GPT的出现极大便利了个人创作与信息检索，但对企业而言，若AI仅停留于此，则价值有限。

面对AI，企业为何踟蹰不前？资方为何收紧投资？

AI市场风向还在，但是大家开始犹疑，并出现了一些不尽如人意的案例。如：

Argo AI：自动驾驶独角兽Argo AI因融资耗尽，无法自我造血，宣告破产。

Magic Leap：增强现实公司Magic Leap因销售不佳、内部问题频发及亏损严重，风光不再。

Anki：消费机器人先驱，融资超2亿美元，终因运营不善破产。

Graphcore：AI芯片巨头估值曾达30亿，现营收下滑，亏损加剧，裁撤中国区业务。

Stock AI：免费AI图库创业，成本高昂，付费用户不足，4个月夭折。

Jibo：社交机器人先驱，产品局限与竞争压力致倒闭，用户服务中断。

Roadstar.ai：中国无人车新星获巨资，因不当行为包括回扣与数据造假，最终停运。

还有某些大厂虽然是AI先驱，但商用规模化效益不明显，AI实战能力待考，业务线存活难度大。

.....还继续投么？

从融资事件数来看，2021年，中国人工智能行业共发生1362起投资事件，投资金额总计4761亿元人民币，达到了近四年来的最高峰。

进入2022年，人工智能行业的投融资活动进入了相对冷静期，共发生963起投资事件，投资金额合计1731亿元人民币，相较于2021年明显下降。

到了2023年，投融资事件降到815起（仍然在下降）。

对于投资界来说，资本市场对于人工智能的投资正在回归理性。

新兴技术的融入与演进，是一个复杂而系统的过程，急不得。

类似的事情历史上也发生过...

电力技术的系统性应用就历经数十载的沉淀与优化，才开始产生真正的社会影响。

19世纪末，爱迪生的直流电系统率先进入人们的视野，但很快被特斯拉的交流电技术超越，但这场“电流之战”更重要的意义在于推动了电力技术的飞跃。

随着交流电技术的普及，大规模的电网系统才开始在全球范围内构建。从城市到乡村，从工厂到家庭，电力开始无处不在。变电站如雨后春笋般涌现，输电线路跨越山川湖海，将电能传递到每一个现代世界的角落。

同时，电力安全、调度、监控等系统的建立和完善，确保了电网的稳定运行，成为了社会经济的发展的能源保障。

到此，电力技术的广泛应用，已是一股不可阻挡的洪流，彻底改变了人类的生产方式和生活面貌。在工业领域，电力成为驱动机器运转的动力，推动钢铁、化工、机械制造等行业发展。在日常生活方面，电灯、电视、冰箱、空调等家用电器早已普及，让夜晚不再黑暗，让食物得以保鲜，让四季的温度变得可控。

而且，电力技术的发展仍未止步于此。随着环保意识的觉醒和可持续发展的需求，电力技术开始向清洁能源方向转型。风能、太阳能、水能等可再生能源的发电技术得到快速发展。

AI，同样需要时间...

AI作为新一代生产力的代表，其从萌芽到全面融入企业运营体系，亦需经历一个循序渐进、持续迭代的过程。这才刚开始。

对于企业而言，采纳并实施AI技术，绝非简单地寻找局部优化点、快速包装产品概念或盲目贴上“AI”标签。

企业需全面评估业务与IT能力，明确AI与战略愿景的契合点，识别关键应用场景以驱动转型与价值创造。

这一过程要求企业采取长远且审慎的态度，避免短期主义陷阱，不能忽视对技术深度整合、数据治理、流程再造及组织文化变革等关键领域的投入。

企业需认识到，AI技术的价值释放是一个持续进化的过程，它要求企业不断审视自身架构的适应性，确保技术架构、数据架构、应用架构乃至业务架构能够协同演进，以支撑AI技术的有效融入与深化应用。

因此，面对市场上可能出现的“AI标签滥用”现象，企业应保持清醒的头脑。企业客户与投资者是相对理性的，再怎么包装，如果是个假的，那早晚也会露馅。企业应当通过扎实的架构设计、严谨的验证测试、持续的价值交付，来赢得市场与投资者对AI方案产品以及服务的信任与认可。

是的，AI要融入企业创造价值的过程之中，体现在流程体系与企业架构之中，只有站在坚实的业务基础上，才可能发挥出更大的力量，只有AI是没有价值的。

那么AI优势是什么呢？给企业能带来哪些价值？

举例子来说，它可以通过预测机械故障或优化交通和货物流动来诊断设备运转状况。此外，AI与机器学习（ML）的共生必然重塑企业架构与IT架构，毕竟这是企业创造价值的核心发动机，AI要想被人看好、帮企业大规模创造效益，那就必须全方位的、系统性的融入此核心，而不是做一个路边杂耍师傅。

AI与ML角色正经历着从单纯应对网络安全挑战向深度融入并优化企业管理流程的根本性转变。面对日益复杂的IT架构环境，企业愈发依赖AI的能力来解析复杂模式、预测趋势，并揭示那些可能逃过人工审查的异常现象，从而确保架构的稳健性与灵活性，一个东西它只有被需要才可能产生价值。

在规划AI与ML的部署时，需将其内在价值作为企业架构战略的一部分进行全面考量与整合。AI的实施策略必须根植于或至少与整体企业架构紧密关联，避免成为孤立的技术岛屿，仅服务于局部业务场景。成功的AI集成不仅关乎技术的先进性，更在于如何有效协调人力、流程、数据与技术资源，形成一个高度协同的生态系统。

