AI项目高昂成本与数据问题阻碍进展,2025年前30%的GenAI项目或将搁浅

简介: AI项目高昂成本与数据问题阻碍进展,2025年前30%的GenAI项目或将搁浅

本文来源:企业网D1net


尽管GenAI被视为颠覆性技术,但高昂的前期投资、数据质量问题和不明确的项目目标使得许多AI项目难以实现预期成果。Gartner和Deloitte的最新报告指出,至少30%的GenAI项目将在2025年底前被搁置,企业在证明和实现这些项目的价值上面临巨大挑战。此外,数据隐私、安全问题以及技术基础设施的缺乏也是项目失败的主要原因,然而,尽管存在这些挑战,企业仍然在加大对GenAI的投入,期待从中获得长期的收益。


最新报告显示,高成本、数据问题和目标不明确是导致AI项目失败的主要原因。


尽管AI有望变革各行各业,但随着成本上升和风险增加,许多AI项目陷入困境,多份近期报告强调了这一点。


根据Gartner的一份新报告,至少30%的GenAI项目将在2025年底前在概念验证阶段被放弃,企业在这些项目上投入了500万到2000万美元的前期资金,却“难以证明和实现价值”。

Deloitte的另一份报告得出了类似的结果,在接受调查的2770家公司中,70%表示他们的GenAI实验只有30%或更少进入了生产阶段,准备不足和与数据相关的问题被认为是这一低成功率的原因。


AI项目的整体前景并不乐观,智库RAND的研究发现,尽管私营部门在AI上的投资从2013年到2022年增加了18倍,但超过80%的AI项目失败,失败率是不涉及AI的企业IT项目的两倍。

资金支持与项目完成率的差距可能是导致“NVIDIA、Meta、Alphabet、Microsoft、Amazon、Tesla和Apple”这七大科技公司上月在五天内损失1.3万亿美元市值的原因之一。


GenAI项目需要高额的初期投资,才能实现效益


Gartner估计,使用GenAI API(允许开发人员将GenAI模型集成到其应用程序中的接口)的前期成本可能高达20万美元,每位用户每年还需额外支付550美元,此外,构建或微调自定义模型的成本在500万到2000万美元之间,每位用户每年还需支付8000到21000美元不等。


根据自动化软件提供商ABBYY的一份报告,全球IT领导者去年在AI上的平均投资为87.9万美元,尽管三分之一的受访者表示他们对这些高昂成本感到担忧,但几乎所有(96%)的受访者表示,他们将在明年增加这方面的投资。


Gartner的分析师写道,GenAI“要求在财务投资上有更高的容忍度,更多考虑未来的间接回报,而不是立竿见影的投资回报”,而“许多首席财务官对此并不放心”。


但对于AI项目投资回报率(ROI)的担忧不仅限于首席财务官,全球最大科技公司的投资者最近也表达了对他们投资回报的质疑,Goldman Sachs的股票分析师Jim Covello在6月的一份报告中写道:“尽管这项技术价格昂贵,但它还远未达到可以实用的程度。”


此外,Alphabet和Google的市值在8月份出现下跌,因为它们的收入未能抵消在AI基础设施上的投资。


GenAI项目失败的其他原因


企业GenAI项目未能成功启动的主要原因之一是:准备不足。


在Deloitte的调查中,少于一半的受访者认为他们的组织在技术基础设施和数据管理领域做好了充分准备——这两者都是将AI项目扩展到能够实现效益的基本要素。RAND的研究也发现,许多企业没有“足够的基础设施来管理其数据和部署完成的AI模型”。


只有约五分之一的Deloitte受访者表示,他们在“人才”和“风险与治理”方面做好了准备,许多企业因此积极招聘或提高AI伦理相关岗位的技能。

数据质量是GenAI项目顺利完成的另一个障碍。


Deloitte的研究发现,55%的企业由于与数据相关的问题(如数据敏感性或隐私和安全方面的担忧)而避开了某些GenAI用例。RAND的研究也强调,许多企业没有必要的数据来训练有效的模型。


通过与65位数据科学家和工程师的访谈,RAND的分析师发现,AI项目失败的根本原因在于缺乏对其承诺解决问题的明确认识。行业利益相关者往往误解或错误传达了这个问题,或者选择了一个过于复杂而无法用现有技术解决的问题。企业可能更专注于使用“最新最好的技术”,而不是实际解决手头的问题。


Deloitte还指出,其他可能导致GenAI项目失败的原因包括AI的固有风险——如幻觉、偏见、隐私问题——以及跟上像《欧盟AI法案》这样的新法规的挑战。


企业依然坚定地推进新的GenAI项目


尽管成功率较低,但据彭博社报道,截至目前,66%的美国CIO正在部署GenAI助手,相较于去年12月的32%。主要的应用场景是聊天机器人代理,如客户服务应用程序。

在同一时期,受访者表示他们正在训练基础模型的比例也从26%上升到40%。


RAND的报告提供了证据,表明企业并未因为挑战而减少对GenAI的投入。根据一项调查,58%的中型企业已经将至少一个AI模型投入生产。


Gartner指出,推动企业持续坚持使用GenAI的动力来源于其对收入节省和生产力提升的实际影响,与此同时,Deloitte的调查显示,三分之二的企业表示,他们正在增加投资,因为他们已经看到了早期的显著价值。


