试点疲劳、无目的的实验和高失败率促使许多组织将生成式人工智能的投资转向更具针对性且更有前景的商业应用。

生成式人工智能的“游戏时间”可能已经结束，因为大多数企业正在减少实验，转而专注于实现商业价值，重点关注更少、更有针对性的应用场景。

NTT DATA最近的一项调查显示，近十分之九的高级决策者表示，他们对人工智能试点感到疲劳，正在将投资转向能够提高业务绩效的项目。

NTT DATA北美区首席数据和人工智能官安德鲁·威尔斯表示，尽管许多企业仍将尝试新的生成式人工智能试点，但越来越多地将重点放在与其业务相关的特定用例上，这已成为IT领导者人工智能战略的核心。

威尔斯指出，在某些情况下，50%或更高的试点失败率迫使组织重新考虑他们启动的试点数量。今年4月，IDC的一项调查发现，平均而言，组织已经启动了37个人工智能概念验证项目，但只有少数进入规模化应用于生产阶段。

威尔斯表示：“早期试点之所以频繁失败，要么是因为缺乏合适的数据，要么是因为技术尚未成熟，或者是因为模型本身存在问题。”在其他情况下，试点项目在商业上不可行，他说：“你可以构建概念验证，但解决方案的有效性并不一定与最初的假设相符。”

此外，超过三分之一的IT专业人士表示，他们参与的人工智能项目的目的并不是实现实际价值，而是向投资者和利益相关者展示他们的组织正在使用人工智能。威尔斯指出，大量的生成式人工智能试点项目无处可去，这正在消耗资源。

“当我们进入大多数公司时，他们的生成式人工智能应用积压量很大，具体来说是数百个，”他说。“他们更有目的地选择他们想要投入时间和精力以及资金的项目，而不是‘让我们只是实验一下，看看这项技术可能能够做什么。’”

专注于数字化转型的咨询公司SkyPhi Studios的首席执行官兼联合创始人考特尼·舒勒指出，许多企业在启动人工智能试点时常常忽视了隐藏成本。在短时间内启动多个试点项目不仅会耗费大量资金，而且往往会导致员工生产力下降，因为他们很难掌握新技术的使用。

“我经常看到的是，许多企业在真正放慢脚步、战略性地思考这项技术如何在他们的组织中发挥作用、应该采取什么样的战略路径，以及仅仅看看组织可能正在经历的其他技术实施带来的整体变革疲劳之前，就盲目追随这项技术的炒作浪潮，”她说.舒勒表示，让项目进入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人工智能工具是一个巨大的挑战。

“重要的是真正实现您的投资以及与之相关的成本，从技术成本到帮助人们采用技术的成本，”她补充道。“从我的角度来看，花时间查看预算并制定计划比直接投入并可能损失数百万美元更重要，因为它可能不如你预期的那样有效。”

“我们看到，在一个微观世界中，一些公司试图自行开发聊天机器人，但开发团队并没有真正专注于提供必要的支持和维护，他们也没有任何人工智能背景，”他说.“存在巨大的过度投资，我们几乎把企业变成了风险投资公司，像初创公司一样为IT项目提供资金。”

但Nag表示，让每个组织都构建自己的人力资源人工智能是没有意义的。“你真的希望有10,000家企业去尝试构建客户支持代理、人力资源代理和财务代理吗？”他补充说，相反，许多组织似乎正在转向较少数量的人工智能试点，专注于他们的独特需求，而不是商品聊天机器人。

“对于大多数公司来说，如果它与你的核心目标和直接营收不是非常相关，它就会分散注意力并导致失败，”他说.“你会失去人才，因为他们会被投入到‘我们期望它成为成功中心’的事情中。”

“这些模型和功能基于互联网上的广泛知识，而不是特定领域和背景，”Schroeder补充道，“这使得许多领导者能够看到新兴的人工智能解决方案在日常生活中的应用，但要将其应用于超特定的、面向行业的具体应用并发挥有意义的生产力，还需要深入了解公司的运营。”

他表示，这种差距促使企业将试点项目从通用项目转移到更具价值驱动的领域。“我们经历过的最成功的方法是在设计人工智能试点和解决方案的治理时，从一开始就从更高的层面进行——无论是为了加速生产力、推动成本节约、增加收入还是提升客户体验，”Schroeder说。“通过在一开始就确定关键原则，更容易在公司同时进行的多个项目中保持一致性。”

Grant Gross 是《CIO》杂志的高级撰稿人，也是一位资深的科技记者。他曾在IDG新闻服务社担任华盛顿通讯员，随后升任高级编辑。在其职业生涯早期，他担任Linux.com的主编，并在科技职业网站Techies.com担任新闻编辑。更早之前，他在明尼苏达州和达科他州的报纸担任记者和编辑。