信息产业 AI 战略建报(英文版)

核心观点

• AI 成为核心战略优先事项： 运营商普遍将 AI 视为战略优先事项，并增加对 AI 的投资，包括建立 AI 专家团队和构建平台。
• GenAI 受关注： 生成式 AI (GenAI) 受到关注，运营商制定了大量应用场景，但实际投入生产的很少。
• 数据准备是关键挑战： AI 就绪数据面临挑战，包括缺乏统一数据模型、数据质量问题和数据孤岛。
• 技能和文化转变： 运营商需要新技能和文化转变，以支持 AI 部署，包括数据技能、提示工程和 AI 治理。
• 云服务提供商合作： 运营商与云服务提供商合作，利用其 AI 服务和平台，但也存在对成本和数据主权的担忧。
• AI 应用领域： AI 应用主要集中在员工效率、网络运营和营销与客户体验领域，新产品和服务领域应用较少。
• 成本节约和效率提升： AI 有潜力为运营商带来成本节约和效率提升，但需要谨慎评估投资回报。
• 未来趋势： 交互式 AI 和量子计算等技术将影响 AI 的发展，推动电信行业转型。

关键数据

• AI 技能需求： 人工智能/机器学习、数据分析师和技术自动化方面的技能需求很高。
• 数据准备： 不到一半的受访者认为他们在利用结构化数据方面做得很好。
• AI 部署： 大多数 AI 部署是“附加”用例，而非代表整体架构和操作模型的一部分。
• 成本节约潜力： AI 有潜力为全球 CSP 部门节省 350 亿至 1620 亿美元的资本支出/运营支出成本。
• GenAI 影响评估： 麦肯锡估计 GenAI 可以为电信行业创造高达 1000 亿美元的增量价值。

研究结论

• 运营商需要建立 AI 就绪的组织： 这包括建立 AI 治理、数据基础、技能和文化转变。
• 数据是 AI 成功的关键： 运营商需要投资数据基础设施和技能，以准备数据并支持 AI 应用。
• 需要工业化 AI 部署： 运营商需要建立 MLOps 和 FinOps，以实现 AI 的规模化部署。
• GenAI 需要电信专用模型： 运营商需要构建或训练基于电信业务知识的 LLM，以提高准确性。
• AI 需要与业务目标相结合： 运营商需要将 AI 项目与业务目标相匹配，并建立相应的 KPIs。