2024 年发掘生成式人工智能转型的价值 ： 解锁组组织内 Gen 变 AI 变革成果的突起报

在整个组织中查找和解锁变革性生成 AI 结果的指南 3执行摘要4关键发现 5GenAI 的预期潜力与当前提供的价值之间存在显着差距 7大多数 GenAI 策略仍然建立在摇摇欲坠的基础上 13组织需要利用合作伙伴来填补其 GenAI 技术技能和知识的空白 15从那些在整个组织中成功释放价值的人那里获得的教训 28Appendix 项目组: 本 · 安德森， 需求生成顾问 贡献研究 ：Forrester 的技术架构与交付研究小组 关于福雷斯特咨询 Forrester 提供独立和客观的研究型咨询帮助领导者实现关键成果。由我们的顾客痴迷研究, Forrester 的资深咨询顾问与领导者合作，利用独特的参与模式执行他们的具体优先事项，以确保持久的影响。如需更多信息，请访问forrester. com / consulting. 商业世界在生成式人工智能（genAI）转型中正达到一个关键点，实践已经落实到了实处。尽管genAI决策者们一直在努力实施和执行其组织的采用策略，对genAI使用潜力的期望值仍在不断上升。对于这些采用策略的成功与否，时间已所剩无几，相关的人力、技术及基础设施投资的有效性将根据组织整体所能实现的战略利益——或未能实现的利益——来评判。 在2024年初，作为全球IT咨询和数字服务提供商的SoftServe委托ForresterConsulting评估当前生成式人工智能（genAI）采用策略的有效性。为了探索这一主题，Forrester对来自全球超过750名拥有组织技术采购策略决策权的genAI决策者进行了在线调查。 我们发现，生成式人工智能（genAI）并未像许多领导者预期的那样，在组织中带来预期的价值。虽然大多数企业已经在技术和基础设施方面打下了基础，但很少有企业具备足够的数据准备度、治理能力和技术技能来在此基础上构建具体的应用场景。许多企业意识到，他们需要寻找更为复杂的合作伙伴来弥补这些执行上的差距。那些在企业内部成功解锁genAI价值的企业，通过提升自身的知识和能力，并借助具有深厚技术和行业专长的合作伙伴的支持，成功地填补了这些差距。它们看到了一种竞争优势，即能够比竞争对手更快地实现战略业务收益。 关键发现 genAI 的预期潜力与其当前提供的价值之间存在显着差距。超过一半的受访者认为生成式人工智能（genAI）是转型运营模式的战略业务资产；超过80%的人预计其重要性将在未来一年内增加。然而，仅有22%的人表示他们今天正在其组织内部全面释放genAI的价值。 大多数受访者已经具备了生成式人工智能技术及基础设施，但在数据、治理和技能发展方面仍面临挑战。仅42%的人表示可以训练生成型人工智能模型，而89%的人在准备业务数据方面遇到困难。仅有24%的企业出台了治理政策，超过75%的企业在生成型人工智能的理解、软技能和意愿、硬技能和培训、伦理、风险和隐私意识等方面面临挑战。 合作伙伴可以帮助填补 genAI 知识和能力空白。更深的技术专长对于数据集成、模型优化、用例开发和进一步的应用开发而言越来越重要，根据88%的受访者表示。绝大多数人也希望合作伙伴具备更强的技术能力以及更深入的行业特定用例理解。 在整个业务中解锁 genAI 价值是一种竞争优势。受访者们看到了在创新、运营效率、研发、客户参与以及软件开发方面更快的收益。他们通过提升自身的生成式人工智能知识和能力，并借助拥有更多技术及行业专长的合作伙伴来缩小执行差距。 GenAI 的预期潜力与当前提供的价值之间存在显着差距 无疑，生成型人工智能（genAI）将从根本上变革当今的企业。然而，从实施到实现转型价值的成功执行策略要更容易说而不易做。在对超过750名决策者进行调研后，我们发现： 业务目标越来越多地包括 genAI ， 以战略性地转变运营模式。