那些看到AI有望提高生产力的CIO们，常常发现他们的努力受到数据质量、技能差距和内部抵制等因素的阻碍。

图源：Rob Schultz / Shutterstock

AI——尤其是生成式人工智能——已被证明是提高企业生产力的有用解决方案，但仍存在一些常见的成功障碍 。

IT领导者越早识别并克服这些问题，就能越快地使他们的组织从基于AI的系统中获取更多价值。

以下是企业需要打破的一些更具挑战性的障碍，以及IT领导者可以采取的应对方法。

一、数据质量差

由硬件供应商联想赞助、IDC对2920名全球IT和企业决策者进行的一项调查显示，数据质量问题是导致AI项目未达预期的首要阻碍因素。

为解决这一问题，三分之一的受访对象表示，他们的组织计划优先提升数据管理能力。

例如，Ally Financial的Sathish Muthukrishnan（萨蒂什·穆图克里什南）正在通过打破数据孤岛、强化数据治理来解决这一问题。

这家数字银行公司的首席信息、数据和数字官表示：“AI在很大程度上依赖于其处理的数据，因此我们谨慎地应对与更广泛数据使用相关的挑战和风险。”

Muthukrishnan（穆图克里什南）称：“我们将98%的数据整合到一个集中式的云原生数据库中，这使我们能够充分利用数据的力量。我们实施了一系列流程，旨在确保强大的数据安全性、严格的客户隐私保护，并在部署前进行严格的模型风险评估，以及对结果进行持续监控。”

人工智能咨询公司The Hackett Group的高级副总裁兼负责人John Thompson（约翰·汤普森）表示，数据质量问题是一个切实的担忧，也是采用人工智能的实际障碍，但这个问题比传统的、在交易或分析环境中关于数据质量的典型讨论要严重得多。

Thompson（汤普森）说：“对于生成式AI而言，组织的100%数据、文件、视频、政策、程序等都可以被积极使用。”他还表示，这比ERP（企业资源规划）或CRM（客户关系管理）等系统中的数据质量问题要严重得多。

Thompson（汤普森）认为，为解决生成式AI的数据质量问题，企业不应在引入AI之前先解决数据质量问题，而是需要将信息加载到生成式AI中，并积极地进行询问、查询和提示，以找出信息准确、最新的地方，以及缺乏准确性、相关性和清晰度的地方。

Thompson（汤普森）表示：“生成式AI是发现信息需要改进之处的工具。正确的执行方式是引入生成式AI，然后找出如何解决数据质量问题，而不是反过来。”

二、内部专业知识匮乏

专业发展组织American Management Association（美国管理协会）2025年3月的一份报告显示，该协会最近对北美1100多名专业人士进行了调查，发现许多员工（57%的受访者）觉得自己跟不上AI的发展。只有不到一半（49%）的人接受过AI方面的培训。

Ally的Muthukrishnan（穆图克里什南）表示，企业需要建立相应的基础设施，对员工进行教育和培训，让他们了解AI的能力和局限性。

他补充道：“如果没有正确的培训，AI的采用和应用将无法达到你所期望的效果。虽然我认为AI是我们有生之年最大的技术转型之一，但将其融入日常流程是一项巨大的转型管理任务。”

Ally为员工提供了所有用户都需要的培训、AI手册、提高AI熟练度的短期课程以及对整个企业开放的教育“AI日”教育活动，让员工做好负责任地使用AI的准备。

Hackett Group的Thompson（汤普森）表示：“技能差距只会越来越大。现在是时候开始行动了。你可以从你的团队入手。让他们处理测试用例，参与个人项目或他们感兴趣的项目。让每个人都去上课只会延长缩小技能差距的进程。生成式AI人人都能使用。你可以利用这一点，为人们提供边做边学的机会。”

Thompson（汤普森）补充说，经验比倾听是更好的老师。

他说：“搭建一个生成式AI环境，让每个人使用六个月到一年时间。这样员工学到的东西比他们在一堂课甚至多堂课上学到的还要多。我不是说不要培训员工，员工还是需要参加课程学习。但当员工亲身体验生成式AI环境时，你会看到技能差距每天都在缩小。”

SAP Americas的企业软件公司的首席AI官Jared Coyle（贾里德·科伊尔）表示，组织需要强调将能够确定适当AI用例的内部专家与了解其他组织如何使用AI的外部人才相结合。

Coyle（、科伊尔）称：“内部知识对于确保与现有系统和流程集成至关重要，而外部人才则能更好地帮助企业充分利用更新的AI功能，使AI系统平稳运行。”

三、寻找能竞争资源的用例

每个企业都有一个既定的优先事项清单，其中许多并不涉及AI或生成式AI。为了争取资金、人员和高级管理层的关注，IT领导者需要为他们的AI项目提供极具说服力的理由。

外包公司TaskUs的首席信息官Chandra Venkataramani（钱德拉·文卡塔拉马尼亚）表示：“我们面临的最大挑战之一，就是确定合适的商业用例，也就是那些人工智能能够在不增加不必要复杂性的情况下，带来切实、可衡量价值的用例。”

Venkataramani（文卡塔拉马尼亚）说：“人们很容易被生成式AI的热潮所裹挟。要取得成功，就需要抵制这种冲动，专注于这项技术能够增强我们内部能力的领域，比如提高生产力、改进决策，或者减少关键工作流程中的阻碍。我们发现，在推进任何人工智能项目之前，明确目标至关重要，无论是降低成本、提高速度还是改善用户体验。”

