面向公眾的ChatGPT版本在短短兩個月內就達到了1億用戶。它以一種前所未有的方式使AI民主化，同時成為迄今為止增長最快的應用程序。其“開箱即用”的易用性使得生成式AI不同于之前的所有AI。用戶不需要機器學習學位就能與之互動或從中獲取價值；幾乎所有能提問的人都可以使用它。而且，與個人電腦或iPhone等其他突破性技術一樣，一個生成式AI平臺可以為任何年齡、教育水平和任何互聯網接入地點的受眾提供許多應用程序。
所有這一切都是可能的，因為生成式AI聊天機器人是由基礎模型驅動的，基礎模型是由大量非結構化、未標記的各種格式數據（如文本和音頻）訓練而成的龐大神經網絡。基礎模型可以用于廣泛的任務。相比之下，前幾代AI模型通常是“狹隘的/受限的”，這意味著它們只能執行一項任務，比如預測客戶流失。例如，一個基礎模型可以為一份2萬字的量子計算技術報告編寫執行摘要，為一家修剪樹木的企業起草一份市場戰略，為某家冰箱里的十種食材提供五種不同的食譜。這種多功能性的缺點是，就目前而言，生成式AI有時會提供不太準確的結果，這讓人們重新關注AI的風險管理。
有了適當的保護措施，生成式AI不僅可以為企業解鎖新的用例，還可以加速、擴展或以其他方式改進現有的用例。例如，想象一下針對客戶的銷售電話。一個經過專門訓練的AI模型可以向銷售人員建議追加銷售的機會，但到目前為止，這些機會通常只是基于電話開始前獲得的靜態客戶數據，比如人口統計數據和購買模式。生成式AI工具可以根據內部客戶數據、外部市場趨勢和社交媒體影響數據，根據對話的實際內容，實時向銷售人員建議追加銷售機會。與此同時，生成式AI還可以為銷售人員提供一份銷售宣傳的初稿，讓他們進行調整和個性化處理。
上述示例演示了該技術對一個工作角色的影響。幾乎每個知識工作者都可能從與生成式AI的交互中受益。事實上，生成式AI最終可能被用于自動化某些任務，其大部分價值可能來自軟件供應商如何將該技術嵌入知識工作者使用的日常工具（例如電子郵件或文字處理軟件）中。這種升級的工具可以大大提高生產率。
CEO們想知道他們是否應該現在就采取行動，如果是的話，如何開始？有些人可能會看到一個機會：通過重新想象人類如何使用生成式AI應用程序來完成工作，從而超越競爭對手。而其他人可能想要謹慎行事，在進行任何大型投資之前，嘗試一些用例并了解更多。公司還必須評估他們是否擁有必要的技術專長、技術和數據架構、運營模式和風險管理流程，這些都是一些更具變革性的生成式AI實施所必需的。
本文可以幫助CEO及其團隊了解生成式AI的價值創造案例，以及如何開始他們的旅程。首先，我們提供了一個生成式AI入門章節，以幫助高管們更好地理解AI的快速發展狀態和可用的技術選擇。下一部分將通過四個旨在提高企業效率的案例來研究公司如何參與生成式AI實踐。這些案例反映了我們在早期采用者中所看到的情況，并闡明了在技術、成本和運營模式要求方面的一系列選擇。最后，我們討論了CEO在利用生成式AI成功定位企業方面的重要作用。
對生成式AI的興奮之情是顯而易見的，高管們理所當然地希望以深思熟慮和有計劃的方式向前推進。我們希望這篇文章能夠為業務領導者提供一個全面的介紹，讓他們了解有前途的生成式AI的世界。
生成式AI入門
生成式AI技術正在迅速發展。它的發布周期、初創企業的數量以及與現有軟件應用程序的快速集成無不引人注目。在本節中，我們將討論生成式AI應用的廣度，并簡要解釋該技術，包括它與傳統AI的不同之處。
不僅僅是聊天機器人
生成式AI可用于自動化、增強和加速工作。出于本文的目的，我們關注的是生成式AI增強工作的方式，而不是它如何取代人類的角色。
