Alteryx：别让“集成难、数据乱” 吃掉AI回报
AI应用悖论：为何您的AI投资未能带来回报
这似乎有些矛盾：人工智能的应用从未像现在这样广泛，研究报告也持续显示其能带来两位数的效率提升。但投资回报率却未能跟上。
对许多领导者而言，这就像是在等待一个永远不会出现的笑点。结果远未达到预期。那么，究竟是什么在阻碍组织的发展——是技术本身，还是技术之外的种种因素？
我们最近对 1,400 名企业及 IT 领导者进行了调研，旨在了解各组织在人工智能应用进程中所处的阶段。我们分析了阻碍投资回报率提升的因素，以及成功应用人工智能的企业采取了哪些不同做法。如果您是企业领导者，以下内容将帮助您成功应用人工智能。
采用率激增，但成效不彰
如果过去几个月你的经历和我一样，那么你的领导层会议上肯定充斥着关于人工智能的讨论，诸如：我们该如何将人工智能投入实际应用？该在哪些领域使用它？我们能信任它吗？以及未来的发展方向是什么？
我们相信人工智能将重塑现代商业。您可能也持同样观点，而且我们的研究表明，大多数企业也持相同看法：
97% 的组织正在试行人工智能项目。
89%的企业计划在 2026 年维持或增加人工智能方面的支出。
约三分之二的领导者目前使用人工智能的频率比一年前更高。
尽管势头强劲，但只有不到四分之一的机构（23%）已将人工智能试点项目推广至正式生产环境。不到半数（41%）的机构表示，人工智能对其实现目标的能力产生了实质性影响。而在代理式人工智能方面，47%的机构表示，早期的试验尚未产生实质性的成效。
从采用到见效之间存在巨大鸿沟，许多组织始终停留在试点阶段。
影响投资回报率的两大障碍：系统集成与数据准备
采用率几乎是普遍的，因此我们知道问题不在于此。根据我们的研究，有两个制约因素反复出现：一是与核心系统和工作流的集成，二是数据的准备情况。
集成
如果人工智能脱离了您的核心流程和日常工作流，它就无法提升业务成效。在我们的调查中，阻碍人工智能试点项目向生产环境扩展的首要障碍是无法将试点项目集成到系统和工作流中（52%）。
对许多组织而言，这与数据架构本身的状况密切相关。大多数（88%）受访者表示，其数据架构中仍存在老旧技术，例如缺乏灵活性的本地数据中心。仅有 12%的受访者表示拥有现代化数据架构。人工智能虽能在大规模应用中发挥惊人作用，但必须建立在坚实的基础之上。
整合也是一项人才挑战。必须将人工智能交到最了解业务的人员手中——那些每天与客户打交道的员工、深谙预算与实际执行情况的财务团队，以及能实时把握市场动向的营销人员。人工智能无法在真空环境中产生成效，它必须改变人们的工作方式。
数据准备情况
这里有一个更棘手的问题。大多数企业及 IT 高管并不信任自己的数据。仅有 18%的高管表示，他们在决策时对数据的准确性和有效性充满信心。
这种信任缺失会产生连锁反应。当领导者不信任基础数据时，他们便会对依赖这些数据的 AI 输出结果持怀疑态度，尤其是在涉及重大决策时。
与战略性任务相比，领导者更愿意将人工智能应用于日常事务。虽然 48%的受访者相信人工智能能够自动化处理重复性任务，但仅有 28%的人相信人工智能能辅助决策，而仅有 27%的人相信它能助力预测或规划。
企业领袖们列举了他们不信任人工智能的常见顾虑：数据隐私、安全及合规风险；人工智能产出的不准确性和偏见；以及不愿在缺乏人类监督的情况下让人工智能做出决策。
因此，这实际上是一系列层层递进的信任问题，起因于您的数据，并逐渐蔓延至人工智能系统。如果无法信任输入数据，自然也不会采纳输出结果。而如果因缺乏信任而不将人工智能整合到核心流程中，也不将其交由员工使用，那么它就永远无法带来您所期望的投资回报率。它将永远失去这个机会。
成功规模化应用 AI 的企业的独特之处
在此，我们可以借鉴分析学领域的一个有用视角。2007 年，分析学学者托马斯·H·达文波特（Thomas H. Davenport）与合著者珍妮·G·哈里斯（Jeanne G. Harris）在《以分析力制胜》（Competing on Analytics）一书中提出了一个五阶段分析成熟度模型。其核心观点在于，所谓的“赢家”并非拥有最多数据的组织，而是那些能够将数据在整个业务中最佳地付诸实践、且分析成熟度最高的组织。
当前的人工智能热潮也给人一种类似的感觉。
采用企业级大型语言模型（LLM）是朝着正确方向迈出的重要一步，但竞争优势绝不会仅仅源于拥有更多的 AI 工具。正如数据分析的成功一样，竞争优势始终取决于贵组织能否大规模地将 AI 投入实际应用，在真正产生价值的工作场景中部署这些工具，并将其交到最了解贵公司业务的人员手中。
这要求在整个人工智能生态系统中建立高度信任，而这又需要对数据和人工智能系统实施强有力的治理。
那么，那些成功将人工智能投入实际应用的企业，与同行相比有何不同之处？
我们的研究发现，有 5 个显著因素区分了那 23%已将人工智能从试点阶段推进到正式投入运营的企业：
高级数据成熟度
强有力的数据治理
数据透明度
高质量数据
将人工智能融入核心工作流程
这些“成功规模化应用 AI 的企业”掌握着其所在组织高度信赖的高质量数据。他们建立了完善的治理机制和流程，以确保数据和AI 得到安全、正确的使用。他们清楚哪些 AI 系统正在使用哪些数据，人类在决策流程中的介入环节，以及输出结果的使用方式和应用场景。
这就是关键所在，也是未能实现投资回报率（ROI）的组织与成功实现投资回报率的组织之间的区别：值得信赖的数据、清晰的治理机制，以及与核心工作流的深度集成。现代数据架构能将这一切变得简单明了。
代理式人工智能：展望未来
在迈入 2026 年之际，还有一点需要补充。我们调查的领导者中，近半数（47%）表示，当前自主 AI 尚未产生可衡量的影响，另有 26%的人认为这大多只是炒作。 然而，当被问及什么能帮助自主人工智能充分发挥其潜力时，回答几乎与我之前提到的障碍如出一辙：高质量、易于获取且管理规范的数据（49%）以及跨系统的无缝集成（45%）。
代理式人工智能仍处于起步阶段。 无论今年发生什么，制定可运行且可扩展的 AI 战略所需的基础工作依然如故：构建值得信赖的数据基础，建立数据和 AI 使用的治理机制，并将 AI 融入日常工作流程。无论您是想在当下利用大型语言模型（LLMs），还是在未来采用最新的 AI 代理，都要将 AI 交到最了解您业务的员工手中，以此为成功奠定基础。这才是最终将您的试点项目转化为投资回报（ROI）的关键。
>>关于Alteryx
Alteryx是数据分析流程自动化（APA）的领导者，完美的用户体验让Alteryx分析平台获得了众多分析人员的青睐，它可以帮助客户使用可复用的工作流程来轻松的查找、准备、合并和分析数据，实现规模化部署，与分析团队共享分析模型和分析性数据资产，只需数小时而无需数周的时间就可以获得更深入的业务洞察。
用户可以连接和清洗来自数据仓库、云端应用或其它数据源的数据，使用统一的、直观的用户界面合并这些数据，自动化的执行预测性、统计性和空间数据分析，全程无需编写任何代码。
访问全新的Alteryx中文官网申请免费试用
www.alteryxcn.com