生成式人工智能指创建各种内容包括编码软件、自动化工业流程、创作音乐、制作深度研究报告等的工具，其正在以惊人的速度发展。近二十年，我从未见过任何技术发展得如此之快。现在，企业不再考虑是否使用生成式人工智能，而是考虑如何让其大规模发挥作用。当然，我们以前也见过这种情况，新技术出现，承诺改变一切，但随后却因现实世界的商业限制而遭遇挫折。

　　这正是 GenAI 目前正在发生的事情。是的，有些公司确实做得非常好。博世已将 AI 融入制造业，梅奥诊所正在利用它来改变医疗保健行业，药物研发初创公司 Insilico 正在利用 AI 来发现纤维化的治疗方法，还有很多很好的例子。但问题是，绝大多数公司还没有做好准备。事实上，96% 的技术领导者表示，从数据角度来看，他们还没有为 AI 做好准备，你相信吗？这是 Gartner 去年得出的惊人统计数据。数据是企业 AI 的燃料；数据是关于企业或组织的事实。如果你不能很好地管理事实，你如何管理好企业？

　　为什么这么多公司陷入困境？

　　这些障碍是真实存在的，让我们来打破它们：许多组织都在处理混乱、不完整或有偏见的数据。我称之为 Fuechel 定律（以 IBM 讲师George Feuchel 命名，他在 20 世纪 60 年代创造了“GIGO”一词，即“垃圾进，垃圾出”）。混乱、无序和不完整的数据会使 AI 输出混乱、无序和不完整。换句话说，毫无用处甚至更糟。

　　此外，还有遗留 IT 系统阻碍 AI 集成的令人头痛的问题，迫使企业必须投资昂贵的中间件解决方案才能使事情正常运转。

　　不要忽视人的因素——对失业的恐惧和对变革的抵制正在全面减缓采用。

　　而笼罩一切的监管不确定性和合规风险让法律团队夜不能寐。

　　加深您对所面临挑战的理解的一个好方法是通过我们在几周前发布的人工智能准备情况调查，我将在下面分享更多细节。

　　以宝马为例。这家著名的德国汽车制造商正在使用生成式人工智能来优化零部件和材料，但这之所以有效，是因为他们在数字基础设施和数据治理方面投入了大量资金。大多数公司还没有建立这样的基础。他们仍在努力应对过时的数据管理实践，这意味着他们的人工智能计划要么停滞不前，要么产生无人信任的结果。

　　麦肯锡的统计数据令人警醒：42% 使用人工智能进行财务预测的企业由于数据管理不善而遭遇准确性问题。同样，人工智能的好坏取决于输入数据，但大多数公司仍然将数据视为 IT 问题，而不是关键业务资产。

　　从瓶颈到业务加速器

　　传统的僵化治理模式旨在最大限度地遵守规范，而不是支持 AI 所需的灵活性。我们需要转变思维。数据治理需要从勾选框的合规功能发展为真正实现人工智能驱动创新的敏捷方法。这意味着要做出三个关键改变：

　　1. 将数据视为产品，而不是基础设施问题

　　企业需要的不是孤立的数据存储，而是数据产品——精心策划、自成体系的资产，能够提供真正的商业价值，这是我两周前写的一个主题。例如，考虑一个设计良好的客户流失模型。这是一个直接为决策提供信息的数据产品。采用数据网格原则可以帮助公司摆脱过时的架构。

　　2. 利用知识图谱和数据目录

　　你知道我经常听到什么吗？高管们认为人工智能可以取代数据目录。正如我上个月所写的那样，这与事实相去甚远。由知识图谱驱动的现代数据目录充当企业人工智能的“大脑和神经系统”。它们提供：

• 可发现性：

  人工智能只有知道存在哪些数据才能发挥作用

• 治理：

  人工智能模型必须遵守 GDPR 等法规

• 协作：

  当业务和数据团队共同合作时，人工智能才能发挥最 佳作用

　　3. 转向自下而上的敏捷数据治理

　　传统的“自上而下”治理会拖慢一切。相反，敏捷数据治理使边缘团队（业务部门、数据科学家和工程师）能够迭代地做出治理决策。采用这种方法的公司可以在 AI 计划上更快地获得投资回报。

　　获胜者做了哪些不同的事情？

　　人工智能应用领域的领导者不仅使用技术，他们还巧妙地管理技术。让我分享一些现实世界的例子：

　　1.Indeed 的数据治理成功： Indeed 是全球最大的求职网站和data.world客户，它将治理从障碍变成了加速器。他们没有从上层强加严格的政策，而是让已经在进行非正式数据治理的员工参与进来，并授权他们改进全公司的最 佳实践。结果如何？数据采用率更高、AI 准确性更高、效率全面提高。

　　2.罗克韦尔自动化的 AI 就绪基础设施：罗克韦尔没有尝试一次性彻底改造整个系统，而是逐步更新其PLC 控制器，使其与 AI 兼容。这种战略性模块化方法将停机时间减少了 70%，同时确保 AI 的采用顺利进行。

　　3.摩根大通的机密 AI 交易：摩根大通每天处理 60 亿美元的AI 驱动交易，而不会暴露客户数据。他们是如何做到的？通过联合学习和基于加密的 AI 模型，确保他们遵守法规，同时仍能实现创新。

　　这些公司之所以取得成功，是因为他们认识到人工智能治理并不是事后才想到的，而是人工智能准备的基础。

　　如何做好迎接人工智能的准备？

　　如果您希望摆脱炒作，让生成式 AI 在您的组织中成为现实，您需要一个明确的计划。我建议从以下方面入手：

　　1.评估您的 AI 准备情况：进行AI 准备情况调查，以了解贵公司的现状。大多数公司都高估了自己的准备程度，但后来却因治理和基础设施挑战而措手不及。

　　2.优先考虑 AI 就绪的数据治理：从合规性强的自上而下的模式转变为符合业务目标的敏捷数据治理。这意味着投资数据产品、知识图谱和自动化工具，以减少治理摩擦。

　　3.衡量投资回报率并进行迭代：人工智能的成功不仅仅在于部署，还在于衡量影响。追踪人工智能治理投资回报率（无论是效率提升、风险降低还是新收入）的公司更有可能成功扩展人工智能。

　　请记住，目标不仅仅是实施人工智能，而是通过人工智能创造商业价值，而这要从智能治理开始。

　　人工智能的发展速度比以往任何时候都快，但您的组织跟上了吗？我们可以帮助您评估关键领域的优势和差距：

　　✅ 数据文化

　　✅ 治理与合规

　　✅ 人工智能战略与高级分析

　　✅ 运营与基础设施

　　大多数公司在这些领域的得分远低于行业平均水平。取得领先地位的唯一方法是衡量自己的立场，并根据真实的需求制定战略。