从AI技术人才问题到难以正确获取数据方程式，IT 领导者们并没有事先准备好应对生成式人工智能带来的挑战，而是在实际操作中边走边学、边解决问题。
来源：insta_photos / Shutterstock
【睿观：企业在采用GenAI的过程中面临挑战和机遇，GenAI是一项复杂的技术，需要谨慎评估和规划。同时GenAI也包含巨大潜力，企业积应极探索和应用这项新技术。
（一）企业在采用生成式人工智能（GenAI）过程中遇到的六大挑战：
1.人才短缺： 具备高水平AI专业知识的人才仍然稀缺，即使是拥有AI团队的企业也面临着人才挑战。
2.盈利困难： 目前只有少数GenAI项目能产生直接的盈利影响，多数企业需要更长时间才能看到回报。
3.法律法规不明确：GenAI的法律风险和监管问题尚未完全解决，阻碍了大规模部署。
4.成本高昂：GenAI的实施和维护成本较高，包括硬件、软件、数据以及人才成本。
5.数据质量问题： 获取高质量、相关的数据是训练GenAI模型的关键，但许多企业面临数据不足或质量不高的挑战。
6.技术成熟度有限：GenAI技术仍在快速发展，但目前仍存在一些限制，如幻觉问题、工具泛滥等。
（二）其他挑战：
1.员工对新技术的接受程度不同： 部分员工对GenAI持观望态度，或者难以掌握其使用方法。
2.影子AI的风险： 员工可能会私自使用未经授权的GenAI工具，带来安全风险。
尽管面临诸多挑战，但企业对GenAI的未来发展仍持乐观态度。 许多企业认为GenAI具有巨大的潜力，能够提高生产效率、降低成本并推动业务创新。
（三）建议包括：
1.加强人才培养： 投资于员工的AI技能培训。
2.聚焦实际业务问题： 选择能带来直接价值的GenAI应用场景。
3.关注数据质量： 建立高质量的数据基础。
4.加强风险管理： 建立完善的治理机制，降低法律和安全风险。
5.持续学习和迭代：GenAI技术发展迅速，企业需要保持敏捷，不断学习和适应。】
随着生成式人工智能的应用迅速发展，这项技术在组织内部引发了各种各样的感受——从兴奋和期待到压力和担忧。
麦肯锡5月份的一项全球调查显示，65% 的组织使用生成式人工智能，几乎是该公司 10 个月前调查结果的两倍。随着这一增长，用例正在激增。
德勤咨询公司负责人Jim Rowan 表示，与过去的技术采用模式一样，大多数公司都开始在提供战术优势的领域使用 genAI，例如改进现有流程和降低成本。Rowan 表示，这种方法有助于从“唾手可得的成果”中获取价值，同时通过新技术积累知识、经验和信心。
不过，各组织在使用genAI 方面处于截然不同的阶段。一些早期采用者现在通过将多个用例链接在一起来将试点扩展到生产，以显示切实的效率优势。Rowan 表示，其他人则一直在投资流畅度，尝试一些概念验证，并主要寻求采用嵌入第三方软件的 AI 技术。另一阵营则采取了观望态度。
当组织弄清楚如何从学习生成式人工智能到启动试点，再到部署真正具有变革性的全面实施时，以下是IT 领导者迄今为止得出的六个残酷的事实。
1.技术人才仍然是采用的最大障碍
根据德勤关于genAI的报告，拥有高水平 AI 专业知识的组织（33%）倾向于对生成式AI持更积极的态度，但他们也感受到采用该技术的更大压力，认为genAI对其商业模式的威胁更大。
罗文说：“这表明，即使是那些自认为精通人工智能的组织也在为潜在的阻力做准备。”
因此，IT领导者，甚至是那些报告其团队拥有高水平 AI 专业知识的领导者，都在重新考虑围绕 AI 的人才战略，而技能提升在尝试弥合 AI 技能差距方面发挥着至关重要的作用。
2. GenAI的盈利影响还很遥远
麦肯锡高级合伙人兼全球领导人Aamer Baig 在 5 月份麻省理工学院 CIO 联盟会议上谈到 GenAI 的残酷事实时表示，尽管“蜜月期已经结束”，但目前可能只有少数 genAI 项目能够产生盈利影响。
Baig表示，麦肯锡调查的公司中，只有15%的公司希望从 genAI 计划中获得收益提升。“并非所有用例都相同。没有多少可以增加价值。”他建议组织将重点放在“解决实际业务问题、技术上可行且风险较小的计划上。”
