AI项目为何面临高失败率：2026年前超半数可能夭折
快速阅读: 2025年，人工智能革命已至，但分布不均。个人受益于大型语言模型，而企业项目多遇挑战。安东尼·伍德沃德指出，至2026年，60%-90%的人工智能项目可能失败，主因数据和治理问题。加强数据治理，确保数据质量与合规，是提高成功率的关键。
2025年，借用一句话来说：人工智能革命已经到来，只是分布不均。个人从大型语言模型（LLM）或更新的代理系统中获得了生产率提升，而大型项目却面临挑战。观察现状，每有一个工程师独自成功开发复杂应用程序的故事，就有很多企业的试点项目停滞不前。
安东尼·伍德沃德，RecordPoint联合创始人兼首席执行官指出，研究和行业预测一致警告，到2026年，60%至90%的人工智能项目可能因在部署前被放弃、未能提供可衡量的商业价值或直接取消而失败。
人工智能项目的失败并非模型问题，而是数据和治理的问题。然而，这一问题是可以解决的，通过解决这些问题，组织不仅能提高人工智能努力的成功率，还能降低组织风险。
为何组织在人工智能方面遇到困难？人们倾向于将原因归咎于模型选择、参数调整或供应商选择等技术问题。对于一项新技术，当试点项目失败时，常见的反应是“一定是操作有误”。实际上，最常见的问题是更基础的：由于缺乏治理而导致的数据混乱。
据高德纳咨询公司预测，到2027年，60%的组织将因为治理不连贯而无法实现预期的人工智能应用价值。即使功能得以实现，若没有连贯的治理框架和“人工智能就绪”的数据，也可能无法达成预期效果。
数据治理问题也是成本超支和影子人工智能等问题的根本原因。没有使用护栏、权限管理和保留卫生，计算成本可能上升，风险也会扩大。
数据治理与人工智能治理
在探讨两者如何促进成功的人工智能推广之前，先定义这两种治理形式。
数据治理是指在整个数据生命周期中发现、分类、保护、保留和监控数据的工作。它建立了一个框架，规定谁可以访问数据、数据如何收集、存储和使用，并分配责任以确保一致性，防止问题发生，并支持整个业务的更好决策。
人工智能治理是一个相对较新的领域，它通过制定组织使用人工智能的方式，确保其在法律和伦理边界内运作，并与组织的价值和社会规范相一致。
数据治理传统上主要被视为帮助组织避免不利后果的手段。组织通常是在合规失败或数据泄露后，或是当数据如此不可靠以至于导致明显错误决策时，才将数据治理作为事后补救措施。有了强大的数据治理，可以确保审计跟踪得到保存，数据按规保存以避免审计失败和破坏性的监管处罚，同时通过管理访问和在义务要求时移除数据来更好地保护数据，从而减少数据泄露的可能性和影响。
随着人工智能的发展，数据治理现在有了另一个卖点：它可以促进创新。就像发动机需要润滑油一样，人工智能也需要数据。从许多组织的后顾之忧转变为推动者，治理已成为一种促进因素。
重视强大数据治理的组织能够为其人工智能平台提供真实、可靠且无偏见、错误的数据，同时尊重个人隐私。
当治理缺口公之于众
去年的一起涉及加拿大航空的高调案例中，不列颠哥伦比亚省民事解决法庭裁定该航空公司因网站聊天机器人提供误导性的丧亲票价指导而承担责任。问题根源在于模型混淆了两个类似的（真实的）政策，并虚构了两者之间的联系。这并不是说“人工智能是危险的”，而是表明政策必须被视为权威的、版本化的内容，人工智能聊天机器人应仅从经批准的来源检索信息，并对敏感索赔进行人工验证。
欲使组织跻身明年成功实施人工智能项目的行列，首先需建立坚实的数据治理基础，确保数据适合人工智能应用，并重视合规性。
构建适配AI的数据：来源清晰、上下文丰富、可信度高
良好的数据治理始于对数据的全面理解，无论是结构化还是非结构化的数据，都需确保其可信性、来源明确，并保证其“AI就绪”。不同系统可能有不同的本体论或元数据模型，因此需确保提供足够的上下文，以使大型语言模型或代理系统能对查询做出有价值的回应。这一过程需要持续进行，规模化操作。明确的所有权、可重复的数据管道及持续测试，确保数据安全地流向正确的位置。“就绪”并非一种工具，而是一种流程。
关注合规性
了解自身拥有的数据后，即可采取措施使其符合规定，保障数据的安全性和准确性。首先，清除冗余、过时和琐碎（ROT）的数据，这些数据不仅阻碍隐私或记录管理规定的遵守，还可能在数据泄露时造成更大损害，甚至导致AI模型输出质量低下或不符合规定。对于剩余的数据，应依据相关法规制定保留计划，并最小化（移除）敏感数据。审查数据访问和共享情况，确保数据与AI治理之间的联系得到全面评估。近期是否有对员工的数据访问权限进行审计？在引入类似微软Copilot这样的AI模型之前，这是必不可少的步骤。Concentric的一项研究发现，15%的关键业务资源存在过度共享的风险。像Copilot和ChatGPT Teams这样的AI平台继承了数据访问配置，若未做好充分准备便引入这些平台，可能会产生意外后果，即所谓的“乌龙球”。如果某员工可以访问特定文件，那么他们的Copilot也能访问，这可能导致隐私政策被违反，引发内部混乱。此外，若该员工账户被黑客攻击，后果将更加严重。
建立集中化的AI治理中心
设立一个轻量级控制层，位于数据源、AI服务和用户界面之上，用于统一声明政策并在所有地方强制执行——确保执行的一致性、可衡量性和具有审计追踪。到2026年能够大规模应用AI的企业，不是那些拥有最炫酷演示的企业，而是那些以与财务管理或安全保障相同的标准来治理数据和AI的企业。持续管理元数据，确保输入数据的可信度和合规性。建立治理控制平面，使模型的行为可预测且负责任。做好这两点，不仅能增加AI应用的数量，还能降低风险。
我们曾介绍过最佳的人工智能网站构建器。
本文由TechRadarPro的专家洞察频道制作，该频道汇集了当今技术行业最杰出的思想领袖。文中观点仅代表作者个人，不一定代表TechRadarPro或Future plc的立场。如您有兴趣投稿，请点击以下链接了解更多：
https://www.techradar.com/news/submit-your-story-to-techradar-pro
主题
人工智能
安东尼·伍德沃德
社交链接导航
安东尼·伍德沃德是RecordPoint的联合创始人兼首席执行官。
(以上内容均由Ai生成)