像ChatGPT這樣的文本生成式聊天機器人受到了極大的關注，同時，生成式AI可以實現廣泛的內容功能，包括圖像、視頻、音頻和計算機代碼。它可以在企業中執行多種功能，包括分類、編輯、總結、回答問題和起草新內容。這些操作中的每一個都有可能通過改變跨業務功能和工作流在活動級別上完成工作的方式來創造價值。下面是一些例子。
分類
•欺詐檢測分析師可以將交易描述和客戶文檔輸入生成式AI能工具，并要求其識別欺詐交易。
•客戶服務經理可以使用生成式AI根據客戶滿意度對客戶呼叫的音頻文件進行分類。
編輯
•文案可以使用生成式AI來糾正語法并轉換文章以匹配客戶的需求。
•平面設計師可以從圖像中刪除過時的徽標。
總結
•制作助理可以根據幾個小時的活動鏡頭創建一個亮點視頻。
•業務分析師可以創建維恩圖（Venn diagram），總結高管演講中的關鍵點。
回答問題
•制造企業的員工可以向基于生成式AI的“虛擬專家”詢問有關操作流程的技術問題。
•消費者可以向聊天機器人詢問如何組裝一件新家具。
草案
•軟件開發人員可以提示生成式AI創建整行代碼或建議完成現有代碼的部分行。
•營銷經理可以使用生成式AI起草各種版本的活動信息。
隨著技術的發展和成熟，這些類型的生成式AI可以越來越多地集成到企業工作流程中，以自動執行任務并直接執行特定操作（例如，在會議結束時自動發送摘要筆記）。我們已經看到在這個領域出現了一些工具。
生成式AI與其他類型AI有何不同
顧名思義，生成式AI與之前的AI或分析形式的主要區別在于，它可以生成新內容，通常是“非結構化”形式（例如，書面文本或圖像），而這些內容通常不會在帶有行和列的表格中表示。
使生成式AI能夠工作的底層技術是一類稱為基礎模型的人工神經網絡。人工神經網絡的靈感來自于人類大腦中連接的數十億個神經元。它們使用深度學習進行訓練，這個術語暗指神經網絡中的許多層。深度學習為AI的許多最新進展提供了動力。
然而，一些特征將基礎模型與前幾代深度學習模型區分開來。首先，它們可以在大量不同的非結構化數據集上進行訓練。例如，一種稱為大型語言模型（LLM）的基礎模型可以在互聯網上公開提供的大量文本上進行訓練，這些文本涵蓋了許多不同的主題。雖然其他深度學習模型可以在大量非結構化數據上運行，但它們通常是在更具體的數據集上進行訓練的。例如，一個模型可以在一組特定的圖像上進行訓練，使其能夠識別照片中的某些物體。
事實上，其他深度學習模型通常只能執行一個這樣的任務。例如，它們既可以對照片中的物體進行分類，也可以執行其他功能，如進行預測。相反地，一個基礎模型可以同時執行這兩個功能并生成內容。基礎模型通過從它們攝取的廣泛訓練數據中學習模式和關系來積累這些能力，例如，這些數據使它們能夠預測句子中的下一個單詞。這就是ChatGPT如何回答各種主題的問題，以及DALL·e2和Stable Diffusion如何根據描述生成圖像。
考慮到基礎模型的多功能性，公司可以使用相同的模型來實現多個業務用例，這是使用早期的深度學習模型鮮少能實現的。一個包含了公司產品信息的基礎模型既可以用于回答客戶的問題，也可以用于支持工程師開發產品的更新版本。因此，公司可以支持應用程序并更快地實現其好處。
然而，由于當前基礎模型的工作方式，它們并不適合所有的應用程序。例如，大型語言模型可能容易產生“幻覺”，或者用看似合理但不真實的斷言回答問題。此外，并不總是提供響應的基本推理或來源。這意味著，在錯誤可能造成傷害或需要解釋的應用程序中，公司應該謹慎地在沒有人為監督的情況下集成生成式AI。生成式AI目前也不適合直接分析大量表格數據或解決高級數值優化問題。研究人員正在努力解決這些問題。
負責任地使用生成式AI
生成式AI帶來了各種風險。CEO們希望從一開始就設計自己的團隊和流程來降低這些風險，這不僅是為了滿足快速變化的監管要求，也是為了保護自己的業務，贏得消費者的數字信任。
