2023 Dynatrace2024 年 AI 发展状况采用 AI 面临的挑战和组织成功的关键策略引言内容介绍行业视角 研究方法 附录：全球数据汇总结束语Dynatrace 与众不同之处 第 5 章AI 将产生广泛的组织影响第 4 章最大限度降低 AI 风险是当务之急第 3 章AI 对控制多云复杂性至关重要第 2 章AI 将改进组织流程第 1 章AI 投资不断增加AI 类型因果关系 AI 因果关系 AI 根据系统的拓扑或结构（包括系统内各个组件之间的依赖关系）确定数字系统中事件或行为的确切根本原因和影响。预测性 AI 预测性 AI 训练机器学习模型从历史数据中学习，并根据该数据的模式对未来事件进行预测。生成式 AI 生成式 AI 使用其训练数据来创建文本、图像、代码或反映用户自然语言查询的其他类型的内容。复合型 AI 复合型 AI 可组合多种类型的人工智能和数据源。此技术支持更先进的推理，并通过生成式 AI 输出提供精确性、上下文信息和价值。引言人工智能已经成为组织推动效率、提高生产力和加快创新的核心。2022 年发布的 ChatGPT 开启了 AI 炒作周期，并使该技术成为全球董事会和政治议程的首要话题。ChatGPT 和 Google Bard 等对话生成式 AI 聊天机器人是变革 性 技 术，可 以 通 过 自 动 执 行 各 种 组 织 任 务 来 提 高 员 工 工 作 效率。现在，各组织正在确定这些技术在多个业务领域中表 现出的巨大潜力。他们在开发、运营和安全用例方面看到了 独特的优势，可以使用基于生成式 AI 的解决方案来编写软 件代码、创建仪表板并使用户能够通过自然语言查询数据。这些解决方案有望支持团队以创纪录的速度交付新的、更安全的应用程序和服务，从而帮助组织跟上数字创新的步伐。然而，虽然生成式 AI 具有明显优势，但是组织还需要应对 各种挑战和风险，包括可能出现的操纵和偏见。本报告探讨了这些挑战，并重点介绍技术领导者如何通过采用复合型 AI 方法来克服这些挑战，即团队组合多种数据模 式和不同类型的人工智能（例如生成式 AI、预测性 AI 和因 果关系 AI），以推动实现快速、精确且值得信赖的解决方案 和自动化。第 1 章AI 投资不断增加 随着数字创新不断加快，各组织正在增加对 AI 的投资，以提高生产力、自动执行任务、降低成本并跟上竞争的步伐。AI 具有巨大潜力，可为各种用例提高效率。组织的许多部门都将从 AI 提供的效率和洞察力中受益 从呼叫中心代理和软件工程师到高层管理人员。虽然许多组织刚刚才开始探索潜在业务用例的范围，但很多组织正在优先考虑对基于 AI 的工具和服务进行投资，以支持开发和运营团队。技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 通过自然语言查询和助手将数据分 析的访问范围扩大到非技术员工团队预测并主动解决影响服务的问题（例如，应用程序故障和安全漏洞）的能力 更快的事件响应 安全分析师的工作效率 93%89%88%88%79%U/58HH6rXuGxQJzJAuByhMiCYydMK33bsDsO0TSEcfYU9Vw3lWqq/sh/I8PfCd3C 技术领导者认为，投资生成式 AI 的首要任务如下：提升客户体验和加强客户支持加快软件开发速度提高 IT 运营效率提高应用程序的安全性34%26%22%18%83%的技术领导者表示，AI 已成为与云环境动态特性保持同步的必要条件。第 2 章AI 将改进组织流程 在提高开发、运营、安全和业务团队的工作效率方面，AI 发挥着巨大作用。它可以加快关键任务，例如编写新的软件代码和提出错误修复建议。组织 还可以使用 AI 来减少应用程序漏洞管理中的手动操作，使团队能够实时 应对威胁，从而加强安全态势。这些 AI 应用程序使团队能够专注于更具战略性的高级别任务，例如规划新功能、构建更安全的软件架构以及提升客户体验。最终，这将使团队能够将更多时间用于推动创新，帮助组织预测并满足客户和最终用户的需求。近四分之三的 IT 运营、开发和安全团队计划使用 AI 来更加积极主动地开展工作。76%74%73%60%59%IT 运营团队 开发团队 安全团队DevOps 团队 业务团队在未来 12 个月内，技术领导者将加大对 AI 的投资，以支持以下领域：61%54%48%43%37%32%通过自动生成代码加快开发速度 使用户能够轻松定制仪表板 使用户能够构建互动式查询以进行分析 通过预测影响服务的问题并使团队能够主动解决这些问题，降低运营支持成本 推动 DevOps 和安全流程更加智能自动化，提高工作效率 使用户能够创建新的自动化工作流程 技术领导者表示，AI 对以下开发、安全和运营用例的成功至关重要：自动执行复杂的运营任务 消除错误警报和验证 代码部署的手动工作 威胁检测、调查和响应 第 3 章AI 对控制多云复杂性至关重要 组织需要更成熟的监控和分析方法，以应对日益加剧的复杂性和云生 成的海量数据。他们越来越多地寻求 AI 能力，使他们能够在新的用例（从自动攻击阻 止到云成本管理）中最大程度发挥其可观测性、安全和业务事件数据 的价值。这些能力可帮助开发、运营和安全团队就如何优化流程并为业务创造价值做出更明智的决策。为了取得成功，组织需要 AI 实时提供可预测、值得信赖的精准解决方案，以便团队能够了解云环境中发生的情况，并充满信心地自动执行复杂的业务流程。的技术领导者表示，AI 技术支持的问题预防和修复对管理多云复杂性至关重要的技术领导者认为，AI 将通过支持 FinOps（IT 成本优化）实践来实现云成本效益87%88%技术领导者计划在未来 12 个月内增加 AI 投资，以支持以下用例：自动 执行 分 析，以应对可观测 性、安 全 和 业 务 事 件 数 据的增长*从 可 观 测 性、安 全 和 业 务 事件数据中生成洞察力 启用自助 服 务，使非专家能够查询可观测性、安全和业务事件数据，解答自己的问题*这包括混合云和多云环境中的用户行为、转化率和情绪分析数据。第 4 章最大限度降低 AI 风险是当务之急尽管 AI 具有明显优势，但在将该技术整合到组织的运营中并用于自动执行流程和工作流程时还是会遇到一些难题。