AI 成功采用需要 3 个组件 —— 大多数公司只有 2 个

在这一点上，AI 不再是新技术。其在数据分析、模式识别和知识综合方面的成效可以使团队更加高效。但尽管 AI 的价值不可否认，新的研究表明，只有 13% 的企业 在广泛的范围内采用了它。大多数企业都在谨慎行事，只将 AI 用于最低风险的任务。是什么阻止了品牌投入并获得其益处？AI 期望与实现之间的差距归结为结构上的缺陷。

缺失的环节。

成功、广泛的 AI 采用 需要三个组件：基础设施、应用和数据。基础设施层包括 AI 模型，其框架直接影响使用和潜在输出。

应用层是软件解决方案所在的层面。这是 AI 的大部分价值被产生的地方；这是用户与 AI 交互（可能是间接的）并审查其输出的地方；这是 AI 驱动决策的核心。

在这两个层之间是数据层，这也是大多数企业遇到困难的组件——无论他们是否意识到这一点。这个层当然包含所有数据；数据适合底层 AI 模型，并指导正在构建的应用。数据层的质量直接影响应用层的输出。高质量、丰富的数据可以支持强大的用例，而可疑或不充分的数据则不能。

直到组织能够构建或与能够构建所有三个 AI 采用层的企业合作，他们才不会获得最大价值。

失衡的影响。

AI 的输出始终取决于其输入的数据。如果一个组织希望其 AI 能够预测合成分子结构，它需要输入大量物理数据。如果零售商希望使用 AI 预测用户行为并改善数字体验，它需要输入行为数据。

如果企业（或其合作伙伴）无法充分支持其 AI 工具的数据，后果将是深远的。首先，有 AI 解决方案本身。在最好的情况下，它将在技术上运行，但不是所期望的程度。输出可能很弱、缺乏吸引力或根本没有洞察力。超出这种“最佳”结果的更可能的结果是：AI 幻觉、错误输出和负 ROI。不仅投资将被浪费，而且组织可能需要花费更多资金来控制损害。

从即刻的影响中缩放出来，我们可以看到数据匮乏的 AI 解决方案的更广泛影响。一般来说，企业采用 AI 是为了做更多的事情：获得更多的洞察力、服务更多的客户、更高效地运营。如果组织将时间和资源投入到一个没有效果的 AI 工具中，他们实际上阻碍了自己的增长，限制了他们适应市场和超越竞争对手的能力。这使他们处于劣势，并将迫使他们弥补失去的时间、资源和可能的客户。

但希望并没有失去；有很多组织可以做的事情来使自己处于有利地位，纠正（或预防）AI 失衡，并向前迈进。

用正确的数据填补空白。

冒着过度简化的风险，领导者可以做的最好的事情是，在继续任何 AI 驱动的解决方案之前，进行他们的尽职调查。在部署新工具之前，花时间了解数据的来源和生成方式。

如果您的解决方案提供商或首席工程师无法直接回答有关底层数据的来源、质量或数量的问题，那应该会引起警报。从渠道合作伙伴和集成商那里获取第二或第三个意见。通过 Reddit 和 Discord 等用户讨论网络来获取信息；看看其他采用者在哪里遇到了障碍或瓶颈。了解在做出任何决定之前需要注意的红旗，可以帮助领导者避免很多头痛和失望的期望。

当然，这种预见并不总是可能的，并且不会帮助那些已经陷入 AI 数据短缺的组织。如果放弃现有的解决方案不是一个选择，那么下一步就是找到一种方法来注入更多的数据，以便工具具有更多的上下文、模式和洞察力来利用。

合成数据 是一个选择，但它不是万能的。合成数据的确切来源可能很难确定，因此它并不总是最好的前进道路。话虽如此，合成数据有其适用之处。例如，它在训练 AI 安全模型（尤其是在对抗性方式下）方面表现出色。如往常一样，在深入研究之前进行研究将帮助领导者为其业务做出最好的决定。

对于零售或快餐业（QSR）等行业，人类数据是首选。这些行业的企业可能正在使用 AI 来优化客户体验，因此他们的工具应该使用人类行为数据进行训练。例如，如果您希望预测用户在页面上滚动多远，您希望 AI 的预测基于在类似条件下的人类行为。

在某些情况下，获得大量人类数据并不仅仅是获取新数据的问题，而是激活现有数据的问题。网站和应用程序的访问者已经存在——这只是捕获、结构化和分析他们的行为数据的问题，以便 AI 工具可以使用它。

最终，拥有不足的数据比拥有坏数据更好；组织可以做的任何事情来清理他们的解决方案都将带来更好的结果。

从哪里开始。

AI 数据匮乏对任何规模的组织来说都可能是一个巨大的挑战，仅仅思考下一步可能会让人感到不知所措。但是，仅仅认识到这个问题就已经是一个成就。从那里开始，找到可以一步一步解决的可管理的、渐进的步骤。

AI 持有巨大的承诺 —— 但仅适用于那些愿意投资其每个关键组件的人：基础设施、应用和数据。没有这些层，即使是最优雅的 AI 解决方案也会失败。现在填补数据空白的组织不仅不会落后；他们将会引领潮流。