核心观点与关键数据
- AI 发展与数据治理：2025年，AI 技术发展迅速，企业面临数据治理的挑战，需要更新治理规则以适应 AI 的数据使用方式。部分企业认为现有政策仍适用，而另一些则认为需要新的思考和政策。
- 数据质量与数据孤岛：数据质量是 AI 成功的关键，但企业普遍缺乏投资数据清理的意愿。部分企业通过选择特定数据集、利用 AI 发现数据问题、依赖供应商解决方案等方式，在数据质量完善前开展 AI 项目。
- 人才与技能：AI 人才招聘和培养是主要挑战，需要数据科学家、工程师以及具备数据分析和讲故事能力的复合型人才。企业需要提升员工 AI 相关技能，并建立“负责任的 AI”框架。
- 供应商合作：企业对供应商的依赖程度因组织资源、数据质量和 AI 成熟度而异。部分企业希望供应商提供结构化指导、明确工具选择建议，并深入了解其痛点。
持久性挑战与应对策略
- 优先使用案例：企业面临众多 AI 使用案例，需要通过工作坊、调查、顾问团队等方式进行优先级排序。优先考虑已有可靠数据、能提升核心业务流程、价值回报高的案例。
- 风险 mitigation：AI 带来新的风险，如数据中毒、安全数据碎片化、敏感数据泄露等。企业需要通过风险评估、数据访问控制、限制 RAG 范围、建立透明审计跟踪等策略来降低风险。
- 数据主权：跨国企业面临数据主权挑战，需要遵守不同地区的法律法规。企业通过建立数据层、与供应商合作等方式来确保合规性。
- 管理业务预期：AI 项目周期长，与传统技术实施不同，需要合理设定预期。企业通过试点项目、逐步扩大规模、关注实际回报等方式来管理预期。
AI 使用案例与经验教训
- 生产力、自动化和效率：AI 在内部流程自动化、文档处理、信息检索等方面应用广泛，可提高效率并节省时间。例如，NBME 使用 Microsoft Copilot 和低代码工具提升开发人员效率约 30%。
- 增强客户服务与体验：AI 用于创建智能客服代理，提升客户服务效率和体验。例如，Waterton 使用 AI 代理回答客户咨询，Six Flags 使用 LLM 创建智能代理帮助游客规划行程。
- 特定行业应用：AI 在医疗、制造、零售等行业有广泛应用，例如：RiverSpring Living 开发老年护理聊天机器人，ABB 使用 AI 分析设备健康，Lockton 使用 AI 开发培训工具和欺诈检测。
- AI 代理：一些企业已开始使用 AI 代理自主执行任务，例如 Montclair State 的 Maya 和 Jordan 代理，EōS Fitness 的 Yellow AI 和 agentic solutions。
研究结论
- AI 发展迅速，企业需要积极应对数据治理、人才、风险等挑战，并选择合适的 AI 使用案例。
- 数据质量是 AI 成功的关键，企业需要采取措施提升数据质量，并在数据完善前开展部分 AI 项目。
- AI 人才短缺，企业需要加强人才培养和引进，并提升员工 AI 相关技能。
- AI 代理是 AI 发展的重要方向，能够为企业带来更高的效率和价值。