最重大的挑战之一是如何让用户信任 AI 生成的有意义的回应。众所周知，生成式 AI 会产生“幻觉”，从而导致不准确或不一致的陈述。为了解决这个问题，团队需要一种方法来快速、轻松地设计包含详细上 下文信息和精确性的 AI 提示。然而，当组织允许其团队以这种方式使用 AI 时，他们还必须注意潜在的安全和合规风险。他们需要足够的防护措施来处理 AI 模型摄取的数据，否则员工可能会意外泄露敏感信息。这一需求将推动对考虑安全和隐私要求的专用 AI 平台的需求。的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的数据和关于未来的准确预测，那么生成式 AI 将会更加有益*的 技 术 领 导 者 担 心，随 着 员 工 越 来越习惯使用 ChatGPT 等 AI 模型和工具，AI 可能会被用于未经批准的用途的技术领导者担心，使用生成式 AI 创建代码可能会导致数据泄露以及知识产权的不当或非法使用*基于全部样本库中较小的一部分第 5 章AI 将产生广泛的组织影响AI 有望提高整个组织的工作效率和员工满意度，减少手动工作，并创造发展新技能的机会。除了开发、运营和安全团队的用例 之外，AI 还将让非技术人员通过自然语言查询和虚拟助手更 轻松地获得分析结果。这将大大减轻开发、运营和安全团队 的负担，并使整个企业的更多团队成员能够做出明智的 数据驱动决策。然而，组织必须实施 AI 采用政策，以便员工了解如何以安全、合规的方式使用这些技术。他们还需要认识到，并非所有 AI 都一样。更复杂的用例需要组合多种类型的 AI 和不同数据源的复合型方法。如果组织战略得当，AI 将极大促进员工队伍的发展，创造一个人类借助技术进行工作的环境，以帮助和提高组织的技能组合，实现持久的业务价值。的组织已因 AI 而调整所招聘的职位和技能的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能62%28%89%自动智能优化 AI 提示的能力87%团队技能或培训 86%提高 AI 摄取信息的准确性和质量 86%增强 AI 提供的解决方案的可解释性86%用作模型训练和提示工程输入的数据质量 82%消除偏见 81%控制监管风险技术领导者确定影响 AI 成功采用的主要挑战如下：Dynatrace 与众不同之处 世界需要软件完美地运行。因此，Dynatrace 使用 AI 将因果、预测和生成技术结合在单一平台中，从而实现可观测性与安全分析的统一。这种方法为团队提供大规模实现卓越数字体验所需的精准解决方案和智能自动化。我们全面的可观测性、安全分析和自动化方法（我们称之为“正确构建云”）使全球组织能够简化云复杂性、加速创新并在现代云中实现事半功倍。研究方法 本报告基于 Dynatrace 委托 Coleman Parkes 进行的一项全球调查，调查对象为拥有 1,000 名以上员工的大型企业中涉及 IT 运营和 DevOps 管理的 1,300 名 CIO、CTO 和其他高级技术领导者。受访者样本包括：美国 200 人，拉丁美洲 100 人，欧洲 600 人，中东 150 人，亚太地区 250 人。有关各地区的详细调查结果，请参阅全球数据摘要附录。行业聚焦金融服务 鉴于 2023 年围绕 AI 的炒作不断升温，加上资源短缺，金融服务公司正专注于自动化，并计划大力增加对 AI 的投资。约 98%的金融服务组织现在相信，AI 可以采用 FinOps 实践来更好地管理和控制云支出。总体而言，约 96%的金融服务受访者担心，生成式 AI 虽然有用，但可能会导致泄漏、不当或非法使用他人的知识产权。大多数金融服务受访者认为，多云环境的管理越来越复杂，保护越来越困难，要架构出能提供卓越体验的环境也越来越具有挑战性。事实上，四分之三的 金融服务受访者将 AI 视为降低这一复杂性的一种手段。此外，86%的受访 者认为，AI 正在成为必要条件，因为团队不可能手动与云环境的规模、速度 和动 态特 性保 持同步。零售由于宏观经济形势依然动荡不安，零售商看到消费环境正在发生变化。他们不仅要吸引越来越多的数字原生消费者，还要吸引经常光顾实体店的客户。AI 和自动化已经改变了以零售为重点的 IT 团队的运营规则。随着零售商努力实现创新，平均 73%的技术领导者表示，他们的公司计划在未来 12 个月内增加 AI 投资以支持 DevOps 用例。受访者表示，他们的公司将提升客户体验和加强支持视为投资生成式 AI 以支持 DevOps 用例的首要任务(39%)。上市时间也是一个关键优先事项，95%的受访者表示，AI 可以提高软件交付和部署的速度。政府政府机构的工作重点是提供公共服务和保护公民。为了赢得公众的信任，政府受访者将提升客户体验和加强支持(32%)列为投资生成式 AI 以支持 DevOps 用例的首要任务。但在各个垂直领域中，99%的政府机构受访者担心，如果使用品质低劣或不准确的数据来生成解决方案，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响。与其他行业一样，85%的政府机构认为，多云复杂性使提供出色的公民和用户体验变得更加困难。大多数人(91%)认为，AI 技术支持的问题预防和智能修复对管理多云复杂性至关重要。运输 尽管过去几年旅游业有所改观，但该行业也面临各种不利因素。激烈的竞争、经济压力、不稳定的供应链和紧张的劳动力市场都让运输行业的领导者不得 不重新思考其业务运营方式。毫不奇怪，47%的旅游业受访者表示，改善客户体验和支持是投资生成式 AI 以支持 DevOps 用例的首要任务，这一比例在所有行业中最高。受访者还认为，AI 将帮助他们在更快的事件响应以及团队预测和主动解决影响服务的问题（例如应用程序故障和安全漏洞）的能力等方面进行竞争。90%的受访者表示，AI 对成功进行威胁检测、调查和响应至关重要。最后，92%的运输行业受访者表示，多云复杂性使提供出色的客户体验变得更加困难。软件和数字服务 随着数字现代化和云采用的不断增加，软件即服务(SaaS)应用程序呈爆炸式增长。