主要内容
人工智能已从实验阶段发展成为商业运营的核心部分，但部署挑战依然存在。佐格比分析公司代表 Prove AI 进行的研究表明，大多数组织已从测试人工智能领域毕业，开始全面投入使用生产就绪系统。尽管取得了这一进展，企业仍在应对数据质量、安全和有效训练模型等基本挑战。
从数据来看，令人震惊。68%的组织现在已有定制的人工智能解决方案在生产中运行。公司也在将资金投入到实际行动中，81%的公司每年至少在人工智能项目上花费 100 万美元。约四分之一的公司每年投资超过 1000 万美元，这表明我们已从“让我们进行实验”阶段进入到严肃的长期人工智能承诺阶段。
这一转变也在重塑领导结构。86%的组织已任命专人领导其人工智能工作，通常是“首席人工智能官”或类似头衔。这些人工智能领导者在制定战略方面几乎与首席执行官一样有影响力，43.3%的公司称首席执行官主导人工智能决策，而 42%的公司将这一责任交给其人工智能负责人。
但人工智能部署之旅并非一帆风顺。超过一半的商业领袖承认，训练和微调人工智能模型比他们预期的更困难。数据问题不断出现，影响质量、可用性、版权和模型验证，削弱了这些人工智能系统的有效性。近 70%的组织报告至少有一个人工智能项目延迟，数据问题是主要原因。
随着企业对人工智能越来越熟悉，他们正在寻找使用它的新方法。虽然聊天机器人和虚拟助手仍然很受欢迎（采用率为 55%），但更多的技术应用正在取得进展。软件开发现在位居榜首，为 54%，与用于预测和欺诈检测的预测分析并列 52%。这表明公司正在超越面向客户的华丽应用，转向使用人工智能来改善核心运营。曾经是许多人工智能部署计划门户的营销应用，如今受到的关注较少。
在人工智能模型本身方面，人们强烈关注生成式人工智能，57%的组织将其列为优先事项。然而，许多公司采取平衡的方法，将这些较新的模型与传统机器学习技术相结合。谷歌的 Gemini 和 OpenAI 的 GPT-4 是使用最广泛的大型语言模型，尽管 DeepSeek、Claude 和 Llama 也表现出色。大多数公司使用两到三种不同的大型语言模型，这表明多模型方法正在成为标准实践。
也许最有趣的是公司运行人工智能部署的地点转变。虽然近九成的组织至少在其部分人工智能基础设施中使用云服务，但将业务收回内部的趋势正在增长。三分之二的商业领袖现在认为非云部署提供更好的安全性和效率。因此，67%的公司计划将其人工智能训练数据迁移到本地或混合环境中，以寻求对其数字资产的更大控制权。在部署人工智能系统时，83%的受访者将数据主权列为首要任务。商业领袖似乎对他们的人工智能治理能力充满信心，约 90%的人声称他们有效地管理人工智能政策，能够设置必要的护栏，并能够跟踪其数据谱系。然而，这种信心与导致项目延迟的实际挑战形成了鲜明对比。数据标签、模型训练和验证问题仍然是绊脚石。人才短缺和与现有系统的集成困难也是经常被提及的延迟原因。