人工智能的使用情况

随着人工智能的迅猛发展，以OpenAI的ChatGPT为典型代表的大模型正经历着快速的迭代升级。如今，这些大模型的应用已经跃升为企业数字化转型的重要推动力量。AI大模型以其强大的数据处理和模式识别能力，正逐渐渗透到企业的各个业务领域。众多企业开始积极探索将AI大模型应用于业务流程优化、决策支持以及创新服务等环节。通过训练大规模的数据集，AI大模型能够提供更为精准和高效地预测分析，帮助企业更好地理解市场趋势和客户需求。

图 企业人工智能应用的阶段

调研数据显示，35%的企业已经通过人工智能应用实现了某种程度的价值提升。然而，在这些企业中，仅有8%的企业成功地将人工智能应用转化为企业的核心竞争力。另一方面，有55%的企业目前仍处于人工智能应用的初步探索阶段，尚未实现质的飞跃和显著的价值创造。此外，还有10%的企业尚未涉足人工智能领域，这可能是由于多种因素，如技术门槛、资金限制、战略规划不足或对人工智能潜在价值的认识不足等。

图 企业应用人工智能技术的方式

在使用人工智能的情况方面，不同企业基于自身情况做出了不同的选择，但总体来看，借助外部力量（无论是现成产品还是共同开发）是现阶段更为流行的做法。与此同时，也有不少企业正积极尝试通过自有数据驱动的方式深化AI的应用实践。

l58.9%的企业选择与外部厂商共建，显示出企业希望通过合作开发定制化的人工智能解决方案，以更好地适应自身业务需求或解决特定问题。这种模式下，企业能够结合自身行业知识与合作伙伴的技术优势，创造出更加贴合实际应用场景的AI工具。

1、57.6%的企业选择使用外部厂商成熟产品，表明大多数企业在面对AI技术时更倾向于依赖市场上已有的、经过验证的产品和服务。这种方式可以帮助企业快速部署AI解决方案，同时减少自主研发所需的时间和成本。

2、45.0%的企业选择利用内部积累的数据资源训练规模较小但针对性强的AI模型。这反映了对于拥有独特数据资产的企业来说，通过个性化的小模型可以更有效地挖掘数据价值，提升决策效率和服务质量。

3、13.0%的企业选择自建大模型，这可能是因为构建大规模AI系统需要巨大的投入，包括资金、人才以及时间等多方面资源。尽管如此，对于那些具备足够实力并希望在AI领域占据领先地位的企业而言，自研大模型仍然是一个值得探索的方向。

数据使用重点

在当今数据驱动的商业环境中，数据已经成为企业核心竞争力的关键要素。然而，有效的数据管理并非易事，它涉及到数据战略、治理、架构、应用、安全、质量等多个方面。根据调研结果，虽然大部分企业已经认识到数据治理、标准和战略的重要性，并在这些领域开展了相关工作，但在数据质量、安全以及生命周期管理等方面的投入仍显不足。为了充分发挥数据的潜在价值，企业需要进一步加强这些薄弱环节，构建全面、高效的数据管理体系。

根据数据管理能力成熟度评估模型，数据管理包含八大能力：

1. 数据战略（数据战略是组织中数据工作开展的目标指引，定义组织数据工作的方向、愿景和原则）

2. 数据治理（数据治理是对数据资产管理行使权利和控制的活动集合）

3. 数据架构（数据架构是用于定义数据需求、指导对数据资产的整合和控制、使数据投资与业务战略相匹配的一套整体构件规范）

4. 数据应用（数据应用是指通过对组织数据进行统一的管理、加工和应用，对内支持业务运营、流程优化、营销推广、风险管理、渠道整合等活动，对外支持数据开放共享、数据服务等活动）

5. 数据安全（数据安全是指组织中的数据受到保护，没有受到破坏、更改、泄露和非法的访问）

6. 数据质量（数据质量是指数据的适用性。描述数据对业务和管理的满足度）

7. 数据标准（数据标准是组织数据中的基准数据，为组织各个信息系统中的数据提供规范化、标准化的依据）

8. 数据生命周期（数据生命周期是指数据从设计、开发、创建、迁移、应用、存档、回收的周期、再次激活以及退出的整个过程）

图 企业数据工作重点方向

根据调研数据，超六成的企业开展了数据治理方面的工作，旨在确保数据的质量、安全性和合规性。半数以上的企业已经开展了数据标准方面的工作，确保数据的一致性和可互操作性。超半数的企业已经开展了数据战略方面的工作，数据战略是企业数字化转型的核心，它明确了数据如何支持企业的业务目标和发展方向。超五成的企业已经开展了数据应用方面的工作，将数据转化为实际的业务价值。有四成的企业已经开展了数据架构方面的工作，这是支撑数据管理和应用的基础。尽管数据质量和数据安全分别占据一定比例（23.2%和38.4%），但相较于其他方面仍显偏低。随着数据量的激增和网络安全威胁的升级，企业应进一步加大在数据质量和安全防护方面的投入。数据生命周期管理方面的工作占比仅为17.2%，这可能意味着企业在数据的创建、存储、使用、归档和销毁等全生命周期管理上存在不足，亟待改进。