2024年,企业平均在最大的单一生成式AI用例上花费了26亿美金。
大约有70%的企业正在使用ChatGPT进行软件开发活动,65%的企业正在聘用MSP来推动很多他们的生成式AI计划。
投入资金最多的生成式AI用例是客户服务聊天机器人,有53%的企业表示,这是他们的首要的生成式AI优先事项,而最常见的生成式AI用例则是IT测试自动化。
ISG最新发布的《生成式AI市场状况》报告中公布了以上部分研究结果。
从企业对生成式AI解决方案的投资回报率ROI期望,到企业通过生成式AI实现的效率提升,再到企业面临的五大生成式AI阻碍抑制因素,ISG这份最新的市场报告揭示了目前生成式AI的市场状况。
ISG研究人员在报告中表示:“企业报告称,他们预计到2025年在生成式AI上的支出将增加50%。您认为您的客户服务聊天机器人会带来竞争优势吗?在我们的研究中,有超过一半的参与者(53%)正在打造客户服务聊天机器人。”
ISG的2024年生成式AI用例研究是从2024年8月开始进行的,调查对象包括来自10个地区主要行业的200多名专业人士(包括C级高管以及销售、营销、人力资源和融资领域的领导者)。
下面就让我们来看看企业中最主要的生成式AI市场趋势,每个渠道合作伙伴、供应商和客户都需要了解这些趋势。
2024年最常见和投资最高的企业生成式AI用例
投资最高的用例:
客户服务聊天机器人:53%
视觉/音频内容生成:41%
客户服务支持:41%
业务流程工作流管理:32%
联络中心管理/监控:26%
最常见的用例:
IT测试自动化:43%
人力资源支持:35%
客户沟通:33%
文档创建:31%
IT安全:30%
ISG的生成式AI用例研究重点关注了全球2000家公司投资了哪些用例以及哪些用例获得了最多的资金。
ISG的研究人员表示:“虽然生成式AI用例涵盖了广泛的业务领域,但资金最充足的五大领域中,有三个是专注于联络中心、效率提升和内容生成的。目前获得最多资金的用例旨在提高效率和盈利能力,而不是增加收入。”
2025年最受欢迎的生成式AI用例
2025年新兴用例数量最多:
市场研究/客户洞察:18%
软件代码生成/翻译:18%
规划、预算和预测:17%
供应链优化:16%
监管文件/合规性:16%
2025年预期数量最多的用例:
客户服务聊天机器人:28%
业务流程工作流管理:21%
客户服务支持:19%
ISG表示,过去的研究强调收入增长是企业采用AI的首要目标这一重要性。但是,未来更高价值的用例将是那些不涉及HITL流程、让企业能够实现更显著扩张的用例。
“2025年的新兴用例将主要集中在增强专业知识方面。支持合规性、预测、市场研究、供应链规划和软件开发都是人类专业知识(而不是人类时间)可能成为限制因素的领域,”ISG的研究人员这样表示。
企业预期的生成式AI投资回报率
企业预计将在2025年从当前的生成式AI项目中获得预期投资回报率的很大一部分。
企业希望在生成式AI项目中获得投资回报的五个主要领域包括:效率、创新、客户服务、成本节约和业务增长。
结果显示,大多数企业预计到2025年底将实现大部分的投资回报。很少有企业预计投资回报率会低于预期。
今年,企业在最大的单个生成式AI用例上平均花费了260万美金,这些大企业预计到2025年在生成式AI上的支出将增加50%。
软件开发是生成式AI的主要应用
IT部门开始利用生成式AI的强大功能来简化运营、增强创新并优化IT基础设施内的工作流程。
因此,软件开发正在成为生成式AI最主要的应用,有70%的受访者称他们使用了ChatGPT进行软件开发活动,33%的受访者使用了GitHub CoPilot。
根据ISG的研究显示,生成式AI可以让生产率提高30%至42%。
用户通过自动化预测洞察、促进稳健且抗错误的编码实践、以及提高软件质量和安全性来提高生产率。AI驱动的分析简化了利益相关者访谈和需求收集的过程,自动化工具则改进了系统架构和用户界面的设计。
此外,AI助手支持代码生成和错误修复,减少了手动工作量并提高了整体代码质量。AI还可以生成和执行软件测试用例并改进回归测试。
生成式AI相关的资金如何使用?
