当前CIO的人工智能战略呈现出两种竞争性目标:一方面是追求快速提升生产力带来的收益,另一方面则是寻求具有革命性的长期创新。
根据IBM最近的一项调查显示,许多IT领导者似乎倾向于选择其中一种方式,而可能错失另一种机会。虽然一些组织已经开始在AI项目上获得投资回报,但IBM发现,那些专注于创新的组织预计短期内难以从AI项目中获得积极的财务回报。
在超过2,400名受访的IT决策者中,近一半表示他们的AI项目已经实现了积极的投资回报。然而,在尚未实现正投资回报的组织中,四分之三预计在未来一年内也难以实现盈利。
观察者指出,调查显示企业在AI投资方面存在明显的策略分歧:一些公司通过部署现成的、易于实施的AI工具来追求快速回报,而另一些则投资于创新性AI项目,希望这些项目能在未来带来重大竞争优势。
当被问及部署AI的动机时,受访者的回答分为三类:28%表示ROI是其主要关注点,31%认为创新最重要,41%认为ROI和创新同等重要。
IBM Consulting的全球AI和分析业务负责人Manish Goyal指出,虽然短期收益很有吸引力,但AI的真正价值在于利用它创造竞争优势,比如推出新产品和服务、创造新的收入来源或让客户"惊喜"。
Goyal表示:"企业需要在短期AI收益和长期投资之间找到平衡,使技术能够在公司范围内扩展,充分发挥其潜力。AI的真正优势在于它能够推动持续的创新和效率提升,而不仅仅是带来即时的财务回报。"
短期成功
但正如IBM的调查所显示,许多IT领导者仍然专注于短期收益。例如,支付自动化供应商AvidXchange的CIO Angelic Gibson指出,受访者认为商业价值和计算成本比用户体验对ROI的影响更大。
她说:"这表明许多企业正在采取被动方式应对AI,优先考虑即时结果和适应市场压力,而不是主动使用AI来提升客户价值和长期差异化。"该调查"似乎描绘出企业急于在快速增长的AI市场中竞争的画面,但实际上揭示了在实施AI战略时被动与主动策略之间的分歧。"
Gibson承认某些AI项目可以在相对较短的时间内实现投资回报,但她同时警告过早追求ROI的危险。
她补充说:"快速项目必须优先考虑AI实施的准确性。虽然ROI最初可能看起来很有希望,但可能会以产品质量为代价,最终损害信任和满意度。没有满意的客户,就没有长期可持续发展的基础。"
然而,网络优化供应商Expereo的CIO Jean-Philippe Avelange反驳说,通过快速ROI项目展示AI潜力也是有价值的。
Avelange说:"CIO必须倡导对短期AI ROI持现实期望。某些AI应用,如招聘或客户参与方面的应用,可以通过提高客户满意度或增加转化率来快速产生回报。"
但他补充说,一些AI项目并不适合追求快速ROI。"更复杂的AI计划——比如将AI整合到核心产品中——需要更多时间和耐心才能展现其全部价值。"
Avelange表示,CIO可以利用短期ROI的成功为长期AI支出铺平道路,建立信任和发展动力。他建议组织应该寻求短期ROI和长期创新的平衡。
他说:"仅仅关注短期收益可能是一个陷阱。如果CIO不断追求即时ROI,他们可能会忽视长期AI创新可以解决的更深层次的战略性挑战。更深思熟虑的方法是必要的——AI能力的设计不应该是临时性的修补,而应该是推动持续价值并防止问题重复发生的前瞻性解决方案。"
创新与ROI
对话式AI供应商Druid AI的联合创始人兼首席产品官Daniel Balaceanu表示,明智的组织会在其AI项目中寻求短期ROI和长期创新的结合。
他说,由于近年来风险投资和IPO市场表现疲软,实现ROI的压力可能会很大。
Balaceanu说:"对企业来说,展示每项投资的ROI都是至关重要的,包括AI投资。快速成功很有价值,并且能为在中长期采用更多创新建立信任,从而带来更持续的回报和增长。"
他补充说,组织需要合适的合作伙伴和清晰的战略计划,才能在AI项目中实现短期ROI和长期创新的双重目标。他说:"关键是要将其与整体业务目标保持一致,并明确你希望它为组织实现什么。"
IBM Consulting的Goyal表示,组织既可以实现短期财务收益,又可以关注远期创新。
他说:"企业需要将其AI计划视为一个投资组合——一些项目能带来更快的ROI,而其他投资可能需要更长时间才能产生回报,但对增长更具战略意义。组织可以实施能带来快速成功的AI解决方案,比如节约成本或提高效率,同时进行投资优化其AI项目,以推动长期创新和战略转型。"
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。