德勤报告发现，48%的组织预计一到三年内不会看到genAI带来的转变。
“我感觉我们就像在参加一个大型科学展览会并设计各种假设，但其中有十分之八都失败了。”
— 凯斯纽荷兰工业集团全球首席数字和信息官Marc Kermisch
全球首席数字和信息官马克·克米施(Marc Kermisch) 表示，总部位于英国的 CNH Industrial 是微软 Copilot 的早期采用者，并于 2023 年 11 月开始创建自己的大型语言模型 (LLM)。
“我们确实了解到存在很多限制，”克米施说，并补充道，“它并不是我们想象中的灵丹妙药。”
虽然生产率有所提高，但Kermisch 预计，在发票处理等领域，这种提高将更为显著。GenAI“主要是一种信息合成工具”，他说。他说，现成的 genAI 工具“目前对于任何财务或数字分析都毫无作用”。
另一个问题是工具和技术的泛滥，Baig表示需要加以遏制。“实现大规模生成 AI 的最大障碍之一是 genAI 平台太多，”他说。
凤凰城儿童医院首席创新官兼执行副总裁戴维·希金森(David Higginson) 表示：“每周都会有一款新工具问世，其功能和未来潜在影响令人惊叹。”但目前 genAI“实际上只能由少数科技巨头实施，而不是在医疗机构内部的本地实验室层面进行修改，”他说。“因此，我们似乎处于一种停滞状态，等待老牌供应商提供成熟的解决方案，以提供我们都期待的有形价值。”
希金森表示，将会出现有效的工具来解决医疗服务提供者的实际问题。当这种情况发生时，“将迫使人们在风险承受能力、成本、提供者满意度和患者结果之间做出艰难的决定，”他说。
3.法律问题让 IT 陷入困境
希金森认为，有两个因素阻碍了平台的大规模部署，一是依赖该技术的法律和监管未知因素，二是作为早期采用者的成本过高。
“尽管使用这项技术的法律风险仍不明朗，但供应商的成本以及媒体对‘出错’的担忧仍然很高，”他说。“因此，许多管理人员选择不成为这项大胆新技术的第一个测试案例——尤其是当他们不清楚这项技术如何运作，也无法向律师保证它实际上是如何运作的时候。”
德勤的研究发现，合规性问题（28%）和治理问题（27%）被视为人工智能应用的障碍。报告称，不到一半（42%）的受访者认为他们已经采取了足够的措施来管理生成式人工智能的应用并降低其潜在风险。
“这表明，未来一年人工智能的监管方式存在很大不确定性，尤其是对于在多个地区运营的全球组织而言，”罗文观察到。“从更大的角度来看，生成式人工智能在公司治理和风险方面带来的挑战与社会治理和风险方面带来的挑战相似。”
超过一半的受访者表示担心生成人工智能的广泛使用将导致全球经济权力集中（52％）并加剧经济不平等（51％）。
“在这两个领域，这项技术的潜在好处和潜在危害都很高，”罗文说。“国家组织和政府需要在确保生成式人工智能的好处得到广泛和公平分配方面取得平衡，而不会过度阻碍创新或为制定不同规则的公司提供不公平的优势。”
4.成本管理是一个巨大的问题
与希金森对实施genAI 成本的担忧相呼应，麦肯锡的 Baig 强调，组织必须管理成本——因为 genAI 需要高计算强度和高变更管理。
他建议各组织在这些领域投入尽可能多的资金，就像他们为实现数字化转型所做的那样，因为 genAI 将需要改变工作流程、业务流程和新的 KPI。Baig 表示，组织还必须考虑风险和幻觉培训，并为持续维护预留预算。
希金森表示，采用 genAI 的根本障碍是训练模型所需的硬件、电力和数据的稀缺性和成本。“由于资源稀缺，我们需要优先考虑哪些解决方案对民众具有最广泛的吸引力，并能产生最大的长期收入，”他说。
CNH的 Kermisch 曾寄予厚望，希望 genAI“能够帮助我们降低成本曲线”，但这并没有发生。他说，平台的实施成本非常高，而且 genAI 的使用越多，成本就越高。
“如果我能收回在生产力方面的投资，那就太好了，但我们并没有看到它一一实现，”他说。CNH Industrial 拥有有限数量的 Copilot 许可证，IT 部门会在那些通常对使用新技术感到兴奋的员工之间轮换这些许可证。