关于生成式AI资金的使用情况,ISG的报告称,有36%用于应用和软件,包括软件即服务。
其次有25%的资金用于人员,包括承包商和人员扩充。
大约有21%的资金用于了存储和服务器等基础设施,其余18%用于外包,例如支付托管服务费用。
企业已经实施的生成式AI应用数量:151
平均而言,企业已经实施了151个支持生成式AI的应用。
企业表示,他们预计到2025年底这一数字将增加到356个。
利用MSP与单独实施
利用MSP:65%
单独实施:35%
无论采用哪种方法,65%的企业都依赖某种形式的外部支持(托管服务提供商,即MSP)来实施他们的生成式AI计划。
企业聘用MSP的主要原因包括看重他们的专业知识和知识,以及MSP的战略管理和利用AI技术的能力,其他原因还有企业内部能力的限制,以及MSP的速度和时间效率。
约有35%的企业正在内部部署自己的生成式AI计划。
企业自行部署的主要原因包括构建自己的内部资源和能力,同时还要构建专业的内部专业知识。企业不为生成式AI聘用MSP的其他原因还有出于成本考虑、数据隐私和安全、法规遵从性以及对定制的渴望等。
本地环境与公有云:在哪里托管AI?
28%将在私有云或本地环境中训练大型语言模型
21%将购买GPU用于本地AI开发
在过去两年中,AWS、微软和谷歌云等公有云提供商已经成为AI工作负载的实际承运商。
虽然大多数企业都希望扩展AI能力并继续增加云规模,但也有很多企业正在寻找公有云的替代方案。
约有28%的企业希望在私有云或者本地环境中训练大型语言模型。约有21%的企业将购买GPU用于本地AI开发。
ISG的研究人员表示:“公有云提供商已经投入了数十亿美金以期推动AI的大规模采用,而访问的便利性使得在公有云中配置这种AI就绪的基础设施成为POC的一个轻松选择。最近,私有云提供商和小众AI云提供商正在进入这个市场,为企业提供更多安全性或性能选择。”
AIOps使效率提高28%至50%
AIOps代表了一种管理和优化运营的变革性方法。
根据ISG的数据显示,AIOps平均可使效率提高28%至50%,从而节省大量成本并提高基础设施的性能。
ISG的研究人员表示:“通过任务自动化、预测问题和提供可操作的洞察,AIOps帮助企业主动管理IT环境、减少停机时间并提高整体性能。在基础设施管理中实施AIOps,可以显著节省生产力。通过监控和警报自动化、预测性维护以及资源规划和优化,AIOps减少了对持续人工监督的需求。”
AIOps的三大优势
AIOps的三大优势之一,就是降低了劳动力成本。自动化和改进的预防性维护消除了劳动密集型任务,并为外包服务提供了更具竞争力的定价。
第二个关键优势是增强了服务产品。AIOps支持实时数据分析和预测分析等高级服务,从而提高了提供商的服务质量。
第三个重要优势是动态可扩展性和灵活性。AI驱动的需求预测和资源分配优化了可扩展性和对客户需求的响应能力,从而降低了成本并改善了服务协调性。
生成式AI的五大阻碍因素
缺乏技能/专业知识:56%
数据隐私和安全:39%
遗留基础设施和应用:39%
变更管理:35%
大型语言模型成本:33%
迄今为止,企业内实施生成式AI最常见阻碍因素就是组织内缺乏AI专业知识和技能。
与此密切相关的是,企业在招聘和留住具备必要AI技能的人员方面遇到了困难。
ISG的研究人员表示:“事实证明,企业很难在团队中招聘或培养所需的AI技能,许多企业发现自己没有能力应对这些复杂性,冒着意想不到的后果和负面影响的风险。”
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。