共计 1113 个字符，预计需要花费 3 分钟才能阅读完成。
人工智能（AI）在个人助手、机器人和移动设备等小规模应用中表现出色。然而，对于大型企业项目，结果仍未可知。高管和专业人士可能正在意识到，他们对 AI 的期望可能比计划中更为复杂。AI 技术成本高昂，企业尚未做好准备，投资回报率（ROI）仍是一个巨大的问号。
这是 David Linthicum 发出的警告，他是一位备受尊敬的分析师，曾撰写过关于企业集成、云计算等领域的书籍。但现在他对 AI 项目的成功并不乐观——至少目前如此。他认为，企业 AI 购买的“低迷”即将到来，因为公司意识到现实并未达到炒作的水平，从而陷入失望的低谷。然而，一两年后，将出现与业务更紧密结合的坚实 AI 用例和实施。
Linthicum 解释了企业对 AI 感到失望的四个原因：
- 遭遇“数据墙”： 企业面临的主要问题是“并非因为生成式 AI 技术不佳，而是因为他们的数据质量差”，他解释道。挑战在于“对此没有简单的解决办法，企业必须停止当前的工作，回过头来修复数据。对于许多组织来说，这个问题在过去 20 或 30 年中一直未得到解决。这是一个巨大的成本和风险，有人必须在董事会上告诉他们，我们将花费 3000 万美元来修复数据，然后才能进入生成式 AI 领域。这些是难以进行的对话。”
- 财务冲击： 构建、实施和维持 AI 所需的资源比之前的科技浪潮（如云计算或移动技术）更多。“这些项目非常昂贵，”他说。“它们至少是传统环境的两到三倍成本，需要专用处理器如 GPU，需要大量资源，需要许多基于生态系统的组件，还需要训练数据，包括数据调优、模型训练、模型调优等所有与 AI 相关的内容。”
- 缺乏战略方向：“企业需要更好地进行规划，”Linthicum 表示。“在开展生成式 AI 项目之前不了解数据的状态，这不是正确的方法。需要从战略上考虑如何使数据与新技术的应用相匹配。”
- 技能不足： AI 成功需要经过良好培训的人员——“我说的不是围绕学习一个云提供商的 AI 平台进行的认证培训，”Linthicum 说。“我说的是理解架构、数据科学、AI 伦理、模型调优、性能基准测试和合成数据。这与传统的软件开发有很大不同。”
Linthicum 详细指出，支持 AI 所需的努力没有历史技术可比，“这将更加复杂，更加昂贵。”
这需要“清理和管理他们的数据，获取所需的技能，进行战略规划，绘制用例，并映射到 ROI。”然后，“企业将达到一个状态，将 AI 作为业务战略差异化因素。他们能够做一些竞争对手无法做到的事情——提供更好的客户体验、更高的生产力、更低的价格和更好的效率。”
总之，尽管 AI 在某些领域表现出色，但企业在实施大规模 AI 项目时仍面临诸多挑战。通过解决数据质量、财务投入、战略规划和技能培训等问题，企业可以更好地利用 AI 技术，实现更高的投资回报率。
正文完
