共计 1319 个字符，预计需要花费 4 分钟才能阅读完成。
供应商们可能会让你相信，我们正处于一场 AI 革命之中，这场革命正在改变我们工作的本质。但根据几项最近的研究，真相远比这复杂得多。
公司对生成式 AI 非常感兴趣，因为供应商们推动了其潜在的好处。然而，将这种愿望从概念验证转化为实际产品却证明是极具挑战性的。他们面临着实施的技术复杂性，无论是由于旧技术栈的技术债务，还是缺乏具备适当技能的人才。
根据 Gartner 最近的一项研究，实施 AI 解决方案的前两大障碍是找到估计和展示价值的方法（占 49%）和人才缺乏（占 42%）。这两个因素可能成为公司的关键障碍。
根据 LucidWorks 的一项研究，这家企业搜索技术公司发现，仅有四分之一的受访者报告成功实施了生成式 AI 项目。
阻碍进展的因素是什么？
Baig 认为，复杂性是减缓公司发展的主要因素，即使是简单的项目也需要 20-30 个技术元素，而正确的 LLM 仅仅是开始。他指出，过时的技术栈也可能阻碍公司。“在我们的调查中，实现生成式 AI 规模化的最大障碍之一实际上是太多的技术平台，”Baig 说。
咨询公司 Thoughtworks 的首席 AI 官 Mike Mason 表示，他的公司花费大量时间帮助企业为 AI 做好准备，而他们的技术设置是关键。“所以问题是，你有多少技术债务，有多少赤字？答案总是：这取决于组织，但我认为组织越来越感受到这种痛苦，”Mason 告诉 TechCrunch。
从良好的数据开始
准备不足的一个重要部分是数据问题，Gartner 调查中有 39% 的受访者表示，缺乏数据是成功实施 AI 的主要障碍之一。“数据对许多组织来说是一个巨大而令人畏惧的挑战，”Baig 说。他建议专注于有限的数据集，并着眼于重复使用。
Mason 表示，能够成功执行 AI 的一个重要部分与数据准备有关，但这仅是其中的一部分。“组织很快意识到，在大多数情况下，他们需要做一些 AI 准备性工作，一些平台建设，数据清洗，所有这些事情，”他说。“但你不必采取全有或全无的方法，你不必在获得任何价值之前花费两年时间。”
当涉及到数据时，公司还必须重视数据的来源——以及他们是否有权使用它。Mathematica 的 CIO Akira Bell 表示，她的公司在将数据用于生成式 AI 时必须谨慎行事。
“我加入了一家致力于成为可信赖数据管理者的公司，作为 CIO，我必须非常扎根于此，从网络安全的角度来看，但也从我们如何处理客户及其数据的角度来看，所以我知道治理的重要性，”她说。
她说，现在很难不对生成式 AI 带来的可能性感到兴奋；这项技术可以为她的组织和他们的客户提供更好的方式来理解他们收集的数据。但这也是她的工作，要谨慎行事，不要阻碍真正的进步。
寻找价值
就像十几年前云计算刚刚兴起时一样，CIO 们自然持谨慎态度。他们看到了生成式 AI 带来的潜力，但也需要照顾到治理和安全等基本问题。他们还需要看到真正的投资回报率，有时这种技术很难衡量。
在一月份的 TechCrunch 文章中，Juniper 的 CIO Sharon Mandell 表示，衡量生成式 AI 投资的回报证明是有挑战性的。“在 2024 年，我们将测试生成式 AI 的炒作，因为如果这些工具能够产生他们所说的那种好处，那么这些工具的投资回报率就很高，可能会帮助我们消除其他事情，”她说。
