关于作者与出版方背景 - 作者Angela Harmantas拥有超过15年北美股市报道经验 尤其专注于小型资源类股票 报道足迹遍及加拿大、美国、澳大利亚、巴西、加纳和南非等多个国家[1] - 出版方Proactive是一家全球性的金融新闻和在线广播提供商 为全球投资受众提供快速、易懂、信息丰富且可操作的商业和金融新闻内容[2] - 其新闻团队独立制作内容 在全球主要金融和投资中心（如伦敦、纽约、多伦多、温哥华、悉尼和珀斯）设有分社和演播室[2] 公司核心业务与专长领域 - 公司在中小市值股票市场领域具有专长 同时亦向投资社区更新蓝筹公司、大宗商品及更广泛投资领域的故事[3] - 团队提供的新闻和独特市场洞察涵盖多个领域 包括但不限于生物技术与制药、矿业与自然资源、电池金属、石油与天然气、加密货币以及新兴的数字和电动汽车技术[3] 内容制作与技术应用 - 公司采用前瞻性技术 其人类内容创作者拥有数十年的宝贵专业知识和经验 并利用技术来辅助和增强工作流程[4] - 公司偶尔会使用自动化和软件工具（包括生成式人工智能）但所有发布的内容均经过人工编辑和创作 遵循内容制作和搜索引擎优化的最佳实践[5]

AI成为CFO核心战略 - AI正迅速成为董事会层面的优先事项 将CFO置于企业AI战略的中心 [1] - CFO的角色正从AI实验转向执行 成为CEO的战略伙伴 引导资本投向驱动增长和效率的举措 [2][5] 企业AI应用现状与策略 - Dataminr将AI作为年度运营计划的固定项目 并视为所有预算决策的考量因素 认为AI应用在所有职能部门都不可或缺 [2] - Adobe的AI战略围绕提升“组织速度”展开 旨在压缩数据丰富环境中从洞察到行动的时间 强调技术、文化、持续学习和领导者好奇心缺一不可 [3] - 在受严格监管的银行业 Huntington Bancshares通过构建生成式AI风险框架、按风险等级确定用例优先级 并要求人工监督高影响应用 来平衡速度与风险 [4] AI规模化部署的挑战与未来 - 多数公司已采用某种形式的AI 但许多仍卡在试点项目与规模化部署之间 数据质量、治理薄弱、基础设施缺口、人才短缺和网络安全问题是主要障碍 [6] - 毕马威调查显示 **82%** 的高管认为数据质量是AI成功的首要障碍 财务部门需帮助建立标准与治理框架 [7] - 生成式AI已嵌入日常企业工具 财务团队用于会议总结、起草差异评论、大规模分析合同以及识别可改善财务绩效的定价与付款条件模式 [8] - 预计到**2026年** AI应用将转向规模化智能体协同 员工将更多管理AI智能体网络 财务人才将重新分配至高价值分析与决策 [9] 高效增长财务策略 - 高德纳研究提出CFO应评估四种财务策略以在经济波动中驱动高效增长：提前支付供应商以提升利润、投资于竞争对手无法复制的领域、零基销售及一般管理费用重新设计、以及有意的债务部署 [13] - 研究基于对**1500多家**标普500、400和600指数公司的分析 识别出**105家**“高效增长”公司 它们在**2014至2024年**间实现了**51%** 的股东总回报溢价 高效增长定义为同时实现高于行业的收入增长、利润率扩张和资本效率 [14] 高管人事变动 - 亿滋国际CFO Luca Zaramella自**2月1日**起兼任新设立的首席运营官一职 公司正在寻找其CFO职位的继任者 [10] - 鞋类零售商Genesco Inc CFO Cassandra Harris将于**3月6日**卸任 CEO Mimi Vaughn将担任临时CFO 公司已启动永久CFO的招聘 [11] - 网络安全提供商OPSWAT任命Bill Carey为新任CFO 接替即将退休的Simon Ho Carey此前在Couchbase担任临时CFO和首席会计官 并在该公司**2021年**的成功IPO中发挥了关键作用 [12]