软件和技术企业面临巨大压力，需要在不影响性能或安全的情况下以越来越快的速度进行创新。因此，该行业采用 AI 作为其 DevOps 流程的一部分来加速开发(70%)、自动执行查询(53%)和创建自动化工作流程(34%)也就不足为奇。有趣的是，除了加快开发速度外，软件和技术行业并不热衷于生成式 AI(38%)。该领域的受访者指出，消除偏见(84%)是成功采用 AI 的一个重要考虑因素。软件和技术公司受访者也率先采用 AI 和自动化技术来降低管理多云环境复杂性(78%)。全球数据汇总区域重点介绍技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 88%安全分析师的工作效率 88%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 86%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 84%更快的事件响应 82%巴西样本库：50 名受访者 96%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 98%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 92%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：团队技能或培训 94%控制监管风险 92%自动智能优化 AI 提示的能力 90%提高 AI 摄取的信息的准确性和质量 90%增强 AI 提供的解决方案的可解释性 82%用作模型训练和提示工程输入的数据质量 82%消除偏见 80%巴西 86%的组织已因 AI 而调整所招聘的职位和技能 14%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能技术领导者期望 AI 实现的主要改进包括：通过自然语言查询和助手将分析的访问范围扩大到非技术员工 92%软件部署和交付的速度 90%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 82%安全分析师的工作效率 80%更快的事件响应 72%墨西哥样本库：50 名受访者 94%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 98%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 98%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：自动智能优化 AI 提示的能力 96%团队技能或培训 92%消除偏见 90%提高 AI 摄取的信息的准确性和质量 88%增强 AI 提供的解决方案的可解释性 88%用作模型训练和提示工程输入的数据质量 86%控制监管风险 84%96%的组织已因 AI 而调整所招聘的职位和技能 4%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能墨西哥技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 92%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 92%更快的事件响应 91%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 90%安全分析师的工作效率 87%英国样本库：100 名受访者 91%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 90%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 81%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：团队技能或培训 93%增强 AI 提供的解决方案的可解释性 92%消除偏见 91%自动智能优化 AI 提示的能力 91%控制监管风险 90%提高 AI 摄取的信息的准确性和质量 87%用作模型训练和提示工程输入的数据质量 85%46%的组织已因 AI 而调整所招聘的职位和技能 48%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能英国技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 93%更快的事件响应 92%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 90%安全分析师的工作效率 89%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 88%法国样本库：100 名受访者 91%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 99%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 94%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：用作模型训练和提示工程输入的数据质量 94%团队技能或培训 94%增强 AI 提供的解决方案的可解释性 86%消除偏见 85%控制监管风险 83%提高 AI 摄取的信息的准确性和质量 82%自动智能优化 AI 提示的能力 79%64%的组织已因 AI 而调整所招聘的职位和技能 32%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能法国技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 