核心观点与关键数据
- AI 应用现状与趋势：95% 的公司目前使用 AI，99% 的公司计划未来使用 AI，但只有 76% 的公司已在 1-3 个用例中部署 AI。预计到 2024 年，50% 的公司将全面部署 AI。
- AI 应用障碍：企业在从试点项目转向企业级 AI 部署时面临主要障碍，包括基础设施、数据治理和供应商生态系统方面的转型。此外，企业还必须权衡 AI 性能发展方面的不确定性以及如何衡量投资回报率。
- AI 准备支出：2022 年和 2023 年，大多数公司的 AI 支出保持平稳或略有增长，但预计 2024 年将显著增加，90% 的受访者预计将增加 AI 支出，其中 40% 的公司预计支出将增加 10-24%，三分之一的公司预计支出将增加 25-49%。
- 数据流动性：数据流动性是 AI 部署最重要的属性之一，它使企业能够无缝访问、组合和分析来自不同来源的数据，从而有效地将其应用于特定的业务场景。
- 数据质量：数据质量是 AI 部署的主要限制因素，一半的受访者将其列为最限制性的数据问题。
- 治理、安全与隐私：45% 的受访者认为治理、安全与隐私是 AI 部署速度的主要障碍，65% 的收入超过 100 亿美元的公司也持相同观点。
- 行业定制化：由于不同的数据格式、监管要求和用途，行业定制化的 AI 方法更具优势。
- 成本考虑：AI 的成本包括硬件（尤其是 GPU）、软件、服务、人力成本以及合规和维护成本。
- ROI 衡量：企业需要开发稳健的投资回报率 (ROI) 方法，不仅要考虑自动化“常规业务”任务的效率提升，还要考虑 AI 可以创造的新价值。
- 数据管理：数据管理技巧包括跟踪和管理数据谱系、优化跨组织沟通、优先考虑数据上下文化、识别核心能力并应对遗留基础设施。
- AI 风险：AI 的风险包括产生不准确信息或“幻觉”、法律风险（如剽窃、版权侵权和错误责任）、隐私和数据所有权挑战以及系统性偏见。
- 监管环境：全球范围内 AI 相关法规正在制定中，旨在建立安全措施和治理框架，监督 AI 活动，控制风险，并提供公平的竞争环境。
研究结论
- 2024 年是建立 AI 基础设施的关键时期，企业正在加大在数据质量、数据流动性和 IT 基础设施方面的投资。
- AI 的采用速度受到对 AI 风险的现实评估的调节，企业愿意放慢 AI 的使用，以确保其安全性和可靠性。
- 驱动 AI 应用的最高杠杆用例是为企业创造有针对性的、特定于业务的成果。
- 最大的因素是人们不知道从哪里开始，人们需要了解他们不必是生成式 AI 的专家才能从生成式 AI 中获得价值。
