核心观点
- AI 应用现状与挑战：尽管 95% 的公司目前使用或计划使用 AI，但只有少数（76%）在 1-3 个用例中部署了 AI。从试点项目过渡到企业级 AI 部署的主要障碍包括基础设施、数据治理和供应商生态系统方面的战略和组织转型，以及对 AI 性能发展和投资回报率的担忧。
- AI 准备支出预期：2022 年和 2023 年，大多数公司的 AI 支出保持稳定或略有增长，但预计 2024 年将显著增加，尤其是在数据准备（平台现代化、云迁移、数据质量）以及战略、文化变革和商业模式等周边领域。
- AI 合作伙伴选择：由于构建大型语言模型 (LLM) 和生成模型的成本和复杂性，很少有公司单独进行 AI 开发。大多数公司选择与供应商合作，利用现成的模型或针对特定行业需求进行微调。
- AI 成本与效益：AI 的成本包括硬件（尤其是 GPU）、软件、服务、人力和合规成本。虽然科技公司承担了大部分硬件和计算成本，但公司仍需投资数据管理、监控、合规和人才。AI 的投资回报率 (ROI) 不仅要考虑效率提升，还要考虑新价值创造，包括节省成本、提升员工体验和创造新机会。
- 数据管理的重要性：数据质量、基础设施和治理是 AI 部署的关键因素。数据流动性（即从各种来源无缝访问、组合和分析数据的能力）是 AI 部署最重要的属性之一。公司需要投资数据质量、数据流动性和 IT 基础设施，并采用数据治理策略，例如跟踪数据谱系、提取元数据并优先考虑数据上下文化。
关键数据
- 95% 的公司目前使用或计划使用 AI。
- 76% 的公司仅在 1-3 个用例中部署了 AI。
- 预计 2024 年，90% 的公司将增加 AI 支出，其中 40% 的公司支出将增加 10-24%，三分之一的公司支出将增加 25-49%。
- 45% 的公司认为治理、安全和隐私是 AI 部署速度的主要障碍，65% 的收入超过 10 亿美元的公司持相同观点。
- 50% 的公司认为数据质量是 AI 部署的主要限制因素，收入超过 10 亿美元的公司更有可能提及数据质量和基础设施限制。
- 98% 的公司表示，他们愿意放弃率先使用 AI 的优势，以确保 AI 的安全性和可靠性。
研究结论
- 2024 年是建立 AI 基础的临界年。公司正在加大在数据质量、数据流动性和 IT 基础设施方面的投资。
- AI 的采用速度受到对风险的现实评估的调节。公司对 AI 的风险持谨慎态度，并优先考虑安全性和合规性。
- 驱动价值最高的 AI 用例是针对特定业务结果的。通用型 AI 用例容易被竞争对手和客户复制，而针对特定行业或业务需求的 AI 用例才能创造独特的竞争优势。
- 人才是 AI 成功的关键。公司需要吸引和培养 AI 人才，并投资于员工培训和发展。
