什么是生成式 AI 的希望之处可以从云计算的试验和错误中学习

生成式 AI (GenAI) 已经到来，全球各个组织都在享受这项技术的能力。已经，有 72% 的组织报告目前正在广泛或零星地使用 GenAI，另外 26% 的组织正在尝试这项技术。然而，这个新的 GenAI 采用阶段仍然处于初期阶段。

根据麦肯锡的说法，只有 1% 的公司高管将他们的 GenAI 部署描述为“成熟的”，这意味着该技术已经完全集成到工作流中并推动了重大的业务成果。关闭这一成熟度差距需要不断的课程更正，通常归结为部署的障碍，例如显著的费用、对未经验证的技术的不信任以及监管风险。如果这些挑战听起来很熟悉，它们应该是——当 IT 团队第一次跳跃到拥抱云作为下一件大事时，许多相同的障碍出现了。

这两波新技术热潮在某些方面有所不同。虽然云计算最初是在更多的关键任务系统中实施的，但 GenAI 正在更快速地在试点阶段和主要用于提高效率和生产力的用例中采用。然而，学习曲线是相似的：它们都迫使组织以不同的方式思考和工作。

通过反思云计算先驱者的经验，今天的 GenAI 希望者可以为更好的信息化未来做好准备。

管理成本、风险和变化：从云计算的错误中学习

将时钟拨回云技术开始获得关注的时期，许多组织低估了迁移的复杂性，并高估了短期的成本节约。因此，大多数相同的组织都成了三个主要陷阱的牺牲品：糟糕的成本管理、安全性配置错误以及文化和组织变化的自然抵抗。

云时代教会我们，简单地“提升和转移”工作负载——将它们转移到云中而不进行现代化——通常无法提供价值。同样，GenAI 计划通常会停滞不前，当组织尝试将遗留的、无结构的或记录不良的数据插入强大的新模型中，而不更新数据基础时。事实上，GenAI 项目可能会带来令人失望的结果，甚至会强化现有的低效率。教训：技术本身无法克服基础上的弱点。

就像云技术暴露了治理、技能和长期战略的差距一样，GenAI 也暴露了这些差距。如果员工在没有监督的情况下采用 GenAI 工具，或者使用该技术超出了可接受的使用政策范围，影子 IT 的风险可能会重新出现，沿 với在大规模上确保合规和安全 GenAI 流水线的困难。这些相似之处将继续出现，因为 GenAI 从实验转向广泛的企业集成，需要与云中找到的相同的强大的网络安全框架、事件响应计划和治理结构。

除了风险管理，未经管理的成本蔓延是一个长期存在的问题。在技术中，云计算也不是例外，因为企业继续将 GenAI 集成到工作流中，他们面临着类似的费用增加。

越来越多的组织试图改善他们的成本管理策略正在转向 FinOps 作为解决方案。利用及时的、数据驱动的洞察力来帮助改善预测并鼓励跨职能的问责制和协作，一个全面的 FinOps 基础设施已经被证明是非常有价值的，用于控制过度支出和最大化业务价值。FinOps 原则不仅限于云成本管理，还为 GenAI 支出提供了一个可行的选择。

将云经验应用于 GenAI 实践

到今年年底，Gartner 预测至少 30% 的 GenAI 项目将在概念验证后被放弃。当炒作超过现实时，GenAI 项目失败背后的隐藏模式——例如，数据准备不足、业务所有权不明确或不必要的复杂性——通常在采用新技术的热潮中被忽略。早期识别和解决这些信号可以使 GenAI 成功与另一个被放弃的项目之间产生巨大的差异。领导者积极寻找这些警告信号，而不是捷径，会为他们的团队带来长期的成功。

一旦采用被批准，公司应该强调小型 GenAI 试点项目，以测试和确保现实世界的价值，而不是立即进行企业范围的扩展。对于公司来说，首先只关注几个明确定义的、高影响力的用例，并将明确的 ROI 目标映射回实际的业务需求至关重要。

这确保了早期的胜利，建立了内部的信心，并避免了浪费时间和资源在通用实验上。通过将 GenAI 采用锚定到一个有形的结果——例如，自动化客户支持摘要或加速代码审查——组织可以快速展示价值，改进他们的方法，并更战略性地扩展。它还有助于将技术努力与业务目标对齐，这是许多 GenAI 试点项目目前缺乏的。

从那里开始，建立强大的检查和平衡、持续监控和明确的治理政策是 GenAI 负责任使用和合规的下一个关键步骤。与外部专家进行合作可以成为在今天复杂且不断演变的监管环境中导航的良好第一步。通过在 GenAI 实现过程的早期投资于合适的工具和基础设施，以及持续的培训，组织可以为可持续的成功奠定基础。

在 GenAI 创新中找到合适的平衡

通过以纪律和预见性应用云时代的经验，组织可以避免昂贵的错误并解锁 GenAI 的全部潜力——安全、可持续地和大规模地。

GenAI 将继续成为一股强大的力量，70% 的 CEO 报告说，他们预计这项技术将在未来三年的业务模式中产生影响。这个数字在已经使用该技术的 CEO 中增加到 89%。很明显，GenAI 的变革潜力对高管决策者来说是有价值的，但可持续的、规模化的影响仍然取决于解决信任、治理和集成的障碍。