生成式 AI 的玩乐时期可能已经结束，随着组织减少实验并转向实现商业价值，重点将放在更少、更有针对性的用例上。
根据 NTT DATA 最近的一项调查，近九成高级决策者表示他们已经对生成式 AI 试点感到疲劳，正在将投资转向能够改善业务表现的项目。
NTT DATA 北美公司的首席数据和 AI 官 Andrew Wells 表示，组织仍会尝试新的生成式 AI 试点，但更有针对性的方法正日益成为 IT 领导者 AI 策略的核心，这种方法聚焦于特定于其业务的用例。
Wells 说，在某些情况下，50% 或更高的试点失败率迫使组织重新考虑启动的试点数量。IDC 在 4 月的一项调查中发现，平均而言，组织已启动 37 个 AI 概念验证项目，只有少数达到了生产阶段。
谈到早期试点失败的原因，Wells 解释道："要么是没有合适的数据来实施，要么是技术还不到位，或者模型还不够成熟。"
在其他情况下，试点在商业上并不可行。他补充说："你会建立概念验证，但解决方案的有效性并不一定符合最初的假设。"
此外，超过三分之一的 IT 专业人士表示，他们参与的 AI 项目的目标并非实际价值，而是向投资者和利益相关者展示他们的组织正在做一些与 AI 相关的事情。
Wells 表示，大量无法取得进展的生成式 AI 试点正在耗费资源。
他说："当我们进入大多数公司时，他们的生成式 AI 用例积压（相当可观），具体来说有数百个。他们正在更有目的性地考虑想要花时间、精力和资金在什么上面，而不是'让我们只是实验，看看技术可能能做什么'。"
低估成本
SkyPhi Studios（一家数字转型咨询公司）的 CEO 兼联合创始人 Courtney Schuyler 表示，组织常常在没有考虑隐藏成本的情况下就启动 AI 试点。
在短时间内启动多个试点不仅可能花费大量资金，还常常导致员工生产力下降，因为他们努力学习如何使用新技术。
她说："我经常看到的是，组织在真正放慢脚步并战略性地思考这项技术如何在他们的组织中使用、应该采取什么战略路径之前，就急于跟进这种技术炒作，而且没有考虑到组织可能正在经历的整体变革疲劳，这种疲劳是基于其他技术实施造成的。"
Schuyler 表示，将项目推进到实施阶段只是战斗的一部分。让必要的员工采用新的生成式 AI 工具是一个巨大的步骤。
她补充道："重要的是要真正认识到你的投资和相关成本，从技术成本到帮助人们采用它的成本。从我的角度来看，花时间审视预算并为之做好计划，比直接跳进去并可能损失数百万美元更重要，因为它可能不如你希望的那么有效。"
支出仍在增加
尽管过去一年的结果喜忧参半，但许多公司计划在 2025 年及以后增加他们的生成式 AI 支出。在 NTT DATA 的研究中，39% 的受访者表示他们现在对生成式 AI 有重大投资，这一比例在未来两年内将上升到 61%。
NTT 的调查与 IBM 委托进行的一项新调查结果一致，后者发现 62% 的公司计划在 2025 年增加他们的 AI 预算。尽管存在试点疲劳，但仍有超过四分之一的受访者表示，他们的公司计划在 2025 年启动 20 多个 AI 试点。
QueryPal（一家支持自动化公司）的 CEO Dev Nag 表示，虽然实验将继续，但许多组织可能会专注于能给他们带来竞争优势的项目，而不是一般的人力资源、数字助理或聊天机器人项目。
Nag 说，在早期的 AI 项目中，许多 IT 组织试图创建自己的聊天机器人和人力资源 AI，但现在有些正在将这些功能转移给 AI 供应商。
他说："我们在一个微观世界中看到，人们试图自己构建（聊天机器人），这些团队实际上并不专注于支持，也没有任何 AI 背景。这是一个巨大的过度投资。我们几乎把公司变成了风险投资公司，"像对待初创公司一样资助 IT 项目。
但 Nag 表示，让每个组织都构建自己的人力资源 AI 是没有意义的。
他说："你真的宁愿让 10,000 家企业去尝试构建一个客户支持代理、一个人力资源代理和一个财务代理吗？"
相反，他补充说，许多组织似乎正在转向数量较少的生成式 AI 试点，这些试点专注于他们的独特需求，而不是商品化的聊天机器人。
他说："对大多数公司来说，如果它与你的底线不太相关，那就会成为一种干扰并导致失败。你会失去人才，因为他们会被扔进这样一个情况：'我们期望它成为成功的中心'。"
特定需求
TTEC Digital（一家联络中心 IT 供应商）的分析和洞察总监 Aaron Schroeder 也看到了一些类似的趋势。他说，生成式 AI 的主要公开进展来自于专注于个人用例的通用模型，而不是复杂的业务用途。
Schroeder 补充道："这些模型和功能植根于来自整个互联网的广泛知识，而不是特定领域和背景。这导致许多领导者看到新兴 AI 解决方案如何帮助他们的日常生活，但在看到 AI 解决方案在超特定的、面向行业的用例中有意义地提高生产力之间仍存在差距，这需要了解你的公司如何运作。"
他说，这种差距正在推动企业将试点从通用项目转向更符合创造价值领域的项目。
Schroeder 表示："我们经历过的最成功的方法是预先在更高层面设计 AI 试点和解决方案的治理，无论是为了加速生产力、推动成本节约、增加收入还是带来更好的客户体验。通过预先确定关键原则，就更容易在公司同时进行的多个项目中保持一致性。"