結論與建議
第七期 Nutanix 企業雲端指數的調查結果顯示,應用程式容器化與生成式 AI(GenAI)的快速導入,正深刻改變企業 IT 策略。超過半數的組織已將所有應用程式容器化,這種方法已成為事實上的標準,能在混合與多雲端環境中實現擴展性、可攜性與敏捷性。容器化與 GenAI 的相互依存,凸顯了採用雲端原生原則,以因應這些新興工作負載需求的重要性。
調查結果同時強調,GenAI 導入帶來的雙重挑戰與機會。雖然組織渴望運用 GenAI 提高生產力、自動化與創新,但也面臨資料安全、合規以及 IT 基礎架構現代化等重大障礙。許多組織普遍被認為在技能培養與穩健治理上的不足,難以有效部署並管理 GenAI 解決方案,這也顯示企業必須使技術專案與業務目標高度契合。IT 培訓、人才招聘與先進基礎架構的投資都至關重要,能在克服 GenAI 內在複雜性的同時,充分釋放其潛力。
最終,報告強調了應用程式與基礎架構現代化的重要性。透過將安全置於首位、培養人才,並採用像 Kubernetes 這樣的編排平台,組織能更有效地克服將 GenAI 工作負載從開發階段擴展到生產階段的難題。隨著企業不斷完善策略,未來創新的關鍵在於他們能否將 GenAI 無縫整合到更廣泛的 IT 生態系之中。
瞭解如何輕鬆部署並保護 GenAI 應用程式。
企業生成式 AI 應用程式的崛起
今年的 ECI 報告特別著重於瞭解 GenAI 解決方案的導入情況、投資優先順序以及組織目前所獲得的主要效益。
調查結果顯示,多數受訪組織(85%)已經制定了 GenAI 策略,儘管執行程度不一。同時,只有 2% 的組織表示尚未開始規畫他們的 GenAI 策略。
企業 GenAI 策略發展/執行的現況
我們已有策略並積極落實中
我們已有策略但尚未開始執行
我們正處在策略制訂的初步階段
我們尚未開始規畫我們的策略
我們不打算制定策略
圖 4:企業 GenAI 策略發展/執行的現況
7%
的組織已
制定 GenAI 策略
儘管多數組織表示已具備企業層級的 GenAI 策略,但 GenAI 如何支援該組織的高階業務目標或策略,卻不一定顯而易見。組織必須謹慎避免陷入「為做 AI 而做 AI」的誘因。AI 專案與解決方案應該與更高層次的業務目標以及可衡量的指標緊密相連,才能在長期內衡量並評估其成功與最終投資報酬率(ROI)。
今年的 ECI 調查的受訪者指出,透過 GenAI 提高生產力、自動化、效率與創新,這些都是 GenAI 所支援的首要業務目標與策略。只有 1% 的受訪者表示, GenAI 無法或不可能支援他們整體的業務目標與策略。
GenAI 支援的主要業務目標和策略
提高生產力
提高自動化和效率
提高創新能力
改善客戶保留與支援
降低營運成本
員工入職
產業差異化
GenAI 無法支援我們的業務目標
圖 5:GenAI 支援的主要業務目標和策略
在 GenAI 應用程式和工作負載部署方面,多數受訪者(53%)表示,他們採用基於 GenAI 的客戶支援和體驗解決方案(例如,改善客戶支援聊天機器人、分析客戶回饋、客製化客戶體驗、身分驗證等)。然而,這種情況可能會改變,因為受訪者指出,在未來 1 至 3 年內,他們將重心轉向基於 GenAI 的網路安全、詐欺偵測與損失防範解決方案。
當前與未來 1-3 年所運用的 GenAI 工作負載
客戶支援與體驗
網路安全和詐欺偵測
內容生成
程式碼生成與程式碼副輔助
其他
我們尚未也不打算導入 GenAI
現今
未來一到三年
圖 6:當前與未來 1-3 年所運用的 GenAI 工作負載
最後要強調,GenAI 解決方案與工作流程並非在真空中實施,其有效性端賴於在更廣泛的 IT 生態系中實現無縫整合,包括企業級韌性、安全性與日常營運(用於處理其他關鍵業務工作負載),以及對多元資料來源的可靠且安全的存取。因此,採用 GenAI 工作流程的成功有賴於對一系列支援性技術與服務(例如容器化)的投資。本次調查中超過一半(分別為 54% 與 52%)的受訪者指出,他們的 IT 基礎架構和 IT 培訓需要更多投資,以支援 GenAI 應用程式與工作負載:
需要投資的支援領域以改進 GenAI 應用程式
IT 基礎架構
IT 培訓
網路安全
IT 人才招募
資料管理
資料治理
應用程式開發
圖 7:需要投資的支援領域以改進 GenAI 應用程式
焦點:組織在使用 GenAI 時,是否真正獲得了投資報酬率(ROI)?
