投入生成式人工智能计划的数十亿美元收效甚微，仅有 5% 的集成试点项目转化为可衡量的商业价值。令人担忧的是，48% 的公司在人工智能项目甚至达到生产阶段之前就放弃了。行业分析师认为，这种瓶颈并非源于人工智能模型本身，而是源于周围基础设施的局限性。

核心问题在于受限的数据可访问性、不灵活的集成流程以及不稳定的部署途径。这些因素共同阻碍了人工智能计划扩展到最初的大型语言模型 (LLM) 和检索增强生成 (RAG) 实验之外的能力。

作为回应，越来越多的企业正在转向可组合和自主可控的人工智能架构。这些架构有望降低成本、维护数据所有权并适应快速变化的人工智能格局。行业研究公司 IDC 预测，到 2027 年，全球 75% 的企业将采用这种方法。

具有讽刺意味的是，问题在于人工智能试点项目通常会成功。概念验证 (PoC) 旨在验证可行性、识别潜在用例并增强对更大规模投资的信心。然而，这些 PoC 通常在与真实生产环境的复杂性相去甚远的条件下运行。来自 Informatica 和 CDO Insights 2023 的数据显示了这种脱节，揭示了试点项目的受控环境与在整个组织中扩展人工智能解决方案的混乱现实之间存在显着差距。

向可组合和自主可控的人工智能的转变代表了企业采用人工智能方式的根本性变化。可组合人工智能允许企业从预构建的组件组装人工智能解决方案，从而提供更大的灵活性和定制性。自主可控的人工智能确保数据保留在组织控制范围内，从而解决人们日益关注的数据隐私和安全问题。预计这种架构转变将释放人工智能的真正潜力，使企业能够超越孤立的实验，并将人工智能集成到其核心运营中。企业人工智能的未来取决于克服基础设施瓶颈并采用这些更具适应性和安全性的方法。