【BPINetwork】BPI网络报告-通往通用人工智能竞争优势-您的数据是否准备好解锁通用人工智能的商业价值-

BPI网络与EncompaaS合作近日发布了《通往通用人工智能竞争优势之路》报告，这份报告深入探讨了生成性人工智能（GenAI）如何重塑行业竞争格局，并承诺带来不仅是边际效率的提升，而是竞争优势的重大转变。报告特别强调了高质量数据准备的重要性，指出没有良好的数据基础，即使是最先进的AI模型也会失败，导致项目风险增加、合规性问题和项目脱轨。报告中还包含了对企业数据是否准备好解锁GenAI商业价值的深入分析，覆盖了数据质量、准确性与可靠性、安全性与隐私性以及成本与投资回报率四个关键领域。这份报告为那些希望在GenAI领域取得领导地位的组织提供了宝贵的见解和指导，揭示了企业在实现GenAI价值方面存在的野心与执行力之间的差距，并探讨了如何缩小这一差距。

在当今快速变化的商业环境中，通用人工智能（GenAI）正成为重塑行业竞争格局的关键力量。它不仅承诺带来效率的微小提升，更预示着竞争优势的重大转变。然而，要释放GenAI的全部潜力并非易事，它需要一个坚实的基础——准备充分、高质量的数据。没有这样的数据基础，即使是最先进的AI模型也会步履蹒跚，产生不可靠的洞察，引入合规风险，最终使雄心勃勃的计划脱轨。

根据最新研究，79%的商业领袖相信GenAI将在接下来的18个月内带来竞争优势，但60%的人承认他们对自己的组织数据-AI准备状态缺乏信心。这种雄心与执行力之间的差距，正是真正的竞争差异化所在。EncompaaS的首席执行官Jesse Todd强调，自GenAI诞生以来，他们一直在专业地准备非结构化数据，以合规的方式加速GenAI的成功。

GenAI的商业价值正在被重新定义，它不仅能够提升客户体验，还能通过自动化重复性任务、文档生成和个性化以及数据分析和分析来推动业务流程的优化。然而，要实现这些价值，组织必须首先发现、分类、管理和保护数据，以便GenAI能够进行查询。许多组织需要在数据泛滥和日益增长的安全隐私担忧中加强其数据环境。

数据质量、准确性和可靠性、安全性和隐私性以及成本和投资回报率是GenAI成功的四个关键支柱。研究发现，尽管许多企业领袖对GenAI的潜力感到兴奋，但他们的数据管理实践并未准备好迎接AI的挑战。Gartner的数据显示，由于数据质量差、风险控制不足、成本上升或业务价值不明确，到2026年，将有30%的GenAI项目在概念验证后被放弃。

在数据质量方面，一半的受访者对当前的表现感到满意，但另一半则不然，这表明他们在克服数据质量挑战方面遇到了困难。数据孤岛和对数据理解有限是数据质量性能面临的两大挑战。企业需要识别和理解数据的含义，并决定它是否适合GenAI进行查询。数据治理不善、组织数据可见性差、数据量和复杂性以及过时的管理系统是其他一系列挑战。

在准确性和可靠性方面，几乎一半的受访者对提供准确和可靠GenAI输出的能力感到不满。培训数据质量差、难以策划特定数据、解释性和透明度有限以及AI幻觉是解决这一问题最大的四个挑战。高质量的培训数据和正确的数据是GenAI成功的关键。企业需要通过监督机器学习、贝叶斯推断和AI就绪数据的组织、结构化和格式化来实现这一点。

在安全性和隐私性方面，70%的受访者对当前的表现感到满意。随着GenAI的商业价值增加，对质量和数据的依赖也随之增加，对安全性和隐私性表现的信心将受到考验。内部威胁、第三方风险和敏感数据位置的不可见性是主要的挑战。公司需要自动分析和分类记录，以适当反映信息的敏感性，并应用全面自动化的数据治理政策。

在成本和投资回报率方面，54%的受访者对当前的表现感到满意。但这不是一次性的考虑。内容以无法被GenAI轻松利用的方式不断创建。不可持续、不可重复或依赖于行为变化的过程将成为行政负担。好消息是，实现数据-AI准备实际上可以自动使用AI完成。AI的第一个最佳用例是使用它来排序、分类和消除数据风险，以惊人的速度和准确性。

不同地区的GenAI成熟度和价值提取存在差异。北美在GenAI成熟度曲线上位居首位，其次是欧洲，亚太地区落后。北美地区只有38%的受访者对当前GenAI项目的价值表示不满，而欧洲为45%，亚太地区高达84%。超过8成的亚太地区商业领袖也缺乏对数据-AI准备状态的信心，以实现未来的GenAI价值。

在B2B和B2C/混合公司之间，B2C/混合公司在GenAI成熟度曲线上似乎领先于B2B公司。然而，如果更仔细地查看每个公司认为GenAI影响和价值的地方，B2B可能比B2C更先进。在B2B中，预期的GenAI价值在于文档生成和个性化。在B2C/混合中，它在于简化业务流程和自动化重复性任务。

在公司规模方面，最大的公司对自己的数据-AI准备状态最有信心，但这种信心可以归因于他们的GenAI用例主要限于结构化数据盛行的应用。个性化甚至不在大型公司看到GenAI影响和价值的前三名列表中。

展望未来，实现数据-AI准备需要一系列能力，这些能力根据成熟度曲线的不同而有所不同。它们范围从投资技术到提高AI和数据素养，再到优先考虑GenAI用例。根据我们的调查受访者，未来几个月计划的前三个举措包括投资工具和技术、提高内部AI和数据素养以及GenAI用例优先级排序。其他举措包括数据安全、隐私和治理；数据准备和优化；以及AI实施策略。

提高数据素养应该被高度重视。GenAI依赖于理解数据供应链复杂性的人，并且能够弄清楚哪些数据点对GenAI重要。他们需要保持警惕，例如适应数据漂移。数据以微妙的方式变化，数据文盲的人可能会犯简单的错误，深刻影响GenAI答案。一家公司可以开发一个预测AI模型，检查标准表格，捕获某些值，并产生出色的输出，但当有人更新表格时，突然GenAI不读取正确的字段，并开始提供不准确的答案。

商业领袖应该推广提升员工技能的理念，而不是用AI取代他们。这不仅有助于授权和教育团队，还促进了对AI如何增强员工绩效的更积极的看法。保持人类对关键AI决策的控制可以防止过度依赖自动化系统，从而保留人类自主权。

通过这样做，商业领袖可以通过使员工在所有层面上理解和应用与AI系统合作的道德考虑，培养负责任的AI文化。

这篇文章的灵感来自于《BPI网络报告-通往通用人工智能竞争优势-您的数据是否准备好解锁通用人工智能的商业价值》。除了这份报告，还有一些同类型的报告也非常有价值，推荐阅读，这些报告我们都收录在同名星球，可以自行获取。

以上为节选样张，关注公众号【蝉鸣报告】回复领取PDF完整电子版（无广告）。

【蝉鸣报告】每日更新最新硬核报告，覆盖产业报告、全球化、经济报告、趋势等全领域。