k8凯发官网在生成式AI模型不断迭代的当下,人工智能对经济与社会的影响日益凸显。咨询公司普华永道预测,到2030年AI有望为全球GDP贡献14%,规模达15.7万亿美元;牛津大学研究则指出,未来十年内40%的日常工作或可实现自动化。然而,与这些乐观预测形成对比的是,企业AI落地进程仍面临诸多阻碍。2024年数据显示,仅5.4%的美国企业将AI应用于产品或服务生产,多数企业仍停留在小规模试点阶段。
MIT Technology Review Insights联合Boomi发布的《人工智能战略践行手册》,基于对全球205位企业高管(涵盖11个行业,88%来自C级管理层,企业年营收均超5亿美元)的调研,揭示了企业AI从试点走向全面落地的核心路径与关键问题。
调研显示,95%的受访企业已启动AI应用,99%计划未来布局,但76%的企业仅在1-3个场景中部署AI,真正实现全业务覆盖的寥寥无几。不过,半数企业期望两年内将AI推广至所有业务板块,2024年因此成为搭建企业级AI基础架构的关键节点。
从行业实践来看,企业对AI场景的选择正从通用型向定制化倾斜。尽管客服聊天机器人、代码生成等通用场景仍被广泛应用,但更多企业开始聚焦行业专属需求,例如医疗领域的医患对话智能记录、建筑行业的石膏板施工优化等。大型企业在这一趋势上表现尤为明显,年营收超100亿美元的企业中,77%在开发企业专属AI场景,远超行业平均水平。这种差异化选择源于不同行业在数据格式、监管要求上的独特性,量身定制的AI方案往往能带来突破性价值。
数据是AI落地的核心瓶颈。50%的受访者将数据质量列为最主要的制约因素,大型企业问题更为突出——年营收超100亿美元的企业中,52%提及数据质量问题,55%认为数据基础设施存在短板,均高于行业平均。此外,46%的企业表示手动化、非数字化的数据处理流程限制了AI潜力的发挥,90%的企业内容管理系统中存在大量难以整合的非结构化数据,这些都成为AI规模化应用的拦路虎。
AI的高成本让不少企业望而却步。训练OpenAI的GPT-4模型耗费7800万美元计算资源,谷歌Gemini Ultra的计算成本更是高达1.91亿美元。硬件方面,图形处理器(GPU)作为AI运行的核心设备,不仅价格高昂、供应紧张,且使用寿命有限,需持续投入资金更新。除了显性的技术成本,企业还需承担数据管理、合规维护、能源消耗等隐性支出,以及AI人才招聘或现有员工技能培训的费用。
不同规模企业的成本压力差异显著。年营收5亿-10亿美元的中型企业受预算限制最为明显,47%将其列为AI部署速度放缓的主因,远高于22%的行业平均水平。这类企业陷入“两难”境地:既需通过AI保持竞争力,又难以承担高额投入。相比之下,大型企业更有能力加大AI投入,2022-2023年,年营收超100亿美元的企业中,42%在数据相关领域的投入增幅达10%-24%,而中型企业的投入增长普遍停滞。
不过,2024年企业AI投入意愿显著提升。90%的受访者计划增加AI相关支出,40%预计增幅为10%-24%,1/3企业计划提高25%-49%。投入方向不仅包括数据平台升级、云迁移等技术层面,还涵盖AI战略制定、企业文化变革等组织层面,显示企业对AI的认知正从“技术尝试”转向“战略布局”。
合作成为降低AI门槛的重要途径。由于自建大型语言模型(LLM)成本高、价值周期短,多数企业选择“借力”发展:或基于现有开源模型开发工具,或采购OpenAI等机构的专有模型并按需优化,或使用微软、Adobe等科技巨头嵌入AI功能的软件平台。例如,金融服务企业通过Charli AI的专用工具,30分钟即可完成分析师80小时的SEC文件数据分析工作,大幅提升效率。
选择合作伙伴时,数据安全是企业首要考量。不少企业限制员工使用通用AI工具,担忧数据被留存或滥用。因此,具备数据保护能力、提供持续技术支持且能及时修复漏洞的专业AI服务商更受青睐。部分企业还构建“多AI”合作体系,整合不同服务商的优势,以满足多样化业务需求。
在追求AI效率的同时,企业对风险的警惕性不断提高。45%的受访者将治理、安全与隐私问题列为AI部署速度的最大阻碍,大型企业尤为谨慎,65%的年营收超100亿美元企业将其视为关键挑战。这种谨慎并非过度保守——98%的企业表示,为确保AI安全可靠,愿意放弃“先行者优势”,这一比例在各规模企业中均保持高位。
生成式AI带来的新型风险不容忽视。AI“幻觉”(生成虚假信息)可能引发法律纠纷,加拿大航空公司就因AI聊天机器人提供误导性信息被判承担赔偿责任;算法偏见则可能加剧社会不公,例如金融领域的AI信贷评估若基于有偏差的数据,会进一步放大信贷歧视。网络安全方面,“提示注入攻击”和“数据投毒”等新型威胁层出不穷,2023年2月就有斯坦福大学学生通过“提示注入”手段,获取了必应聊天机器人的敏感信息。
数据隐私保护成为高风险行业的重中之重。金融服务企业对安全合规的需求最为迫切,58%的金融行业受访者将治理、安全与隐私列为AI adoption的制约因素,高于45%的行业平均。为应对风险,部分企业开始用AI强化自身安全防护,通过AI工具实现漏洞扫描、威胁检测等自动化安全管理,以应对“机器级”的网络攻击。
全球AI监管框架的完善也对企业提出更高要求。2016年全球仅1个国家通过AI相关法案,到2022年这一数字增至37个。欧盟《人工智能法案》采用“风险分级”监管模式,对基础设施、就业、执法等高风险领域AI应用提出严格的数据质量、透明度和人工监督要求;美国则通过总统行政令,要求大型AI系统开发商向政府提交安全测试结果,并成立AI安全与安全委员会。这些监管措施虽有助于规范行业发展,但也增加了企业合规成本——企业往往需要数年时间才能完全理解并满足新法规的要求。
从调研结果来看,企业AI从试点走向全面落地,需把握四大核心原则:其一,夯实数据基础,优先解决数据质量、流动性和基础设施问题,这是AI发挥价值的前提;其二,聚焦业务价值,避免盲目追求技术热点,开发能创造独特竞争优势的AI场景;其三,平衡成本与收益,建立科学的ROI评估体系,既要关注自动化带来的成本节约,也要重视AI驱动的 revenue增长机会;其四,坚守安全底线,在合规框架下推进AI应用,通过技术手段和治理机制防范风险。
正如Boomi首席技术官Matt McLarty所言:“阻碍AI落地的最大因素,是人们不知道从何入手。事实上,无需成为生成式AI的开发专家,也能从中获取价值。”随着技术成本下降、合作生态成熟以及监管体系完善,企业AI落地的道路将逐渐清晰,那些能将AI战略与业务需求深度融合的企业,终将在新一轮技术变革中占据先机。