人工智能已经超越实验阶段，成为业务运营的核心部分，但部署挑战依然存在。
Zogby Analytics代表Prove AI 开展的研究表明，大多数组织已从 AI 的试水阶段迈向了拥有生产就绪系统的阶段。尽管取得了这些进展，但企业仍在努力应对数据质量、安全性以及模型有效训练等方面的基本挑战。
这些数据令人大开眼界。目前，68% 的组织已在生产环境中部署并运行定制的 AI 解决方案。企业也正积极践行承诺，其中 81% 的企业每年在 AI 项目上至少投入 100 万美元。约有四分之一的企业每年投资超过 1000 万美元，这表明我们已经远远超越了“先做实验”的阶段，进入了认真、长期的 AI 投入阶段。
这种转变也正在重塑领导层结构。86% 的组织已任命专人领导其 AI 工作，通常设有“首席 AI 官”或类似头衔。这些 AI 领导者在制定战略方面的影响力如今几乎与 CEO 不相上下。43.3% 的公司表示 CEO 负责 AI 战略，而 42% 的公司则将这一责任交给 AI 主管。
然而，人工智能的部署之路并非一帆风顺。超过一半的企业领导者承认，训练和微调人工智能模型的难度远超预期。数据问题层出不穷，引发了质量、可用性、版权和模型验证等方面的诸多问题，严重影响了这些人工智能系统的有效性。近70%的组织报告称，至少有一个人工智能项目进度落后，而数据问题是主要原因。
随着企业对人工智能的接受度越来越高，他们正在寻找新的应用方式。虽然聊天机器人和虚拟助手仍然很受欢迎（采用率达 55%），但更多技术应用正在逐渐普及。
软件开发目前以54%的比例位居榜首，用于预测和欺诈检测的预测分析则以52%的比例位居榜首。这表明，企业正在从华而不实的面向客户的应用程序转向利用人工智能来改善核心运营。营销应用程序曾经是许多人工智能部署计划的门户，但如今却越来越不受关注。
就人工智能模型本身而言，人们高度重视生成式人工智能，57% 的组织将其列为优先事项。然而，许多组织正在采取一种平衡的方法，将这些较新的模型与传统的机器学习技术相结合。
谷歌的Gemini和 OpenAI 的GPT-4是目前应用最广泛的大型语言模型，不过DeepSeek、Claude和Llama也表现不俗。大多数公司使用两到三种不同的 LLM，这表明多模型方法正在成为标准做法。
或许最有趣的是企业运行AI部署地点的转变。虽然近九成的企业至少部分AI基础设施使用云服务，但将业务迁移回内部的趋势日益明显。
三分之二的企业领导者现在认为非云部署能够提供更高的安全性和效率。因此，67% 的企业领导者计划将其 AI 训练数据迁移到本地或混合环境，以增强对其数字资产的控制力。83% 的受访者表示，数据主权是部署 AI 系统时的首要考虑因素。
企业领导者似乎对自己的AI 治理能力充满信心，约 90% 的企业领导者表示，他们能够有效地管理 AI 政策，设置必要的防护措施，并追踪数据沿袭。然而，这种信心与导致项目延迟的实际挑战形成了鲜明对比。
数据标记、模型训练和验证方面的问题仍然是阻碍。这表明，高管对其治理框架的信心与日常数据管理的现实情况之间存在潜在差距。人才短缺以及与现有系统的集成困难也经常被认为是造成延误的原因。
人工智能实验的时代已经过去，它如今已成为企业运营的基本组成部分。各大企业正在大力投资，重塑领导架构，并探索在运营中部署人工智能的新途径。
然而，随着雄心壮志的增长，将这些计划付诸实施的挑战也日益严峻。从试点到投产的历程暴露了数据就绪和基础设施方面的根本问题。由此产生的向本地部署和混合解决方案的转变表明，企业已达到新的成熟度水平，并且企业优先考虑控制、安全和治理。
随着人工智能部署的加速，确保透明度、可追溯性和信任度不仅是一个目标，更是成功的必要条件。信心固然重要，但谨慎亦然。
