麦肯锡-走过新一代人工智能的蜜月期：首席信息官从试点到规模的七个硬道理（英）-2024.5-10页_471kb

麦肯锡研究报告指出，企业推进生成式AI规模化部署普遍面临七大挑战。人类对生成式AI的“蜜月期”已过，但仅有11%的企业实现规模化应用，关键困
境在于从试点阶段跃升至规模化阶段的转化能力不足。

1. 焦点在于真正的业务价值（Eliminate the noise，focus on the signal）

企业需从“Taker”模式转向“Shaper”模式，避免低效的试点项目。仅15%的企业认为生成式AI对其EBIT产生实质性影响。

• 关键行动：集中资源推进规模化应用，淘汰不可行项目，并将重点放在能产生明确业务价值的领域。

2. 模型整合难度远超预期（It's about how the pieces fit together，not the pieces themselves）

基础设施、语言模型和工具的碎片化严重制约了规模化进程。有效集中整合的成本增长惊人。

• 关键发现：
  • 高效能整合是规模化部署的核心障碍
  • 轻量级产品企业79%无法实现营收增长

3. 成本管理是关键瓶颈（Get a handle on costs before they sink you）

生成式AI项目的成本主要来自变革管理（35%）和运行维护（23%）而非模型本身（15%）

• TCO构成：
  • 变革管理成本（系统保护成本）远超技术投入
  • 高效能团队的最佳运维成本只有同行的1/3

4. 工具平台选择的两难困境（Tame the proliferation of tools and tech）

企业面临工具生态碎片化严重问题，需建立统一的基础设施标准：

• 最优策略：
  • 优先选择具备封闭生态优势的平台
  • 建立标准化部署框架（采用KFServing等开源方案）

5. 跨职能团队建设至关重要（Create teams that can build value，not just models）

单纯的技术团队无法驾驭生成式AI的价值实现。金融科技公司的成功案例印证了这一机制：

• 最佳实践：
  • 建立跨学科能力团队：开发者+领域专家+业务分析师
  • 建立价值导向的考核机制，将ROI融入设计全流程

6. 数据治理水平决定上限（Go for the right data，not the perfect data）

高质量数据缺失是重大瓶颈：

• 数据策略要点：
  • 对比354家企业的数据质量差异，发现数据治理领先者的ROI高200%
  • 建立统一数据命名规范，减少数据冗余

7. 可复用组件是规模化核心（Reuse it or lose it）

试点缺乏有效的复用机制，导致开发效率低下：

• 优化建议：
  • 建立组件复用机制能够提升30-50%的开发效率
  • 通过建立基础函数库、模板框架等手法提升复用性

结语：企业需要平衡短期试点与长期规划，建立清晰的战略路径。有效的方法包括建立跨部门协作机制、采用标准化框架、实施严格的质量评估体系，并视数据治理为战略优先事项。只有将生成式AI视为系统工程，而非技术堆砌，企业才能真正突破规模化部署的瓶颈。