在首席信息官未能解决数据孤立、数据冗余或无法通过业务流程有效追踪数据的问题之前，生成式人工智能的应用难以获得预期回报。

我曾于2024年3月指出，如果没有优质数据支撑，生成式人工智能系统的效用将大打折扣。在教学过程中，我始终强调，人工智能，尤其是生成式人工智能，归根结底是数据导向的。数据质量不佳，人工智能解决方案的效果也会大打折扣。

为了有效运作，人工智能系统需要海量清晰、准确的数据。系统会在这些数据中寻找模式，并根据请求提供可能的含义及战略业务应用方面的见解。然而，如果数据缺乏准确性或完整性，人工智能系统可能会做出错误的推断，甚至可能导致未被及时发现的错误答案。

人们或许认为人工智能的建设和运营成本低廉，但事实并非如此。

人工智能准备不足

企业战略小组最近的一份报告披露，一项涵盖800名IT决策者的调查显示，超过五分之三的组织在人工智能准备方面，特别是在基础设施和数据生态系统上存在显著不足。尽管企业对人工智能的长期潜力持乐观态度，但许多组织仍需为大规模应用做好准备。超过半数的人工智能决策者担心，他们的IT团队是否能跟上生成式人工智能带动的快速创新步伐。企业必须加强数据流程和基础设施的建设，以应对众多挑战。

衡量生成式人工智能项目成功的标准因企业而异。大约五分之二的组织通过定性影响分析、人工智能响应的准确性或用户和流程的定量收益来监控进展。略少的组织，约占38%，将成本节约视为主要的成功指标。随着人工智能计划占用更大比例的企业预算，对投资回报率的期望也在不断提高。

该报告总体上强调，企业虽然渴望利用生成式人工智能的潜力，但仍需建立强大的基础设施和数据管理体系，以确保其优势并实现可持续的长期成功。

首席信息官的挑战清单

在人工智能对市场产生显著影响之前，多数企业就已意识到自身存在的数据问题。实际上，由于对数据缺乏信心，许多企业避免了人工智能和商业智能投资。企业内部缺乏对数据来源和含义的统一理解，各部门领导各自为政，导致诸如客户定义和客户数据来源等基本信息缺乏统一标准。销售、生产跟踪等领域的数据冗余问题屡见不鲜。

这种情况是如何形成的？多年来，企业专注于如ERP和CRM系统这样的新项目，这些系统虽然包含重要数据，但数据却被锁定在专有的数据存储中。随着ERP、CRM、数据仓库、分布式系统、数据集成以及云计算的兴起，数据的复杂性、分散性和异构性不断增加，而集中控制却日益缺乏。许多企业对元数据了解不足，无法通过业务流程准确追踪数据。此外，企业收购也加剧了数据冗余问题，因为许多企业仍在运营收购业务所附带的旧系统。现在，我们正迈向人工智能时代，其中数据的意义、结构和真实性变得至关重要。

首席信息官必须首先解决数据问题，才能使人工智能发挥真正价值。然而，对许多企业来说，这可能意味着高昂的成本和巨大的风险。因数据问题而无法采用人工智能，最终可能会阻碍一些企业的发展，因为他们的竞争对手正将人工智能视为创新的关键推动力。最终，我们将看到企业间的分化。

缩小差距的策略

对企业的忠告是：如果您的数据尚未准备就绪，应暂缓人工智能的应用。我曾目睹许多失败的人工智能项目，其根源都可追溯到数据生态系统的问题以及企业不愿解决这些问题的态度。有些企业错误地认为人工智能能够自行修复数据问题，但事实并非如此。

我的建议是，改善数据状况不仅能为人工智能的应用铺平道路，还能带来更多其他好处，这样的投入是值得的。虽然人工智能投资看似在解决过去的错误，但许多首席信息官仍愿意将其视为未来领导者的责任。为了解决多年来对数据战略的忽视和缺乏直接业务利益追踪的问题，首席信息官必须向领导层和董事会争取资金。然而，大多数首席信息官不愿进行此类沟通。

无论企业是否打算利用人工智能，我都建议他们优先解决数据问题。也许人工智能最终能成为推动企业数据走向更高效用的动力。对此，我并无异议。