五年前，IBM 的 Rob Thomas 和 Paul Zikopoulos 推出了 AI Ladder 框架，这是一个统一且规范的方法，旨在帮助企业领导者理解并加速其人工智能（AI）应用之旅。该框架后来形成了一本书，其中一段如今看来略显“过时”的开场被广泛引用：

> “每个人都在谈论 AI。这是为什么？我们相信 AI 将为各行各业、各种规模的企业带来巨大机遇。”

当时，AI 对许多组织而言仍是新兴事物，很多企业尚未踏上 AI 实施的第一步。而仅仅五年后，AI 的重要性已毋庸置疑——几乎每家企业都在不同程度上尝试采用 AI 技术，新工具和方法的进步让 AI 集成更便捷，也能够快速实现投资回报（ROI）。企业关注的重点已不再是 AI 是否值得投入，而是如何有效使用它。

---

### AI 采用的主要阻碍

根据 IBM 商业价值研究院的调查，阻碍生成式 AI 推广的核心问题包括：

1. 数据准确性或偏见的担忧（45%）

   近一半受访者对数据质量和潜在偏见表示担忧。专家建议通过建立 AI 治理体系、强化透明度和伦理标准来缓解这些问题。治理机制可覆盖偏见、隐私及滥用风险，并促进创新与信任建设。道德 AI 涉及数据责任、公平性、可解释性、健壮性与透明度等多方面因素。

2. 缺乏足够专有数据（42%）

   约 42% 企业认为缺少可用于定制生成式 AI 的高质量数据。解决方案包括数据增强、合成数据生成、联合学习以及战略数据合作伙伴关系，以扩充数据来源并保障合规。

3. 生成式 AI 专业知识不足（42%）

   企业面临技能缺口，但可通过员工培训、研讨会、认证项目、低代码/无代码 AI 平台以及与 AI 供应商和研究机构合作来弥补。开源生态系统也提供现成模型与洞察分析，降低 AI 部署难度。

4. 财务理由或业务案例不充分（42%）

   企业需从成本节约、收入增长、竞争优势和风险缓解等角度论证 AI 投资价值。通过量化 AI 对业务流程、营销效率和用户参与度的提升，可有效证明 ROI，并通过低风险试点项目验证可行性。

5. 数据隐私与机密性担忧（40%）

   隐私问题仍是生成式 AI 部署的关键挑战。企业可采用匿名化、差异隐私、加密技术及联合学习来保护数据，并确保 AI 系统遵循严格的访问控制和监管要求，如 GDPR 与 CCPA。

---

### 企业应对与进展

尽管存在挑战，企业在生成式 AI 的实践中已取得明显进展：

* 80% 的企业在风险职能中设有专门部门管理 AI 风险。

* 81% 定期开展生成式 AI 风险评估。

* 78% 保留详细文档以增强 AI 模型可解释性。

* 76% 建立治理组织结构、政策与流程。

* 72% 制定数据管理和风险应对政策。

专家指出，应对生成式 AI 挑战需采取跨部门综合策略，将技术、财务、安全和法律团队纳入整体规划。随着技术迭代加速，落后者可能很快被竞争对手超越。

---

背景资料：IBM AI Ladder 框架包含五个级别——现代化、数据收集、数据组织、数据分析及 AI 融入业务流程。该框架为企业提供了循序渐进的 AI 实施路径，助力企业从数据管理到智能决策实现全方位升级。

---