超过一半的受访者表示，其公司已经制定了利用生成式人工智能（genAI）来改进研发（R&D）、软件开发、客户参与、运营效率以及整体业务策略的商业目标。超过八成的受访者认为，在未来12到18个月内，依赖genAI实现这些目标的重要性将变得更加重要。 Just 22%受访者的组织正在释放企业范围内的 genAI 价值。 目前 ， 不到四分之一的受访者正在释放 genAI 在整个企业的价值。尽管到目前为止信息技术/软件开发、研发和运营领域实现了最大的价值增长，仅有22%的受访者表示其组织目前在所有业务功能中实现了显著或适度的生成式AI商业价值。 • 领导者已经没有时间和耐心来纠正这艘船。41%的受访者表示，其组织预计在未来两年内从当前的生成式AI（genAI）项目中获得最大价值；36%的人认为其组织目前正从中获得最大的价值；20%的人表示已经从中获得了最大的价值；仅有2%的人认为其组织将在两年后才从中获得最大价值。 组织继续增加用例 ， 尽管努力释放价值。尽管许多受访者对新增生成式AI应用场景持乐观态度，但他们仍然难以确定哪些应用能为整个组织带来最直接、最具影响力的价值。平均而言，受访者已经完全实现了三项用例；他们正在努力扩大另外两项用例的应用范围；并且表示计划在短期内试点一项新的用例（详见图1）。当前最常见的用例包括智能员工支持、增强客户互动、开发人员辅助支持、自动化洞察发现以及智能企业搜索。 大多数 GenAI 策略仍然建立在摇摇欲坠的基础上 随着组织努力迅速缩小其genAI项目预期价值与实际价值之间的差距，他们必须在稳固的技术和基础设施基础上，通过弥补数据专家水平、genAI知识和能力以及治理方面的差距来实现这一目标。我们发现： 几乎所有受访者都建立了类似的 genAI 技术和基础设施基础。大约95%的受访者表示，其组织正在使用商业基础模型来应用生成式AI（genAI）场景。至于用于托管和训练生成式AI模型的基础设施，88%的受访者表示其组织正在使用云供应商（参见图2）。 • 不到一半的受访者可以训练他们的 genAI 模型企业数据。总体而言 ， 92% 的受访者表示他们使用企业数据 ， 以使模型行为与业务目标保持一致。但是 ，只有 42 ％ 的人表示他们根据组织自己的数据训练了模型（ 例如 ， 检索增强生成) 。更常见的是 ， 有 50 ％ 的人表示他们微调或将企业数据添加到其模型中(参见图 3) 。 我的组织还没有能力整合企业数据。 无法利用全方位的企业数据使得 genAI 策略无效。连接基础模型与业务数据的能力，在许多组织已有相似的基础模型和基础设施的情况下，对于加速增长并创造竞争优势而言至关重要。1然而，本研究中的89%的受访者表示，他们的组织需要帮助整合和简化企业数据，以便在生成式AI模型中使用这些数据。我们的受访者平均能够利用三种类型的数据，最常见的数据类型是运营数据、客户数据和员工数据。准备广泛的企业数据以微调或训练模型更具挑战性：只有3%的受访者报告说，他们的组织的模型可以利用包括运营数据、客户数据、员工数据、源代码、公共数据和合作伙伴数据在内的全范围数据。此外，只有25%的受访者表示他们能够利用四种或更多类型的数据（见图4）。 当今 GenAI 模型中使用的企业数据类型 不到四分之一的人制定了治理计划。为了负责任且有益地实施和使用生成式人工智能（genAI），组织必须制定治理计划以确保拥有适当的基础设施、技术能力以及采用和变革管理实践。福雷斯特公司将genAI治理定义为业务领导者采取的实践，这些实践旨在融入目的、文化、行动和评估，以确保人工智能能够交付预期的商业成果，得到负责任的使用，并符合适用的法规。2尽管90%的受访者认识到治理计划的重要性，但只有24%的人正式推出了相关计划——这意味着大多数受访者正在将其组织暴露于较大的风险之中（见图5）。 组织在具有雇员准备性的情况下进行 GENERATIVE AI 生成式AI的知识和能力可以帮助领导者区分其技术与基础设施基础，并最终区隔其生成式AI解决方案。