在過去兩年中,媒體炒作與 AI 工具/服務的商業化,將企業對 AI 技術的關注推上高峰。2023 年《Nutanix 企業 AI 現況報告》探討了 AI「蜜月期」的影響,以及許多早期導入者在評估與實施技術時,往往面臨較少的預算阻力。
今年的報告中,我們發現 90% 的受訪者認為,因 GenAI 與現代應用程式的導入而導致 IT 成本上升。這種蜜月期終將消退,AI 專案與技術的支出/預算期望也會逐漸與整體 IT 投資方向接軌。
為了更深入瞭解 GenAI 開支與商業成果的趨勢,我們特別詢問受訪者對於 GenAI 專案 ROI 的期望。超過半數的組織(52%)表示,隨著 GenAI 工作負載從開發階段擴展到生產環境,擁有成本與 ROI 可視性將是一大挑戰。
在進一步詢問未來幾年的 ROI 結果時,受訪者做出以下預估:
預期未來 1 年內在 GenAI 專案上只能收支平衡或虧損
預期未來 1-3 年在 GenAI 專案上只能收支平衡或虧損
換句話說,只有 56% 的組織預期在接下來的 12 個月內從 GenAI 專案取得任何形式的投資回報。然而,有 70% 的組織期望在之後兩到三年取得回報,意味著大多數組織在 2026/2027 年左右,將會期待(並預留預算)GenAI 可產生一定收益。對 IT 解決方案而言,這樣的 ROI 時程仍相對寬鬆。
5%
預計在未來
2 至 3 年內從 GenAI 獲得投資回報
這不禁讓人發問:與其他 IT 解決方案相比,GenAI 的 ROI 期望是否有所不同?今年的調查結果揭示了更多細節,幫助我們理解 ROI 認知方面的差異。我們詢問受訪者,組織內部負責 GenAI 執行與預算的最終職位為何:
貴組織中,哪個職位最終負責
GenAI 專案資源與預算?
執行長
資訊長
技術長
資料長
AI 長
財務長
創新長
營運長
跨部門 GenAI 團隊
GenAI 資源
由各業務單位各自管理
在 GenAI 實施的決策責任排序中,CFO 位居第六,落後於 CTO、CIO、CEO、CDO 和 CAIO。這一結果進一步說明了組織在 GenAI 專案決策時的流程。財務因素在評估過程中固然重要,但依此排序看來,最終決定是否執行 GenAI 專案可能不主要由財務面來主導。
最後有個好一點的消息:在今年的 ECI 調查中,只有 2% 的受訪者表示,他們「在長期(1-3 年)衡量 GenAI 專案 ROI 方面遇到困難」。總體而言,大多數組織至少在執行 GenAI 專案時,將 ROI 目標/衡量納入考量,並確保能收集必要的資料,以在長期內評估這些解決方案的價值。這意味著,無論 ROI 時程如何,當需要做出與 GenAI 專案相關的財務決策時,組織都將擁有所需的資料。
從開發到生產——
GenAI 工作負載實施與生命週期洞察
與任何現代化或雲端原生應用程式堆疊一樣,開發人員需要在可靠、可擴充的基礎架構上快速、輕鬆地存取資源和服務。這同時涉及到基礎架構即服務(IaaS)生態系統(例如運算、儲存、網路)以及平台即服務(PaaS)生態系統(例如 AI 推論端點服務、開發/測試工具、無伺服器函式、多雲端編排工具等)。
雖然大多數容器化應用程式是在雲端誕生,但基於成本、治理或其他因素,許多應用程式可能需要遷移至其他公有雲、私有雲、邊緣或托管雲端環境。然而,真正能夠在多雲端間自由遷移(例如同時在 AWS、Azure 或 Google 運用相似的 IaaS 與 PaaS 資源),甚至本地運行的應用程式其實並不多。許多有狀態的雲端原生應用程式也缺乏一致的資料服務,無法跨雲端環境儲存、保護和處理資料。這些複雜性還只是現代 IT 組織在打造真正可攜、多雲端應用程式時面臨的眾多挑戰之一。
