生成式人工智能指創(chuàng)建各種內(nèi)容包括編碼軟件、自動化工業(yè)流程、創(chuàng)作音樂、制作深度研究報告等的工具，其正在以驚人的速度發(fā)展。近二十年，我從未見過任何技術(shù)發(fā)展得如此之快。現(xiàn)在，企業(yè)不再考慮是否使用生成式人工智能，而是考慮如何讓其大規(guī)模發(fā)揮作用。當然，我們以前也見過這種情況，新技術(shù)出現(xiàn)，承諾改變一切，但隨后卻因現(xiàn)實世界的商業(yè)限制而遭遇挫折。

這正是 GenAI 目前正在發(fā)生的事情。是的，有些公司確實做得非常好。博世已將 AI 融入制造業(yè)，梅奧診所正在利用它來改變醫(yī)療保健行業(yè)，藥物研發(fā)初創(chuàng)公司 Insilico 正在利用 AI 來發(fā)現(xiàn)纖維化的治療方法，還有很多很好的例子。但問題是，絕大多數(shù)公司還沒有做好準備。事實上，96% 的技術(shù)領(lǐng)導者表示，從數(shù)據(jù)角度來看，他們還沒有為 AI 做好準備，你相信嗎？這是 Gartner 去年得出的驚人統(tǒng)計數(shù)據(jù)。數(shù)據(jù)是企業(yè) AI 的燃料；數(shù)據(jù)是關(guān)于企業(yè)或組織的事實。如果你不能很好地管理事實，你如何管理好企業(yè)？

為什么這么多公司陷入困境？

這些障礙是真實存在的，讓我們來打破它們：許多組織都在處理混亂、不完整或有偏見的數(shù)據(jù)。我稱之為 Fuechel 定律（以 IBM 講師George Feuchel 命名，他在 20 世紀 60 年代創(chuàng)造了“GIGO”一詞，即“垃圾進，垃圾出”）?；靵y、無序和不完整的數(shù)據(jù)會使 AI 輸出混亂、無序和不完整。換句話說，毫無用處甚至更糟。

此外，還有遺留 IT 系統(tǒng)阻礙 AI 集成的令人頭痛的問題，迫使企業(yè)必須投資昂貴的中間件解決方案才能使事情正常運轉(zhuǎn)。

不要忽視人的因素——對失業(yè)的恐懼和對變革的抵制正在全面減緩采用。

而籠罩一切的監(jiān)管不確定性和合規(guī)風險讓法律團隊夜不能寐。

加深您對所面臨挑戰(zhàn)的理解的一個好方法是通過我們在幾周前發(fā)布的人工智能準備情況調(diào)查，我將在下面分享更多細節(jié)。

以寶馬為例。這家著名的德國汽車制造商正在使用生成式人工智能來優(yōu)化零部件和材料，但這之所以有效，是因為他們在數(shù)字基礎(chǔ)設(shè)施和數(shù)據(jù)治理方面投入了大量資金。大多數(shù)公司還沒有建立這樣的基礎(chǔ)。他們?nèi)栽谂獙^時的數(shù)據(jù)管理實踐，這意味著他們的人工智能計劃要么停滯不前，要么產(chǎn)生無人信任的結(jié)果。

麥肯錫的統(tǒng)計數(shù)據(jù)令人警醒：42% 使用人工智能進行財務預測的企業(yè)由于數(shù)據(jù)管理不善而遭遇準確性問題。同樣，人工智能的好壞取決于輸入數(shù)據(jù)，但大多數(shù)公司仍然將數(shù)據(jù)視為 IT 問題，而不是關(guān)鍵業(yè)務資產(chǎn)。

從瓶頸到業(yè)務加速器

傳統(tǒng)的僵化治理模式旨在最大限度地遵守規(guī)范，而不是支持 AI 所需的靈活性。我們需要轉(zhuǎn)變思維。數(shù)據(jù)治理需要從勾選框的合規(guī)功能發(fā)展為真正實現(xiàn)人工智能驅(qū)動創(chuàng)新的敏捷方法。這意味著要做出三個關(guān)鍵改變：

1. 將數(shù)據(jù)視為產(chǎn)品，而不是基礎(chǔ)設(shè)施問題

企業(yè)需要的不是孤立的數(shù)據(jù)存儲，而是數(shù)據(jù)產(chǎn)品——精心策劃、自成體系的資產(chǎn)，能夠提供真正的商業(yè)價值，這是我兩周前寫的一個主題。例如，考慮一個設(shè)計良好的客戶流失模型。這是一個直接為決策提供信息的數(shù)據(jù)產(chǎn)品。采用數(shù)據(jù)網(wǎng)格原則可以幫助公司擺脫過時的架構(gòu)。

