信息技术研究和顾问公司Gartner于近期开展的一项调查显示，目前使用人工智能（AI）或机器学习（ML）的企业机构中，平均有四个己部署的人工智能/机器学习项目。其中59%的受访者表示，他们已经部署了人工智能。

Gartner于2018年12月以在线调查的方式对106位Gartner研究圈（Gartner Research Circle）成员开展了“人工智能与机器学习发展战略”研究。Gartner研究圈是一个由Gartner管理的专家组，该小组由IT和IT/业务专业人士组成。“人工智能与机器学习发展战略”研究的参与者需要具备当前或计划在其所在企业机构部署的机器学习或人工智能的业务和技术知识。

Gartner研究副总裁Jim Hare表示：“今年人工智能的采纳速度明显加快。人工智能项目数量的增加意味着企业机构可能需要通过内部重组来保证人工智能项目获得相应的人员和资金。最好的方法是建立一个人工智能卓越中心（AI Center of Excellence）来最有效地分配技能、获得资金、设置优先级别和分享最佳实践。”

目前，人工智能项目的平均部署数量为4个，但受访者预计在未来12个月内将增加6个项目，且在未来3年内将再增加15个（参见图一）。也就是说，到2022年，这些企业机构预计将平均部署35个人工智能和机器学习项目。

图一、人工智能或机器学习项目平均部署数量（来源：Gartner，2019年7月）

客户体验（CX）和任务自动化是关键动力

40%的企业机构认为客户体验是他们使用人工智能技术的最大动力。尽管聊天机器人或虚拟个人助理等技术也可用于为外部客户提供服务，但目前大部分企业机构（56%）专注在内部使用人工智能为决策提供支持和向员工提出建议。Hare先生表示：“这项技术不是替代现实员工，而是用增强并赋能现实员工、让其能够更快地做出更好的决策。”

任务自动化项目的重要性仅次于决策支持和建议。20%的受访者认为这是他们的最大动力。自动化包括财务部门的开票与合同验证或人事部门的自动筛选与机器人面试等任务。

受访者采纳人工智能所面对的最大挑战是缺乏技能（56%）、理解人工智能应用（42%）和数据范围或质量问题（34%）。Hare先生表示：“找到合适的员工技能是任何一项先进技术都要面临的重大问题。可以通过使用服务提供商、与大学合作和为现有员工制定培训计划来填补技能缺口。但要建立一个可靠的数据管理基础并非一朝一夕。可靠的数据质量对于提供准确的洞察、建立信任和减少偏见而言至关重要。数据就绪性（data readiness）必须成为所有人工智能项目的头等大事。”

衡量人工智能项目的成功

调查显示，许多企业机构在衡量一个项目的效果时会以效率作为主要的成功衡量指标。Gartner杰出研究副总裁Whit Andrews和Gartner高级研究总监吕俊宽表示：“在人工智能采纳方面持保守或追随主流态度的企业机构往往使用效率目标来衡量价值，而那些表示在人工智能采纳策略方面持激进态度的公司更倾向于追求客户互动上的改进。”