AI在云成本优化、客户服务、运维自动化、精准营销等多个领域均可有广泛应用：

1云成本优化：利用AI技术智能分析AWS等云服务的使用情况，优化定价策略、管理容量，并通过自定义成本分析工具降低总体云计算成本，实现资源的精细化管理与高效利用。

2客户服务智能化：部署聊天机器人和对话式AI工具，提升客户服务的响应速度与个性化水平，增强用户满意度与忠诚度。

3运维自动化与预测性维护：AI在运维领域的应用能够实时监控服务状态，预测潜在问题，提前介入干预，大幅降低系统故障风险，保障业务连续性。

4精准营销与内容生成：借助AI分析内部数据，精准定位目标客户群体，自动化生成个性化营销内容，提升销售转化率与市场份额。

5投资决策支持与交易优化：AI整合内外部数据资源，为投资决策提供数据支持，加速交易算法的开发与优化，同时强化知识管理与数据共享能力。

6系统监控与故障预测：通过AI自动检测系统异常，提前预测并应对潜在故障，减少内部网络中断风险，提升系统稳定性与可靠性。

7业务合规与自动化文档处理：利用AI综合分析业绩数据，自动生成合规性建议报告，并自动化处理法律文件审查流程，确保业务运作既合规又高效....

类似的场景还有很多，企业包括EA在内的精英团队要参与到制定企业的整体人工智能转型规划工作中来，并借助工具帮助组织将这些AI目标与他们的企业架构框架结合起来，确保人工智能集成具有战略性、凝聚力，并符合组织目标，从而优化人工智能的潜在优势。

那么怎么整合呢？

从企业架构的角度，须从几个层面开展融合：

1业务架构的转型：

业务与技术的深度融合已成为推动企业数字化转型的关键驱动力。这一融合旨在构建一个高度适应性和智能化的运营环境，其中人工智能解决方案不应再是边缘化的杂耍技术，而要逐步成为企业的一种手段，嵌入并重塑业务流程，提升用户体验与服务交付效率。

企业需规划并实施一个更新的全面架构蓝图，以确保AI技术能够作为战略资产，深度整合至业务运营的每一个层面。这一整合不仅要有技术架构的灵活性与创新性，还要有业务架构的主动参与与适应性调整，共同推动业务流程的智能化转型。

安德烈·卡帕西，一位在特斯拉担任人工智能领域领导角色的资深计算机科学家认为：“在信息时代的浪潮中，‘英语’这一全球通用语言正悄然成为驱动技术创新的最新‘编程语言’。自然语言处理技术的飞跃，特别是人工智能的深入发展，预示着软件开发边界的拓展，不再拘泥于传统编程语言的框架之内。”也即更多的普通人就算没有丰富的IT技术背景也能编程了。譬如我10岁的小儿子也能编出个东西来，如下面视频所示：

这一变革预示着AI在切入企业肌体，同时延展至企业架构的未来走向，即将开启一个更直接的以用户为中心的形态，且这一侧的技术门槛将显著降低。

利用智能自动化与高级语义分析技术，企业能够打破技术壁垒，使非技术背景的业务用户也能直接参与并影响业务决策与优化过程。这种转变促进了业务流程的智能化与敏捷化，使得企业能够快速响应市场变化，灵活调整策略，以数据驱动的方式持续优化运营。

在当前趋势中，多家企业已率先踏上这一道路，AI技术作为历史技术发展的自然延伸，正逐步成为业务智能化不可或缺的一部分。值得注意的是，业务部门的积极参与是此过程成功的关键。通过引入零代码平台、RPA（机器人流程自动化）解决方案及敏捷工作方法等创新工具，降低技术门槛，使业务团队能够更便捷地参与到业务与技术融合的实践中来。

进一步地，随着AI功能的不断集成至这些低代码/无代码工具中，业务与技术之间的界限将更加模糊，为业务用户提供了前所未有的能力去设计、测试和优化基于AI的解决方案。这不仅简化了AI技术的采用过程，还极大地加速了业务智能化转型的步伐，为企业创造了更大的竞争优势与价值。AI是对现有业务的添砖加瓦、锦上添花，今后才可能逐步实现雪中送炭。

2 数据架构的强化：

要构建一个强健的数据基础设施，涵盖数据集成、清洗、治理及安全策略，这是支撑AI应用的核心。这不仅要求数据的高可用性、高质量，还需确保数据的隐私保护与合规性，为AI模型的训练与决策提供坚实的基础。

3 应用架构的革新：

应用架构需灵活适应AI技术的发展，支持快速迭代与扩展。通过微服务、容器化等现代软件工程技术，实现AI功能的模块化部署与集成，便于管理与维护，同时降低升级成本。

4 技术架构的演进：

面对AI模型计算力需求的不断增长及市场环境的快速变化，技术架构需具备高度的可扩展性、安全性与可维护性。这包括优化云计算资源利用、采用先进的安全技术保障数据安全与隐私，以及制定灵活的IT治理策略以应对监管变化。

5 平台能力的重构：

为适应AI时代的挑战，企业需打造一个全面的AI平台能力，包括算力资源调度、模型管理、监控预警及自动化运维等。此平台需持续演进，以支持不断升级的AI技术需求，确保企业在AI转型中的领先地位。

企业架构中的数字化和人工智能集成竞赛正在进行，没有放缓，且一定会淘汰“只有单纯的概念忽悠没有实际的业务价值传递”的方案产品与服务。