•公平性：由于不完善的訓練數據或開發模型的工程師做出的決策，模型可能會產生算法偏差。
•知識產權（IP）：訓練數據和模型輸出可能產生重大的知識產權風險，包括侵犯版權、商標、專利或其他受法律保護的材料。即使使用提供商的生成式AI工具，企業也需要了解哪些數據用于培訓以及如何在工具輸出中使用這些數據。
•隱私：如果用戶輸入的信息最終以一種“使個人可識別”的形式出現在模型輸出中，則可能出現隱私問題。生成式AI還可用于創建和傳播惡意內容，如虛假信息、深度造假和仇恨言論。
•安全性：惡意行為者可能會利用生成式AI來加速網絡攻擊的復雜性和速度。它也可以被操縱以提供惡意輸出。例如，通過一種稱為“提示注入”的技術，第三方可以向模型提供新的指令/提示，欺騙模型交付模型生產者和最終用戶意想不到的輸出。
•可解釋性：生成式AI依賴于具有數十億參數的神經網絡，挑戰了我們解釋任何給定答案是如何產生的能力。
•可靠性：對于相同的提示，模型可能產生不同的答案，從而妨礙用戶評估輸出的準確性和可靠性的能力。
•組織影響：生成式AI可能會對勞動力產生重大影響，對特定群體和當地社區的影響可能會產生不成比例的負面影響。
•社會和環境影響：基礎模型的開發和培訓可能導致有害的社會和環境后果，包括碳排放的增加（例如，培訓一個大型語言模型可以排放約315噸二氧化碳）。
新興的生成式AI生態系統
雖然基礎模型是生成式AI的“大腦”，但整個價值鏈正在形成，以支持這項技術的培訓和使用。專用硬件提供訓練模型所需的廣泛計算能力；云平臺提供了利用這種硬件的能力；MLOps和模型中心提供者提供了企業調整基礎模型并在其最終用戶應用程序中部署它所需的工具、技術和實踐的能力。許多公司正在進入市場，提供建立在基礎模型之上的應用程序，使它們能夠執行特定的任務，例如幫助公司的客戶解決服務問題。
第一個基礎模型需要高水平的投資來開發，因為需要大量的計算資源來訓練它們，并且需要人力來改進它們。因此，它們主要是由少數幾家科技巨頭、獲得巨額投資支持的初創企業和一些開源研究團體（例如BigScience）開發的。然而，可以為某些任務提供有效結果的小型模型和更有效的培訓正在進行中。這最終可能會向更多的進入者開放市場。一些初創公司已經成功地開發了自己的模型——例如，Cohere、Anthropic和AI21 Labs建立并訓練了自己的大型語言模型。
讓生成式AI發揮作用
CEO們應該將探索生成式AI視為必須的考慮，而不是一種可能。生成式AI可以在廣泛的用例中創造價值。啟動它所需的經濟和技術要求并未達到令人望而卻步的程度，而不作為的負面影響可能會很快落后于競爭對手。每位CEO都應該與高管團隊合作，思考在哪里以及如何發揮作用。一些CEO可能會認為，生成式AI為他們的公司提供了一次變革性的機會，提供了一個重新構想一切（從研發到營銷和銷售再到客戶運營）的機會。其他CEO則可能會選擇從小規模開始，然后再擴大規模。一旦做出決定，AI專家就可以根據用例遵循一些技術途徑來執行策略。
在一個企業中，生成式AI的大部分用途（盡管不一定是全部價值）將來自于員工使用他們已經擁有的軟件中嵌入的功能。電子郵件系統將提供寫郵件初稿的選項；生產力應用程序將根據描述創建演示文稿的初稿；財務軟件將生成財務報告中顯著特征的文字描述；客戶關系管理系統將提出與客戶互動的方法。這些特性可以加快每一位知識工作者的工作效率。
生成式AI在某些用例中也可能更具變革性。下面，我們來看四個例子，看看不同行業的公司如今如何使用生成式AI來重塑其企業內的工作方式。這些例子涵蓋需要最少資源的和需要大量資源的。
改變軟件工程的工作