新興的 GenAI 應用程式同樣會面臨這些基礎架構難題。今年 ECI 調查結果顯示,幾乎所有受訪者(98%)在將 GenAI 工作負載從開發階段擴展至生產環境時都遇到挑戰。事實上,將 GenAI 工作負載從開發擴展到生產時,組織面臨的首要挑戰是與現有 IT 基礎架構的整合。
在將 GenAI 工作負載從開發擴展至生產階段時面臨的挑戰
與既有 IT 基礎架構整合
缺乏部署和營運 AI 所需的技能
擁有成本/投資報酬率(ROI)可視性
法規與合規障礙
運算資源受限
我們尚未遇到挑戰
圖 8:在將 GenAI 工作負載從開發擴展至生產階段時面臨的挑戰
8%
的組織在將 GenAI 工作負載從開發擴展到生產時面臨挑戰
除了 GenAI 工作負載實施所帶來的基礎架構相關挑戰外,GenAI 應用程式本身還存在與資料處理、模型開發、訓練和維護方面相關的獨特挑戰。79% 的受訪者表示,他們計畫建立程序或工具,以管理 GenAI 模型從開發到部署的生命週期,但今日實際使用的比例可能更低。在思考如何讓 GenAI 專案獲得長期成功時,組織應將這些工具與流程視作優先加強的領域。
組織計畫用來管理 GenAI 模型從開發到部署與維護生命週期的程序與工具
第三方機器學習營運(MLOps)平台
自行開發的工具與流程
雲端服務供應商內建的整合工具
我們目前沒有/不會為管理 GenAI 模型生命週期建立任何程序或工具
圖表 9:組織預計用來管理 GenAI 模型開發、部署與維護生命週期的程序與工具
最大的挑戰
在將 GenAI 工作負載從開發階段擴展到生產時,
最大的挑戰是與既有 IT 基礎架構的整合
模型準確度是 GenAI 工作流程另一個必須考量的特殊面向。幾乎所有組織(99%)都表示,他們計畫在生產環境中監控並最佳化 GenAI 模型,以確保效能與準確度;多數受訪者表示,將使用自動化工具進行持續監控。顯然,組織看到長期持續投入此項工作的價值。
在生產環境中監控並最佳化 GenAI 模型的方法
使用自動化工具持續監控
人工效能檢查
兩者兼具
圖 10:在生產環境中監控並最佳化 GenAI 模型的方法
在思考 GenAI 工作負載實施與生命週期時,最後要考量的一個要素是硬體支援。許多 GenAI 工作負載需要特殊運算資源(GPUs、APUs、TPUs 等)。組織可以選擇把這些運算資源視為雲端服務,或採購並整合相應硬體到自家資料中心與邊緣推理環境。供應限制、網路連接性與可及性、效能、預算,以及資料隱私、合規與區域性,都是組織在思考 GenAI 硬體需求時須納入的考量因素。本次調查結果顯示,只有 60% 的組織針對 GenAI 專用硬體訂有明確計畫;另有 40% 的組織仍在評估或思考如何開始這個流程:
計畫使用 GenAI 專用硬體
完全依賴 GenAI 專用硬體
僅在關鍵工作負載中使用 GenAI 專用硬體
正在研究是否採用 GenAI 專用硬體
在未來 12 個月內開始研究 GenAI 專用硬體
在 12 個月之後才開始研究 GenAI 專用硬體
我們沒有使用 GenAI 專用硬體的計畫
圖 11:計畫使用 GenAI 專用硬體
焦點:DevOps 與工程團隊已率先推動 GenAI
本年度的調查顯示,相較於 IT 決策者,平台工程與 DevOps 決策者在看待 GenAI 挑戰與實施方式上,存在一些有趣的差異。
我們詢問受訪者,認為導入 GenAI 有多大挑戰時,只有 58% 的平台工程與 DevOps 回答者表示這是一項「挑戰」。但反之,有 72% 的 IT 決策者認為 GenAI 對其組織是一項「挑戰」。這兩者差異相當顯著。
深入研究後,我們還發現這些受訪者類型對 GenAI 策略與實施的看法存在顯著差異,可能有助於解釋挑戰認知上的兩極化:
貴組織的 GenAI 策略目前進展到什麼程度?
