33位首席信息官与技术官的用例、挑战及见解报告

核心观点与关键数据

• 人工智能时代的信息管理挑战：数据质量、数据孤岛、技能和教育、AI风险、数据主权、商业期望。
• 数据质量与数据孤岛：优质数据是AI成功的关键，但数据质量差和数据孤岛是普遍问题。策略包括建立统一数据湖/织物、早期清理数据、使用AI发现数据差距、依赖供应商解决方案。
• 角色、技能和才能：需要数据科学家、工程师和接受新技能的普通劳动力。建立数据治理机制，明确数据所有权，将AI融入公司其他部分。
• 供应商合作：大多数组织依赖供应商，供应商参与深度基于组织资源、数据质量和AI成熟度。需要负责任的AI框架和供应商提供的结构化指导。
• 优先使用用例：选择用例时面临挑战，应优先考虑能改进关键工作流程的AI用途。平衡集中化努力和点使用案例。
• 缓解安全和其它风险：进行风险评估，控制数据访问，使用RAG限制内部信息来源，建立专用网关，确保AI决策透明和可审计。
• 管理商业期望：设定合理的AI项目预期，包括ROI和达成目标的过程。传统ROI计算方法适用，但需考虑AI生命周期特殊性。
• 处理数据主权要求：全球各地数据存储和治理法律要求多样，需要AI和数据供应商的帮助进行合规性管理。
• 生产力、自动化和效率：内部流程自动化和客户面对的应用是AI的常见应用，可提高生产力（约30%）。
• 提升客户服务与体验：AI用于客户服务（如聊天机器人）、员工培训、异常检测等，提升客户体验。
• 专业行业应用：AI用于医疗保健、金融、制造业等领域，如医疗文件总结、设备维护、欺诈检测等。
• 人工智能代理：新一代AI代理能够自主行动，根据目标选择任务，已在多家公司部署，如EōS健身的Genius、蒙茅尔州的玛雅和约旦等。

研究结论

• AI发展迅速，但企业技术领导者仍在应对基础性问题，如数据治理。
• AI成功需要高质量数据、明确的治理机制、技能提升和供应商合作。
• 优先考虑能改进关键工作流程的AI用途，并设定合理的商业期望。
• AI代理正在兴起，能够自主行动并提高效率。