2. 利用知識圖譜和數(shù)據(jù)目錄

你知道我經(jīng)常聽到什么嗎？高管們認為人工智能可以取代數(shù)據(jù)目錄。正如我上個月所寫的那樣，這與事實相去甚遠。由知識圖譜驅(qū)動的現(xiàn)代數(shù)據(jù)目錄充當企業(yè)人工智能的“大腦和神經(jīng)系統(tǒng)”。它們提供：

• 可發(fā)現(xiàn)性：人工智能只有知道存在哪些數(shù)據(jù)才能發(fā)揮作用
• 治理：人工智能模型必須遵守 GDPR 等法規(guī)
• 協(xié)作：當業(yè)務和數(shù)據(jù)團隊共同合作時，人工智能才能發(fā)揮最佳作用

3. 轉(zhuǎn)向自下而上的敏捷數(shù)據(jù)治理

傳統(tǒng)的“自上而下”治理會拖慢一切。相反，敏捷數(shù)據(jù)治理使邊緣團隊（業(yè)務部門、數(shù)據(jù)科學家和工程師）能夠迭代地做出治理決策。采用這種方法的公司可以在 AI 計劃上更快地獲得投資回報。

獲勝者做了哪些不同的事情？

人工智能應用領(lǐng)域的領(lǐng)導者不僅使用技術(shù)，他們還巧妙地管理技術(shù)。讓我分享一些現(xiàn)實世界的例子：

1.Indeed 的數(shù)據(jù)治理成功： Indeed 是全球最大的求職網(wǎng)站和data.world客戶，它將治理從障礙變成了加速器。他們沒有從上層強加嚴格的政策，而是讓已經(jīng)在進行非正式數(shù)據(jù)治理的員工參與進來，并授權(quán)他們改進全公司的最佳實踐。結(jié)果如何？數(shù)據(jù)采用率更高、AI 準確性更高、效率全面提高。

2.羅克韋爾自動化的 AI 就緒基礎(chǔ)設(shè)施：羅克韋爾沒有嘗試一次性徹底改造整個系統(tǒng)，而是逐步更新其PLC 控制器，使其與 AI 兼容。這種戰(zhàn)略性模塊化方法將停機時間減少了 70%，同時確保 AI 的采用順利進行。

3.摩根大通的機密 AI 交易：摩根大通每天處理 60 億美元的AI 驅(qū)動交易，而不會暴露客戶數(shù)據(jù)。他們是如何做到的？通過聯(lián)合學習和基于加密的 AI 模型，確保他們遵守法規(guī)，同時仍能實現(xiàn)創(chuàng)新。

這些公司之所以取得成功，是因為他們認識到人工智能治理并不是事后才想到的，而是人工智能準備的基礎(chǔ)。

如何做好迎接人工智能的準備？

如果您希望擺脫炒作，讓生成式 AI 在您的組織中成為現(xiàn)實，您需要一個明確的計劃。我建議從以下方面入手：

1.評估您的 AI 準備情況：進行AI 準備情況調(diào)查，以了解貴公司的現(xiàn)狀。大多數(shù)公司都高估了自己的準備程度，但后來卻因治理和基礎(chǔ)設(shè)施挑戰(zhàn)而措手不及。

2.優(yōu)先考慮 AI 就緒的數(shù)據(jù)治理：從合規(guī)性強的自上而下的模式轉(zhuǎn)變?yōu)榉蠘I(yè)務目標的敏捷數(shù)據(jù)治理。這意味著投資數(shù)據(jù)產(chǎn)品、知識圖譜和自動化工具，以減少治理摩擦。

3.衡量投資回報率并進行迭代：人工智能的成功不僅僅在于部署，還在于衡量影響。追蹤人工智能治理投資回報率（無論是效率提升、風險降低還是新收入）的公司更有可能成功擴展人工智能。

請記住，目標不僅僅是實施人工智能，而是通過人工智能創(chuàng)造商業(yè)價值，而這要從智能治理開始。

人工智能的發(fā)展速度比以往任何時候都快，但您的組織跟上了嗎？我們可以幫助您評估關(guān)鍵領(lǐng)域的優(yōu)勢和差距：

• 數(shù)據(jù)文化
• 治理與合規(guī)
• 人工智能戰(zhàn)略與高級分析
• 運營與基礎(chǔ)設(shè)施

大多數(shù)公司在這些領(lǐng)域的得分遠低于行業(yè)平均水平。取得領(lǐng)先地位的唯一方法是衡量自己的立場，并根據(jù)真實的需求制定戰(zhàn)略。