尽管被炒作，许多公司在涉及生成式人工智能时仍在谨慎行事

供应商们希望让你相信我们正处在人工智能革命中，这场革命正在改变我们工作的本质。但根据最近的几项研究，事实表明情况要复杂得多。

企业对生成式人工智能非常感兴趣，因为供应商提出了潜在的好处，但将这种愿望从概念验证变成一个可运行的产品却变得更具挑战性：他们面临着实施的技术复杂性，这可能是由于旧技术堆栈的技术债务，或者仅仅是因为缺乏拥有适当技能的人员。

事实上，高德纳最近的一项研究发现，实施人工智能解决方案的前两大障碍是寻找估计和展示价值的方法占49％，以及人才短缺占42％。这两个因素可能成为公司的关键障碍。

据企业搜索技术公司LucidWorks的一项研究发现，仅有四分之一的受访者报告成功实施了生成式人工智能项目。

麦肯锡公司的高级合伙人阿米尔·巴伊在5月份的麻省理工斯隆CIO研讨会上表示，最近一项调查发现，只有10%的公司在规模上实施了生成式人工智能项目。他还报告说，只有15%的公司看到了对收入的任何积极影响。这表明炒作可能远远超过了大多数公司正在经历的现实。

这是怎么回事？

白格认为复杂性是导致公司发展放缓的主要因素，即使是一个简单的项目也需要20-30个技术要素，而正确的LLM只是起点。他们还需要像合适的数据和安全控制这样的东西，员工可能还需要学习新的能力，比如迅速工程和如何实施知识产权控制等等。

他说，古老的技术堆栈也可能让公司停滞不前。贝格说：“根据我们的调查，实现规模化生成式人工智能的顶级障碍之一实际上是技术平台过于繁杂。”“这不是使用案例，也不是数据可用性，更不是价值路径；而是技术平台。”

迈克·梅森是咨询公司Thoughtworks的首席人工智能官员，他表示他的公司花费了大量时间让企业为人工智能做好准备，而他们当前的技术设置在其中起着很大的作用。“所以问题是，你们有多少技术债务，有多少赤字？答案总是会是：这取决于组织，但我认为组织对此的痛感越来越强烈，”梅森告诉TechCrunch。

从好的数据开始

就读者意向而言，其中一个大问题在于数据的准备工作不足。据Gartner调查显示，有39%的受访者担忧缺乏数据是成功实施人工智能的首要障碍。Baig表示：“对于许多组织来说，数据是一个巨大而艰巨的挑战。”他建议将重点放在有限的数据集上，并着眼于数据的再利用。

“我们学到的一个简单教训是真正关注那些能帮助你解决多种问题的数据，通常在大多数公司，这些数据最终都会涉及到三四个领域，你可以着手开始并将其应用到你最重要的业务挑战上，为业务价值交付一些真正能够投入生产并扩展规模的东西。”他说道。

梅森表示，成功执行人工智能的一个重要部分与数据准备相关，但这只是其中的一部分。“组织很快意识到，在大多数情况下，他们需要进行一些人工智能准备工作，平台构建，数据清洗等等。”他说道，“但你不必采取全面的方法，也不必花费两年时间才能获得任何价值。”

说到数据，公司也必须尊重数据的来源——以及他们是否有权利使用它。与公司和政府合作收集和分析与各种研究项目相关的数据的咨询公司Mathematica的首席信息官Akira Bell说，在将这些数据用于生成式人工智能时，她的公司必须小心谨慎地行事。

贝尔告诉科技媒体科创财经说：“当我们看向生成式人工智能时，肯定会有一些可能性，我们会在我们使用的数据生态系统中寻找，但我们必须小心谨慎。”这在一定程度上是因为他们拥有许多私人数据，并且有着严格的数据使用协议，另一方面也是因为有时他们在处理一些弱势群体的数据，他们必须意识到这一点。

她说：“我来到一家非常重视成为受信任的数据托管方的公司，作为首席信息官，我必须对此保持非常理性，不仅从网络安全的角度，而且还要关注我们如何处理客户及其数据，所以我知道治理是多么重要。”

她说现在很难不对生成式人工智能所带来的可能性感到兴奋；这项技术可以为她的组织和他们的客户提供更好的方式来理解他们所收集的数据。但她也明白自己的工作是小心谨慎地前进，而不要妨碍真正的进步，这是一项具有挑战性的平衡行为。

寻找价值

十五年前云计算刚兴起时一样，首席信息官们自然是谨慎的。他们看到生成式人工智能所带来的潜力，但也需要关注基本事务，如治理和安全。他们还需要看到真正的投资回报，而这种技术有时很难衡量。

在一篇《科技快报》的文章中，6月柏CIO Sharon Mandell表示，很难衡量生成式人工智能投资的回报。

“到2024年，我们将进行人工智能技术的测试，因为如果那些工具能够产生它们所说的那种好处，那么它们的投资回报率会很高，可能会帮助我们淘汰其他一些东西。”她说道。因此，她和其他CIO正在进行试点项目，谨慎行事，并试图找到方法来衡量是否真的存在生产率提高以证明增加的成本是值得的。

白格表示，公司在人工智能方面需要采取集中的方法，避免他所谓的“太多怪力乱神的倡议”，即小组独立进行多个项目。

“你需要公司提供的脚手架来确保产品和平台团队有条不紊地工作，并且保持高效率。当然，这也需要高层管理层的关注和支持，” 他说道。

这些并不是人工智能项目会成功，或者公司会立刻找到所有答案的保证。梅森和贝格都表示，团队要避免试图做太多事情，同时强调重复利用有效的做法很重要。“重复利用直接影响交付速度，让你的业务满意并产生影响，”贝格说道。

然而，公司在执行生产型人工智能项目时，不应被与治理、安全和技术相关的挑战所瘫痪。但他们也不应该被炒作所蒙蔽：对于几乎每个组织来说，将会有许多障碍。

最好的方法可能是找到一个起作用且显示价值的东西，并从那里开始构建。记住，尽管有大肆宣传，许多其他公司也在苦苦挣扎。