對大多數企業來說，生成式人工智能令人興奮，但尚未取得成功。這需要迅速改變，但這將需要一些企業可能不愿意做的工作。

公共云市場正在經歷爆炸式的增長，原因很容易理解。對生成式人工智能的興趣促使企業轉向他們的公共云控制臺，以分配更多的資源，包括數據存儲和計算，這些資源往往更高端，成本更高。

人們不需要尋找那些令人失望的數據。高德納公司估計，85%的人工智能實施沒有達到預期或沒有完成。許多項目再也沒有復活。人們可以在谷歌上搜索所有關于人工智能的壞消息；總的趨勢是，企業擅長花錢，但不擅長構建和部署人工智能。

報告顯示，云計算技術的部署方式發生了重大轉變，主要是對具有密集計算需求的生成式人工智能的需求。越來越多地依賴云服務來托管、培訓和部署人工智能模型，這說明了人工智能創新與云基礎設施之間的共生關系。組織已經在基于云的解決方案上投入了大量資金，以適應高級人工智能模型的復雜需求，推動了云計算容量和功能的極限。

不幸的是，人工智能無處不在。項目的放棄率反映了資源錯位和戰略疏忽的更廣泛趨勢。人工智能能力的快速發展與數據需求的復雜性和特殊性的增加相匹配。許多組織需要幫助來獲取和管理高質量的數據，以便成功地部署人工智能，這已經成為大多數企業必須克服的障礙。

數據是問題所在

糟糕的數據質量是導致項目失敗的主要因素。隨著企業涉足更復雜的人工智能應用，對定制高質量數據集的需求暴露了現有企業數據的不足。盡管大多數企業都知道他們的數據本來可以更好，但他們不知道有多糟糕。多年來，企業一直在拖延數據問題，不愿解決問題，而技術債務卻在積累。

人工智能需要優秀、準確的數據，這是許多企業所沒有的。至少這需要投入大量的工作。這就是為什么很多企業放棄生成式人工智能的原因。數據問題的解決成本太高，許多知道什么對自己的職業生涯有好處的首席信息官也不想承擔這個責任。在標記、清理和更新數據以保持其與培訓模型的相關性方面的復雜性已經變得越來越具有挑戰性，強調了組織必須駕馭的另一層復雜性。

通常，數據問題是由前任犯的錯誤造成的，例如將許多流程和關鍵數據元素推到ERP系統中，或者追逐炒作驅動的趨勢，例如數據倉庫。

云計算不會拯救你

盡管存在這些挑戰，將人工智能與云計算集成仍然是一個關鍵的重點領域，為擴展人工智能計劃提供必要的基礎設施。公司繼續探索云計算解決方案，以支持他們的人工智能雄心。然而，我們現在知道，投資回報比預期的要慢。

生成式人工智能項目的潛力和實用性之間的差距導致了對人工智能戰略的謹慎樂觀和重新評估。這促使組織仔細評估人工智能成功所需的基本要素，包括強大的數據治理和戰略規劃——企業認為部署人工智能過于昂貴和風險太大。

這里的理解是，云計算不會拯救你。這不是平臺的問題；這是一個數據資產和資源知識的問題，需要為企業提供生成式人工智能。

這將導致人工智能世界中的有產者和無產者。那些能夠將數據整理好并有效使用人工智能的人可以將生成式人工智能作為戰略差異化因素，將公司帶入下一個階段。而其他人則會袖手旁觀。

云計算提供商將在未來幾年內增長，就像人們現在看到的那樣。然而，除非他們能夠教會他們的客戶如何定義一個能夠克服許多失敗的人工智能戰略，否則他們的市場將再次收縮。至少我們知道原因了。

企業在生成式人工智能方面表現糟糕、項目失敗的原因很好理解。這不是分析師和首席技術官無法解釋的錯誤。人們知道為什么人工智能項目會陷入困境，企業似乎不愿意或無法投資解決方案。但他們遲早會這樣做，希望一些首席信息官有政治勇氣正面解決問題，不管是否使用云計算，這是唯一可行的辦法。