向量是未结构化数据的数值表示，作为向量数据类型存储，并在数据库中可搜索。专用向量数据库的兴起以及现有数据库供应商添加向量支持的势头非常迅速，这与GenAI采用的快速增长密切相关。86%的受访者来自构建和部署自己AI模型的组织，表示他们依赖向量数据库来获取他们的数据。
- RAG环境： RAG的概念很简单：它由使用外部数据存储（通常是向量支持的数据库，但其他数据库也正在变得普遍）来增强LLM，以生成比直接提示LLM更准确的响应。RAG可能被称为幻觉杀手，尽管在实现这一目标方面还有很长的路要走。重新训练和模型微调可以用来减少虚假响应，但这需要大量的基础设施资源。许多企业没有配备LLM模型构建和管理所需的资源，并且更喜欢利用第三方LLM来满足他们的需求。
研究结论：
2025年，组织将仔细考虑其AI和数据计划的风险回报平衡。虽然近年来快速的技术进步带来了巨大的机遇，但仍然存在许多复杂的挑战。从非结构化数据源中提取价值、管理持续爆炸的多模态数据以及将AI模型运营化到现实世界应用程序中都对IT环境施加了巨大压力。随着AI驱动的新无代码应用程序和代理平台的开发，不同的业务角色可能会成为这些技术的目标用户。技术供应商将需要在整个过程中与他们的客户互动，这可能需要他们重新评估他们在技术堆栈中的位置，并重新考虑他们的目标受众，包括数据分析师、治理专家、工程师、数据科学家和产品经理。