摩根大通全球机器学习会议纪要研读总结 一、 会议与行业概述 * 会议为摩根大通第8届全球机器学习会议，于2026年1月29日发布纪要，会议于2025年11月25日在巴黎举行[1][8][10] * 会议聚焦于机器学习及其在金融市场中的应用，涉及金融科技、量化投资、资产管理、保险科技等多个行业[1][10] * 会议汇集了来自IBM、巴黎综合理工学院、瑞银资产管理、Mediobanca、Millennium、AXA等机构的专家，约140名投资者代表约80家机构参会[1][10] 二、 机器学习在投资策略中的进展与核心观点 * **技术融合**：先进的机器学习技术（如智能体AI、大语言模型、神经网络、混合统计-ML模型）正与传统金融方法结合，以改进投资组合配置、风险管理和阿尔法生成[2] * **投资组合配置创新**：战略资产配置是投资组合业绩波动的主要驱动力（约90%），传统方法存在弱点，自适应分配引擎通过结合透明启发式规则与动态排名算法来克服这些限制[15][92][93] * **混合建模优势**：将经典统计模型与神经网络结合的方法（如NeuralBeta和NeuralFactors）能提升金融建模性能和可解释性，优于纯经典或纯机器学习方法[17][111][112][116] * **阿尔法来源**：量化金融中的阿尔法生成越来越依赖于高质量另类数据与先进机器学习技术的协同作用，两者结合才能产生可操作的信号[18][130][148] 三、 数据、评估与模型治理 * **数据质量的核心地位**：高质量数据、严格的模型评估以及另类数据与机器学习之间的协同作用是驱动有效投资决策的核心[3] * **合成数据的应用与局限**：生成模型（如GANs）在金融投资组合中具有潜力，但其有效性受样本量和金融时间序列复杂性的限制，生成更多合成数据并不能解决核心挑战，需要稳健的、应用驱动的评估[13][53][54][56] * **模型评估的挑战**：对于智能体AI等非确定性系统，评估非常复杂，需要功能性和非功能性指标，并常依赖LLM作为评判者、人工生成数据和合成数据[73] * **模型风险与治理**：随着AI模型激增，模型风险日益受到关注，对模型局限性理解不足可能带来宏观风险，严格的模型治理、不确定性估计和可解释性至关重要[103][105][106] 四、 人工智能技术的应用与局限 * **智能体AI的演进与挑战**：智能体AI正从确定性自动化向具备自适应、记忆能力的复杂推理系统演进，但大多数组织仍处于实验阶段，技术债务和监管复杂性阻碍了规模化应用[12][42][43][48] * **大语言模型的定位**：LLM擅长理解和翻译自然语言，但缺乏复杂推理或高风险决策所需的可靠性，应将语言理解与推理分离，LLM用于解读意图，专用工具用于计算[15][82][83][86] * **实际应用偏好**：投资者对AI的应用偏好已转向实际应用，71%的参会者优先考虑预测分析，仅4%对对话式AI感兴趣，GenAI的使用主要集中在研究与分析（59%）[21] * **LLM的适用领域**：当前LLM使用以编码/数据分析（61%）和高级搜索（13%）为主，但对时间序列预测持谨慎态度，35%表示怀疑，仅9%认为有前景[21] 五、 监管、风险与伦理考量 * **监管复杂性**：金融服务业AI监管具有复杂性，源于宽泛的定义和不同的全球标准，监管滞后于技术发展，需要将新要求与现有治理结构整合[14][61][63][66] * **风险管控**：AI带来透明度、可解释性、公平性、安全性、第三方风险、安全和隐私等固有风险，需要持续缓解和治理[122][124] * **负责任AI与伦理**：稳健的治理、透明度和员工再培训对于负责任和可扩展的AI应用至关重要，AI伦理责任被视为集体努力（48%支持），而非个人（13%）或公司（30%）责任[4][21][43] * **AI保险市场兴起**：为应对AI风险，全球AI保险市场预计到2032年将达到约50亿美元，但当前销售数据有限，产品仍处于创新阶段[122][123][124] 