然而,ABBYY的研究发现,63%的全球IT领导者担心,如果他们的公司不使用GenAI,将会被其他竞争对手抛在后面。


甚至有证据表明,GenAI正在成为一种分心因素。根据IBM的报告,47%的技术领导者认为公司IT部门在提供基本服务方面的表现有效性下降了,自2013年以来下降了22%。研究人员认为,这与企业将注意力转向GenAI有关,因为43%的技术高管表示,GenAI在过去六个月内增加了他们对基础设施的担忧。


Gartner副总裁分析师Rita Sallam表示:“这些数据为评估GenAI业务模型创新所带来的商业价值提供了宝贵的参考依据。


“但重要的是要承认,估算这些价值存在一定挑战,因为收益往往因公司、用例、角色和员工群体的不同而有所差异。通常,影响可能不会立即显现,可能需要时间才能体现出来,然而,这种延迟并不意味着潜在利益的减少。”


版权声明:本文为企业网D1net编译,转载需在文章开头注明出处为:企业网D1net,如果不注明出处,企业网D1net将保留追究其法律责任的权利。


相关文章
|
18天前
|
存储 人工智能 NoSQL
阿里云表格存储 Tablestore 全面升级 AI 能力,存储成本直降 30%
近日,阿里云表格存储 Tablestore 宣布全面升级 AI 场景支持能力,正式推出 AI Agent 记忆存储功能,在保障高性能与高可用的同时,整体存储成本降低 30%,标志着 Tablestore 在构建 AI 数据处理和存储的技术内核能力上,迈出关键一步。
162 5
|
2月前
|
人工智能 自然语言处理 安全
ChatBI,用AI自然语言与数据对话
在数字经济快速发展的2025年,企业数据量激增,市场对快速决策和深度分析提出更高要求。本方案介绍如何通过阿里云Quick BI工具,结合AI能力,帮助商业分析师高效应对数据洪流,实现智能化分析、快速决策,提升业务洞察力与决策效率。
ChatBI,用AI自然语言与数据对话
|
28天前
|
人工智能 IDE 开发工具
通义灵码 AI IDE使用体验(3)项目优化及bug修复
本文介绍了使用通义灵码 AI IDE进行项目重构与优化的全过程,涵盖页面调整、UI更新、功能修复等内容,并展示了多次优化后的成果与仍存在的问题。
158 0
|
人工智能 自然语言处理 IDE
通义灵码 AI IDE使用体验(1)项目初创
通义灵码 AI IDE上线,作为AI IDE的重度使用者怎能错过?本文详细体验了从安装到项目开发的全过程,界面友好,操作简便,支持智能问答、文件编辑、智能体三种模式。通过智能体方式快速开发项目,自动规划功能、管理环境,虽在复杂项目中仍有提升空间,但整体体验流畅,适合开发者尝试。
269 0
|
2月前
|
人工智能 自然语言处理 供应链
走进麦当劳·会数据同学:解锁AI在企业应用的深度价值
麦当劳中国进入“金拱门时代”,加速数字化转型,计划未来4年投入40亿元用于研发创新。携手阿里云与瓴羊,构建以客户为中心的数字系统,优化消费体验与门店运营,打造全球数字化标杆。
|
2月前
|
人工智能 自然语言处理 算法
AI与API结合:自动解析商品描述+情感分析评论数据
AI与API深度融合正在重塑电商运营模式。通过自动解析商品描述、分析评论情感,企业可实现信息标准化、用户画像精准化及运营决策自动化。本文从技术架构、核心算法、实战案例三方面,详解AI如何驱动电商智能化升级。
|
2月前
|
SQL 人工智能 自然语言处理
数据 + 模型 驱动 AI Native 应用发展
随着人工智能技术的飞速发展,从生成式人工智能(GenAI)到自主代理人工智能(Agentic AI)的演进,企业面临着构建 AI Native 应用的机遇与挑战。本文将深入探讨 AI 开发模式的转变、企业应用的挑战以及技术架构和开发工具的应用,旨在为读者提供一个全面的视角,以理解如何利用数据和模型驱动 AI Native 应用的发展。
112 0
|
1月前
|
人工智能 IDE 开发工具
通义灵码 AI IDE使用体验(2)项目重构
本文介绍了如何使用灵码IDE将一个简单的CS架构项目重构为BS架构,涉及项目依赖修改、功能迁移、自动开发Web页面等内容,验证了灵码在复杂开发任务中的能力。尽管界面美观度不足,但核心功能已实现。
246 66
|
2月前
|
机器学习/深度学习 人工智能 数据可视化
基于YOLOv8的AI虫子种类识别项目|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
本项目基于YOLOv8与PyQt5开发,实现虫子种类识别,支持图片、视频、摄像头等多种输入方式,具备完整训练与部署流程,开箱即用,附带数据集与源码,适合快速搭建高精度昆虫识别系统。
基于YOLOv8的AI虫子种类识别项目|完整源码数据集+PyQt5界面+完整训练流程+开箱即用!
|
24天前
|
人工智能 自然语言处理 负载均衡
排期延误预警:用AI预测项目风险的3层模型搭建教程
本文介绍了如何通过 AI 智能排期将项目排期误差减少 40% 以上。文章剖析了传统排期中常见的经验依赖、资源冲突、需求变更和进度滞后四大痛点,提出 AI 排期的三步落地方法:历史数据建模、动态适配需求、资源智能匹配,并推荐适配不同团队的 AI 排期工具。强调 AI 是辅助而非替代,核心在于用数据驱动提升排期准确性,帮助团队告别“拍脑袋估期”,实现高效、可控的项目管理。
排期延误预警:用AI预测项目风险的3层模型搭建教程

热门文章

最新文章