我們已有策略並積極落實中
我們已有策略但尚未開始執行
我們正處在策略制訂的初步階段
IT 決策者
平台工程和 DevOps 決策者
在這些決策者群體之間,對於 GenAI 實施程度的認知相差 10 個百分點。平台工程師與 DevOps 反映他們在執行面上領先於其他 IT 同儕。這可能源自於對整體策略落實難度的看法不同。IT 決策者關注的是工具與策略的全面實施,而平台工程與 DevOps 決策者可能只以客製或試驗方式運行解決方案,但認為這種實施程度已「足以」符合團隊需求。
不論這些認知差異如何,結果讓我們對 GenAI 應用程式與工作負載實際落地於何處,以及由誰來落地,有了關鍵的瞭解。我們的資料顯示,部分情況下,平台工程與 DevOps 團隊可能已自行推動 GenAI 實施,而未必獲得 IT 同儕充分知情或支援。
新應用程式正在促進形成新的產業標準
《第 7 期 Nutanix 年度企業雲端指數(ECI)》報告突顯了一個重要的轉變:超過一半的組織(54%)表示,他們現在所有的應用程式都已容器化。這部分原因是來自雲端專用的組織,這些組織在一個或多個公有雲中運行所有應用程式,其中有 66% 表示他們所有的應用程式都已容器化,佔了 ECI 受訪者的 24%。然而,這多半反映的是組織自行開發的應用程式,而非現成企業軟體。
促使組織轉向容器的主要動因之一是新應用程式的開發,而 AI(尤其是以容器為基礎)則進一步加速了這項趨勢。因此,我們預期未來幾年容器化比例將持續成長。本次調查中的 98% 受訪組織表示,他們至少已經在著手將應用程式容器化——包含舊有與新開發的應用程式(圖 1)。
應用程式容器化的現況
所有應用程式都已容器化,包括舊有與新開發的應用程式
僅新開發的應用程式
僅舊有的應用程式
我們正處於將應用程式容器化的過程中
我們無意將應用程式容器化
圖 1:應用程式容器化的現況
對某些讀者來說,這可能引發疑問:應用程式容器化是什麼?為何在現代 IT 環境中如此普遍?廣義來說,容器化是一種軟體工程方法,將程式碼及其所有相依性整合到一個封裝中,讓應用程式在任何運算環境中都能快速且可靠地安裝。容器可部署至私有資料中心、公有雲或邊緣環境,而不受技術平台或廠商的限制。
在當代的應用程式開發(特別是「雲端原生」環境)中,容器化愈發受到青睞,其關鍵優勢如下:
- 容器化可將應用程式從所依賴的作業系統中抽離,使應用程式更具可攜性。
- 容器化讓軟體可更輕鬆共享 CPU、記憶體、儲存和網路資源,並使執行環境抽象化。
- 容器在其主機環境中相互隔離,較不容易受惡意程式影響而被攻擊。
- 多數容器占用較少的軟體資源,比傳統模式更快並更有效率地使用系統資源。
- 若有良好的管理與編排,容器能更敏捷地部署,比傳統軟體更快上線。
6%
認為他們當前的 IT 基礎架構需進一步改善,以完善支援雲端原生應用程式和容器
然而,儘管如今大部分的應用程式(包含舊有和新開發)已經容器化,這並不代表組織在資料管理、治理及安全性方面已毫無挑戰。我們詢問受訪者在應用程式容器化與容器管理上面臨哪些困境,結果顯示,多數組織仍在多個關鍵領域遭遇挑戰(圖 2)。
組織在應用程式容器化方面面臨的主要挑戰
認為他們當前的 IT 基礎架構需進一步改善,以完善支援雲端原生應用程式和容器
認為雲端原生和容器應用程式的開發極具挑戰性
覺得他們沒有支援雲端原生應用程式和容器所需的全部必要技能
圖 2:組織在應用程式容器化方面面臨的主要挑戰
很明顯,向應用程式容器化的轉型,為 IT 組織帶來一連串的挑戰,包括如何將一個應用程式拆分為多個在容器中執行的服務,以及如何管理這些容器組合。編排解決方案可以協助解決容器管理在資料相關的安全、持久性與效能等難題。
焦點:AI 應用程式開發熱潮將催生新一波的容器化浪潮
在過去兩年中,人工智慧(AI)解決方案的開發與導入已成為眾多企業的共同目標然而,我們其實仍處在 AI 導入的早期階段。許多組織正努力尋找最合適的工作負載與應用場景,並評估開發與部署新解決方案所需的預算。越來越多組織轉向微服務這種應用程式架構,將應用程式分解為多個小型且獨立的服務,用於建構可擴充且易於調整的 AI 解決方案。
容器化常被視作打造、測試與快速迭代這些新 AI 解決方案與服務(尤其是運用生成式 AI 的應用程式)的關鍵加速器。因為這類應用程式需要複雜的依賴關係(如加速運算)以及可因應生命週期管理的擴充,而容器化可以使這些需求更易管理。容器提供了輕量且具可攜性的執行環境,能讓微服務在雲端進行大規模部署,並在有需要時快速遷移至某個特定舊有應用程式或資料集。
換言之,容器化、雲端原生應用程式與 AI 解決方案的開發已彼此緊密結合。調查結果顯示,今年有 70% 的受訪者表示,他們將對 GenAI 應用程式進行容器化——這在所有應用程式類型中名列前茅。我們預期在接下來幾年中,生成式 AI 推動的應用程式開發與部署將促使容器化持續強力成長。
貴組織對哪種類型的應用程式進行容器化?
