状态报告：跨行业的人工智能实施

众所周知，人工智能模型训练和实施之间的差距很大：大约80%的项目未能成功。

根据姊妹研究公司Omdia的报告《AI观点：实施的挑战》，“AI模型得到训练但从未部署，或者在成功验证后证明在生产中令人失望的现象很常见”。

报告作者、Omdia高级计算和人工智能高级分析师Alexander Harrowell表示，未能启动的原因可能包括模型漂移、捷径学习、偏见以及更广泛的业务问题，例如数据管理不善或未能设计高效的业务流程。

公司不仅迫切需要投资于数据分析、治理和技能，而且需要改变衡量成功的方式。一些最常见的指标是“软”KPI——例如“客户参与度”——但比投资回报率更无定形。

“结论可能是，缩小实施差距的最佳方法是通过实施更严格的KPI来过滤更上游的不良项目，”分析师说。

以下是报告的要点：

实施差距仍然存在，甚至可能会越来越大。人工智能项目从战略研讨会或新闻稿通过开发和验证阶段进入生产的速度仍然很低，并且存在大量未交付项目的库存。这些有助于提高硬件供应商的数量和客户的形象，但最终会被发现。

差距的一个关键驱动因素可能是由“软”KPI证明合理的项目。零售和更广泛的消费领域是最大的人工智能增长领域，在过去几年中，他们经历了对聊天机器人、VDA和产品推荐的大量投资。诸如“客户参与度”之类的KPI在这里很常见，但其定义远不如收入等。

尽管那些报告它的企业已经看到了令人印象深刻的ROI结果，但令人惊讶的是，很少有企业选择将其用作KPI。这可能是由于所谓的文件抽屉效应，没有人愿意讨论没有获得回报的项目。作为一般规则，收入、投资回报率或生产力等最终目标KPI很少见。此类KPI的纪律可能是缩小差距的重要手段。

在不同的行业中，有一个共同的人工智能准备模式。所研究的所有行业的企业在制定战略和调整组织方面都取得了进展，一部分企业具备了技术和运营能力。然而，在数据方面，很少有人能超越二档。

由于不同的原因，金融服务(finserv)和零售在人工智能准备方面表现相对较好。Finserv至少在数据类别上“不那么糟糕”，可能是因为他们已经在信用评分和欺诈检测等流程方面拥有丰富的经验。与此同时，零售商(包括电子商务)因开发出更强大的内部技术和运营技能而脱颖而出。