1★. AI治理与规模化发展：尽管AI在商业领域兴起，但约85%的AI项目仍难以投入生产。企业需重新思考运营模式★，构建AI工厂，明确组织架构★、职责和实践流程。MLOps是管理生产环境中AI模型的关键，旨在统一开发与运营活动。同时★，许多企业在生成式AI（GenAI）应用上仍停留在概念验证（PoC）阶段。为推进GenAI工业化，企业应制定规则管理PoC项目★，精心规划技术战略，避免供应商锁定★。此外，AI治理的复杂性增加，涵盖风险管理、合规性、道德等多方面问题。企业需建立适配组织★，明确各层级职责，实施多层级治理。《AI法案》于2024年8月生效★，企业应评估AI系统以确保合规★。

　　4. 数据和AI人才短缺★，企业需加强与学校合作，提升现有人员技能，规划职业发展路径。AI对就业影响深远★，企业应评估其对业务的影响★，前瞻性管理就业和技能，推动员工转型。CDO雷达方法为数据和AI专业人员提供关键主题★，分成熟、趋势和新兴三个成熟度级别★，帮助从业者把握发展方向★。

　　2. 数据潜力挖掘：数据的价值常因组织架构、知识、控制、访问和互操作性等问题未充分发挥。建立联邦式组织可统一数据相关角色、标准和实践，让业务部门主导数据管理，数据办公室提供支持。数据产品的出现方便数据使用，具有可发现、自描述、可信和易访问等特点。数据网格（Data Mesh）通过去中心化管理数据，推动数据共享和消费★。数据市场集中组织和分发数据产品，公民数据科学降低数据科学使用门槛，促进数据驱动实践。数据可视化和故事叙述能力也很关键★，企业应培训团队，将数据转化为有影响力的信息。

　　报告指出2024年数据与AI领导者面临诸多挑战★，探讨了2025年数据与AI转型的十大挑战及应对策略，为企业提供指导★。

　　3. 数据治理与质量提升★：数据质量仍是企业关注重点，数据可观测性逐渐兴起。数据可观测性实时监控数据流性能和数据状态，与数据质量相辅相成★，帮助企业确保数据可靠性。非结构化数据治理因AI发展备受关注，企业需规范相关实践，利用AI加强治理。衡量数据和AI产生的价值至关重要★，企业应区分用例和支撑要素的价值，采用不同方法量化，向决策者展示投资回报。