第一個例子是一個相對復雜性較低的案例，它使用現成的生成式AI解決方案，不需要內部定制，因此可以即時提高生產率。
軟件工程師工作中最重要的部分是編寫代碼。這是一個勞動密集型的過程，需要大量的試驗和試錯，以及對私人和公共文件的研究。在這家公司，熟練的軟件工程師的短缺導致了功能和漏洞修復請求的大量積壓。
為了提高工程師的生產力，該公司正在實施一種基于AI的代碼完成產品，該產品與工程師用于編碼的軟件集成在一起。這能夠使工程師用自然語言編寫代碼描述，而AI則建議滿足描述的代碼塊的幾種變體。工程師可以選擇一個AI的建議，進行必要的改進，然后點擊它來插入代碼。
我們的研究表明，這樣的工具可以將開發人員的代碼生成速度提高50%。它還可以幫助調試，這可能會提高開發產品的質量。但今天，生成式AI無法取代熟練的軟件工程師。事實上，更有經驗的工程師似乎從這些工具中獲得了最大的生產力收益，而沒有經驗的開發人員看到的結果則不那么令人印象深刻，有時甚至是負面的。已知的風險是AI生成的代碼可能包含漏洞或其他錯誤，因此必須讓軟件工程師參與進來，以確保代碼的質量和安全性。
這種現成的生成式AI編碼工具的成本相對較低，而且上市時間很短，因為產品可用，不需要大量的內部開發。費用因軟件提供商而異，但固定費用訂閱從每個用戶每月10美元到30美元不等。在選擇工具時，務必與提供商討論許可和知識產權問題，以確保生成的代碼不會導致違規。
幫助客戶經理跟上公共信息和數據的步伐
公司可能決定構建自己的生成式AI應用程序，利用基礎模型（通過API或開放模型），而不是使用現成的工具。這需要在前一個示例的基礎上增加投資，但也促進了更自定義的方法來滿足公司的特定背景和需求。
在這個例子中，一家大型企業銀行希望使用生成式AI來提高關系經理（RM）的生產力。經理們花費大量時間審查大型文件（如年度報告和收益電話會議記錄）以了解客戶的情況和優先事項，從而能夠提供適合客戶特定需求的服務。
銀行決定構建一個通過API訪問基礎模型的解決方案。該解決方案能夠掃描文檔，并可以快速為RM提出的問題提供綜合答案。圍繞基礎模型構建的其他層用于簡化用戶體驗，將工具與公司系統集成，并應用風險和遵從性控制。特別是，必須驗證模型輸出，就像企業檢查初級分析人員的輸出一樣，因為已知一些大型語言模型會產生“幻覺”。此外，RM也需要接受培訓，以一種能夠從解決方案中提供最準確答案的方式提出問題（稱為提示工程），并且將流程放置到位，以簡化工具輸出和信息源的驗證。
在這種情況下，生成式AI可以加快RM的分析過程（從幾天縮減至幾小時），提高工作滿意度，并捕獲RM可能忽略的見解。
開發成本主要來自用戶界面的構建和集成，這需要數據科學家、機器學習工程師或數據工程師、設計人員和前端開發人員的共同努力。持續的費用包括軟件維護和使用API的成本。成本取決于模型選擇和第三方供應商費用、團隊規模和最小可行產品所需的時間。
解放客戶支持代表從事更高價值的活動
下一個復雜的層次是對基礎模型進行微調。在這個例子中，一家公司使用了一個為對話優化的基礎模型，并根據自己的高質量客戶聊天和特定行業的問題和答案對其進行微調。該公司經營的行業有專門的術語（例如，法律、醫藥、房地產和金融）。快速的客戶服務是一個有競爭力的差異化因素。
這家公司的客戶支持代表每天需要處理數百個入站咨詢。響應時間有時太長，導致用戶不滿。該公司決定引入一個生成式AI客服機器人來處理大多數客戶的請求。目標是以符合公司品牌和客戶偏好的語氣迅速做出回應。對基礎模型進行微調和測試的部分過程包括確保回應與特定領域的語言、品牌承諾和公司的基調保持一致；需要進行持續的監控，以跨多個維度（包括客戶滿意度）驗證系統的性能。
