人工智能以惊人的速度进入市场，推动了巨大的关注和采用。但现在，这一进程似乎正在放缓。
商业领袖们仍然在谈论拥抱人工智能，因为他们希望获得好处——麦肯锡估计，生成性人工智能可以为公司节省高达2.6万亿美元的运营成本。然而，他们并没有付诸行动。根据对高级分析和IT领导者的一项调查，目前只有20%的生成性人工智能应用处于生产状态。
为什么兴趣与现实之间存在如此大的差距？
答案是多方面的。关于安全性和数据隐私、合规风险和数据管理的担忧非常突出，但也存在对人工智能缺乏透明度的焦虑，以及对投资回报、成本和技能差距的担忧。在本文中，我们将探讨人工智能采用的障碍，并分享一些商业领袖可以采取的措施来克服这些障碍。
掌握数据
“高质量的数据是准确和可靠的人工智能模型的基石，而这些模型又推动了更好的决策和结果，”SolarWinds的解决方案工程全球负责人Rob Johnson说，并补充道：“可信的数据在IT专业人士中建立了对人工智能的信任，加速了人工智能技术的更广泛采用和整合。”
如今，只有43%的IT专业人士表示他们对满足人工智能的数据需求感到自信。考虑到数据对人工智能成功的重要性，数据挑战常常被引用为人工智能采用缓慢的一个因素，这并不令人惊讶。
克服这一障碍的最佳方法是回归数据基础。组织需要从头开始建立强大的数据治理策略，实施严格的控制以确保数据质量和完整性。
认真对待伦理和治理
随着法规的激增，合规性已经成为许多组织的一个头痛问题。人工智能只会增加新的风险领域、更多的法规以及商业领袖需要担心的伦理治理问题，以至于安全和合规风险成为Cloudera《企业人工智能与现代数据架构状态报告》中被引用最多的担忧。
虽然人工智能法规的增加乍一看可能令人担忧，但高管们应该拥抱这些框架所提供的支持，因为它们可以为组织提供一个构建自身风险控制和伦理框架的结构。
制定合规政策、任命人工智能治理团队，并确保人类在人工智能驱动的决策中保留权威，都是创建全面的人工智能伦理和治理体系的重要步骤。
加强对安全和隐私的控制
安全和数据隐私问题对每个企业来说都是一个重大隐患，原因不言而喻。思科2024年数据隐私基准研究显示，48%的员工承认在生成性人工智能工具中输入了非公开的公司信息（还有一些人做了却不愿承认），导致27%的组织禁止使用此类工具。
减少风险的最佳方法是限制对敏感数据的访问。这涉及加强访问控制和权限管理，并将数据与公开托管的LLM隔离。Pyramid Analytics的首席技术官Avi Perez解释说，他的商业智能软件的人工智能基础设施是故意构建的，以将数据与LLM隔离，仅共享描述问题的元数据，并与LLM接口，这是本地托管引擎进行分析的最佳方式。“这里有一大堆问题。这不仅仅是隐私问题，还有误导性结果。因此，在这个框架下，数据隐私及其相关问题在我看来是巨大的，它们是一个障碍，”Perez说。然而，使用Pyramid的设置，“LLM生成配方，但在此过程中从未接触数据，也没有进行数学运算。 […] 这消除了大约95%的数据隐私风险问题。”
提高透明度和可解释性
另一个严重的障碍是对人工智能结果缺乏信任。亚马逊的人工智能招聘工具歧视女性的臭名昭著的故事已成为一个警示故事，吓跑了许多人。对抗这种恐惧的最佳方法是提高可解释性和透明度。
“人工智能透明度是关于清晰地解释输出背后的推理，使决策过程可访问和易于理解，”UST的首席人工智能架构师Adnan Masood说，他还是微软的区域总监。“归根结底，这就是消除人工智能的黑箱神秘感，并提供对人工智能决策过程的如何和为什么的洞察。”不幸的是，许多高管忽视了透明度的重要性。最近的一项IBM研究报告显示，只有45%的首席执行官表示他们在提供开放性能力方面做到了。人工智能倡导者需要优先制定严格的人工智能治理政策，以防止黑箱的出现，并投资于可解释性工具，如SHapley加法解释（SHAPs）、谷歌的公平性指标等公平性工具，以及内部审计师协会的人工智能审计框架等自动合规检查。
明确商业价值
成本始终是人工智能障碍之一。Cloudera的调查发现，26%的受访者表示人工智能工具太贵，而Gartner将“商业价值不明确”列为人工智能项目失败的一个因素。然而，同一份Gartner报告指出，生成性人工智能在其用户中平均带来了超过15%的收入增长和成本节约，证明了如果正确实施，人工智能可以推动财务增长。
这就是为什么像对待其他商业项目一样对待人工智能至关重要——识别能够快速带来投资回报的领域，定义您期望看到的好处，并设定具体的关键绩效指标，以便您能够证明价值。“虽然构建人工智能战略和路线图需要很多工作，但一个关键的第一步是识别最有价值和最具变革性的人工智能用例，”UiPath的产品营销总监Michael Robinson说。
建立有效的培训计划
技能差距仍然是人工智能采用的一个重大障碍，但似乎对此问题的解决努力不够。Worklife的一份报告指出，人工智能采用的初期繁荣来自早期采用者。现在，落后者面临着固有的怀疑态度，通常对人工智能和任何新技术缺乏信心。
这使得培训变得至关重要。然而，根据Asana的《工作中的人工智能状态》研究，82%的参与者表示他们的组织没有提供关于使用生成性人工智能的培训。没有迹象表明培训没有效果；相反，表明培训没有按应有的方式进行。
明确的结论是提供全面的培训，涵盖高质量提示和其他相关技能。令人鼓舞的是，同一项研究表明，即使在没有培训的情况下使用人工智能也能提高人们的技能和信心。因此，开始使用低代码和无代码工具，让不熟悉人工智能的员工在工作中学习是个好主意。
人工智能采用的障碍并非不可逾越
尽管人工智能的采用速度放缓，但并没有迹象表明它在长期内会面临危险。阻碍公司推出人工智能工具的许多障碍可以在不费太多力气的情况下克服。许多步骤，如加强数据质量和伦理治理，无论是否考虑人工智能，都应采取，而其他措施则会通过增加收入和人工智能带来的生产力提升而自我偿还。
