非结构数据和 GenAI 洞考察

基准报告 Unstructured Data 未开发的见解 ：& GenAI 基准报告 Introduction 在这个数据驱动的决策时代 ， 有一个丰富的洞察力来源仍未开发 - 非结构化数据。不断增长的知识库 ，文档存储库和在线内容包含所有答案员工需要做他们的工作或做出决定 ， 但人们不需要知道那里有什么或在哪里寻找它。而传统搜索在很大程度上失败了 ， 生成 AI 提供了全新的企业潜力。 2024 年 4 月 ， 我们委托进行了一项调查与 ETR 更好地了解 200董事及以上 (几乎一半的高管)看到非结构化的潜在价值数据及其优先事项或关注点围绕使用 GenAI 来分析它。从计划投资的当前使用量 * ，针对业务目标的工具功能 ， 这是最新的领导者在想什么时候涉及非结构化数据和 GenAI 。 * 超过三分之二的所有被调查的规划一个投资于未来 6 - 12 个月对于一个 GenAI 工具分析非结构化数据。 深入我们的发现 基准报告 受访者简介 200 受访者董事及以上来自所有公司尺寸 Regions 服务 / 咨询财务 / 保险IT / 电信医疗保健 / 制药Education工业 / 材料 / 制造Other零售 / 消费非营利组织能源公用事业 基准报告 他们今天在哪里 外卖 非结构化数据是异质在大多数 组织 ， 跨许多格式和位置。三分之一的受访者看到了显著的增长过去的一年。这是一个加速的指标公司面临的挑战利用非结构化数据- 不只是移动和结合起来。 基准报告 他们今天在哪里 用于见解 价值实现 他们几乎没有开始实现的价值非结构化数据 他们的组织很好具备从非结构化数据 never use unstructured data 他们的大多数人获得见解 有点同意强烈同意有点不同意既不同意也不同意强烈反对 有点同意强烈同意有点不同意既不同意也不同意强烈反对 有点同意强烈同意有点不同意既不同意也不同意强烈反对 16% 外卖 今天 ， 大多数人同意他们的员工不使用非结构化数据来获取见解并具有勉强刮擦了表面才能得出价值。只有 16% 的人投资于一种工具帮助解决这个问题。 Current 投资水平 已购买工具旨在提供来自非结构化数据 基准报告 他们看到的潜力 预测的四大影响 62%提高运营效率和自动化 通过个性化见解改善客户体验 控制和降低运营成本 来自非结构化数据的最有价值的见解 预期财务收益 外卖 近一半的人认为有可能进行更好的搜索和与内部文档聊天。大约三分之二预见从非结构化中提取见解数据将帮助他们提高运营效率和自动化。他们期待财务收益还有 ： 近一半的人估计他们的收益为 10 - 20%顶部或底部。 基准报告 他们面临的挑战 管理非结构化数据的三大挑战 工具可用性和有效性 Barriers toFunding for新工具 19%缺乏 AI 和非结构化数据经验 他们的组织很好具备从非结构化数据 他们几乎没有开始实现的价值非结构化数据 有点同意强烈同意既不同意也不同意有点不同意强烈反对 有点同意强烈同意既不同意也不同意有点不同意强烈反对 20%quantifying value 困难由 LOB 外卖 最大的挑战是识别正确的信息并从中提取正确的答案 ， 同时确保它是准确和可信的。超过三分之二的受访者报告说 ， 传统工具在从非结构化数据中获得见解。但是 ， 为新工具筹集资金受到了他们的能力的挑战量化价值 ， 加上缺乏经验。 基准报告 他们在计划什么 探索分析非结构化数据的生成式 AI 计划投资 评估时的优先事项 外卖 绝大多数人都认识到利用 GenAI 分析非结构化数据 ，许多人已经开始探索。超过两个三分之一计划在接下来的 6 - 12 年投资一种工具几个月 ， 他们会优先考虑能力与现有系统集成 ， 成本效率和治理。 基准报告 他们和 GenAI 在哪里 AI 战略 所有受访者 37% 53%目前是发展一个 目标用例 48%代码编写和开发 外卖 对于被调查为全球最大 2, 000 家组织之一的组织 ， 超过三分之一的组织拥有正式的 AI 战略（ 与去年的调查结果一致) ， 大约四分之一的受访者这样做。数据分析仍然是最常见的用例 ， 即使我们今年进一步深入研究了结构化与非结构化的用例。 请参阅 2023 年创成式 AI 基准报告 基准报告 他们和 GenAI 在哪里 GenAI 模型方法 AI 投资水平 公共模型 63% 使用专有数据重新定义公共 / 开源 59% 使用专有数据从头开始构建 用于评估 AI 项目价值的 ROI 框架 33%这是具有挑战性的量化投资回报率 ， 但我们认识到战略重要性这些项目。 24%我们目前不评估 ROI专门用于 AI项目。 13%我们有一个井 -定义框架用于测量 ROI和商业价值。 28%我们评估 ROI 和大小写上的值 -没有案例基础标准化框架。 外卖 超过一半的人认为他们的 AI 技术投资水平是适度的 ， 超过三分之一的人承认将 ROI 量化为评估 AI 项目的价值是具有挑战性的。我们在上一次针对 GenAI 考虑的方法提出了同样的问题年。毫不奇怪 ， 全球 2000 年组织对利用公共模型更加谨慎 ， 对于所有受访者来说 ，使用专有数据进行改进是要走的路。今年 ， 从头开始构建的选择不太受欢迎。 基准报告 GenAI 分析非结构化数据 探索分析非结构化数据的生成式 AI 计划的开始时间 没有计划的原因 外卖 我们没有必要的专业知识。 超过一半的人有兴趣利用 GenAI非结构化数据 ； 超过三分之一的数据已经开始explore. For those interested, half are planning to在接下来的 6 - 12 个月内开始。对于那些已经在旅途中 ， 有一个甚至分裂在早期阶段和飞行员之间 - 只有 10% 在更成熟的阶段。对于那些没有计划的人 ， 缺乏技能和工具是主要障碍。 我们还没有看到任何有价值的 GenAI 工具。 基准报告 GenAI 分析非结构化数据 探索分析非结构化数据的生成式 AI 外卖 对于那些有兴趣或已经开始探索的人来说 ， 一半的人计划拥有适度的 AIbudget (10 - 25%) 可以解决非结构化数据挑战。优先考虑的是客户支持以及 IT / 安全。 基准报告 GenAI 管理非结构化数据 外卖 当公司开始旅程时 ， 最大的担忧并不令人惊讶 - 数据隐私和安全在顶部 ， 迅速其次是缺乏专业知识和法规遵从性。在治理方面 ， 所有优先事项都提供了被列为重要的 ， 特别是确保与答案一致的能力 ， 并确保人们只查看他们有权获得的信息。