93%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 93%安全分析师的工作效率 89%更快的事件响应 86%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 82%德国样本库：100 名受访者 91%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 99%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 98%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：团队技能或培训 95%用作模型训练和提示工程输入的数据质量 94%自动智能优化 AI 提示的能力 89%增强 AI 提供的解决方案的可解释性 88%提高 AI 摄取的信息的准确性和质量 87%控制监管风险 83%消除偏见 81%74%的组织已因 AI 而调整所招聘的职位和技能 25%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能 德国技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 93%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 93%更快的事件响应 91%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 88%安全分析师的工作效率 87%意大利样本库：100 名受访者 92%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 91%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 94%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：团队技能或培训 94%自动智能优化 AI 提示的能力 89%用作模型训练和提示工程输入的数据质量 88%控制监管风险 86%提高 AI 摄取的信息的准确性和质量 86%增强 AI 提供的解决方案的可解释性 85%消除偏见 79%60%的组织已因 AI 而调整所招聘的职位和技能 37%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能意大利技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 92%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 86%安全分析师的工作效率 85%更快的事件响应 84%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 80%西班牙样本库：100 名受访者 81%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 100%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 98%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：控制监管风险 89%自动智能优化 AI 提示的能力 89%增强 AI 提供的解决方案的可解释性 84%提高 AI 摄取的信息的准确性和质量 83%消除偏见 82%用作模型训练和提示工程输入的数据质量 80%团队技能或培训 79%72%的组织已因 AI 而调整所招聘的职位和技能 25%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能西班牙技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 92%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 90%更快的事件响应 88%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 84%安全分析师的工作效率 74%瑞典样本库：50 名受访者 90%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 100%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 95%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：增强 AI 提供的解决方案的可解释性 94%用作模型训练和提示工程输入的数据质量 94%自动智能优化 AI 提示的能力 88%控制监管风险 86%团队技能或培训 84%提高 AI 摄取的信息的准确性和质量 82%消除偏见 76%76%的组织已因 AI 而调整所招聘的职位和技能 20%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能瑞典技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 96%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 94%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 90%更快的事件响应 86%安全分析师的工作效率 80%比荷卢经济联盟样本库：50 名受访者（荷兰 32 名、比利时 10 名、卢森堡 8 名）94%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 