六、 投资者情绪与市场观察（来自观众调研） * **科技巨头与GenAI主题情绪**：对“七巨头”/GenAI主题的情绪出现分化，54%的受访者表现出多年主题疲劳感，23%提到FOMO，13%认为估值过高[21] * **最具低估价值的故事**：Alphabet以47%的得票率被视为最被低估，远超苹果（18%）、微软（14%）和亚马逊（12%），表明在整体热情减退时仍存在选择性机会[21] * **AI资本支出周期**：59%的受访者预计AI股票将保持高资本支出并全额再投资，14%预计将趋于稳定，表明持续重投资[21] * **行业采用预期**：受访者预计媒体（27%）和营销（22）将出现最大的GenAI采用，而投资行业（3%）滞后[21] * **AI采用障碍**：主要障碍是可解释性问题（35%）和低信噪比（35%），远超监管风险（18%）[21] * **能力来源**：组织主要从ChatGPT/Gemini/Llama等现有提供商（54%）获取AI/ML能力，内部开发占39%，专业平台占8%[21] * **另类数据应用与阿尔法生成挑战**：文本数据（新闻/文字记录）是主要焦点（40%），其次是价格/市场数据（33%），但阿尔法生成具有挑战性，33%未产生阿尔法，47%仅产生1-3个成功信号[21] * **模型部署挑战**：过度拟合是ML部署的主要问题（45%），超过可解释性担忧（27%）和数据质量问题（18%）[21]

市场整体表现 - 道琼斯工业平均指数上涨12.19点 涨幅0.0249% 收于49015.60点 市场对美联储稳定政策和企业财报做出反应 [1] - 美联储维持利率不变 此前在2025年下半年进行了三次25个基点的加息 主席鲍威尔指出经济前景“改善”且劳动力市场稳定 [1] 科技公司业绩与股价表现 - IBM成为道指中最大赢家 股价飙升7.76% 其2025年第四季度盈利超出分析师预期 并对2026财年给出乐观展望 其生成式AI业务规模已超过125亿美元 [2] - 微软成为道指中表现最差的公司 股价下跌5.94% 尽管盈利超预期 但投资者担忧其Azure云业务增长放缓以及与建设AI基础设施相关的大量资本支出 [2] 其他主要成分股表现 - 联合健康集团股价上涨3.49% 强生公司股价上涨1.67% [3] - 安进公司股价下跌2.57% Salesforce股价下跌1.81% [3] 宏观经济与资产动态 - 美国财政部长斯科特·贝森特重申政府偏好“强势美元” 并否认市场干预 美元在近期波动后趋于稳定 [3] - 避险资产黄金价格跃升至每盎司5500美元以上的历史新高 [3]

文章核心观点 - 当前美国股市和人工智能热潮符合历史技术泡沫的特征 作者认为正处于一个泡沫之中 并预测未来大多数投资者将遭受巨大损失 [2] 技术泡沫的普遍特征与历史先例 - 过去两个世纪存在无数技术泡沫 从19世纪40年代的英国铁路狂热到2020-21年的SPAC泡沫 通常技术创新越具革命性 伴随的泡沫就越大 [3] - 泡沫的传播依赖于具有感染力的叙事 这些叙事是“在整个社会传播泡沫疾病的病原体” 新技术本身既是投机对象 也是传播热潮的媒介 [8] 当前AI热潮的泡沫特征分析 - **新兴技术与夸张叙事**: AI被赋予治愈贫困癌症 展现莎士比亚般创造力的期望 同时存在导致人类灭绝的极端恐惧 观点两极分化前所未有 [9][10] - **宽松的货币与信贷环境**: 历史上的重大投机狂热通常发生在货币宽松时期 低贴现率推高估值倍数并鼓励对远期盈利公司的投资 当前利率虽上升但相对于GDP增长或通胀仍处于历史低位 且存在大规模财政赤字 [11][12][13][16] - **普遍的投资者乐观情绪**: 当前美国投资者情绪调查显示历史高位 纽交所保证金债务创纪录 美国家庭财富中股票占比达历史最高 而消费者信心指数因通胀问题接近历史低点 两者出现巨大鸿沟 [19] - **推广新技术的出版物浪潮**: AI热潮催生了The Information The Rundown AI等专门媒体 社交媒体和播客平台充斥着AI内容 arXiv上每天发布约100篇AI新论文 主流媒体大量报道AI进展 [25] - **高效的生产供应机器**: 2025年美国60%的风险投资投向AI AI初创公司共融资超过2000亿美元 Anthropic在2025年融资1650亿美元 OpenAI在2025年融资400亿美元 大部分AI融资发生在私募市场 [28][32] - **正常估值标准的失效**: 美国股市经周期调整的市盈率目前为40倍 高于互联网泡沫顶峰外的任何时期 美股总市值与GDP比率创历史新高 创纪录比例的美股以超过10倍市销率交易 例如Palantir超过100倍 特斯拉市盈率超过300倍且盈利同比下降61% [34][36] - **不成熟的技术**: 生成式AI是一项不成熟技术 其最终发展路径不明 大型语言模型仍受幻觉问题困扰 一项2025年7月的MIT研究称 仅5%的企业生成式AI试点项目在收入或盈利能力上显示出可衡量的改善 [45] - **资本的过度投入**: AI繁荣可能成为有史以来最大的资本投资泡沫 仅亚马逊 Alphabet Meta和微软四家公司2025年的资本支出就接近3000亿美元 “超大规模企业”的集体资本支出估计占美国GDP的1.3% 预计2026年将升至1.6% [49] - **肆无忌惮与欺诈行为**: 在AI生态系统中已出现“欺诈库存”的迹象 主要超大规模企业延长了服务器和AI芯片的折旧年限 同时AI领域存在类似互联网泡沫的循环融资现象 [59][60] - **泡沫破裂与行业洗牌**: 投资热潮可能已接近尾声 Meta的AI支出狂潮使其从2023年近300亿美元的净现金头寸变为目前负70亿美元 过度暴露的数据中心运营商股价承压 例如CoreWeave股价较峰值下跌超50% [65] AI投资的具体数据与市场集中度 - 2025年 与AI和数据中心相关的债务年发行量从2023年的1660亿美元增至6250亿美元 与数据中心相关的资产支持证券在2022年至2025年间增长了19倍 [33] - 美国公司处于AI热潮中心 占MSCI世界指数权重超70% 摩根大通估计 标普500指数44%的市值由30只AI相关股票贡献 这占全球总市值的四分之一以上 [40] - 私募市场估值最为泡沫化 OpenAI估值从2023年1月的300亿美元升至750亿美元 Anthropic估值从2022年4月的40亿美元升至3500亿美元 [41] - 目前AI总收入估计不到500亿美元 而投资额达万亿美元或更多 OpenAI预计2025年营收120亿美元 运营亏损80亿美元 并预计年亏损将在2026年翻倍至170亿美元 2027年达350亿美元 [53] 泡沫破裂的潜在触发因素与影响 - AI投资的规模已开始推高其他计算机组件如DRAM的价格 2025年第三季度其价格同比上涨172% 同时推高了铜银等大宗商品及电价 美国电价过去五年上涨39% 大幅领先通胀 [66] - 泡沫破裂后通常伴随企业破产和丑闻激增 行业整合 最终胜出的公司浮现 但赢得技术战并不保证商业成功 [62] - 历史上 泡沫破裂后投资者损失惨重 例如英国铁路股在19世纪40年代后半期下跌超65% 纳斯达克指数在互联网泡沫破裂中下跌近80% [61]

