当一家组织认识到生成式人工智能带来的转型机遇时，它们必须考虑如何在整个企业中部署该技术，尤其要同时兼顾其独特的行业挑战、（战略）优先级、数据类型、应用程序、生态系统合作伙伴和治理要求。
金融机构需要确保数据和人工智能治理完全符合严格的监管要求，媒体和娱乐公司则追求构建能够推动更深层次产品个性化的人工智能模型。
工业制造商希望利用人工智能强化物联网，使数据科学家和车间工人都能从数据中轻松地获得有价值的信息。
在任何一种情况下，最先要做的都是获取在行业生态系统中管理和共享的所有相关数据，包括所有类型、所有来源的实时数据。
当组织能利用正确的数据和人工智能技术实现这一目标时，他们就具备了开启数据智能的能力：能够理解自己的数据，并摆脱所谓的“数据孤岛”。
但真正的数据智能不光是建立正确的数据基础，组织也要解决如何在使用生成式人工智能时摆脱对高级技术员工的依赖，并创建关于数据隐私和组织控制的框架。
具体来说，公司希望所有员工都能借助自然语言，从公司自己的数据中收集有价值、可操作的信息，进而大规模利用这些数据，来训练、构建、部署和调整公司的大型语言模型（LLM，large language models），并将来自公司数据的高价值信息融入到业务流程中。
在数据智能的下一个前沿领域，企业将通过人工智能的民主化来实现价值最大化，同时在其行业背景下将人员、流程和技术差异化。
《麻省理工科技评论》Insights 近日发布了一份最新的全球跨行业调查报告，它深入调查和采访了 600 位技术领导者，探讨了各行业为实现数据和人工智能民主化而建立和利用的基础。以下是报告的主要发现：
实时访问数据、数据流和分析是每个行业的优先事项。由于数据驱动决策的强大力量及其改变游戏规则的创新潜力，首席信息官需要无阻碍地访问公司的所有数据，并能够实时从中收集高价值信息。
72% 的受访者表示，分析实时数据流并采取行动，这种能力对他们的整体技术目标“非常重要”。
另有 20% 的受访者认为这“一般重要”，无论这意味着在零售行业实现实时建议，还是在关键的医疗分诊情况下确定下一步最佳行动。
所有行业都致力于统一其数据和人工智能治理模型，渴求对数据和人工智能资产的单一治理方法。60% 的受访者表示，对数据和人工智能的单一治理方法“非常重要”。
另有 38% 的人表示“一般重要”，这表明许多组织都在与碎片化或孤立的数据架构作斗争。每个行业都必须在其独特的记录系统、数据管道以及安全和合规要求的背景下实现这种统一治理。
行业数据生态系统和跨平台共享，两者将为人工智能引领的增长提供新的基础。
在每个行业，技术领导者都看到了在整个行业生态系统中实现数据共享的前景，支持人工智能模型和核心运营，从而推动更准确、更相关、利润更高的结果。
例如，保险公司和零售商的技术团队旨在收集合作伙伴的数据，以支持电商平台的实时定价和产品报价决策，而制造商则将数据共享视为持续优化供应链的重要能力。
64% 的受访者表示，跨平台共享实时数据的能力“非常重要”，另有 31% 的受访者表示“一般重要”。此外，有 84% 的受访者认为，一个妥善管理的、包含数据集和机器学习模型的中心化市场非常重要。
跨云服务平台，同时保持数据和人工智能的灵活性，在所有垂直领域都适用。63% 的垂直行业受访者认为，利用多个云提供商的能力至少“在一定程度上很重要”，而 70% 的受访者对开源标准和技术有同样的看法。
这与调查结果一致，即 56% 的受访者认为，由单一系统管理商业智能和人工智能中的结构化和非结构化数据“非常重要”，另有 40% 的人认为这“一般重要”。
此外，高管们优先考虑的事项是：安全地访问企业的所有数据，无论数据的来源和类型。
特定行业的要求将决定生成式人工智能用例的优先级和采用速度。供应链优化是在制造业中价值最高的人工智能用例，对于公共部门而言是实时数据分析，媒体和娱乐则是个性化和客户体验，而电信领域更看重质量控制。
生成式人工智能的采用不会是一刀切的，每个行业都在采用自己的战略和方法。但在任何情况下，创造的价值都将取决于数据和人工智能如何渗透到企业生态系统中，以及人工智能如何嵌入其产品和服务中。
将人工智能的价值最大化，并扩大其对人员、流程和技术的影响是各行业的共同目标，但行业之间的差异将造成什么样的影响，值得人们密切关注。
无论是推动全渠道销售的零售助理，还是寻找医疗证据的医疗从业者、分析风险和不确定性的精算师、诊断设备的工人、评估网络状况的电信专家，当人工智能的民主化拓展到每个行业的第一线时，它将支持的语言和场景都会有很大的差异。
