2025 年的生成式 AI 演变：从新鲜事物到必需品

2025 年是生成式 AI (Gen AI) 发展历程中的一个重要转折点。最初，人们对生成式 AI 的兴趣主要是因为其新鲜性和与大型语言模型 (LLMs) 交互的能力。这些模型是基于大量公共数据集训练的，能够对自然语言输入做出详细、连贯的回应。这种类似人类的输出使得各个行业都渴望使用这项技术，往往没有明确的商业问题需要解决，也没有实际的关键绩效指标 (KPI) 来衡量成功。虽然在生成式 AI 的早期阶段已经取得了一些价值，但很明显，我们处于一个创新（或炒作）周期，当企业在寻找技术解决方案之前没有先确定问题，这是一个危险的信号。

生成式 AI：从解决方案寻找问题到问题解决强者

2025 年，我们预计这种趋势将会逆转。组织将通过首先确定生成式 AI 可以解决的问题来寻找业务价值。当然，仍将会有许多资金充足的科学项目，生成式 AI 的早期用例，如总结、聊天机器人、内容和代码生成将继续蓬勃发展，但高管们将开始要求 AI 项目在今年实现投资回报率 (ROI)。技术焦点也将从能够生成内容的公共通用语言模型转向更狭窄的模型，这些模型可以被控制，并持续在特定业务的语言上进行训练，以解决影响底线的可衡量的现实世界问题。

2025 年将是 AI 进入企业核心的一年。企业数据是解锁 AI 真实价值的途径，但构建变革性战略所需的训练数据并不在维基百科上，它永远也不会在那里。这些数据存在于合同、客户和患者记录中，以及经常流经后台办公室或存放在纸箱中的不规则的非结构化交互中。获取这些数据是复杂的，通用 LLMs 在这里是一个糟糕的技术选择，尽管存在隐私、安全和数据管理问题。企业将越来越多地采用 RAG 架构和小型语言模型 (SLMs) 在私有云环境中，这将使它们能够利用内部组织数据集来构建具有可训练模型组合的专有 AI 解决方案。针对特定业务语言和数据细微差别的 SLMs 可以提供更高的准确性和透明度，同时降低成本，并符合数据隐私和安全要求。

AI 实施中数据清洗的关键作用

随着 AI 计划的普及，组织必须优先考虑数据质量。无论是使用 LLMs 还是 SLMs，实施 AI 的第一步也是最关键的一步，就是确保内部数据不包含错误和不准确性。这种过程被称为“数据清洗”，对于创建一个干净的数据资产至关重要，而这正是 AI 项目成功的关键。

许多组织仍然依赖纸质文档，这些文档需要被数字化和清理以用于日常业务运营。理想情况下，这些数据将流入组织专有 AI 的标记训练集，但我们还处于早期阶段，尚未看到这种情况发生。事实上，我们最近与哈里斯民意调查合作进行的一项调查中，我们采访了 500 多名 IT 决策者，发现 59% 的组织甚至没有使用整个数据资产。同一份报告发现，63% 的组织同意他们对自己的数据缺乏了解，这阻碍了他们充分利用 GenAI 和类似技术的潜力。隐私、安全和治理问题当然是障碍，但准确和干净的数据至关重要，甚至轻微的训练错误也可能导致复杂的问题，这些问题一旦 AI 模型出错，就很难纠正。在 2025 年，数据清洗和确保数据质量的管道将成为一个关键的投资领域，确保新一代企业 AI 系统可以运行在可靠和准确的信息上。

CTO 角色的扩大影响

首席技术官 (CTO) 的角色一直很重要，但其影响力将在 2025 年扩大十倍。与“CMO 时代”类似，当时客户体验在首席营销官下至关重要，未来几年将是“CTO 时代”。

虽然 CTO 的核心职责保持不变，但他们的决策影响力将比以往任何时候都更为重要。成功的 CTO 需要深刻理解新兴技术如何重塑他们的组织。他们还必须掌握 AI 和相关现代技术如何推动业务转型，而不仅仅是在公司内部实现效率。2025 年 CTO 所做的决定将决定他们的组织未来的轨迹，使得他们的角色比以往任何时候都更加重要。

2025 年的预测表明，这将是一个变革性的年份，对于生成式 AI、数据管理和 CTO 的角色来说。随着生成式 AI 从解决方案寻找问题转变为问题解决强者，数据清洗的重要性、企业数据资产的价值以及 CTO 角色的扩大影响力将塑造企业的未来。那些接受这些变化的组织将能够在不断演变的技术格局中蓬勃发展。