数十亿美元涌入生成式人工智能领域，但许多企业从中获得的实际回报却少得惊人。尽管投资广泛，但仅有 5% 的集成人工智能试点项目转化为可衡量的商业价值。这种令人失望的转化率，再加上近一半的人工智能项目在投入生产之前就被放弃的事实，表明企业人工智能的采用存在重大瓶颈。

行业分析师认为，核心问题不在于人工智能模型本身。相反，问题在于周围的基础设施。有限的数据可访问性、不灵活的集成流程以及不稳定的部署途径阻碍了人工智能计划超出最初的大型语言模型 (LLM) 和检索增强生成 (RAG) 实验的规模化。

为了应对这种情况，越来越多的企业开始采用可组合和自主可控的人工智能架构。IDC 预测，到 2027 年，全球 75% 的企业将采用这种转变，旨在降低成本、保持数据所有权并适应快速发展的人工智能格局。人工智能试点的固有问题在于，它们的设计目标是成功。概念验证 (PoC) 对于验证可行性、识别用例以及增强对更大规模投资的信心非常有价值。然而，这些受控环境通常无法反映现实生产部署的复杂性和挑战。

可组合人工智能使企业能够选择和组合来自不同供应商的人工智能组件，从而创建针对特定需求量身定制的解决方案。另一方面，自主可控的人工智能强调数据驻留和控制，确保敏感信息保留在组织边界内并符合法规要求。这种方法对于处理高度监管数据的行业（如金融和医疗保健）尤其重要。

向可组合和自主可控人工智能的转变对更广泛的人工智能市场具有重大影响。它促进了人工智能供应商之间的竞争，从而推动了创新并降低了成本。它还使企业能够构建更具弹性和适应性的人工智能系统，从而减少对单一供应商的依赖，并降低与供应商锁定相关的风险。随着人工智能的不断发展，对于寻求释放这项变革性技术全部潜力的企业而言，组合和控制人工智能解决方案的能力将变得越来越重要。