数据和分析领域的领导者表示，在利用AI技术时，他们最关切的是组织在开发AI解决方案方面的技能不足，这甚至比技术成熟度、技术变化的速度以及数据质量更为重要。3 我们询问了受访者关于他们在Forrester提出的四项员工和领导者准备能力方面面临的挑战，这四项能力是组织成功运用生成式AI（genAI）所必需的：理解能力；硬技能和培训；软技能和倾向；以及伦理、风险和隐私意识。4我们的受访者在每个竞争力方面都面临重大挑战，从部署原型到生产过程中均是如此： • Understanding.大约80%的决策者表示，他们的员工对某些当前和未来应用场景缺乏了解，并且由于genAI的复杂性而难以理解。 • 艰苦的技能和训练。超过三分之三的受访者面临技术技能短缺的问题，包括解决方案/数据架构师、数据科学家和工程师。他们还缺乏生成式人工智能（genAI）方面的专业知识资源，构建和微调模型的能力，生产规模模型优化的能力，改进数据基础设施（包括数据可用性和质量）的能力，以及在其自身数据上训练AI模型的能力。 • 软技能和倾向。至少四分之三的受访者表示他们面临员工和组织对生成式人工智能（genAI）的准备挑战、展示可量化的商业价值的能力、价值流映射、获得高层管理者的支持以及确保所需的预算。 道德、风险和隐私意识。超过三分之四的受访者表示，其组织在治理和风险管理、数据隐私与安全以及无效的安全监控和修复方面存在困难。 给定这些知识和能力缺口，组织利用生成性人工智能（genAI）作为战略工具以转型其运营模式的能力面临风险：超过79%的受访者对其组织在当前内部或外部专业知识水平下执行genAI目标的能力表示担忧或非常担忧。 未能解决这些生成式人工智能（genAI）专业知识差距将产生重大的隐私、安全和财务影响。最显著的影响包括隐私和数据罚款、短期内无法实现价值、长期也无法实现价值，以及由于使用未经批准的genAI模型而带来的安全风险（见图6）。 组织需要利用合作伙伴来填补其 GenAI 技术技能和知识的空白 组织支持生成性人工智能（genAI）采用所需的硬件、软件和基础设施提供商生态系统需要先进的协调能力。我们的受访者意识到，他们将需要依赖外部合作伙伴的专有知识和能力，以解决组织在实施和执行过程中遇到的许多挑战。他们告诉我们： • 深厚的技术专长对于实施和执行成功至关重要。百分之八十八的受访者表示，更深入的技术专长对于数据集成、模型优化、用例开发以及进一步的应用开发变得越来越重要。四分之三的受访者认为，目前的合作伙伴可以在这些实施和执行能力方面提供更多的帮助。 合作伙伴必须提供行业和 genAI 专业知识 ， 以加快实施和执行。约90%的受访者认为其组织需要具备更强技术能力的合作伙伴；89%的人表示需要合作伙伴帮助他们加速新应用场景的部署；88%的人表示需要了解其组织市场和特定应用场景的合作伙伴（见图7）。 • 服务提供商在为 genAI 编排硬件、软件和基础设施方面脱颖而出。受访者最有可能表示，服务提供商帮助他们克服了原型制作、构建/调整生成式AI模型以及将生成式AI集成到应用中的挑战。他们最有可能依赖服务提供商在提高高层管理支持和展示可量化商业价值方面提供支持。 从那些在整个组织中成功释放价值的人那里获得的教训 为了理解成功克服生成式AI（genAI）价值实现挑战的组织所采用的策略、带来的益处以及具有的特点，我们创建了一个模型来对比那些表示已在组织内部成功解锁价值的调查受访者与那些仍在努力实现这一目标的受访者。 为了本研究的目的，我们将成功在其组织内解锁生成式AI（genAI）价值的人称为“价值收割者”；他们在我们询问的11个部门中看到了中等或显著的价值，涉及10个或11个部门。而“价值寻求者”则是仍在努力在其组织内解锁价值的人；他们在我们询问的11个部门中看到了中等或显著的价值，范围从零到六个部门（见图8）。 价值捕获者更加专注于发展其知识和能力，并利用技术合作伙伴以实现成功的生成式AI实施。 我们发现价值收割者更有可能 ：