沃卡惠眾所周知，人工智能模型訓練和實施之間的差距很大：大約80%的項目未能成功。
根據姊妹研究公司Omdia的報告《AI觀點：實施的挑戰》，“AI模型得到訓練但從未部署，或者在成功驗證后證明在生產中令人失望的現象很常見”。
報告作者、Omdia高級計算和人工智能高級分析師Alexander Harrowell表示，未能啟動的原因可能包括模型漂移、捷徑學習、偏見以及更廣泛的業務問題，例如數據管理不善或未能設計高效的業務流程。
公司不僅迫切需要投資于數據分析、治理和技能，而且需要改變衡量成功的方式。一些最常見的指標是“軟”KPI——例如“客戶參與度”——但比投資回報率更無定形。
“結論可能是，縮小實施差距的最佳方法是通過實施更嚴格的KPI來過濾更上游的不良項目，”分析師說。
以下是報告的要點：
實施差距仍然存在，甚至可能會越來越大。人工智能項目從戰略研討會或新聞稿通過開發和驗證階段進入生產的速度仍然很低，并且存在大量未交付項目的庫存。這些有助于提高硬件供應商的數量和客戶的形象，但最終會被發現。
差距的一個關鍵驅動因素可能是由“軟”KPI證明合理的項目。零售和更廣泛的消費領域是最大的人工智能增長領域，在過去幾年中，他們經歷了對聊天機器人、VDA和產品推薦的大量投資。諸如“客戶參與度”之類的KPI在這里很常見，但其定義遠不如收入等。
盡管那些報告它的企業已經看到了令人印象深刻的ROI結果，但令人驚訝的是，很少有企業選擇將其用作KPI。這可能是由于所謂的文件抽屜效應，沒有人愿意討論沒有獲得回報的項目。作為一般規則，收入、投資回報率或生產力等最終目標KPI很少見。此類KPI的紀律可能是縮小差距的重要手段。
在不同的行業中，有一個共同的人工智能準備模式。所研究的所有行業的企業在制定戰略和調整組織方面都取得了進展，一部分企業具備了技術和運營能力。然而，在數據方面，很少有人能超越二檔。
由于不同的原因，金融服務(finserv)和零售在人工智能準備方面表現相對較好。Finserv至少在數據類別上“不那么糟糕”，可能是因為他們已經在信用評分和欺詐檢測等流程方面擁有豐富的經驗。與此同時，零售商(包括電子商務)因開發出更強大的內部技術和運營技能而脫穎而出。
