生成式AI的竞争不仅仅关乎采用率，它还关乎技术能力与战略目标相匹配，后者往往备受关注。

企业已在部署模型、引入协同助手并获得董事会支持方面取得成功。然而，随着成本攀升、供应商限制显现、控制缺口扩大以及对长期可扩展性的质疑日益加剧，新的压力点正逐渐浮现。

所有这些问题的核心是一个比以往任何时候都更具分量的问题：是选择内部自建生成式AI能力，还是从外部购买。

这一“购买与自建”的两难抉择伴随着重要权衡。购买能快速推进，但往往意味着要遵循他人的路线图。自建能获得更多控制权，但需要大量时间、人才和决心。随着生成式AI项目从试点和实验阶段转向实际部署，这一决策正变得愈发关键。

乍一看，选择似乎很简单：想要更多控制权就自建，需要快速推进就购买。然而，现实情况更为复杂。

成本、数据隐私、模型互操作性、内部人才、竞争压力以及价值实现时间等因素都可能影响决策。适合一个团队的方案未必适合另一个团队。例如，适合电商巨头的解决方案可能无法满足政府机构严格的合规需求。

对于许多团队而言，购买是更便捷的起步方式。它允许您快速部署解决方案，无需从零开始构建。在生成式AI领域面临激烈竞争压力的情况下，这是一种快速启动的途径。现成的工具通常可以与现有系统无缝集成，且无需专门的人工智能团队即可从中获取价值。对于那些在生成式AI领域仍处于早期阶段的组织而言，这种方法既实用又低风险。

然而，购买也伴随着自身的一系列挑战，往往受限于供应商提供的功能，这意味着企业可能无法获得所需的特性或灵活性。若业务发展或应用场景变得更复杂，现有解决方案可能无法跟上需求。尽管前期成本看似可控，但随着时间推移可能不断攀升，尤其是在叠加使用多款工具或扩大应用规模时。

后期更换供应商或转向定制化方案可能比预期更具挑战性。购买现成工具可让团队专注于业务核心任务，而非AI技术的复杂开发。

然而，这并未减缓需求。Gartner研究显示，预计到2025年，组织将在生成式AI模型上花费142亿美元，这一数字是2023年的两倍多。这种势头充分表明，企业迫切希望将生成式AI转化为实际应用。尽管好处显而易见，但急于展示进展可能导致部分团队采用仅满足当前需求但限制未来灵活性的工具。

根据IDC今年早些时候发布的一篇博客文章，“‘购买’模式适合希望快速获取生成式AI益处的企业，尤其是那些在企业数据管理和人工智能方面成熟度较低的企业。这种模式可以启动生成式AI之旅，同时为数据管理、治理以及进一步开发生成式AI所需的技能奠定基础。”

并非所有组织都适合现成解决方案。对于拥有复杂工作流程、专业化数据或无法完美适配预设模板的雄心壮志的组织而言，内部构建生成式AI能力可带来更强的长期回报。这允许更深入的定制化，并能更好地控制模型性能和数据治理。

这种控制力需要付出代价。自建意味着投资基础设施、组建高技能技术团队，并紧跟快速发展的领域。这需要明确的目标和随着技术演进而不断进化的能力。

即使拥有坚实的基础，成功也无法保证。内部系统必须持续维护、更新和监控，以跟上不断变化的业务需求和生成式AI本身快速演进的步伐。

正如安永所言，真正的问题不仅仅是速度或控制，而是什么是适合的。每个组织都有不同的需求、运营模式和准备程度。现成的解决方案可能让你更快实现价值，但它也可能带来新的挑战，尤其是如果你的团队还没有建立起管理它的流程或治理结构。

内部开发可以提供更大的灵活性，并有机会打造真正定制化的解决方案。但这只有在具备正确的基础条件时才可行：高质量的数据、合适的人才，以及足够的时间进行开发和迭代。

为了帮助领导者权衡利弊，安永建议提出几个实用问题：自行开发和运营模型与直接购买现成模型的实际成本差异是什么?您是否具备开发比现有模型更优解决方案所需的技能、数据和时间?新的AI法规可能会如何影响风险?

他们还建议考虑每种路径如何与当前运营模式相契合。购买是否会引发数据隐私问题?是否可能因依赖供应商而失去未来灵活性?没有万 能的标准答案，但通过这些问题可以帮助您找到最适合团队的方案。

自建与购买的正确答案取决于企业当前所处的位置以及试图达到的目标。无论选择自建、购买还是两者结合，最 佳路径都是最适合您的团队和战略的那一个。