該公司創建了由多個階段組成的產品路線圖，以盡量減少潛在的模型錯誤。在第一波測試中，聊天機器人在內部進行了測試。員工能夠對模型的建議給出“贊成”或“反對”的答案，模型能夠從這些輸入中學習。下一步，該模型“傾聽”客戶支持對話并提供建議。一旦技術得到充分的測試，第二波浪潮就開始了，模型轉向了面向客戶的用例，其中放置了一名員工在循環中。最終，當領導者對這項技術完全有信心時，它可以在很大程度上實現自動化，甚至完全不需要人員參與。
在這種情況下，生成式AI將服務代表解放出來，專注于更高價值和復雜的客戶查詢，提高了代表的效率和工作滿意度，提高了服務標準和客戶滿意度。該機器人可以訪問客戶的所有內部數據，并可以“記住”之前的對話（包括電話），這是目前客戶聊天機器人的一大進步。
為了獲得收益，該用例需要在軟件、云基礎設施和技術人才方面進行物質投資，以及在風險和操作方面進行更高程度的內部協調。一般來說，微調基礎模型的成本是在API之上構建一個或多個軟件層的兩到三倍。云計算（如果對自托管模型進行微調）或API（如果通過第三方API進行微調）的人才和第三方成本是增加成本的關鍵。為了實現該解決方案，公司需要DataOps和MLOps專家的幫助，以及其他功能（如產品管理、設計、法律和客戶服務專家）的加持。
加速藥物研發
當沒有合適的基礎模型，公司需要從頭開始構建時，最復雜和定制的生成式AI用例就會出現。這種情況可能出現在專門的部門，或者在處理與用于訓練現有基礎模型的數據顯著不同的獨特數據集時，正如這個制藥示例所演示的那樣。從頭開始訓練一個基礎模型呈現出大量的技術、工程和資源挑戰。使用性能更高的模型所帶來的額外投資回報應該超過財務和人力資本成本。
在這個例子中，一家制藥公司的藥物研發科學家必須根據顯微鏡圖像決定下一步要進行哪些實驗。他們有一個由數百萬張這樣的圖像組成的數據集，其中包含了豐富的細胞特征的視覺信息，這些信息與藥物發現有關，但人類很難解釋。這些圖像被用來評估潛在的治療候選人。
該公司決定創建一個工具，幫助科學家了解藥物化學和記錄的顯微鏡結果之間的關系，以加快研發工作。由于這種多模態模型（multimodal model）仍處于起步階段，該公司決定轉而訓練自己的模型。為了建立模型，團隊成員使用了用于訓練基于圖像的基礎模型的真實世界圖像和他們的大型內部顯微鏡圖像數據集。
經過訓練的模型通過預測哪些候選藥物可能導致有利的結果，以及通過提高準確識別藥物發現相關細胞特征的能力來增加價值。這可以導致更高效和有效的藥物發現過程，不僅可以縮短獲得價值的時間，還可以減少不準確、誤導或失敗分析的數量。
一般來說，從頭開始訓練一個模型的成本是圍繞模型API構建軟件的10到20倍。更大的團隊（例如，包括博士級機器學習專家）和更高的計算和存儲支出是成本差異的關鍵。訓練基礎模型的預計成本根據期望的模型性能水平和建模復雜性而異。這些因素會影響所需的數據集大小、團隊組成和計算資源。在這個用例中，工程團隊和持續的云費用占了大部分成本。
該公司發現需要對其技術基礎設施和流程進行重大更新，包括訪問許多GPU實例來訓練模型，在許多系統中分發訓練的工具，以及最佳實踐MLOp以限制成本和項目持續時間。此外，收集、集成（確保不同數據集的文件具有相同的格式和分辨率）和清理（過濾低質量數據、刪除重復數據和確保分發符合預期用途）也需要大量的數據處理工作。由于基礎模型是從零開始訓練的，因此需要對最終模型進行嚴格的測試，以確保輸出是準確的，并且可以安全使用。
CEO們得到的經驗教訓
這里列出的用例為CEO們踏上生成式AI之旅提供了有力的啟示：
•為工作和工作場所帶來實際好處的變革性用例已經存在。從制藥、銀行到零售，各行各業的公司都在建立一系列用例，以捕捉價值創造潛力。組織可以從小規模或大規模開始，這取決于他們的意愿。