Venkataramani（文卡塔拉马尼亚）还表示，同样具有挑战性的是优先事项相互竞争的问题。他说：“作为一家高速增长、以客户为中心的公司，IT资源一直面临着持续的压力。AI计划必须在预算、人才以及管理层关注等方面展开竞争，在这种情况下，保持目标一致就显得尤为重要。”

该公司强调，要让各个业务部门共同主导AI项目，确保投资在技术上可行，并得到理解投资回报率的业务领导的支持。

Venkataramani（文卡塔拉马尼亚）称：“我们秉持一种强调在可控范围内进行试验的理念：精心开展试点项目，明确KPI（关键绩效指标），并建立反馈机制。这种方法帮助我们保持灵活性，避免在未经证实的解决方案上过度投资，而是专注于长期价值，而非短期炒作。”

Hackett Group的Thompson（汤普森）说：“商业用例、实际应用案例以及优先事项的竞争，‘从我们职业生涯一开始就一直存在’。生成式AI的优势在于它适用于大多数问题。我建议从最紧迫的问题、CEO们最头疼的战略问题入手。我不会在商业用例或应用案例上花费太多时间。直接投入实践。现在就是做出改变的时候。”

四、过时的遗留系统

许多企业已经启动了数字化转型计划，以提高效率并改善对客户和员工的服务。那些尚未启动或在转型过程中落后的公司需要将此作为优先事项，因为过时的遗留系统和应用程序可能会成为AI厦门成功应用的障碍。

由于当时的存储成本限制，那些设计用于存储有限数据量的数十年前的应用程序，不太可能轻松与AI工具集成。在很多情况下，过时的应用程序会完全阻碍企业采用AI。

SAP Americas的Coyle（科伊尔）表示：“仅仅把当下流行的LLM（大语言模型）和你选择的湖仓技术拼凑在一起，指望一切都能顺利运行，这是无法取得成功的。许多领导者对AI的潜力充满热情，这固然很好，但专注才是关键。重要的是，要避免在没有足够资源支持的情况下启动过多项目。”

航运和物流服务提供商Veho的联合创始人兼首席技术官Fred Cook（弗雷德·库克）表示，该公司在规划配送路线、确定价格以及提高配送质量等方面大量使用了AI和机器学习技术。但为了充分发挥AI工具的作用，公司不得不对系统进行升级。

Cook（库克）说：“Veho最初的核心平台是2017年开发的，总体来说相当脆弱。在2023年末和整个2024年，我们重建了所有核心系统。随着新系统上线，我们发现将AI应用集成到我们的技术中变得容易多了。在完成全面重构后，如今我们在AI试验方面的进展要快得多。”

Veho从一些用例入手，比如客户支持智能体、司机合作伙伴支持智能体以及客户支持智能体。Cook（库克）说：“我们还开发了一些简单的智能体，用于诸如警报、解析数据，以及对包裹递送过程中各个步骤进行质量保证等工作，不然这些工作既繁琐又得人工完成。”

与基础设施相关的另一个潜在障碍是涉及的成本高昂。集成AI可能是一项非常昂贵的工作。根据企业IT现代化的进展情况，它们可能会面临系统集成、定制软件开发、创建应用程序编程接口以及遗留系统升级等方面的费用。

五、员工蓄意破坏

生成式AI服务提供商Writer 2025和独立研究机构Workplace Intelligence最近对1600名知识工作者（800名企业高管和800名员工）进行的一项调查发现，31%的员工承认曾积极抵制所在组织的AI项目推进工作 。

教育服务和技术提供商Skillsoft的首席信息官Orla Daly（奥拉·戴利）表示，员工对AI项目的抵制是“一个严重的问题，可能会破坏AI计划，导致资源浪费和机会错失”。

Daly（戴利）说：“这种抵制行为往往源于对失业的恐惧、对AI好处缺乏了解，或者对转型的抵触。为了解决这个问题，企业应该花时间了解组织内部的担忧，培养持续学习的文化，并通过让员工参与AI项目，激发他们对转型的热情。”

Daly（戴利）表示，企业需要在组织内确定AI倡导者，并分享AI可以创造更积极的员工体验的示例，比如减少行政工作时间，增加与客户相处的时间。

Daly（戴利）说：“在这个过程中，有效的领导力至关重要。领导者必须了解AI，并清晰阐述其对人才及其工作角色的积极影响。”她说，这需要在技术、沟通和领导能力之间取得平衡。“当员工看到他们的领导者利用AI来辅助工作，并展现出明确的用例和成果时，他们自己更有可能接受AI，将恐惧转化为兴趣。”

别错过任何内容。

作者：Bob Violino（鲍勃·维奥里诺）

Bob Violino（鲍勃·维奥里诺）是一名自由撰稿人，涉猎范围涵盖了各种技术和商业话题。

译者：宝蓝

睿观：企业在利用AI提升生产力时，普遍面临五大障碍：数据质量差、内部专业知识匮乏、商业用例难以竞争资源、过时的遗留系统以及员工因恐惧而产生的抵制（核心挑战）。成功的IT领导者需采取针对性策略，包括：利用AI发现并改善数据问题、通过实践而非仅培训来提升技能、让业务部门共同主导以确保用例价值、现代化核心系统为AI奠基，以及通过有效沟通与赋能化解员工抵触（关键对策）。系统性地解决这些横跨数据、技能、资源、系统和文化层面的挑战，是实现AI价值落地的关键（结论）。

金句：通往AI价值的道路上，最大的障碍往往不在技术本身，而在于数据的泥沼、技能的断层、系统的枷锁与人心的壁垒。