随着 AI 从试验阶段向实际部署转变,企业正致力于探索在大规模实施中真正有效的最佳实践。
多家供应商的多项研究已概述了主要挑战。根据 Vellum 最近的一份报告,仅有 25% 的组织在生产环境中部署了 AI,而能够证实有显著影响的组织更少。此外,Deloitte 的一份报告也发现,许多组织在扩展应用范围和风险管理方面面临类似的挑战。
本周发布的一项来自 Accenture 的新研究,通过数据驱动的分析揭示了领先企业如何在整个企业中成功实施 AI。题为 “Front-Runners’ Guide to Scaling AI” 的报告基于对近 2000 家年度收入超过 10 亿美元的全球公司的 2000 名 C 级高管和数据科学主管的调查。研究结果揭示了 AI 理想与实际执行之间存在的显著差距。
研究结果展示了一个令人深思的现状:只有 8% 的公司真正称得上是“领跑者”,能够成功规模化多个战略性 AI 项目,而 92% 的公司则在从试点阶段推进到全面实施上举步维艰。
对于引领 AI 实施的企业 IT 领导者来说,该报告提供了关键见解,阐明了成功规模化 AI 与停滞不前的项目之间的差别,并强调了战略性投资、人才培养和数据基础设施的重要性。
以下是 Accenture 研究中为企业 IT 领导者总结的五项关键启示。
1. 人才成熟度比投资更能决定规模化成功
尽管多数组织主要关注于技术投资,但 Accenture 的研究显示,人才培养实际上是成功实施 AI 的最关键的差异化因素。
Accenture 数据与 AI 负责人 Senthil Ramani 在接受 VentureBeat 采访时表示:“我们发现,最重要的成就因素不是投资,而是人才成熟度。领跑者的人才成熟度是其他群体的四倍,他们通过更有效地执行人才策略以及将人才相关投入定向于最有价值的用途来引领行业。”
报告表明,领跑者通过以人为本的策略展现出差异化优势。他们在文化适应上投入是其他公司的四倍,人才对齐的重视程度是其他公司的三倍,并且结构化培训计划的实施频率是竞争对手的两倍。
IT 领导者行动建议:制定全面的人才战略,既涵盖技术技能又兼顾文化适应性。建立集中式 AI 卓越中心 —— 报告显示,57% 的领跑者采用这一模式,而快进者仅有 16%。
2. 数据基础设施成就或破坏 AI 规模化努力
也许企业全面部署 AI 面临的最重大障碍是数据准备不足。报告显示,有 70% 的受访企业承认在扩大 AI 规模时需要坚实的数据基础。
Ramani 表示:“大多数尝试扩大 AI 规模的公司所面临的最大挑战在于构建合适的数据基础设施。97% 的领跑者已经为生成式 AI 开发了三个或更多全新数据与 AI 能力,而仅有 5% 的实验型企业如此。”
这些核心能力包括先进的数据管理技术,如检索增强生成 ( RAG )(领跑者中有 17% 使用,而快进者仅有 1%)以及知识图谱(领跑者 26% 对比快进者 3%),同时涵盖零方、二方、三方和合成数据的多样化利用。
IT 领导者行动建议:进行全面的数据准备评估,明确聚焦于 AI 实施需求。优先构建处理非结构化数据与结构化数据的能力,并制定整合组织隐性知识的策略。
3. 战略性投资相较于广泛实施能带来更高回报
尽管许多组织试图在多个职能部门同时实施 AI,但 Accenture 的研究表明,聚焦的战略性投资能带来显著更优的成效。
Ramani 表示:“C 级领导者首先需要就‘价值’的含义及其实现路径达成一致并明确表达。在报告中,我们提到了‘战略性投资’,即指针对生成式 AI 的显著、长期投资,聚焦于企业价值链核心部分并带来巨大回报。这一战略聚焦对于最大化 AI 潜力并确保投资创造持久商业价值至关重要。”
这种聚焦方法已经证明卓有成效。通过至少一项战略性投资实现 AI 规模化的公司,其生成式 AI 的投资回报率超出预期的可能性近三倍。
IT 领导者行动建议:确定 3 到 4 个与行业相关、能直接影响核心价值链的战略性 AI 投资,而非盲目追求全面推广。
4. 负责任的 AI 创造的价值超越了风险缓解
大多数组织通常将负责任的 AI 视为一种合规活动,但 Accenture 的研究显示,成熟的负责任 AI 实践能直接推动业务绩效。
Ramani 解释道:“企业需要转变思维,从将负责任的 AI 当作合规义务转变为将其视为推动商业价值的战略性助力。投资回报率(ROI)可以从短期效益,如工作流程的改善中衡量,但其真正衡量的标准应是长期的业务转型成效。”
报告强调,负责任的 AI 不仅包括风险缓解,还能增强客户信任、提升产品质量和加强人才引进,从而直接推动财务表现。
IT 领导者行动建议:构建全面的负责任 AI 治理体系,超越仅仅满足合规要求。实施主动监控系统,持续评估 AI 风险与影响。考虑在开发流程中直接嵌入负责任的 AI 原则,而非事后补救。
5. 领跑者采纳自主代理 AI 架构
报告突显出领跑者中的一项变革性趋势:部署“自主代理架构” —— 由 AI 代理组成的网络,能够自主协调整个业务流程。
领跑者在部署符合行业需求的自主 AI 代理方面展现出显著更高的成熟度。报告显示,65% 的领跑者在这一能力上表现卓越,而快进者仅有 50%,且受访企业中已有三分之一利用 AI 代理来增强创新。
这些智能代理网络标志着从传统 AI 应用向根本性的转变。它们使 AI 系统之间能够进行复杂协作,从而在大规模下显著提升质量、生产力和成本效益。
IT 领导者行动建议:探索自主代理 AI 如何通过识别能够从自主协调中获益的工作流程来转变核心业务流程。针对行业中高价值应用案例,开展聚焦于多代理系统的试点项目。
AI 成熟度为企业带来的实际回报
成功实施 AI 所带来的回报对各阶段成熟度的企业均具有吸引力。Accenture 的研究以具体数据量化了预期收益。
Ramani 表示:“无论一个公司被视为领跑者、快进者、正在进步的企业还是仍在尝试 AI 的企业,我们调查的所有公司都期望通过使用 AI 来推动变革带来巨大成果。平均来看,这些企业预计在部署并规模化生成式 AI 之后的 18 个月内,生产力提升 13%,收入增长 12%,客户体验改善 11%,成本降低 11%。”
通过采纳领跑者的实践,更多企业将有望缩小 AI 实验与全企业范围内转型之间的鸿沟。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。