SAS刚刚发布的一份报告显示，企业AI投资成效正因治理与信任能力出现明显差距——落实可信AI实践的组织，获得高投资报酬率（ROI）的概率，可达其他组织的15倍。在大中华区，受访企业近一年在AI治理与信任能力上已有明显提升，但数据基础设施成熟度仍未完全跟上AI应用发展，成为企业扩大部署时需要补强的一环。

可信AI成熟度出现分化，投资回报差距同步扩大

这份名为《数据与AI影响力报告：信任的新经济学》的报告指出，重视可信AI 实践的企业与未重视的企业之间，ROI 差距正在扩大。拥有最完善治理、数据质量和可审计性实践的企业（虽然目前在市场中占比相对较小）的表现持续优于同行，其AI 部署所带来的 ROI 至少是同行的两倍。相比之下，在可信 AI 方面落后的企业中，仅有不到1/20能达到同等 ROI 水平。

投资可信 AI 举措的企业，其AI 项目实现强劲或高 ROI 的概率高出 15 倍（62% 对比 4%）。而拥有最强可信 AI 实践的企业，在包括收入增长、成本节约和客户体验在内的 13 个不同业务指标上的收益也平均高出 1.85 倍。此外，在具备可信AI实践的领军企业中，有 85% 今年正在将这一领域的投资增加 10% 以上，以进一步拉大与同行的差距。

SAS首席技术官Bryan Harris指出：“AI真正发挥作用时，可以带来很大的影响。然而，目前最先进的AI智能体在处理复杂任务时，错误率仍可能超过25%，这在高风险决策中是无法接受的。企业若要提高AI决策的准确性与可重复性，必须将领域专业知识融入智能体工作流，同时让人始终处于治理与监督的核心位置，如此才能缩短信任差距，并借助AI在市场中获得竞争优势。”

IDC副总裁Chris Marshall表示：“当AI变得更自主，企业面临的新挑战，是如何维持人们对一套无法完全理解的系统的信任。我们的研究表明，更强大的监督机制、可解释性、问责机制与数据基础，正成为企业规模化应用AI的先决条件。”

无法解释决策依据的 AI，成为企业面临的重大隐患

研究人员发现，在许多企业中，由于系统可能无法提供正确结果或无法解释 AI 如何得出最终结论，员工越来越不敢依赖这些系统。随着 AI 自主性不断提升，这一问题也日益突出，使可解释性成为 AI 成功应用的关键因素。

有97.2%的AI使用者表示，至少曾在某些情况下推翻AI生成的建议，最常见的原因是AI无法说明其决策依据。受访者对生成式AI的信任度为76%，对自主程度更高的智能体AI则降至66%，凸显出随着 AI 系统自主性不断增强，人们对其可靠性的担忧也在加剧。

AI应用成熟度提升，数据基础仍然薄弱

AI 决策的质量归根结底取决于其所依赖的数据。然而，大多数企业仍是在严重滞后或过时的数据及数据基础设施上部署 AI。由于缺乏能够支持关键透明度和可解释性的坚实数据基础，企业难以有效地治理 AI 并实现商业价值。

拥有优化数据基础的企业，预计能从 AI 项目获得高 ROI 的概率高出 4 倍，且强制实施建立AI信任所需的“数据质量与可解释性控制机制”的可能性高出 6 倍。而目前全球只有17.5%的企业拥有成熟度足以满足智能体AI需求的完全优化的数据基础设施，这在一定程度上制约了AI性能的发挥。

报告显示，大中华区治理体系建设的推进速度快于底层数据基础设施建设，且这一进程在本轮发展周期中快于其他任何市场。该地区已有61.5%的组织将自身AI成熟度评为“整合”或“转型”阶段，但数据基础设施达到“受管理”或“已优化”阶段的比例只有43.4%。接下来，大中华区企业仍须补强数据质量、数据治理与数据来源的可追溯性，而且需要从一开始就将本地化要求融入其中的数据基础设施和控制框架。

本次研究调查全球28个国家、2,699名对企业数据与AI策略具有了解或影响力的决策者，涵盖银行、保险、生命科学与公共部门四大行业。报告以数据质量与治理、模型治理与监督、可解释性与公平性、负责任AI政策，以及审计与问责五项维度评估组织的可信AI成熟度，总分达80分以上者列为可信AI领先组织。

报告还进一步聚焦全球各行业的AI应用案例与研究发现，展现各行业领先企业如何推进AI应用。比如银行业领先企业已不再将AI治理仅视为合规要求，而是将完善的AI治理体系视为提升竞争优势和保障运营的必要条件。生命科学行业则在AI规模化应用方面领先，23%的生命科学企业已将AI应用扩展至全公司范围，为各行业最高。