Discovering the Potential of AI in Businesses Report

寻找您的位置在人工智能驱动的未来 释放您企业中人工智能的潜力 由主题专家和GLG网络成员提供 执行摘要1关于这项研究2调查洞察……………………4 结论16 执行摘要 随着市场对生成式AI的关注持续增加，商业和IT领导者面临着压力，必须确定这种可能变革性的技术能否提高其公司的效率和生产力。然而，这些领导者缺乏他们做出决定所需的关键信息，即如何以及以何速度采用生成式AI以及一般AI技术。这项针对高级AI决策者和影响者的调查揭示，生成式AI的采用可能受到对所需投资、成本以及从技术中获得价值所需的技能的不确定性所抑制，同时也受到在不同行业背景下对AI可以和应该成为什么的根本性混淆。 “调查结果显示，这些领导者渴望听取在实现生成式AI方面拥有实际经验行业专家和同行的意见，并希望从早期采用者的经验中寻找与其使用案例和行业相关的有意义案例研究。通过这些经验，这些领导者可以获得他们需要以信心部署这项技术到内部和面向客户的应用中的清晰度。”通过学习 领导者们正在询问他们如何确保与同行和供应商在生成式AI方面使用共同的语言，如何确定该技术的最相关用例，以及他们是否正在采取正确的步骤以确保成功的部署并降低风险。 关于这项研究 GLG 通过其约100万专家的网络，为决策者提供领先所需的洞察力，通过我们的网络提供有意义的连接，这是世界上最大且最多样化的第一手专业知识来源。2024年6-7月，GLG 对美国和加拿大201位具有决策权或对其公司AI投资具有重大影响力的高级领导者进行了在线调查。 该研究揭示，大多数受访者的： •••对生成式人工智能充满热情，并期待发现许多新的应用场景。技术相信他们所在行业对生成式AI的定义缺乏共识，其使用及其价值主张无法确定在哪里获取有关生成式AI关键方面的建议。实施，例如所需的成本和投资，这些可能抑制他们采用这项技术的速度 • 在规划生成式AI投资时，大多数人更倾向于信任具有实际经验的行业专家和同行给出的建议，而非供应商的建议。 下表显示了受访者的资历水平、他们的角色以及他们公司按年度收入和行业的分布情况。 调查洞察 对人工智能的高度热情 尽管调查中许多领域存在模糊不清的情况，但受访者普遍乐观地认为人工智能技术可以满足关键的商业需求，其中84%的人表示相信人工智能可以帮助提高效率，72%的人表示它将创造新的商业机会。这表明，如果解决了关键信息差距，人工智能技术的采用率可能会更高。 人工智能观点 总受访人数中占百分比率 73%参与调查的受访者将信息快速摘要视为其工作职能中的关键要求之一。 关键职位要求可能从人工智能中受益。 人工智能技术周围的高热情可能部分原因是商业和IT领导者认为AI技术是解决他们一些关键工作需求的最优方案。调查受访者被要求考虑一份常见的商业活动列表，并确定这些活动是否构成他们工作的重要组成部分。其中一些任务被引用得非常 通常被受访者视为其关键工作要求的一部分，例如快速总结信息（73%），生成想法（65%），预测可能的结果（63%），使他人更容易使用工具（59%），以及自动化决策（58%）。 对于被认为对他们的工作重要的任务，受访者被要求确定AI是否是完成这些任务的适当工具，以及是否是最好的工具。在这些反馈中，生成式AI被最强烈地识别为快速总结信息的解决方案，其中97%将其识别为核心业务需求的受访者表示，他们认为生成式AI是这一目的的适当工具，87%的受访者表示它是 这将是一个理想的工具。鉴于这些关键工作要求在受访者群体中是多么普遍，这意味着人工智能被认为是加速他们公司最常见和基础任务的一种方式。 在某些情况下，受访者对生成式AI可用于特定目的的认知与认为其非常适合该目的的认知之间存在较大差距。例如，在具有生成想法这一关键业务需求的受访者中，83%的人认为生成式AI是这一用途的适当工具，但只有36%的人表示它将是理想的工具。类似的差距也出现在如使使用需要专门技能的工具或软件变得更容易或自动化工作流程中的决策等用例中。这些差距可能反映了市场上这些用途有更大影响力的已验证技术的可用性，或者优化模型或展示生成式AI解决这些需求的潜力的应用的不可用性。IT决策者通常倾向于参考同行和行业成功案例来确定新兴技术是否适用于特定的用例，在这些领域可能需要更多的证据来确保企业认为生成式AI适用于这些需求。 关键工作职能要求 在全部受访者中，共有201人。 关于工作职能要求的AI声明协议 在受访者中指出需求是其工作功能关键因素中 关于工作职能要求的AI声明协议 在受访者中指出需求是其工作功能关键因素中 人工智能具备未知的潜力……以及风险 在生成式AI的整体热忱之下，最为引人注目的发现之一是，受访者认为许多AI的潜在益处仍然未知。77%的受访者认为AI有众多未发现的用途案例，这意味着许多公司对于如何在业务中广泛部署生成式AI并不确定。受访者还提出了采用生成式AI的风险方面的不确定性：68%的人认为AI将导致预料之外的变化，57%的人表达了对AI可能创造难以规划的新风险的担忧。即使公司可能对探索AI的潜力感到兴奋，重大的未知因素可能使得确保所需预算、提供适当资源，甚至导致正在进行的项目受阻。通过寻求专家指导或从同行的成功中学习以提高这些领域的清晰度，可以减少这些阻碍，使公司能够更快地采用这项技术。 