摘要：人工智能 —— 尤其是生成式 AI —— 正迅速证明能在企业内部提高生产力，但依然存在若干常见的障碍阻碍成功。 IT 领导人越早识别并克服这些问题，就能越快地帮助组织从基于 AI 的系统中获得更大价值。
以下是企业需要击破的一些较具挑战性的障碍及 IT 领导人可以采取的应对措施。
数据质量欠佳 IDC 对 2,920 位全球 IT 及业务决策者进行的一项调查（由硬件供应商 Lenovo 赞助）显示，数据质量问题是导致 AI 项目未能达到预期效果的首要障碍。 为了解决这一问题，调查中三分之一的受访者表示，他们的组织计划优先提升数据管理能力。
以 Ally Financial 的 Sathish Muthukrishnan 为例，他通过打破信息孤岛并强调数据治理来应对这一难题。 他说：“AI 严重依赖其所处理的数据，因此我们会谨慎应对关于数据广泛使用时的挑战与风险。我们已将 98% 的数据整合到一个集中式的云原生数据库中，这使我们能够充分发挥数据的作用。我们还实施了一系列流程，旨在确保数据安全、客户隐私得到充分保护，并在部署前进行严格的模型风险评估，同时对结果进行持续监控。”
John Thompson（AI 咨询公司 The Hackett Group 高级副总裁兼首席顾问）指出，数据质量问题确实令人担忧且成为 AI 采用的实际障碍，但该问题远超传统交易或分析环境中数据质量的讨论范畴。 他说：“对于生成式 AI，组织中 100% 的数据、文档、视频、政策、程序等均可被主动利用。这一问题远比企业资源规划 (ERP) 或客户关系管理 (CRM) 系统中的数据质量问题更加复杂。”
Thompson 认为，为了解决生成式 AI 的数据质量问题，与其在引入 AI 之前先掌控数据质量，不如直接将信息加载到生成式 AI 中，并积极进行询问、查询和提示，以找出哪些信息是准确、最新的，哪些信息则存在准确性、相关性和清晰度不足的问题。 他说：“生成式 AI 是发现需要改进信息之处的工具。正确的做法是引入生成式 AI，找出如何解决数据质量问题，而不是先处理数据质量再引入 AI。”
缺乏内部专业人才 美国管理协会（American Management Association） 2025 年 3 月的一份报告调查了北美超过 1,100 名专业人士，发现许多员工（57% 的受访者）认为自己未能跟上 AI 的步伐，而接受过 AI 培训的人不足一半（49%）。 Ally 的 Muthukrishnan 表示，组织需要具备相应的基础设施，来教育和培训员工了解 AI 的能力与局限性。 他补充道：“没有合适的培训， AI 的采用和利用就不会达到你期望的效果。尽管我认为 AI 是我们一生中最大的一次科技变革，但要将其整合到日常流程中，是一项重大的变革管理工作。”
Ally 为员工提供了必要的培训，以确保他们能负责任地使用 AI，包括为所有用户提供培训、制定 AI 操作手册、提供短期课程以提高 AI 素养，以及面向整个企业的“AI 日”。 Hackett Group 的 Thompson 说：“技能差距只会越来越大，现在是开始行动的时候。你可以让团队先行试水，开展测试案例、个人项目或激情项目。让所有人都参加课程只会延长弥合技能差距的过程。生成式 AI 对所有人开放，你可以利用这一特点为大家提供通过实践学习的机会。” 他还补充道，实际操作比单纯听讲能更好地促进学习。 他说：“建立一个生成式 AI 环境，让所有人使用六个月到一年。你的员工将学到的比多堂课堂课程还要多。我并不是说不应该给员工培训；你仍然需要让员工上课。但当员工真正操作生成式 AI 环境时，你会看到技能差距日渐缩小。”
企业需要强调融合内部专家与能够指出合适 AI 应用场景的人才，同时引入有着外部经验、了解其他组织如何使用 AI 的外部人才。 SAP Americas 的首席 AI 官 Jared Coyle 表示：“内部知识对于确保与现有系统和流程的对接至关重要，而外部人才则能更好地帮助你充分利用新的 AI 能力，确保 AI 系统平稳运行。”
争夺资源的应用场景 每个企业都有一系列既定的优先事项，其中许多并不涉及 AI 或生成式 AI。为了在资金、人才和高管注意力方面竞争，IT 领导人需要为他们的 AI 项目提出有力论据。 TaskUs 的 CIO Chandra Venkataramani 表示：“我们面临的最大挑战之一是确定正确的业务案例——即 AI 能够在不增加不必要复杂度的情况下带来真实、可衡量价值的场景。” 他说：“很容易陷入生成式 AI 的强劲势头中，但成功来自于抵制这种冲动，而是专注于那些技术能够增强我们内部能力的领域——例如提高生产力、提升决策质量或减少关键工作流程中的摩擦。我们发现，在推进任何 AI 计划之前，明确目标——无论是降低成本、提高速度还是改善用户体验——都是至关重要的。”
