生成性人工智能因其创新潜力而受到关注，但企业面临着重大障碍。*97%的组织在清晰呈现投资回报方面遇到困难。* 技术雄心伴随着复杂的现实，面临价值展示的挑战。*证明对商业绩效影响的斗争* 突显了对结果常常未能实现的期望。尽管局势复杂，但持续的推动力强调了将努力转向坚实基础的紧迫性。
证明生成性人工智能价值的挑战
大多数致力于实施生成性人工智能的企业，在证明其对商业绩效的影响时遇到重大障碍。根据Informatica和Wakefield Research发布的2025年CDO Insights报告，令人震惊的97%的数据负责人承认在量化其举措的投资回报时遇到困难。
尽管不确定性，投资持续增长
尽管面临困境，矛盾却显现。接近87%的组织已经采用或计划采用生成性人工智能，预计到2025年将增加在该领域的投资。这些企业中，有相当大比例，大约四分之一，计划显著增加这些支出。
美国在这一动态中很突出，93%的受访者表示投资将增加，而在欧洲为82%，在亚太地区为86%。这种投资意愿并没有减缓对成果的不确定性。无法证明这些技术的商业价值削弱了最初的热情。
证明附加值的障碍
企业最常提到的障碍包括与网络安全和合规性相关的挑战（46%），对人工智能负责任使用的疑虑（45%），以及对所获得结果的可靠性的怀疑（43%）。38%的受访企业对数据质量的信任也显得不足。
期望与现实之间的差距
报告强调了数据负责人和高层管理者之间日益扩大的期望差距。接近92%的负责人认为高层希望获得比技术能够提供的更快的结果。在美国，这一数字达到97%，突显了团队在迅速提供可量化成果方面面临的巨大压力。
企业的优先事项：数据质量和培训
面对面临的困难，企业现在重新调整其策略。大约86%的组织计划在2025年前增加对数据管理的投资。数据的可靠性和准备工作已成为最大化生成性人工智能潜力的优先事项。
组织面临的挑战包括迫切需要提高团队的数据识读能力。培训至关重要，因为几乎所有受访企业均报告了生成性人工智能的不当使用，导致合规性问题和使用不完整数据。
未来展望
从试点阶段过渡到生产阶段显得复杂。大约67%的组织未能将一半的试点项目转化为生产。技术障碍，如差质数据和使用技术的不成熟，带来了额外挑战。
研究还揭示，在项目启动时缺乏明确的KPI定义和对“价值”含义的共同理解，使得证明人工智能收益的能力受阻。加速生成性人工智能使用的愿望与某些失望的现实相抵触，提出了对这些投资未来的质疑。
关于生成性人工智能及其对商业绩效影响的常见问题
企业为何难以证明生成性人工智能的价值？
企业在证明生成性人工智能的价值时遇到困难，原因包括缺乏可靠数据、高层的非理想期望、以及网络安全和合规性问题。这些挑战使得投资回报的评估变得困难。
97%企业难以评估生成性人工智能的主要原因是什么？
原因包括难以建立绩效指标（KPI）、项目的实验性质，以及数据质量和团队内缺乏人工智能技能等技术障碍。
对生成性人工智能的投资愿望与实际成果如何对比？
尽管结果难以证明，87%的企业计划增加对生成性人工智能的投资。这显示了对技术的热情与可衡量收益现实之间的差距。
高层的期望在生成性人工智能的采用中扮演什么角色？
高层的非理想期望，希望快速取得成果，可能导致试点项目的增加而未能解决先前的问题，从而影响项目的可信度和有效性。
企业考虑哪些解决方案来克服这些挑战？
组织寻求加强数据质量和团队培训，86%的企业计划增加在数据管理上的支出，以确保生成性人工智能项目的更好准备和可靠性。
团队培训如何影响生成性人工智能的采用？
适当的培训对避免生成性人工智能的不当使用至关重要。平均而言，员工需要11个月才能达到足够的技能水平，以有效和负责任地使用这些工具。
