生成式人工智能指創建各種內容包括編碼軟件、自動化工業流程、創作音樂、制作深度研究報告等的工具，其正在以驚人的速度發展。近二十年，我從未見過任何技術發展得如此之快。現在，企業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模發揮作用。當然，我們以前也見過這種情況，新技術出現，承諾改變一切，但隨后卻因現實世界的商業限制而遭遇挫折。

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

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據。我稱之為 Fuechel 定律（以 IBM 講師George Feuchel 命名，他在 20 世紀 60 年代創造了“GIGO”一詞，即“垃圾進，垃圾出”）。混亂、無序和不完整的數據會使 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 系統阻礙 AI 集成的令人頭痛的問題，迫使企業必須投資昂貴的中間件解決方案才能使事情正常運轉。

不要忽視人的因素——對失業的恐懼和對變革的抵制正在全面減緩采用。

而籠罩一切的監管不確定性和合規風險讓法律團隊夜不能寐。

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

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化零部件和材料，但這之所以有效，是因為他們在數字基礎設施和數據治理方面投入了大量資金。大多數公司還沒有建立這樣的基礎。他們仍在努力應對過時的數據管理實踐，這意味著他們的人工智能計劃要么停滯不前，要么產生無人信任的結果。

麥肯錫的統計數據令人警醒：42% 使用人工智能進行財務預測的企業由于數據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據，但大多數公司仍然將數據視為 IT 問題，而不是關鍵業務資產。

從瓶頸到業務加速器

傳統的僵化治理模式旨在最大限度地遵守規范，而不是支持 AI 所需的靈活性。我們需要轉變思維。數據治理需要從勾選框的合規功能發展為真正實現人工智能驅動創新的敏捷方法。這意味著要做出三個關鍵改變：

1. 將數據視為產品，而不是基礎設施問題

企業需要的不是孤立的數據存儲，而是數據產品——精心策劃、自成體系的資產，能夠提供真正的商業價值，這是我兩周前寫的一個主題。例如，考慮一個設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據產品。采用數據網格原則可以幫助公司擺脫過時的架構。

2. 利用知識圖譜和數據目錄

你知道我經常聽到什么嗎？高管們認為人工智能可以取代數據目錄。正如我上個月所寫的那樣，這與事實相去甚遠。由知識圖譜驅動的現代數據目錄充當企業人工智能的“大腦和神經系統”。它們提供：

• 可發現性：人工智能只有知道存在哪些數據才能發揮作用
• 治理：人工智能模型必須遵守 GDPR 等法規
• 協作：當業務和數據團隊共同合作時，人工智能才能發揮最佳作用

3. 轉向自下而上的敏捷數據治理

傳統的“自上而下”治理會拖慢一切。相反，敏捷數據治理使邊緣團隊（業務部門、數據科學家和工程師）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？

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

1.Indeed 的數據治理成功： Indeed 是全球最大的求職網站和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，而是讓已經在進行非正式數據治理的員工參與進來，并授權他們改進全公司的最佳實踐。結果如何？數據采用率更高、AI 準確性更高、效率全面提高。

2.羅克韋爾自動化的 AI 就緒基礎設施：羅克韋爾沒有嘗試一次性徹底改造整個系統，而是逐步更新其PLC 控制器，使其與 AI 兼容。這種戰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 驅動交易，而不會暴露客戶數據。他們是如何做到的？通過聯合學習和基于加密的 AI 模型，確保他們遵守法規，同時仍能實現創新。

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。

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 準備情況調查，以了解貴公司的現狀。大多數公司都高估了自己的準備程度，但后來卻因治理和基礎設施挑戰而措手不及。

2.優先考慮 AI 就緒的數據治理：從合規性強的自上而下的模式轉變為符合業務目標的敏捷數據治理。這意味著投資數據產品、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造商業價值，而這要從智能治理開始。

人工智能的發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鍵領域的優勢和差距：

• 數據文化
• 治理與合規
• 人工智能戰略與高級分析
• 運營與基礎設施

大多數公司在這些領域的得分遠低于行業平均水平。取得領先地位的唯一方法是衡量自己的立場，并根據真實的需求制定戰略。