人工智能的快速发展已经在各个行业掀起了一阵实验的浪潮。然而，许多公司正在经历“概念验证疲劳”，最初的试验未能转化为切实的商业价值。领先的企业大型语言模型 (LLM) 公司 Cohere 的联合创始人 Ivan Zhang 在最近的 Web Summit 上发表讲话，呼吁潜在客户保持对 AI 的信心，同时强调重点关注投资回报率 (ROI) 的重要性。
concept概念验证的陷阱
Zhang 强调了企业在 AI 试点项目上投入巨资，但未能看到相应回报的失望情绪。他承认，许多 Cohere 客户尽管构建了最初的应用程序，但由于成本、治理、数据安全和隐私等问题，难以将其投入生产。这种情绪反映了一种更广泛的趋势，即 AI 的承诺常常与实施的实际情况发生冲突。
他指出了费用、监管合规、数据保护和隐私协议等问题，Cohere 希望通过其新的工作空间平台 North 来解决这些问题。
ROI 势在必行
在一次采访中，Zhang 强调，AI 采用的下一阶段必须由可论证的 ROI 驱动。公司需要看到对其 AI 投资的明确财务理由，确保收益超过成本。他警告说，一些 AI 系统的运营成本非常高，以至于抵消了自动化任务可能带来的任何成本节约。
他说：“有时他们最终构建的系统，模型本身的成本比实际运行它的人力成本更高。”
AI 实现是否有实际改进这个关键问题必须得到解决，以克服 AI 公司承担永远不会成功的项目所造成的损失。
AI 增强与生产力
Zhang 还指出，在某些情况下，公司试图用 AI 增强现有员工队伍，但未能看到生产力的任何提高。在某些情况下，员工只是减少了工作量而没有增加产出，有效地否定了 AI 的好处。这突出了认真考虑如何将 AI 集成到现有工作流程中，并确保它能带来真正的效率提升的重要性。
克服早期挫折
Zhang 预计，AI 初创公司现在将承担起赢回被没有成功的项目“烧伤”的公司的任务。“这项技术进入市场的下一个阶段是，‘ROI 在哪里？’”他认为，AI 公司需要通过展示其解决方案的实际价值并专注于交付可衡量的结果来重建信任。
来自研究界的呼应
Zhang 的观察得到了来自美国国家经济研究局等组织的研究支持，该研究在调查了 7,000 个使用 AI 聊天机器人的工作场所后发现，“对任何职业的收入或记录的工作时间都没有显著影响”。同样，波士顿咨询集团的一项研究显示，只有四分之一接受调查的高管从 AI 中看到了显著价值，这表明公司常常将投资过于分散地投入到多个试点项目中。
优先考虑业务问题而非浮华的解决方案
对于正在考虑 LLM 的公司，Zhang 的建议是专注于解决特定的业务问题，而不是构建没有明确用例的复杂解决方案。他告诫不要“迷失在构建某些东西并寻找问题中”，强调将 AI 投资与战略业务目标保持一致的重要性。
AI 作为工具箱中的工具
Zhang 认为，AI 应该被视为解决业务问题和为客户创造价值的工具箱中的一个工具。他告诫不要过度炒作该技术解决世界上所有问题的潜力，强调它在战略性地使用并与其他解决方案结合使用时最有效。
幻觉挑战
虽然 AI 取得了显著进展，但仍然存在挑战，尤其是在“幻觉”领域，LLM 在该领域会生成虚假或捏造的信息。尽管在该领域取得了进展，但 LLM 的幻觉率仍然居高不下，即使是领先公司的最新模型也会产生错误。这个问题突出了透明度的重要性，并让用户了解 AI 模型如何得出结论。
这位联合创始人向众多专业人士承认，幻觉仍然是生成式 AI 中的一个问题。他说，该公司试图通过保持透明性来提供帮助，包括向用户展示其 LLM 的“原始思维”，以及其系统使用的工具，以及如何以及对派生答案的引用。
竞争格局
Cohere 在 AI 领域面临着来自资金更充足的竞争对手的激烈竞争。然而，Zhang 认为，在构建具有成本效益和节能的 AI 模型时，越大并不总是越好。他认为，模型“只有在它可以访问的数据和系统一样好”，强调构建可以在客户环境中完全运行的解决方案的重要性。Zhang 吹捧 Cohere 的“快速增长”，并表示该领域的“相对起步阶段”为公司扩张留下了充足的空间。
收入增长和挑战
Cohere 的增长一直是科技媒体最近关注的话题。自 2025 年初以来，Cohere 的销售额增加了一倍多，本月达到 1 亿美元（1.38 亿加元）的年化收入，首席执行官 Aidan Gomez 最近告诉彭博社，该公司“离盈利不远了”。但 The Information 报道称，这仍然比 Cohere 在 2023 年告诉投资者预计到目前为止每年赚取的 3.5 亿美元少了。收入目标和激烈的竞争不是 Cohere 必须应对的唯一挑战。