华尔街对人工智能的投资与整合 - 华尔街正对人工智能进行大规模押注并投入数十亿美元资金 [1] - 银行正迅速将生成式人工智能融入从交易大厅到后台办公室的各个业务环节 [1] 人工智能对银行业工作与文化的重塑 - 该技术不仅重塑了工作流程，也改变了职场文化 [1] - 技术正在改变软件工程师的职责定义以及初级银行家的脱颖而出方式 [1] - 技术甚至正在改变高管层的角色构成，并创造新的权力参与者 [1] - 技术正在重塑对员工总数的预期 [1] 人工智能在银行业的应用前景与影响 - 这一转变才刚刚开始，各公司正在探索如何部署自主人工智能代理 [2] - 根据咨询公司ThoughtLinks的数据，到2030年，该技术将重新定义银行44%的工作内容 [2] 人工智能带来的挑战 - 银行领导者表示他们难以跟上人工智能驱动的网络攻击 [2] - 分析师们越来越多地询问这些巨额投资何时能产生回报 [2]

行业前景与市场预测 - 生成式人工智能被视为“一生一次”的变革性技术 正在被亚马逊等公司用于重塑客户体验 [1] - 埃隆·马斯克预测到2040年将至少有100亿个人形机器人 单价在2万至2.5万美元之间 [1] - 根据马斯克的预测 该技术到2040年可能创造价值250万亿美元的市场规模 [2] - 普华永道和麦肯锡等主要机构认为人工智能将释放数万亿美元的潜力 [3] - 人工智能的突破正在重新定义人类工作、学习和创造的方式 并可能重塑全球企业、政府和消费者的运作模式 [2][4] 行业领袖观点与布局 - 比尔·盖茨将人工智能视为其一生中“最大的技术进步” 认为其变革性超过互联网或个人电脑 并有望改善医疗、教育及应对气候变化 [8] - 拉里·埃里森正通过甲骨文公司斥资数十亿美元购买英伟达芯片 并与Cohere合作将生成式AI嵌入甲骨文的云服务和应用程序中 [8] - 沃伦·巴菲特认为这项突破可能产生“巨大的有益社会影响” [8] - 硅谷和华尔街的亿万富翁们正共同关注并布局这一领域 [6] 竞争格局与潜在机会 - 当前市场关注点集中在特斯拉、英伟达、Alphabet和微软等公司 [6] - 但真正的机会可能在于一家未被充分关注、规模小得多的公司 该公司掌握着实现这场革命的关键技术 [4][6] - 有观点认为 这家公司价格低廉的人工智能技术应引起竞争对手的担忧 [4] - 该公司的潜在价值被类比为相当于175个特斯拉、107个亚马逊、140个Meta、84个谷歌、65个微软或55个英伟达 [7]

生成式AI市场前景 - 生成式AI市场正处于“超高速增长”阶段 预计将从2025年的714亿美元跃升至2032年的8906亿美元 复合年增长率达43.4% [3] - 生成式AI与传统AI不同 其核心在于创造内容 首个广泛应用ChatGPT在推出两个月内用户数超过3000万 成为历史上增长最快的产品之一 [2] 投资策略与工具 - 通过主题交易所交易基金进行投资是获取生成式AI行业多元化敞口的理想方式 [4] - 三只半导体主题ETF被视作有望超越生成式AI市场预期增长的投资选择 [4] VanEck Semiconductor ETF (SMH) - 该ETF追踪MVIS美国上市半导体25指数 投资于半导体生产和设备公司 持仓25家公司 [6] - 前五大持仓为英伟达、台积电、博通、美光科技和ASML 合计权重占基金近一半 [6] - 该基金是快速接触生成式AI前沿公司的良好工具 其持仓公司覆盖了芯片设计、代工、光刻设备和存储等关键环节 [7] - 该ETF费用比率为0.35% 过去一年上涨59% [9] State Street SPDR S&P Semiconductor ETF (XSD) - 该ETF提供更广泛的半导体股票敞口 持有43家公司 并采用等权重策略 [10] - 当前前五大持仓为美光科技、Macom Technology Solutions、Power Integrations、英特尔和Allegro Microsystems 各占基金权重3.5%至3% [11] - 