GenAI 應用程式
開發/測試應用程式
企業關鍵應用程式(非資料庫應用程式)
資料庫
容器編排是一組自動化流程,用於部署、網路配置、擴充與管理容器。Kubernetes 作為當今最主要的開源容器編排平台,也是多數容器編排解決方案與服務的基礎。Kubernetes 等編排平台提供的功能有助於解決前面提到的諸多挑戰。根據調查結果,98% 的組織已經使用某種類型的 Kubernetes 環境。值得注意的是,近 80% 的組織使用超過一種 Kubernetes 環境,其中大多數同時使用 2 或 3 種不同環境(圖 3)。
當今組織內部署的 Kubernetes 環境數目
1
2
3
4
5
6
不使用
不知道
圖 3:當今組織內部署的 Kubernetes 環境數目
除了編排解決方案之外,持續進行基礎架構現代化也是支援容器化應用程式開發與部署的必要條件。在今年的 ECI 調查中,超過 80% 的受訪者表示,他們的 IT 基礎架構需要一定程度的改進,以支援雲端原生應用程式與容器。隨著基礎架構現代化的推進,資料與應用程式的移動力、安全性、合規性、效能以及韌性都將進一步提升,同時維運也將更為簡化——這些在在都是混合多雲環境中面對繁複工作負載所需的關鍵要素。
焦點:容器部署和支援的現實與 C 級高層的期望
調查結果顯示,C 級受訪者與其他職級在看待組織應用程式容器化方面,存在一些關鍵差異。最大問題在於:C 級決策者可能認為他們的組織中,應用程式容器化程度比實際狀況更高。
以下哪一項最能描述貴組織目前使用容器部署應用程式的狀況?
所有應用程式都已容器化,包括舊有與新開發的應用程式
僅新開發的應用程式
僅舊有的應用程式
我們正處於將應用程式容器化的過程中
我們無意將應用程式容器化
C 級領導者
其他職級
C 級受訪者與其他職級之間相差 12 個百分點,這是非常大的差異。這種對應用程式容器化的整體認知差異,可能源自於對員工技能/支援層面的認知不同。而且,C 級受訪者更堅信他們的組織擁有支援雲端原生應用程式/容器所需的一切技能,這更讓情況雪上加霜:
貴組織是否擁有支援雲端原生應用程式/容器所需的技能?
