SAS 最新研究显示：全球对生成式 AI 信任度大幅攀升，AI 保障措施仍待完善

构建可信 AI 体系的企业，AI 项目回报率翻倍概率高出 60%，若忽视可信实践则代价高昂

北卡罗来纳州卡里市 2025 年 9 月 30 日 /美通社/ -- 数据与人工智能（AI）领域的领先者之一 SAS 今日公布了一项最新研究，聚焦 AI 的应用场景、实际影响及可信度水平。该研究成果已收录于由 SAS 委托 IDC 编制的《IDC 数据与 AI 影响力报告：信任必要性》（IDC Data and AI Impact Report: The Trust Imperative）。报告指出，IT 及业务领导者对生成式 AI（GenAI ）的信任度，显著高于其他各类 AI。

Per new SAS and IDC study, trust in GenAI surges globally despite gaps in AI safeguards.

Per new SAS and IDC study, trust in GenAI surges globally despite gaps in AI safeguards.

这项覆盖全球的 AI 应用与落地研究还发现，尽管优先推进可信 AI 建设的组织，其 AI 项目投资回报率翻倍的概率高出 60%，但仅有 40%的企业会在治理机制、可解释性及伦理保障措施方面进行投资，以提升 AI 系统的可信度。矛盾之处在于，虽然传统 AI 是当前发展最成熟、最可靠且可解释性最高的 AI 类型，但那些对可信 AI 系统投入最少的企业却认为，生成式 AI（如 ChatGPT）比传统 AI（如机器学习）的可信度高出 200%。

国际数据公司（IDC）AI 与自动化实践研究总监 Kathy Lange 指出："我们的研究揭示了一个核心矛盾—无论实际可靠性或准确性如何，那些具备类人交互特性、且在社会层面更易被大众熟知的 AI 类型，似乎更能赢得高度信任。作为 AI 领域的提供商、专业人士及个人用户，我们必须直面两个关键问题：虽然生成式 AI 获得了信任，但它是否始终值得信赖？对于这一新兴技术，行业领导者是否采取了必要的防护机制与 AI 治理措施？"

完整研究报告可通过以下链接获取：http://sas.com/ai-impact.

该研究基于一项覆盖全球的调研数据，共收集到来自北美、拉丁美洲、欧洲、中东及非洲、亚太地区的 2375 名受访者反馈。调研对象中，IT 专业人士与业务部门负责人占比均衡，从技术、业务两大核心视角为研究提供了多元观点支撑。 

新兴 AI 技术最受信任

总体而言，该研究发现，在各类 AI 应用中，生成式 AI、代理式 AI（agentic AI,）等新兴技术的受信任度显著高于其它发展更为成熟的 AI 类型。近半数受访者（48%）表示对生成式 AI "完全信任"，还有三分之一（33%）的受访者对代理式 AI 持 "完全信任" 态度。传统 AI 则是受信任度最低的类别 —— 仅有不到五分之一（18%）的受访者表示对其完全信任。

尽管受访者对生成式 AI 和代理式 AI 的信任度较高，却也表达了多方面的担忧，具体包括数据隐私问题（62%）、透明度与可解释性问题（57%），以及伦理应用问题（56%）。

与此同时，量子 AI（quantum AI）的受信任度正快速提升——尽管实现大多数量子AI应用场景所需的技术尚未完全成熟。全球近三分之一的决策者表示熟知量子 AI，且有 26% 的受访者对该技术表示完全信任 ，即便目前其现实应用仍处于早期阶段。 

AI 防护措施滞后：削弱 AI 影响力，拉低投资回报率

研究显示，AI 的使用率正快速攀升——其中生成式 AI 的表现尤为突出，其关注度与应用率（分别达到 81%和 66%）已迅速超越传统 AI。这一趋势也引发了全新层面的风险与伦理担忧。

IDC 研究人员发现，在所有地区，企业对 AI 的信任程度与该技术实际具备的可信度之间均存在偏差。研究数据显示，近八成（78%）企业声称完全信任 AI，但其中仅有四成会通过采用AI治理、可解释性优化及伦理保障措施，使系统的可信度具备可验证性。

此外，研究还指出，在 AI 项目落地运营过程中，可信 AI 相关措施的优先级普遍较低。在受访者列出的企业三大优先级中，仅有 2%的受访者将"构建 AI 治理框架"纳入其中，而表示已制定可信任 AI 政策的受访者占比则不足 10%。然而，对可信 AI 措施的优先级下调，或将会阻碍这些企业在未来充分兑现 AI 投资的价值。

研究人员将受访者划分为"可信 AI 领先者" 与 "可信 AI 追随者"两类。领先者在相关实践、技术及治理框架上投入最多，以提升其 AI 系统的可信度 —— 且显然已从中获得回报。数据显示，这些可信 AI 领先者实现 AI 项目两倍及以上投资回报率的概率，是其他企业的 1.6 倍。

AI 发展受制于数据基础薄弱与治理缺失

随着 AI 系统自主性不断增强，并深度融入关键业务流程，数据基础的重要性也随之凸显。数据的质量、多样性及治理水平直接影响 AI 的应用成效。因此，智能化数据策略既是挖掘 AI 价值（如提升投资回报率、提高生产效率）的核心前提，也是规避相关风险的关键保障。

该研究指出，AI 落地面临三大主要障碍：数据基础设施薄弱、治理机制不完善以及 AI 技能人才短缺。近半数（49%）企业表示，数据基础未实现集中化管理，或云数据环境未完成优化，是阻碍 AI 推进的主要瓶颈。紧随其后的两大痛点为：缺乏完善的数据治理流程（44%）和缺少 AI 专业技能人才（41%）。

在 AI 实施涉及的数据管理问题上，受访者反馈的首要挑战是难以获取相关数据源（58%）。其他主要担忧还包括数据隐私与合规问题（49%），以及数据质量问题（46%）。

"无论对社会、企业还是员工而言，可信任的 AI 都至关重要，"SAS 首席技术官 Bryan Harris 表示，"要实现这一目标，AI 行业需提高技术落地的成功率，人类需对 AI 输出结果进行审慎核查，而企业领导层则需借助 AI 为员工赋能。"