作为等权重基金 其表现不易受单一大公司股价波动（如AMD或英伟达）的过度影响 但同时也可能错过这些公司的超额收益 [12] - 该ETF费用比率为0.35% 过去12个月上涨41% 有望提供43%或更高的回报 [13] iShares Semiconductor ETF (SOXX) - 该ETF专注于设计、制造或分销半导体的美国公司 由贝莱德管理 采用市值加权 目前持有31家公司 [14] - 前五大持仓为英伟达、美光科技、超微半导体、应用材料和博通 合计占基金权重的34.5% [15] 1. 该ETF费用比率略低于VanEck和State Street的基金 为0.34% [15] - 该基金适合寻求广泛行业敞口同时最小化海外风险暴露的投资者 过去一年上涨56% [16]

生成式AI在量化投资领域的采用现状 - 一项针对顶级资产管理公司系统性交易策略负责人的新调查显示，大多数（超过半数）尚未开始其生成式AI的应用之旅 [1] - 在接受调查的151名量化分析师（于去年4月至11月期间接受访谈）中，54%的受访者未将生成式AI工具整合到其工作流程中 [2] - 量化领域虽已使用机器学习技术多年，但生成式AI尚未取得突破性应用 [2] 量化分析师对生成式AI的态度与看法 - 量化分析师对生成式AI在战胜市场、为投资流程增值方面的能力持怀疑态度 [3] - 有行业高管（如瑞银）认为，AI无助于赢得“阿尔法战争” [3] - 当前生成式AI在投资流程中未广泛使用，更多反映了从业者的审慎态度，这被视为一种“好事”和“谨慎”的表现 [5] 数据挑战是采用缓慢的核心原因 - 采用缓慢的主要症结在于数据格式与结构问题 [3] - 量化策略因其系统复杂且涉及巨额资金（出错成本高），要求数据必须按照特定方式进行清洗和结构化 [4] - 量化分析师在高度受控的研究环境中工作，其模型需要具备可解释性和可重复性 [4] 数据供应商的应对举措与发展方向 - 将数据集处理到可用的程度是一项“不吸引人”但“基础性”的工作 [5] - 数据团队正在为量化分析师创建数据产品，以期在未来数据就绪后推动AI的采用，因为从业者对AI的潜力热情很高 [5] - 不止一家数据供应商关注此问题，例如前Point72数据高管创立的Carbon Arc公司，也专注于构建数据集以便于人工智能模型摄取 [6]

报告行业投资评级 * 报告未明确给出“买入”、“持有”或“卖出”等传统投资评级，但其核心数据与观点强烈暗示生成式AI及AI智能体在零售和快速消费品行业已进入价值兑现与加速投资阶段 [9][10][60][117] 报告核心观点 * 生成式AI项目持续为零售和快速消费品行业带来投资回报，企业关注重点正从规划转向实践，并加速投向更前沿的AI智能体项目 [9] * AI智能体时代已经到来，**51%** 的受访高管表示其组织已在生产环境中使用AI智能体，应用场景覆盖客户服务、营销、供应链等多个核心领域 [10][13][23][25] * 生成式AI在五个关键领域被证实可带来重大影响：**效率 (72%)**、**客户体验 (68%)**、**营销 (59%)**、**业务增长 (56%)** 和**安全 (49%)**，且投资回报率、收入增长及项目上市速度等指标均呈现积极趋势 [60][63][66][68] * 未来AI预算持续增长且结构向AI智能体倾斜，**47%** 的高管表示其组织正从非AI预算调拨资金投资AI，**47%** 的高管计划将未来AI预算的**50%** 或更多用于AI智能体 [122][124][125] * 实现AI投资回报高度依赖C级高管的全面支持，获得全面支持的组织实现投资回报的比例是未获得支持组织的近两倍 (**80%** 对比 **44%**) [129][130][131] 智能体AI的迅速演变 * **采用率与部署规模**：**51%** 