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。 这一令人失望的数字，再加上近一半的公司在人工智能项目投入生产之前就放弃的事实，突显了企业采用人工智能方面的一个重大瓶颈。

据行业分析师称，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。 这是麻省理工科技评论洞察 (MIT Technology Review Insights) 汇编的数据，数据来自 Informatica、CDO Insights 2023。

为了应对这些挑战，越来越多的企业正在转向可组合和主权人工智能架构。 这些架构有望降低成本、维护数据所有权，并更轻松地适应快速发展的人工智能领域。 行业研究公司 IDC 预计，到 2027 年，75% 的全球企业将采用这种方法。

人工智能试点的诱惑往往掩盖了现实世界部署的复杂性。 概念验证 (PoC) 旨在验证可行性、识别潜在用例并增强对更大投资的信心。 然而，这些受控环境很少反映生产的混乱现实，导致最初的承诺与实际业务影响之间脱节。

向可组合和主权人工智能的转变代表了企业处理人工智能方式的根本性变化。 可组合人工智能允许组织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敏捷性。 另一方面，主权人工智能强调数据所有权和控制权，确保敏感信息保留在组织范围内。 这在具有严格监管要求的行业中尤其重要。 企业人工智能的未来取决于克服目前限制其潜力的基础设施挑战。 通过拥抱可组合和主权架构，企业可以释放人工智能的真正价值并推动有意义的业务成果。