解锁 GenAI 潜力之钥：数据准备度

最近，MIT 发布了一份报告，指出 95% 的生成式 AI（GenAI）试点项目无法进入生产阶段，这一发现引起了广泛关注和对长期价值的担忧。有些人认为，这表明 GenAI 过于夸大或过早，导致高管们在投资方面变得谨慎。

然而，现实情况更加复杂。Wipro 的《2025 年数据为 AI 准备度报告》研究了企业的数据战略、成熟度和采用模式。结论很明确：GenAI 的价值主要取决于支撑它的数据资产和系统的成熟度，而不是技术本身。

拥有强大治理计划的组织正在将试点项目推向生产，并取得了可衡量的商业价值。那些缺乏这些基础的组织正在苦苦挣扎。试点项目的失败率取决于数据的准备度，而不是 GenAI 的内在有效性。

为什么数据准备度是 AI 成功的主要因素

最近的 MIT 报告强调了将 GenAI 试点项目转移到生产环境的重大挑战。虽然创新是标准的，但广泛和有影响力的部署仍然很少见。

这一挑战并非 GenAI 独有。仅 14% 的组织在所有形式的 AI 中实现了必要的数据成熟度。成功取决于治理、集成和数据质量，而不是高级工具或模型。

这不仅仅是技术问题。成功取决于明确的数据战略、建立的治理政策和技术团队与业务团队之间的强大合作。投资于这些领域的组织可以将 AI 从孤立的实验转变为变革引擎；那些忽视数据准备度的组织即使拥有最先进的 AI 工具，也会发现难以实现商业目标。最终，AI 的采用与算法和基础设施一样，取决于人员、流程和数据基础。

为什么大多数企业陷入困境：数据成熟度鸿沟

虽然 GenAI 具有巨大的潜力，但大多数企业 AI 计划由于组织内的数据成熟度不足而无法产生重大影响。数据应被视为一个仔细管理的资产。建立统一的治理框架、指定数据管理者并确保所有团队为数据池做出贡献至关重要。提高运营效率和模型准确性取决于从不同的系统中组合信息并定期改进其质量。

具有成熟架构、高质量治理和积极的 AI 战略的企业——被称为“领跑者”——比其同行领先甚远。这些公司将 GenAI 推向生产，集成到核心流程中，并取得了可衡量的成果。

如何在规模上解决 GenAI：行业领先者的数据优先战略

扩大 GenAI 的规模意味着要尽早解决数据挑战。诊断数据碎片化并投资于统一的、质量高的存储库用于训练和部署。

另一个关键是强大的治理。跨部门任命数据管理者，以确保责任感和完整性。考虑聘请外部顾问并利用既定的框架来嵌入最佳实践和合规性。例如，一家全球消费品公司通过统一消费者数据、推进业务技术合作和逐步改进，实现了可衡量的 ROI。这导致了更好的客户获取和有针对性的营销，结果在整个转型过程中都被跟踪。

这一例子表明，扩大 GenAI 规模并取得可衡量价值的公司将数据成熟度视为创新关键。掌握数据集成、治理和企业级别使用是解锁 GenAI 商业影响力的核心论点。

数据领导者如何实现真实成果

GenAI 的承诺是巨大的，但许多失败掩盖了这样一个事实：许多领跑者在掌握数据成熟度方面做得非常出色。关键在于这些企业采取了数据优先的方法，针对业务关键挑战。

成功的 GenAI 部署始于坚实的数据基础、集中和清洁的信息以及强大的治理。通过关注业务需求，例如物流、质量或文档审查，组织可以确保其 AI 努力取得成果。

将数据视为战略资产需要持续投资和跨团队所有权。合作完善数据集、验证结果并增强流程——推动成本节约、提高生产力和明智的决策。这将 AI 从昂贵的实验转变为商业引擎。

企业领导者如何产生有形成果

企业领导者在实施 GenAI 时应遵循以下四个步骤。

• 评估整个组织的当前数据和技术状态。
• 优先建立治理、明确的责任感和可扩展的技术，以便业务和技术团队可以从统一的基础上工作。
• 集中和更新数据，以确保其与业务目标保持一致。
• 赋予团队工具和知识，以推动可衡量的改进。

将数据治理视为核心基础设施的领导者将实现转型，而那些延迟的人将被甩在后面。关键在于投资于提供强大治理、跨职能所有权和流程纪律的技术解决方案。这有助于将组织从断裂的试点项目转变为企业范围的价值。逐步推进为 GenAI奠定了基础，GenAI可以带来商业成果，并使您的公司更好地利用下一波创新带来的好处。