报告概述
本报告由AvePoint委托Osterman Research进行全球调研，调查了775位负责信息管理、数据安全或AI项目的高管与管理者，覆盖金融服务、政府、医疗三大行业及美洲、EMEA、APAC区域。报告旨在分析企业在从AI试验走向全面部署过程中所面临的信任、安全与价值挑战，重点关注数据质量、治理政策、员工AI素养和投资回报等议题。报告采用定量调研与年度对比方法，为企业制定可落地的AI治理策略提供数据支撑和行动指南。
报告的核心结论
数据安全与输出准确性是AI部署的最大障碍
68.7%的组织因AI输出不准确而放缓部署，68.5%因数据安全担忧。超过四分之三的组织因这些问题延迟AI部署长达12个月，平均延迟5.8个月。
AI治理政策加速完善，但执行仍有差距
84.5%的组织已制定或正在制定AI可接受使用政策，同比增加79.8%。然而，尽管90.6%声称有信息管理框架，仅30.3%认为数据分类高度有效，且75.1%的组织过去一年发生过AI相关安全事件。
AI投资回报期望高，但实际落地存在落差
81.9%的组织期望在12个月内看到AI投资回报，但客户洞察与个性化等核心目标的实际达成率低于预期5.8%。大多数组织仍以使用量而非业务影响衡量AI成功。
员工AI素养成为组织韧性关键
99.5%的组织采取了干预措施提升AI素养，其中基于角色指南的培训效果最佳（79.4%认为高度有效）。组织最担心员工无法区分AI输出的真假（66.8%），这威胁着人类判断力。
报告回答的关键问题
企业AI部署面临哪些主要安全挑战？
报告指出，数据安全是AI普及的首要阻碍。68.5%的组织担心未经授权的敏感数据暴露，75.1%的组织过去一年至少经历一次因AI过度分享导致的安全事件。外部攻击者窃取敏感员工数据（65.8%）和客户数据（58.2%）最为常见。
AI治理政策如何影响企业AI采用？
AI可接受使用政策已成为标准实践，84.5%的组织已制定或正在制定，同比大增79.8%。但政策落地仍需强化：多数组织过度自信于信息管理能力，实际数据分类效果不佳，导致安全漏洞。报告建议将治理嵌入日常流程。
企业如何衡量AI投资是否成功？
组织普遍将客户洞察与个性化列为最重要的AI成功指标（40.9%），其次为客户满意度（39.7%）。然而，实际达成这些目标的比例低于预期5.8%。报告建议结合定量使用数据与定性员工反馈，并建立持续追踪机制。
为什么AI输出不准确会阻碍企业推广AI？
68.7%的组织因AI输出不准确（如过时数据、无关信息、幻觉）而放缓部署。不准确输出不仅导致员工信任流失，更可能侵蚀其判断力——66.8%的组织高度担忧员工无法辨别事实与虚构。根源在于数据质量低下和治理缺失。
报告中的代表性数据
经历AI相关安全事件的组织比例
过去12个月，在过去12个月内，至少一次因AI过度分享敏感信息而受到负面影响的事件。
管理至少1PB数据的组织比例
2025年，较2024年（64%）同比增长约25%，数据量持续激增。
因AI输出不准确而放缓部署的组织比例
2025年调研时，主要原因为过时数据、无关信息或幻觉，与数据安全担忧（68.5%）并列首要障碍。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 不同行业（金融、政府、医疗）和地区（美洲、EMEA、APAC）在AI治理责任归属上的对比分析，揭示区域文化与监管差异的影响。
- AI试点项目的详细方法：包括参与人员选择方式（预评估、高管指定等）、试点目标（数据安全测试、数据就绪评估等）及部门覆盖情况。
- 影子AI（未获批准的AI工具）的使用现状与趋势：当前30.2%的员工使用未授权AI，预计一年后升至36.1%，以及不同授权策略对影子AI使用的影响。
- 信息管理策略有效性评估：涵盖数据分类、安全事件预防和自动化能力，并指出组织普遍高估自身能力的安全隐患。
- AI投资回报预期的时间分布：81.9%组织期望12个月内见回报，但多数愿意等待3-12个月，仅有9.4%要求3个月内见效。
- 员工反馈收集方法对比：89.6%依赖平台内置报告或第三方报告，但较少采用员工访谈（38.7%）和案例研究（33.0%），导致缺乏对业务影响的深度理解。
- 提升AI素养的七种干预措施效果排名：角色指南和用例最为有效（79.4%），其次是个人尝试、研讨会等。
- 专家观点：包括首席架构师、首席风险官等对代理式AI、数据治理和AI素养的深度洞察。
- 四大建议章节：构建信任优先、保护数据管道、将AI视为关键业务系统治理、重新定义成功为韧性与影响力。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