我們擁有所有所需技能
C 級領導者
其他職級
C 級決策者可能忽略了關鍵的技能落差;若想真正達到他們所認為的應用程式整體容器化程度,則必須填補這種技能差距。
關鍵發現
1.應用程式容器化已成為新的基礎架構標準。
將近 90% 的組織表示,他們至少有一部分應用程式已實現容器化,且隨著新工作負載(如 GenAI)的迅速導入,這個數字預計還會持續攀升。事實上,94% 的受訪者都認為,採用雲端原生應用/容器能為組織帶來效益。這種結合基礎架構與應用程式開發的方式,已被視作在混合及多雲環境中提供無縫且安全的資料存取的黃金標準。
2.GenAI 應用程式的導入與實施持續快速推進。
超過 80% 的組織已經實施了 GenAI 策略,只有 2% 的組織表示他們「尚未」開始規劃 GenAI 策略。然而,各家組織的實施目標差異很大。大多數組織相信,GenAI 解決方案可提升生產力、自動化和效率。現階段 GenAI 在實際應用上的落點,多與客戶支援及客戶體驗相關。不過,組織也渴望在不久的將來,將 GenAI 解決方案應用於網路安全與資料保護工作負載。
3.GenAI 的採用將挑戰傳統的資料安全與隱私規範。
95% 的受訪者同意,GenAI 正在改變組織的優先次序,而安全與隱私正是首要關注點。超過 90% 的組織表示,在導入 GenAI 解決方案時,資料隱私是他們的重點,組織也清楚明白安全性和隱私性是 GenAI 成功的關鍵要素。然而,高達 95% 的受訪者依舊認為,他們可以為保護 GenAI 模型與應用程式做得更多。可以預見在嘗試為新興的 GenAI 解決方案找到正當性,同時確保遵循傳統安全規範及新的資料治理、隱私與可視化要求時,安全性和隱私性仍將是組織面臨的一大挑戰。
4.為企業級 GenAI 提供支援的基礎架構現代化。
要在企業規模下運行雲端原生應用程式,必須有能支援必要需求(含安全性、資料完整性及韌性)的基礎架構。這一規則同樣適用於新興的 GenAI 應用程式。幾乎所有的受訪者(98%)在將 GenAI 工作負載從開發階段擴展到生產環境時,都面臨挑戰。實際上,當組織在擴大 GenAI 工作負載時,面臨的首要問題在於如何與既有 IT 基礎架構整合。因此,IT 基礎架構被選為支援 GenAI 的首要投資領域。
5.導入 GenAI 解決方案需要在技術與人員方面做出改變。
52% 的受訪者表示,他們的組織需要在 IT 培訓方面投入更多資源,以支援 GenAI。另有 48% 的受訪者認為,他們需要招聘新的 IT 人才以支援 GenAI。毫無疑問地,組織面臨尖端技能短缺與 GenAI 人才競爭。然而,好消息是,許多團隊會樂於在日常工作中自然培養 AI 相關技能。今年的調查顯示,53% 的受訪者認為,GenAI 的進步將為他們提供成為 AI 專家的機會。
Nutanix 已連續七年委外進行全球調查研究,以瞭解全球企業雲端部署狀況、應用程式容器化的趨勢以及 GenAI 應用的導入情形。2024 年秋季,英國研究機構 Vanson Bourne 對全球 1,500 位 IT 、DevOps 和平台工程領域決策者(包括自評為 C 級決策者和其他決策者)進行調查。受訪者涵蓋多個產業、不同規模的企業,以及北美/南美、歐洲中東非(EMEA)、亞太日本(APJ)等地區。
第七期年度企業雲端指數(ECI)的調查結果,揭示了企業在應用程式容器化、Kubernetes 導入,以及 GenAI 解決方案實施方面的關鍵趨勢與決策偏好。今年的結果也探討組織在面對新興 GenAI 工作流程時,所開始體驗到的一些主要好處與挑戰——著重在資料安全、合規以及基礎架構現代化的相關需求。
©2025 Nutanix, Inc.保留所有權利。Nutanix、Nutanix 標誌和本文件所提及的所有 Nutanix 產品及服務名稱,均屬於 Nutanix 公司在美國和其他國家的註冊商標或商標。本文提及的所有其他品牌名稱均僅供識別參考,並且可能為其各自擁有者所屬商標。
本文中包含的某些資訊可能涉及或基於從第三方來源獲得的研究、出版品、調查和其他資料,以及我們自己內部的估計和研究。雖然我們認為這些第三方研究、出版品、調查和其他資料在本文發布之日具可靠性,但它們尚未經過獨立核實,我們對從第三方獲得的任何資訊的充分性、公平性、準確性或完整性無從代表或保證。我們連結到或引用外部資料的決定不應被視為對此類內容上任何內容的背書。
