AI不是“大力出奇迹”——Gartner警示企业战略错配与算力浪费

尽管生成式AI成为新风口，但现实中，大量企业正陷入“为AI而AI”的误区。Gartner最新调研指出，全球范围内约60%的AI实验项目最终未能成功进入生产环境，背后的原因并非技术本身无法实现，而是企业缺乏系统性战略准备，导致AI投资方向严重偏离实际需求。

Gartner高级研究总监曾劭清在一场媒体沟通会上坦言：“企业对AI的投入，70%来自各业务部门的短期性需求，但很多团队并未清晰理解场景需求与算力配置之间的关系。”他以某企业为例，该企业在内部文档查询场景中选用DeepSeek 671B“满血大模型”，结果成本居高不下，运行效率低下，而实际上，通义千问32B的小模型就足以实现相似效果。

这种“资源错配”在当下AI应用浪潮中并不少见。出于对“大模型=更强智能”的直觉误判，很多企业忽视了实际业务的复杂度与所需响应速度，盲目追求高规格模型部署，最终造成算力利用率低、能源浪费严重、AI落地进展缓慢。

Gartner研究还显示，企业中大多数AI部署都面临三个核心难题：一是数据质量不足，无法支撑模型有效训练；二是模型精度达不到业务要求；三是AI产品与实际应用场景匹配度差，导致项目被迫搁置。

“未来真正走得远的企业，一定是那些懂得做AI工程化管理的组织。”曾劭清强调。AI的成功落地需要的不只是高性能芯片和大模型能力，更需要面向业务目标的精细设计与资源优化。

随着AI从“技术探索期”进入“工程落地期”，企业需要从盲目追大模型的阶段，转向“按需适配”的策略，提升AI的实际转化效率，才能在新一轮智能革命中建立可持续的竞争优势。

标题：AI不是“大力出奇迹”——Gartner警示企业战略错配与算力浪费

TAG标签：