AI 放缓叙事与企业现实不符：九成 AI pilot 难进生产

当西方还在争论是否应放缓前沿AI的发展时，企业正争相在各项业务流程中采用这项技术。

但大规模部署AI仍是一项挑战，因为企业难以跟上快速进步的能力。

来自AI、数据科学、金融服务和技术领域的行业领袖表示，挑战已不再局限于模型性能。企业还必须解决数据不可靠、与现有系统的集成、治理、实施成本以及结果问责等问题。

在一些人看来，行业正在走出围绕新模型的炒作。另一些人则将当前阶段视为一个机会，在AI系统承担更具后果性的业务决策之前建立保障措施。

从试点到生产

美国西部州长大学的AI/ML与数据产品负责人Ram Kumar Nimmakayala认为，人们所感知到的放缓反映的是优先事项的变化，而非AI采用率的下降。

“说实话？在我看来，根本没有放缓——只是可供遮掩的炒作少了。我每天的工作就是在组织内部努力让AI真正运转起来，而模型从来都不是难点所在。”他说。

更大的挑战在于数据质量差、对改变现有工作流程的抵触，以及缺乏明确的责任归属。据Nimmakayala称，十次AI试点中有九次无法进入生产阶段，原因很少是模型本身。因此，他不同意AI采用正在放缓的说法。

“游戏已经从‘看看模型能做什么’变成了‘你能不能让它在真实业务中落地生根’——而这是一场难得多的游戏。AI治理和赋能正变得越来越关键。现在一切都关乎AI价值和投资回报率。”他补充道。

印度金融服务业推动AI采用的保险行业领袖Rakesh Pal认同这一判断，并强调在推进AI举措之前需要评估组织的准备情况。

“我坚信，许多组织需要退后一步，先着手解决各项准备度参数。”他说。即便模型表现良好，企业也必须建立有效部署所需的数据基础设施、工作流程和责任归属。

治理可能决定AI采用

Cognite印度区董事总经理Guru Ananthanarayanan将放缓视为行业建立更强治理和负责任AI框架的机会。

“我认为放缓是‘冲刺前的休息’。它让AI行业有时间建立恰当的治理和负责任AI框架，尤其是对前沿大语言模型而言，这样我们正在构建的东西就能始终处于这些护栏之内。”他说。

他相信，恰当的治理和保障措施将使行业能够更有信心地前进，将讨论从人类与AI的对立转向人们如何负责任地使用AI。

AT&T首席（主管）数据科学、AI、生成式AI和ML领导工作的Prashant Ramappa博士，区分了前沿模型开发者面临的压力与企业实施的速度。

“我不认同放缓的说法——我们实际看到的是模型创建层面的疲惫。前沿AI公司掀起了一场无休止的每周军备竞赛，不断刷新基准，而现在它们正触及一个临界点：团队倦怠，以及无休止的训练、失败、再训练循环带来的巨额资本消耗。”他说。

他认为放缓并未发生在企业采用层面。相反，AI模型开发者需要更多时间来建立治理框架、加强保障措施、修复安全漏洞并落实人工监督机制。

“他们需要放慢脚步，让这些系统变得安全，但由于他们被困在自己制造的竞赛中，实际上没有人真正松开油门。”Ramappa说。

他的评估凸显了开发更强大模型的竞争与使这些系统安全可靠所需工作之间的紧张关系。

企业自主性差距

Deutsche Telekom Digital Labs的企业AI与数据技术负责人Rajan Gupta博士认为，AI能力的进步速度快于企业的吸收速度。他将这种脱节称为“企业自主性差距”。“我们正进入一个阶段，AI能力的进步速度快于企业的吸收速度。”

“一个回答客户查询的AI智能体相对简单。一个被授权批准退款、修改财务记录或执行业务交易的智能体，则完全是另一项工程挑战。”他指出。

主要挑战已不再是AI模型有多智能，而是企业是否拥有可靠的数据、与现有系统的有效集成、明确的决策规则、可靠的运营以及可持续的成本结构来支持其部署。

“在我看来，企业AI的下一阶段将较少取决于我们的模型变得多智能，而更多取决于我们能够可靠地委托给它们多少具有后果性的业务工作。”Gupta说。“真正的放缓未必在于AI的行动能力，而在于我们能否大规模地信任、治理并将这些行动投入运营。”

这一区别至关重要，因为企业正从使用AI辅助员工转向让AI智能体独立执行任务。一个生成回复的智能体所需的控制级别，与一个被授权修改财务记录或批准交易的智能体截然不同。

对企业而言，这一转变取决于可靠的集成、清晰界定的权限，以及管理自主系统财务和运营风险的能力。

频繁的模型发布可能拖慢实施进度

惠普金融（印度）的AI负责人Jyotishko Biswas指出了另一个挑战：随着更新版本的出现，需要持续重新评估AI模型。

他承认，更新的AI模型能带来益处，应当予以评估，但一旦端到端解决方案敲定并开始实施，频繁的重新评估就可能打乱进度。

“由于新模型不断涌现，需要持续重新评估，这拖慢了实施进度，也让执行团队缺乏清晰的方向。”他说。

Gupta持类似观点，他表示，企业不应仅仅因为新模型可用就采用它们。

Gupta指出，他的团队只有在更新的AI模型能节省成本、降低延迟、提升回复质量，或现有模型的支持被终止时，才会考虑切换到新模型。“我们正努力避免迫于行业压力而立即采用新模型，除非确实需要更高版本。”

商业价值优先

综合来看，这些回应表明，企业AI正进入一个部署和业务成果与模型能力同等重要的阶段。

企业必须确定AI能在哪些环节带来可衡量的回报，建立治理框架，准备好数据和系统，并判断何时升级到更新模型是合理的。

关注点也在从AI辅助的工作流程转向能够独立执行业务任务的系统。这一转变需要对可靠性、安全性和问责制有更强的信心。

对企业而言，问题日益不再是它们能多快采用最新的AI模型，而是它们能否以可靠、负责任且成本可持续的方式将其投入使用。