蝉鸣报告（原爱报告知识星球）
电信管理论坛（TM Forum）近日发布了一份名为《Optimizing governance to accelerate GenAI deployment》的行业研究报告。这份报告深入探讨了通信服务提供商（CSPs）在将生成式人工智能（GenAI）从概念验证阶段推进到规模化生产部署中所面临的治理挑战，并提供了如何通过优化治理框架来加速GenAI部署的见解和建议。报告指出，治理在确保AI技术的伦理、负责任和合法使用方面至关重要，特别是在电信行业中，缺乏有效的治理往往是导致GenAI项目无法规模化生产的主要原因。报告中详细分析了数据治理与AI模型治理的联系、可解释AI的重要性、AI卓越中心的作用以及TM Forum开放数字架构（ODA）如何帮助CSPs应对数据和AI治理挑战等内容，为业界提供了宝贵的参考和行动指南。
治理对于电信行业至关重要，它确保了人工智能技术的道德、负责任和合法使用。对于通信服务提供商（CSPs）来说，实施全面的人工智能治理策略和框架是实现从概念验证到广泛部署技术真正商业价值的关键一步。IBM的CTO Eoin Coughlan强调，没有治理的项目往往会失败，因为它们无法通过法律审查，无法通过风险评估，也无法投入生产。近期的两项研究也突显了将生成式AI（GenAI）规模化生产的难度：联想委托IDC在2025年2月发布的报告发现，88%的GenAI试点从未投入生产；而MIT在7月发布的更近期的研究则强调，高达95%的GenAI工具未能实现预期的投资回报（ROI）。TM Forum的CEO Nik Willetts在美洲创新大会上的主题演讲中提到，电信行业中超过一半的AI计划从未真正起步，这不仅仅是规模问题，更是挫败感的体现。
电信高管们乐观地认为，只要能够解决“数据混乱、技术碎片化、安全与治理以及人才与文化”这四个主要挑战，他们的公司就能超越生成式和代理式AI的概念验证阶段。数据和AI治理密不可分，TM Forum Insight关于数据架构的最新调查发现，缺乏现代数据架构和思维方式可能会阻碍CSPs充分利用AI的优势。本报告深入分析了关于数据治理实践和可解释AI的调查结果，并提供了AI法规的全球概览。
AI中心卓越中心在管理风险和合规方面发挥着重要作用，因为运营商增加了生成式和代理式AI用例的部署。这些中心作为AI的重要保障，但如果治理过于集中，可能会扼杀创新。因此，许多运营商将AI中心卓越中心视为成为AI原生组织旅程中的垫脚石。
TM Forum Open Digital Architecture（ODA）的演变也在帮助CSPs应对数据和AI治理挑战，协作是实现AI代理安全、可解释通信的关键。AI治理是一个广泛且多层面的话题，可以从高层次的原则和指导方针开始，然后深入到治理如何通过工具、平台和流程（如AIOps、MLOps和LLMOps）得以实现。
报告还探讨了CSPs在部署生成式和代理式AI方面的进展。TM Forum的Insight团队已经对CSPs在部署GenAI方面的进展进行了近两年的调查。本报告基于三项调查结果，这些调查结果在下面的研究中进行了分析。报告发现，不到20%的受访者正在部署多个GenAI用例，近一半的人表示他们要么仍在观察其他公司的GenAI部署，要么已经创建了一些有限的概念验证（POC）。
在中国，三大电信运营商——中国移动、中国电信和中国联通——可以说是全球在部署生成式和代理式AI方面最先进的。例如，中国移动正在迅速将代理式AI整合到其网络运营中。该公司已经在多个运营公司过渡到黑暗网络运营中心（NOCs），通过用能够自主决策的AI代理取代传统的人为定义自动化，实现了多个用例和多个领域的四级自主网络。作为结果，该运营商已经减少了相当于5500个全职角色的运营人员。
在全球范围内，CSPs每天集体生成和处理的数据量达到艾字节，包括客户个人和行为信息。使用或分析这些数据的AI系统可能会无意中暴露敏感信息，违反隐私和AI法规，这些法规在全球范围内越来越普遍。网络运营商必须在全球范围内越来越多的AI法规中导航。除了这些规则外，AI系统还必须遵守当地的数据主权法规，涉及个人数据的AI输出还必须符合数据隐私要求。
AI模型治理涉及监督模型的开发、训练、部署和监控，以确保道德和可靠的性能。这里，治理解决的是偏见、缺乏可解释性和幻觉等风险。CSPs需要为GenAI模型批准、审计和生命周期管理定义明确的过程和政策，但许多CSPs缺乏这些。在GAMIT调查中，超过一半的受访者表示，他们的GenAI治理没有包括一个明确定义的过程或政策，用于审查模型和用例，以解决潜在的负面影响。