的零售和快速消费品行业高管表示其组织已在生产环境中采用AI智能体，其中**37%** 的组织已推出超过10个AI智能体 [13][25][34] * **主要应用场景**：AI智能体已广泛应用于行业核心挑战，前三大应用场景为**客户服务和体验 (47%)**、**营销 (44%)** 以及**安全运维和网络安全 (41%)**，行业特定用例如**质量控制 (39%)** 和**供应链与物流 (38%)** 采用率也很高 [35][36][37][42][45] * **已实现投资回报的领域**：AI智能体已在多个领域带来投资回报，排名前三的分别是**客户服务和体验 (33%)**、**营销 (32%)** 以及**安全运维和网络安全 (26%)**，**供应链与物流**是投资回报最高的行业特定用例 (**25%**) [52][56] 经证实可利用AI实现投资回报的5个领域 * **整体投资回报表现**：**78%** 的受访高管表示其生成式AI项目目前已实现投资回报，高于2024年的**75%**；项目平均上市期缩短，**54%** 的高管表示从构想到生产环境落地仅需**3–6个月**，高于2024年的**50%** [63] * **效率提升**：**72%** 的高管表示生成式AI提高了工作效率，主要体现在提升非IT员工效率(**69%**)、缩短数据分析时间(**60%**)及加快产品上市速度(**59%**)等领域 [66][70][75] * **客户体验改善**：**68%** 的高管表示生成式AI改善了客户体验，其中**80%** 的改善者表示提升幅度达**6%** 或更多，主要提升了用户互动度(**80%**)和用户满意度(**77%**) [66][82][84][86][89][91] * **营销影响**：**59%** 的高管表示生成式AI对营销成果产生了显著影响，案例显示有公司利用生成式AI在**80小时**内创建了**20,000多张**图片，节省了**90%** 的成本 [68][98][99][100] * **业务增长贡献**：**56%** 的高管表示生成式AI带来了业务增长，其中**74%** 实现了收入增长，**31%** 的高管预计收入增幅超过**10%** [63][68][104] * **安全状况增强**：**49%** 的高管表示生成式AI改善了安全状况，主要体现在改进情报与响应整合(**77%**)和增强威胁识别能力(**73%**) [68][111][112][113] 投资AI就绪的未来 * **未来业务目标**：未来2-3年，行业通过生成式AI重点推动的前三大业务目标为：**提高运营效率 (52%)**、**改善客户体验 (51%)** 和**提高竞争力/市场份额 (47%)** [120] * **预算分配趋势**：AI支出占企业年度IT总预算的比例已达**25%**，且**79%** 的高管表示尽管技术成本下降，其在生成式AI上的支出仍在增加 [122][124] * **LLM提供商选择考量**：在选择大语言模型提供商时，高管们最看重的三大因素是：**数据隐私和安全性 (36%)**、**成本 (31%)** 和**与现有系统集成 (27%)** [16][135][136][137][139] 后续行动建议 * 争取C级高管支持以推动项目落地并与业务目标对齐 [143] * 制定有说服力的商业论证以确保AI预算投入 [143] * 立即制定企业级AI管理规范，保护数据隐私并践行道德准则 [143] * 从能够自动执行重复性任务、实现明确投资回报的高价值AI智能体项目着手 [143] * 建立可靠的数据治理与安全框架，并保持人机协同的工作模式 [144] * 为AI智能体提供安全、受管控的内部系统访问权限，并投资于内部AI人才培养 [146]