100%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 94%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：用作模型训练和提示工程输入的数据质量 94%自动智能优化 AI 提示的能力 94%团队技能或培训 92%提高 AI 摄取的信息的准确性和质量 86%消除偏见 84%控制监管风险 82%增强 AI 提供的解决方案的可解释性 78%74%的组织已因 AI 而调整所招聘的职位和技能 24%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能比荷卢经济联盟技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 90%更快的事件响应 84%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 84%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 83%安全分析师的工作效率 81%中东 样本库：150 名受访者（阿联酋 65 名、沙特阿拉伯 46 名、科威特 20 名、卡塔尔 19 名）90%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 98%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 93%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：消除偏见 89%自动智能优化 AI 提示的能力 87%提高 AI 摄取的信息的准确性和质量 82%团队技能或培训 81%控制监管风险 79%增强 AI 提供的解决方案的可解释性 77%用作模型训练和提示工程输入的数据质量 77%81%的组织已因 AI 而调整所招聘的职位和技能 15%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能中东技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 94%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 92%更快的事件响应 90%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 86%安全分析师的工作效率 63%澳大利亚样本库：100 名受访者 69%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 99%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 95%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：提高 AI 摄取的信息的准确性和质量 92%自动智能优化 AI 提示的能力 90%增强 AI 提供的解决方案的可解释性 90%用作模型训练和提示工程输入的数据质量 89%团队技能或培训 79%消除偏见 75%控制监管风险 71%41%的组织已因 AI 而调整所招聘的职位和技能 29%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能澳大利亚技术领导者期望 AI 实现的主要改进包括：更快的事件响应 97%软件部署和交付的速度 92%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 92%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 86%安全分析师的工作效率 83%日本样本库：100 名受访者 78%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 100%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 97%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：用作模型训练和提示工程输入的数据质量 93%提高 AI 摄取的信息的准确性和质量 91%增强 AI 提供的解决方案的可解释性 90%自动智能优化 AI 提示的能力 87%团队技能或培训 86%消除偏见 81%控制监管风险 74%65%的组织已因 AI 而调整所招聘的职位和技能 27%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能日本技术领导者期望 AI 实现的主要改进包括：软件部署和交付的速度 100%更快的事件响应 92%通过自然语言查询和助手将分析的访问范围扩大到非技术员工 88%团队预测并主动解决影响服务的问题的能力，例如应用程序故障和安全漏洞 86%安全分析师的工作效率 64%印度样本库：50 名受访者 74%的技术领导者表示，AI 已成为必要条件，因为团队不可能手动与云环境的规模、速度和动态特性保持同步 100%的技术领导者担心，生成式 AI 可能容易受到无意的偏见、错误和错误信息的影响 98%的技术领导者表示，如果其他类型的 AI 提示能够提供有关当前状态的精准事实和 关于未来的准确预测，那么生成式 AI 将会更加有益*基于数据样本中较小的一部分技术领导者认为影响 AI 成功采用的主要因素如下：自动智能优化 AI 提示的能力 94%提高 AI 摄取的信息的准确性和质量 86%团队技能或培训 84%增强 AI 提供的解决方案的可解释性 84%用作模型训练和提示工程输入的数据质量 80%控制监管风险 76%消除偏见 76%42%的组织已因 AI 而调整所招聘的职位和技能 36%的组织计划在未来 12 个月内因 AI 而调整所招聘的职位和技能印度