AI模型治理和数据治理在风险分析、隐私、道德和货币化等基本考虑因素上有很多共同之处。随着AI领域的成熟，我们将看到AI治理和数据治理有很多重叠的材料，有很多共同点和共同的方法来实现它们的操作。接下来，我们解释了我们所说的可解释AI及其对治理的重要性。
治理旨在通过设置保障措施来保护数据免受幻觉和滥用。数据治理保障措施包括数据访问控制、数据质量标准和元数据管理等措施，以记录数据的来源和使用方式。AI模型治理保障措施则侧重于AI系统本身的可靠性和行为。调查显示，CSPs正在采用的数据治理实践（在数据架构报告中，您可以看到按地区细分的数据）在实施合作、合规和确保数据质量和安全等基础实践方面是令人鼓舞的。但操作和战略实践，如数据管理、审计和元数据管理，并没有得到同样广泛的采用。
事实上，元数据管理，可以显著提高数据的可用性，在我们认为是最具前瞻性的实践中最不常被提及。元数据有助于运营商自动化他们的数据管道，并确保数据的准确性，从而实现实时决策。它还支持AI模型的可解释性和可审计性。在数据架构调查中，只有14%的受访者表示他们正在实施可解释AI（XAI）技术，这比我们询问的其他数据隐私和安全方法的实施比例要低得多（见第20页的图表）。可能是因为XAI技术仍在兴起，而且在大多数国家还不是法律要求。一些运营商可能还担心，使用这些工具带来的额外透明度可能会暴露他们的专有算法，并创造新的攻击漏洞。
随着AI的采用，安全威胁也在增加。Vodafone的Petty和BT的Watson在DTW小组讨论中强调了随着AI的采用而增加的安全威胁。GenAI的一个重大风险是黑客利用它来开发令人信服的社会工程策略，欺骗电信员工，Petty说。“这种威胁越来越难以防御，他们的攻击方式越来越复杂。”Saleemi补充说，XAI的操作复杂性也在增加。“在传统的机器学习中，你有很多工具，可以帮助你解释你的机器学习模型得到的任何结果，但鉴于生成式AI的规模和底层技术的复杂性，这变得越来越困难。”他说，“多模态输出”（代码、图像和视频以及文本）正在增加复杂性。
再次强调，关注数据质量至关重要。“如果你想最小化幻觉，你需要将你的AI植根于你的数据中，”Saleemi说。“如果你对数据质量有信心，那么你就可以增加你的AI结果更值得信赖的可能性。它不会100%消除幻觉，但它会大大减少和最小化它们。”
AT&T的Markus向Innovate Americas的观众提供了类似的建议。他说，为了提高数据质量和准确性，AT&T通过参加BIRD和Spider 2.0基准测试来外部测试其技术，这两个是测试AI模型文本到SQL任务最先进和广泛使用的评估框架之一。AT&T将这项经过验证的技术应用于“用正确的业务和技术元数据策划”的数据产品，“解决方案的准确性趋于100%”，Markus说。这种方法正在推动真正的商业影响，他补充说。“我们有一个衡量标准，即每投资一美元自由现金流，就会影响价值的2倍回报。而这些是多年期的商业案例。所以，那个2倍将增长到4倍、5倍、6倍。”
接下来，我们将看看AI卓越中心在促进良好治理方面的作用。大多数大型CSPs都在组织的最高层设立了由CEO领导的AI委员会来评估高价值用例，许多已经建立了AI卓越中心来加速用例部署。但存在集中治理成为瓶颈，扼杀创新的风险。
建立AI卓越中心是AI采用的常见起点。这些中心为道德AI使用设定了治理框架，并管理风险，确保监管合规。它们通常还负责提供AI素养培训，并选择业务团队可以使用的工具和平台。AI卓越中心是除了数据卓越中心之外创建的，后者专注于数据质量和管理。
但随着电信运营商增加AI素养和经验，治理模式需要演变。Saleemi警告说，过度集中化会减缓进展，完全分散化会导致“混乱的环境”。目标是将治理适应组织的成熟度水平，最终目标是实现AI原生状态，治理不那么集中，AI嵌入所有流程和业务部分。
随着电信运营商增加AI素养和经验，治理模式需要演变。在早期阶段，建立卓越中心是AI采用的起点。在中间阶段，采用联合模型，随着成熟度的提高，AI被嵌入。随着电信运营商增加AI素养和经验，治理模式需要演变。
Telus的CIO Hesham Fahmy在DTW Ignite 2025小组讨论中区分了卓越中心和“赋能中心”，他说：“我知道这是一个小[点]，但言辞很重要……因为它不是集中的地方，你想要的所有卓越都在那里——它变成了瓶颈。它实际上是，你如何分配和真正民主化和授权每个人？”
在2022年，Telus成立了一个由CEO Darren Entwistle主持的GenAI委员会。这个小组设定了愿景，“北极星”，Fahmy解释说，委员会的任务是回答诸如：“我们的优先级是什么？我们如何分配资源？我们如何看待人员因素？
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。