这种趋势往往会逐渐消失。“通常在30 天内，利用率就会急剧下降，”Kermisch 指出。“这肯定是新工具的现象。他们会打开 Excel 电子表格并尝试使用 Copilot，但很快意识到他们无法使用它。”
他补充说，如果使用正确的提示，Copilot会非常有效。“提示越精确越好。”但是，“我们还没有找到使用它的高级用户。”
Briggs & Stratton副总裁兼首席信息官 Brian Olsson 已经大规模推广了 Google Gemini，他表示，虽然成本是一个问题，但更令人担忧的是如何监控它的采用和使用情况。与 Kermisch 一样，Olsson 表示，这将有助于 IT 部门确定该工具是否是一项不错的投资。
“人工智能领域发展速度太快，我们试图保持敏捷，并努力提高效率，”他说。“我们正在关注财务状况和采用率，但我们不会设置太多障碍，以免落后。”
5.获取正确的数据很困难
目前，许多组织面临着使用高质量数据的挑战，因为genAI 模型需要大量准确、相关的数据才能有效运行。
麦肯锡的Baig 表示，组织不应专注于寻找完美的数据，因为这是一个“巨大而艰巨的挑战”。许多组织都采用自上而下的方式查看数据，“最终看起来就像一个巨大的电子表格，”他说。“专注于帮助您处理多种用例的数据。”
虽然研究和开发继续推动genAI 的功能，但“我们知道数据是实现 AI 解决方案的关键方面，我们也认识到许多组织正在揭示构建正确的数据基础以支持大规模 AI 部署所需的工作”，德勤的 Rowan 表示。
CNH的 Kermisch 表示，他们已经了解到使用文档或基于文本的数据存储库创建 LLM 具有“相对较高的价值，并且相对容易快速周转”。
他说，最终，CNH高管相信 genAI 将对他们的业务产生重大影响，但现在还为时过早。“我们原以为几个月后，我们设计车辆的能力就会得到巨大提升，并通过自动化任务降低成本，”Kermisch 说。“但这些都没有真正实现。我们看到了积极的结果——但用例有限。”
Kermisch采取了一种“快速失败，快速学习”的创新策略。他通过培训技术领导者并与微软合作，营造了一个鼓励员工大胆实验、不断试错的企业文化。正如他所说：“我们就像在参加一个大型科学博览会，不断提出假设，并从中快速迭代。”
6.它会持续存在
尽管面临成长的烦恼，IT领导者还是认识到 genAI 不会消失。
凤凰城医院的希金森说：“有一件事是肯定的，这将是一条坎坷的道路，会有惊人的成功和失败，我迫不及待地想看看未来五到十年这个行业将如何变化。”
世界保险(World Insurance) 首席信息官迈克尔·科里根 (Michael Corrigan) 表示，尽管 genAI 功能强大且发展迅速，但成熟速度却非常缓慢。他还表示，关于 genAI 的炒作和误解也很多。
科里根说：“它绝对需要一个正确实施的战略和路线图，这样它才能对你的业务产生积极的影响，才能增强你的能力，才能实现你的业务目标。”
它还要求组织建立用例和他们想要使用的工具，因为影子人工智能(shadow genAI) 正在悄然兴起。
“即使公司没有推出特定的人工智能工具，员工们也在使用ChatGPT 和各种第三方人工智能工具，因为这可以提高他们的工作效率，”Briggs & Stratton 的 Olsson 表示。“残酷的事实是，如果你不开始给他们工具，他们就会找到这些工具；……即使他们没有用人工智能做任何事情，数据风险也存在。这是一种新的信息安全风险。”
消费者能源公司IT 执行董事 Dave Pawlak 对此表示赞同，他表示genAI 必须得到安全实施，“而且它并不像公众使用 OpenAI 或其他 [开放] 生成式 AI 工具那样容易。”
尽管如此，即使面临这些残酷的事实，Kermisch、Pawlak、Baig和其他人仍然表示，快速、安全且大规模地实施 genAI 是有价值的。
“它将让你从试点走向规模化，”Baig说道。“与其他数字颠覆不同，我相信我们正处于 genAI 的阶段，需要一定程度的投资，”以及对技术的更好理解。“你有一个绝佳的机会来利用这一点，这使得 CIO 在带领组织前进方面发挥主导作用变得更加重要。”
