2025 年 AI 采用方面的 5 大挑战

5 年前，IBM 的 Rob Thomas 和 Paul Zikopoulos 构建了一个成功采用人工智能 (AI) 的框架，称为 AI Ladder，这是一种“统一的、规范的方法，旨在帮助 [领导者] 理解和加速 AI 之旅”。该框架内容形成了一本书，而该书因为其中一个现在看起来相当过时的设置悬念方式被揶揄：

“每个人都在谈论 AI。这是为什么？我们相信 AI 将为各行各业各种规模的企业带来巨大的机遇。”

考虑到当今的 AI 环境，想象一下 Rob 和 Paul 认为有必要说服读者 AI 将成为一件大事的世界，实在是一件有趣的事情。同样值得注意的是阶梯的“级数”：现代化、收集、组织、分析和融入。

早在 2020 年，有许多组织甚至还没有开始踏上第一阶。仅仅 5 年后，已经不需要 McKinsey 的报告来告诉您 AI 就是未来。

几乎每个组织都能以不同程度接纳 AI。新技术的进步使得实现 AI 整合变得更加容易，从而可立即实现投资回报率 (ROI)。

对 AI 缺乏热情从来不是对 AI 潜力不确定的问题，而是如何正确使用它的问题。

IBM 商业价值研究院发布了一份报告，揭示了有关 AI 采用的一些有趣数据，即阻碍组织在生成式人工智能（生成式 AI）方面取得进展的障碍。

近一半的受访者对数据准确性或偏见表示担忧。企业领导者可以通过优先考虑治理、透明度和 AI 道德来克服这些顾虑。

AI 治理对于 AI 技术的开发和应用达到合规、信任和高效的状态至关重要。有效的 AI 治理包括针对偏见、隐私侵犯和滥用等风险的监督机制，同时促进创新和建立信任。

强大的治理结构，例如道德 AI 委员会和遵守监管框架，有助于维持问责制和负责任的 AI 部署。

AI 道德是一个多学科领域，研究如何优化 AI 的有益影响，同时降低风险和不良后果。AI 道德包括数据责任和隐私、公平性、可解释性、健壮性、透明度和其他道德考量因素。

公平性检查和其他纠正措施属于 AI 道德规范的范畴，有助于确保 AI 输出可靠和公平。

AI 透明度可帮助人们访问信息，以更好地了解如何创建 AI 解决方案以及它如何做出决策。研究人员有时将 AI 描述为“黑匣”，因为随着技术的日益复杂，解释、管理和监管 AI 结果仍然很具挑战性。AI 透明度有助于打开这个黑匣，从而更好地了解 AI 结果。

约 42% 的受访者表示，他们认为自己的组织无法获取足够多的专有数据。通过结合使用数据增强、合成数据生成和战略数据合作伙伴关系，企业可以应对用于定制生成式 AI 模型的高质量数据不足的重大挑战。

一种有效的方法是通过增强技术（例如复述、翻译或添加噪声）来增强现有数据集，以增加多样性，而无需收集全新的数据。

通过计算机模拟人工创建的或 AI 算法生成的合成数据可以取代真实世界的数据。当现实世界数据不容易获得时，这些数据可以用作现实世界数据的替代或补充。

另一个关键战略是建立战略伙伴关系并参与行业范围的数据共享计划。与非竞争公司、研究机构或财团合作使企业能够访问更大、更多样化的数据集，同时避免道德问题并遵守法律标准。

联合学习，即在分散的数据源上训练模型而不共享原始数据，是从外部数据中获得益处同时保持安全性和合规性的另一种方法。

AI 仍然是新兴事物，但企业可以通过投资人才发展、战略合作伙伴关系和易于使用的 AI 工具来解决生成式 AI 专业知识不足的问题。

最有效的方法之一是提高现有员工的技能，这可借助专门训练计划、研讨会和认证（AI 和机器学习 (ML) 方面）来实现。提供使用 AI 工具的实践体验并培养持续学习的文化有助于弥合内部的技能差距。

除了培养内部的专业知识外，企业还可以与 AI 供应商、研究机构和咨询公司合作，以获得专业知识。

与 AI 初创公司或科技提供商合作，企业将可以利用外部专业知识，而无需从头开始构建一切。参与开源生态系统还可以提供有价值的洞察分析和预先构建的模型，从而降低实施 AI 战略的复杂性。

另一种解决方案是采用低代码或无代码 AI 平台，让技术背景有限的员工也能使用生成式 AI。这些工具简化了 AI 的部署和定制，使企业无需深厚的专业知识即可更轻松地将 AI 集成到其工作流程中。

公司应从成本节约、收入增长、竞争优势和风险缓解等方面来为生成式 AI 计划进行财务论证。

他们需要确定生成式 AI 功能可以提高效率的具体用例，例如自动化业务流程、生成营销内容或加速数字化转型

。通过量化 AI 的优点，例如供应链自动化降低了劳动力成本、加快了产品上市速度或提高了用户参与度，企业可以估算出投资回报率。

企业还应考虑充分挖掘新的收入来源的潜力，例如人工智能驱动产品、个性化客户体验或实时决策。从小型、低风险的试点项目开始可以带来切实的结果，证明进一步投资的合理性。

风险评估在财务论证中也发挥着作用。企业必须权衡不作为的代价，包括被使用 AI 技术的竞争对手夺走市场份额，或 AI 项目本可以解决的低效问题导致的市场份额流失。

隐私问题仍然是生成式 AI 实施的主要障碍。再次，数据治理和负责任 AI 发挥了作用。关键的第一步是通过使用匿名化、差异隐私和加密等数据管理技术，在向 AI 模型提供信息之前，限制敏感数据的泄露。

因此可降低个人身份信息 (PII) 或专有业务数据泄露的风险。企业还应帮助确保 AI 系统遵循严格的访问控制和审计机制，以跟踪与数据交互的人员以及数据的使用方式。

联合学习是一种有效的方法，允许 AI 模型在多个分散的数据集上进行训练，而无需移动数据本身，从而保护隐私。

监管合规性是另一个关键因素。企业必须确保其 AI 使用符合全球数据隐私法，如 GDPR、CCPA 和行业特定法规。定期进行隐私影响评估并维护有关 AI 应用程序如何处理数据的清晰文档，可以帮助企业保持合规并建立客户的信任。

从好的方面来看，许多组织正在顺利应对这些挑战：

• 80% 的受访企业在其风险职能部门中设有单独的部分，专门负责与 AI 或生成式 AI 相关的风险。

• 81% 的受访企业定期进行风险评估，以识别生成式 AI 带来的潜在安全威胁。

• 78% 的受访企业保留了丰富的文档资料，以增强对生成式 AI 模型的工作和训练方式的可解释性。

• 76% 的受访企业为生成式 AI 治理建立了明确的组织结构、政策和流程。

• 72% 的受访企业制定管理数据和应对潜在风险的政策和程序。

应对 AI 应用的常见挑战需要采取整体方法，不仅要纳入 AI 开发团队，还考虑来自技术、财务、安全和法律部门的利益相关者。但是，考虑到科技的发展速度如此迅猛，落伍者最好今天就开始追赶。