版权侵权诉讼
这家 AI 初创公司还面临着一位专家称之为可能具有“开创性”的来自大型媒体公司的版权侵权诉讼。包括多伦多星报、康泰纳仕和 Vox 在内的一组媒体组织声称 Cohere 未经同意抓取媒体内容并将其用于训练 AI 模型，未经许可实时访问内容并生成侵权输出。Cohere 只是面临类似诉讼的众多 AI 初创公司之一。Cohere 否认了这些说法，辩称起诉的出版商不遗余力地“制造”案件，并对任何实际版权侵权行为的观点提出异议。
Zhang 拒绝就此事发表过多评论，并向 BetaKit 指出了一篇详细介绍 Cohere 想法的博客文章。“我们对此充满信心，”他说。
深入探讨 AI 实施挑战
许多企业最初都对 AI 计划充满热情，相信 AI 将迅速彻底改变他们的运营并创造前所未有的效率。但许多人发现自己面临着他们没有预料到的重大挑战。这些困难可能采取多种形式，从技术复杂性到组织阻力。了解这些挑战对于希望成功实施 AI 并获得积极投资回报的企业至关重要。
技术复杂性和数据要求
企业经常遇到的首批障碍之一是 AI 系统的技术复杂性。AI 模型，尤其是那些基于深度学习的模型，计算量大，需要专门知识才能创建、训练和部署。还需要数据。训练数据的质量和数量对 AI 模型的性能有重大影响。收集和准备巨大的数据集可能是一个耗时且资源密集的过程。AI 项目可能会因缺乏高质量、带标签的数据而受到阻碍，从而导致不准确或有偏见的模型。
此外，保证 AI 系统与现有 IT 基础设施的互操作性引入了进一步的复杂性。不同的 AI 平台和框架可能与旧系统不兼容，需要对现有工作流程和架构进行重大更改。将 AI 集成到复杂的组织环境中通常需要相当多的经验和对 AI 技术和底层商业运营的深刻理解。
组织和文化障碍
除了技术障碍外，组织可能还会遇到重大的组织和文化障碍来采用 AI。一个普遍的问题是工人不愿接受 AI 驱动的变革。员工可能会担心工作岗位流失以及学习新技能和适应新工作方法的需求。来自工人的阻力可能会阻碍 AI 计划并阻碍预期优势的实现。
此外，AI 部署需要部门和团队之间的大量协作。数据科学家、IT 专业人员、业务分析师和主题专家必须协作来定义问题、创建 AI 解决方案并将它们部署到生产中。孤岛和缺乏沟通可能会扼杀合作并阻碍 AI 有效集成到商业运营中。克服这些组织和文化障碍需要强有力的领导、有效的沟通和对变革管理的奉献。
伦理和治理问题
随着 AI 变得越来越普遍，伦理和治理问题变得越来越重要。AI 系统有能力延续偏见、做出不公平的判断和侵犯人们的隐私。组织必须通过为 AI 的设计、开发和部署制定健全的伦理准则和管理程序来解决这些问题。透明、问责和公平是负责任的 AI 的关键原则。
数据隐私是一个需要考虑的重要问题。在构建 AI 系统时，必须遵循数据隐私规则，以及保护敏感信息免遭不必要访问或滥用的安全措施。组织必须获得用户对数据收集和使用的同意，以及提供 AI 模型如何做出选择的透明度。此外，组织应建立用于监控和审计 AI 系统的机制，以发现和减轻任何伦理风险或不受欢迎的后果。
衡量和展示 ROI
最终，任何 AI 项目的成功都取决于其产生可量化的投资回报率 (ROI) 的能力。然而，确定 AI 项目的 ROI 可能很困难，尤其是在收益是无形或长期的情况下。组织必须为他们的 AI 计划建立明确的目标和指标，以及定期跟踪进度和衡量结果。这需要彻底了解 AI 预计将提供的业务价值以及实现该价值所需的资源。
此外，向利益相关者传达 AI 的好处对于获得支持和建立对 AI 投资的信心至关重要。这可能需要展示用例、展示早期的胜利以及量化 AI 对重要业务指标的影响。为了成功地量化和展示 AI 的 ROI，企业必须创建一个明确的框架来衡量绩效，并清楚地向利益相关者表达价值主张。
AI 采用的未来：平衡的视角
Ivan Zhang 的见解强调了采用 AI 时采取平衡方法的重要性，这种方法承认该技术的潜力，同时保持根植于实际情况。随着 AI 的不断发展，公司将需要专注于构建能够交付有形 ROI、解决伦理问题并无缝集成到现有工作流程中的解决方案。通过优先考虑业务问题而不是浮华的解决方案，并将 AI 视为工具箱中的工具，组织可以释放 AI 的真正潜力并推动有意义的业务成果。