Venkataramani 同时指出，优先事项竞争同样具挑战性：“作为一家高速增长、以客户为中心的公司，IT 资源面临着持续的压力；AI 项目必须与其他预算、人才和高层关注度竞争，因此保持各方面的协调至关重要。” 该公司强调跨业务部门对 AI 项目的共同责任，确保投资在技术上可行，并得到理解投资回报的业务领导的支持。 他说：“我们采取了一种强调在设定防护机制下进行实验的心态：精心设计的试点、明确的 KPI（关键绩效指标）以及反馈循环。这种方法帮助我们保持敏捷，避免在未经验证的解决方案上过度投资，并着眼于长期价值而非短暂的炒作。”
Hackett Group 的 Thompson 表示，“业务案例、应用场景和优先事项竞争是我们职场常见的问题。生成式 AI 的优点在于它适用于大多数问题。我建议从最紧迫的问题开始，即高层最为担忧的战略议题，直接着手解决。我不会花太多时间在业务案例或应用场景上，关键是立即投入，因为改变的时机就是现在。”
过时的遗留系统 许多企业已启动数字化转型项目，以提升效率和改善向客户及员工提供的服务。那些尚未启动或落后的企业需要将此作为优先事项，因为过时的遗留系统和应用可能成为 AI 成功的潜在障碍。 几十年前设计的应用程序，由于当时存储成本问题而只保留有限数据，如今不太可能轻松与 AI 工具集成，在许多情况下，这些过时的应用程序完全阻碍了 AI 的采用。 SAP Americas 的 Coyle 表示：“成功并不只是简单地将当下流行的大语言模型 (LLM) 与您选择的 Lakehouse 技术简单拼接在一起，然后希望一切顺利。很多领导者对 AI 的潜力热情高涨，但关键在于专注。重要的是避免在没有足够资源支持的情况下启动过多项目。”
物流服务提供商 Veho 在构建和定价配送路线以及提高配送质量方面大量使用 AI 和机器学习，但为了最大限度地发挥 AI 工具的作用，该公司不得不升级其系统。 Veho 联合创始人兼首席技术官 Fred Cook 表示：“Veho 原有的核心平台开发于 2017 年，当时整体架构相当脆弱。到了 2023 年末至 2024 年期间，我们重建了所有核心系统。新系统上线后，我们发现 AI 应用更易嵌入我们的技术体系，系统全面重构完成后，如今我们在 AI 试验上进展得更快。” Veho 一开始就采用了诸如客户支持 AI 代理、司机伙伴支持 AI 代理以及客户支持 AI 代理等应用场景。Cook 说：“我们还开发了一些简单的 AI 代理，用于诸如警报、数据解析以及各种包裹配送流程步骤的质量保证等任务，否则这些任务会非常繁琐且需要手动完成。”
另一项与基础设施相关的潜在障碍是高昂的成本。整合 AI 可能是一项十分昂贵的工程。依据组织 IT 现代化的进展情况，可能会面临系统集成、定制软件开发、创建应用程序接口以及升级遗留系统等方面的费用。
员工破坏行为 生成式 AI 服务提供商 Writer 2025 与独立研究机构 Workplace Intelligence 对 1,600 名知识工作者——包括 800 名高层管理人员和 800 名员工——进行的最新调查显示，有 31% 的员工承认积极破坏组织的 AI 努力。 Skillsoft（提供教育服务和技术）的 CIO Orla Daly 表示，员工破坏 AI 努力是“一个严重问题，可能破坏 AI 计划，导致资源浪费和机会错失。” 她说：“这种破坏行为往往源于对岗位被取代的恐惧、对 AI 益处缺乏理解或对变革的抵触。为了解决这一问题，组织应花时间了解内部顾虑，营造持续学习的文化，并通过吸引员工参与 AI 计划来激发对变革的热情。”
Daly 建议企业需要确定内部的 AI 拥护者，并分享 AI 如何改善员工体验的案例，比如减少行政工作时间、增加与客户互动时间。 她说：“有效的领导在这一过程中至关重要。领导者必须理解 AI，并明确其对人才及其岗位的积极影响。” 这需要兼具技术、沟通和领导能力。 她指出：“当员工看到领导者利用 AI 通过明确的应用场景和成果来增强工作时，他们更有可能接受 AI，将恐惧转化为兴趣。”
来源：至顶网一点号