人工智能观点 总受访人数中占百分比率 部署滞后于机会的认知 该调查提供了大量证据表明，关于如何有效部署生成式AI以及如何预测成本和风险的未知，正在减缓企业对生成式AI的采用。如上所示，许多受访者认为AI是实现多个关键工作要求的最佳工具，但当被问及他们实施技术的程度以及是否知道能够帮助他们实施技术的供应商时，回答显著较低。平均而言，只有63%的受访者认为AI与其工作的关键要求相关，并知道能够帮助他们实施该技术的供应商，而只有46%的受访者已经为这些要求实施了解决方案。这一差距的大小在不同用例中有所不同：虽然84%的受访者能识别出一个供应商，该供应商能够提供生成式AI工具通过自然语言界面使知识库可用，并且67%的人已经实施了AI工具来实现这一目的，但只有一半（50%）的人能识别出一个提供生成式AI工具以生成新产品想法的供应商，而只有28%的受访者已经实施了AI技术来实现这一点。这些认知差距的差异表明，关于生成式AI的公共讨论仅强调了狭窄范围的一些常见用例，这使得寻求将该技术应用于更专业需求或特定行业要求的领导者对可能的途径和可能面临的障碍一无所知。 关于工作职能要求的AI声明协议 在受访者中指出需求是其工作功能关键因素中 关于工作职能要求的AI声明协议 在受访者中指出需求是其工作功能关键因素中 关于人工智能风险的不确定性阻碍了部署 87%受访者相信，生成式人工智能是快速总结信息的最优可用工具。 实施任何新兴技术都会引发一系列关于如何减轻潜在风险、预测成本和资源需求以及应对新安全考虑的问题。受访者被要求考虑他们是否能够获取所需信息以判断自己是否得到了充分保护，免受与人工智能相关常见风险的侵害；受访者表示他们缺乏洞察力。 进入安全领域、实施成本、输出可靠性以及缓解与模型和训练数据相关的偏差的能力。无法解决这些问题可能会使商业和IT领导者难以获得批准业务案例或获取推进试点或实施所需的内部支持。 虽然关于生成式人工智能的对话通常集中在技术制约因素，如训练数据的可用性和质量或特定模型的表现，但调查发现，围绕关键商业考虑的不确定性是生成式人工智能采用的重要制约因素。当被问到哪些不同因素对他们的公司实施生成式人工智能技术的意愿产生了更大的抑制作用时，受访者将确定哪些技术与其特定业务相关的难度、缺乏领导愿景以及潜在成本和所需投资的模糊性视为比技术因素，如数据缺乏等更为显著的制约因素。当被问及具体缺少哪些信息可以帮助减少这些制约因素时，受访者指出的问题包括无法预测或量化潜在的负面影响，以及不确定如何寻找解决这些问题所需的专家和技能。 投资抑制剂 总受访人数中占百分比率 生成式人工智能在没有支持的情况下难以实施。 52%受访者中有相当一部分使用第三方供应商提供商业生成式人工智能技术解决方案。 当被问及他们如何具体追求生成式AI投资时，受访者表示高度依赖第三方供应商提供的生成式AI技术，其中52%依赖于商业解决方案，而45%考虑合作伙伴共同创造解决方案或内部开发。尽管成本高昂， 训练新的生成式模型可能解释了这一部分反应。在其他的调查回应中，这一发现可能表明企业正在依赖供应商来减少不确定性并简化采用这项技术的路径。围绕生成式AI的模糊性最清晰的信号之一是，59%的受访者表示，在他们所在的行业中，对于生成式AI到底是什么并没有一个共同的定义，这意味着在这个领域，一套一致的应用案例和最佳实践尚未建立。 通用生成式人工智能行业定义 在全部受访者中，共有201人。 预计未来三年的投资 在全部受访者中，共有201人。 成功人工智能实施的要素逐渐清晰 尽管对于最佳实践缺乏明确共识，开始实施人工智能解决方案的公司发现，某些类型的资源对于成功的实施至关重要。其中最常被识别的需求是证明在何处最有效地应用努力的专长——包括识别可以用生成式人工智能有效解决的问题的专长（47%）以及如何识别生成式人工智能用例的专长（42%）——这些需求在需要高质量数据训练模型等基本技术要求方面显著胜出。 “在尝试填补知识差距的过程中，公司最有可能寻求案例研究（78%）或由已经成功完成类似项目的人士领导的专家讲座或论坛（69%），这表明他们强烈希望通过现实世界的经验来学习，而不是消费更多概念性或假设性的内容。”. 企业更重视关于如何分配资源和计划实施的战略知识，而不是具体的技能能力。 当被问及最有可能信任哪些来源获取关于生成式AI的信息时，观察到了相似的规律，受访者将行业专家排名最高（87%），其次是已经测试过该技术的同侪（85%）。 信息渠道关于生成式人工智能 在全部受访者中，共有201人。 成功实施生成式人工智能的基本特征 结论 GLG对AI决策者和影响者的调查突显了新兴生成式AI技术的热情与现实世界如何从中获取价值的专业知识之间的差距。对生成式AI投资感兴趣的机构可能因为缺乏与其行业和应用场景相关的现实世界案例而犹豫不前，或者在没有明确价值实现路径的情况下继续前进。提高对如何管理与生成式AI相关的成本和风险的清晰度，可以提高企业采用该技术的速度，降低实施失败或成本过高的可能性，并增加企业拥抱新用例潜力的信心。访问一个已经通过生成式AI找到前进道路的专家或同行网络，是企业确保他们为预算、团队和客户做出最佳选择的最佳步骤之一。 感兴趣查看完整的调查结果？ 请与我联系以获取访问权限。