地區性結果的關鍵差異
北美、歐洲中東非(EMEA)以及亞太日本(APJ)這三大地區之間的趨勢,大致上與全球平均相似。然而,仍有一些需特別留意的關鍵地區差異,以下的主題摘要和表格提供進一步說明:
地區關鍵差異:應用程式容器化現況。各地區「所有應用程式皆已容器化」的比例大約在 52%-55% 之間。值得注意的是,APJ 受訪者中有 16% 表示他們仍在進行容器化,明顯高於其他地區。這顯示在應用程式容器化方面,APJ 可能稍微落後於 EMEA 和美洲。
應用程式容器化的現況
所有應用程式都已容器化,
包括舊有與新開發的應用程式
僅新開發的應用程式
僅舊有的應用程式
我們正處於將應用程式容器化的過程中
我們無意將應用程式容器化
美洲
歐洲、中東和非洲
亞太暨日本地區
圖 14:應用程式容器化的現況
地區關鍵差異:GenAI 策略與實施現況。在所有地區中,APJ 有最高比例的受訪者表示他們已制訂 GenAI 策略並正積極推行。相較之下,美洲在 GenAI 方面相對落後,主要是因為當地有較高比例的受訪者表示尚未開始規劃 GenAI 策略。進一步分國家來看,美國受訪者中有 8% 選擇此答案,而墨西哥與巴西則都不到 1%。
企業 GenAI 策略實施現況
我們已有策略並積極落實中
我們已有策略但尚未開始執行
我們正處在策略制訂的初步階段
我們尚未開始規畫我們的策略
我們不打算制定策略
美洲
歐洲、中東和非洲
亞太暨日本地區
圖表 15:企業 GenAI 策略實施現況
地區關鍵差異:GenAI 的主要業務目標/策略。在三大地區中,提高生產力都是最主要的業務目標。至於第二優先事項,各地略有差異:美洲受訪者選擇「提高創新能力」作為第二優先,而 EMEA 和 APJ 則將「提高自動化和效率」列為第二。
GenAI 支援的主要業務目標和策略
提高生產力
提高自動化和效率
提高創新能力
改善客戶保留與支援
降低營運成本
員工入職
產業差異化
GenAI 無法/不可能支援我們的整體業務目標與策略
美洲
歐洲、中東和非洲
亞太暨日本地區
圖表 16:GenAI 支援的主要業務目標和策略
地區關鍵差異:將 GenAI 工作負載從開發階段擴展到生產階段的挑戰。美洲和 APJ 的受訪者皆將 IT 基礎架構的整合作為首要挑戰,而 EMEA 的受訪者則認為缺乏技能是他們的首要難題。值得注意的是,與其他地區相比,EMEA 在「運算資源受限」的回答比例較低,這或許顯示該地區在 GPU/加速運算硬體和服務等領域有更優的供應或存取環境。
在將 GenAI 工作負載從開發擴展至生產階段時面臨的挑戰
與既有 IT 基礎架構整合
缺乏部署和營運 AI 所需的技能
擁有成本和投資報酬率可視性
法規與合規障礙
運算資源受限
我們在擴展 GenAI 工作負載時未曾遇到挑戰
美洲
歐洲、中東和非洲
亞太暨日本地區
圖 17:企業 GenAI 策略實施現況
地區關鍵差異:GenAI 專用硬體計畫。美洲受訪者對 GenAI 專用硬體的依賴度最高。各地區中,都有相近比例的受訪者表示仍在「調查或計畫開始調查」使用 GenAI 專用硬體。目前尚未有明顯落後的地區,表示對於 GenAI 的硬體策略而言,全球組織仍處在學習與規劃的階段。
計畫使用 GenAI 專用硬體
完全依賴 GenAI 專用硬體
僅在關鍵工作負載中使用 GenAI 專用硬體
正在研究是否採用 GenAI 專用硬體
在未來 12 個月內開始研究 GenAI 專用硬體
在 12 個月之後才開始研究 GenAI 專用硬體
我們沒有使用 GenAI 專用硬體的計畫
美洲
歐洲、中東和非洲
亞太暨日本地區
圖 18:計畫使用 GenAI 專用硬體
瞭解 GenAI 對資料安全策略與相關技能組合的影響
GenAI 應用程式和服務與其底層資料集、模型和基礎架構有共生關係。企業非常清楚這種關係,也明白必須同時制定堅實的資料安全與基礎架構擴充策略,才能有效支援複雜的 GenAI 工作流程。本年度調查中,當受訪者被要求按重要性排序 GenAI 工作負載實施時與資料相關的面向,受訪者將「資料隱私/安全性」列為最重要的因素,接著依序是效能與可擴充性。
GenAI 應用程式實施時最重要的資料相關面向
隱私與安全性
高效能
擴充性
治理
它們同樣重要
圖表 12:GenAI 應用程式實施時最重要的資料相關面向
註:顯示第一順位的回答
本年度 ECI 調查中,逾 95% 的受訪者同意,在實施 GenAI 時,資料隱私是他們組織的重點,這進一步凸顯了 GenAI 導入時對資料安全性、隱私與可擴充性的需求。最後,超過 90% 的受訪者同意,若能用單一平台在資料中心、雲端與邊緣運行所有應用程式,對於實現 GenAI 目標將大有裨益。
7%
相信在導入 GenAI 解決方案時,資料隱私是他們的重點
儘管資料隱私/安全性在 GenAI 實施與成功中至關重要,它依然是一個需要持續提升的領域,95% 的受訪者表示,他們的組織可以進一步加強對 GenAI 模型與應用程式的安全防護。這種對「更加強化 GenAI 模型與應用程式安全」的需求,也可能成為當前在擴增 GenAI 工作負載與應用程式使用時的一大挑戰與潛在障礙:
當今擴大使用 GenAI 工作負載的挑戰
使用 LLM 處理敏感公司資料所帶來的隱私與安全疑慮
從零開始建立 GenAI 環境的複雜度與專業知識的欠缺
缺乏運用 GenAI 的應用案例
以上皆是/可能都是同等的挑戰
以上皆非/不構成挑戰
其他
圖表 13:當今擴大使用 GenAI 工作負載的挑戰
註:顯示第一順位的回答
除了隱私與安全議題外,許多組織也將「從零開始建立 GenAI 環境的複雜度與缺乏經驗」列為主要挑戰。這種缺乏 GenAI 實戰經驗與技能的情況,很可能是導致68% 的受訪者認為導入 GenAI 對其組織構成挑戰的關鍵因素。
7%
表示組織在保護 GenAI 模型與應用方面可以做得更多
焦點:我該如何判斷組織是否具備實施 GenAI 應用程式與工作負載所需的技能?
《2023 年 Nutanix 企業 AI 現況報告》顯示,幾乎所有組織都需要在多個相關領域增補更多的 AI 技能。我們預計在 GenAI、資料科學與分析、研發、平台工程,以及提示工程等,所需的有限支援和開發資源將會出現激烈競爭。今年的調查顯示,48% 的受訪者認為他們需要透過招聘 IT 人才來支援 GenAI。
在更深入探討 IT 與 GenAI 人才主題時,本報告特別詢問組織如何透過招聘來填補人才缺口:
仍在持續招聘,以獲得支援導入 GenAI 所需的技能
已具備所有支援 GenAI 所需的技能,並且目前不再招聘
若你認為在導入 AI 解決方案時,組織面臨技能不足,你並不孤單。根據今年的調查結果,大多數組織依然在招聘、培訓或投資人員,以提升組織整體的 GenAI 技能水準。
然而,技能短缺不一定是不可逾越的障礙。《企業 AI 現況報告》顯示,85% 的受訪者計畫購買現有 AI 模型,或利用現有的開源 AI 模型來建構 AI 應用程式;只有 10% 的受訪者表示,他們計畫自行打造模型。換言之,許多組織將透過金錢投入來解決短期的 AI 技能缺口。
另一項重要考量是,並非所有 AI 技能都需要從外部招聘才能獲得,因為招聘過程往往耗時。許多團隊會在日常工作中快速吸收 AI 相關的能力與技能,以自然方式增強組織能力。今年的調查顯示,53% 的受訪者認為,GenAI 的進步將為他們提供成為 AI 專家的機會。換言之,許多員工已準備好發展所需新技能,以充分利用這些新解決方案,也可能尋求相應的技術來支援。
整體來看,調查結果指出,導入並部署 GenAI 解決方案,需要更全面地處理企業資料安全問題,以及支援該技術所需的人才技能。受訪者表示,若要順利實施並成功運用 GenAI 解決方案,在資料安全/治理等基礎層面仍有許多工作亟待完成。舉例來說:
- 95% 的受訪者認為,GenAI 正在改變組織的優先次序,而安全性和隱私性成為更高的優先事項
- 83% 的受訪者表示,他們擔心在更廣泛的 IT 供應鏈中使用 GenAI 及其對資料安全性的影響
- 有一半的受訪者(50%)認為,他們的組織需要在網路安全上進行更多投資以支援 GenAI
- 只有 62% 的受訪者相信自己具備支援安全與防範勒索軟體所需的技能
- 超過 65% 的受訪者指出,資料治理、安全與勒索軟體防範,以及資料隱私,仍是他們組織面臨的困難領域
這些結果不應阻止組織採用 AI 為基礎的解決方案或 GenAI 工作負載。相反地,這些數據可以幫助組織建立商業上的正當性,以便在人才、流程和技術方面進行額外投資,來解決 GenAI 導入時所帶來的全新資料與安全性相關挑戰。