•追求生成式AI的成本差異很大，具體取決于用例和軟件、云基礎設施、技術專長和風險緩解所需的數據。公司必須考慮風險問題，不管用例是什么，而且有些用例需要比其他用例更多的資源。
•盡管快速入門有好處，但首先建立一個基本的商業案例將幫助企業更好地駕馭其生成式AI之旅。
開啟生成式AI之旅的注意事項
CEO在推動公司專注于生成式AI方面發揮著至關重要的作用。在這最后一節，我們將討論CEO們在開始他們的旅程時需要牢記的策略。他們中的許多人已經回應了高管們對前幾波新技術浪潮的反應。然而，生成式AI也面臨著自己的挑戰，包括管理一項在以前的技術轉型中從未見過的技術。
生成式AI的組織
許多組織開始通過孤立的實驗探索傳統AI的可能性。鑒于其獨特的風險考慮和基礎模型在組織中支持多個用例的能力，生成式AI需要一種更加深思熟慮和協調的方法。例如，使用專有材料對模型進行微調以反映企業的品牌標識，可以部署在多個用例（例如，生成個性化的營銷活動和產品描述）和業務功能（例如，產品開發和營銷）之間。
為此，我們建議召集一個由公司領導組成的跨職能小組（例如，代表數據科學、工程、法律、網絡安全、營銷、設計和其他業務職能）。這樣的一個小組不僅可以幫助識別和確定最高價值用例的優先級，還可以在整個組織中實現協調和安全性。
重新構想端到端領域VS專注于用例
生成式AI是一種強大的工具，可以改變組織的運作方式，對價值鏈中的某些業務領域（例如，零售商的營銷或制造商的運營）具有特別的影響。部署生成式AI的便利性可以吸引組織將其應用于整個業務中的零星用例。對跨業務功能具有最大轉型潛力的領域的用例家族有一個完整視圖是很重要的。通過與其他傳統AI應用程序同步工作的生成式AI，以及以前可能無法實現的新工作方式，組織正在重新構想目標狀態。
啟用完全加載的技術堆棧
現代數據和技術堆棧是幾乎任何成功的生成式AI方法的關鍵。CEO應該向他們的首席技術官咨詢，以確定公司在計算資源、數據系統、工具和模型訪問（通過模型中心開源或通過API商業化）方面是否具備所需的技術能力。
例如，生成式AI的命脈是對特定業務環境或問題的數據的流暢訪問。那些尚未找到有效協調和提供數據訪問方法的公司，將無法對生成式AI進行微調，以釋放其更多潛在的變革性用途。同樣重要的是設計一個可擴展的數據架構，其中包括數據治理和安全過程。根據用例的不同，現有的計算和工具基礎設施（可以通過云提供商獲得，也可以在內部設置）可能也需要升級。基于生成式AI帶來的商業價值和競爭優勢的清晰數據和基礎設施戰略將至關重要。
建造“燈塔”
CEO們希望避免陷入計劃階段。新的模型和應用正在快速開發和發布。例如，GPT-4于2023年3月發布，ChatGPT（GPT-3.5）于2022年11月發布，GPT-3于2020年發布。在商業世界中，時間意味著一切，生成式AI技術的快節奏特性要求企業迅速采取行動，充分利用這一優勢。有幾種方法可以讓高管們保持穩定的發展。
雖然生成式AI仍處于早期階段，但重要的是要在內部展示它如何影響公司的運營模式，也許可以通過“燈塔方法”（lighthouse approach）。例如，一種方法是建立一個“虛擬專家”，使一線員工能夠利用專有的知識來源，并向客戶提供最相關的內容。這有可能提高生產力，創造熱情，并使組織能夠在將生成式AI擴展到面向客戶的應用程序之前，在內部對其進行測試。
與其他技術創新浪潮一樣，將會出現“概念驗證疲勞”（PoC fatigue）和許多公司陷入“試點煉獄”（pilot purgatory）的例子。但是，在擴展到相關用例之前，鼓勵概念驗證仍然是快速測試和完善有價值的業務用例的最佳方法。通過專注于產生有意義的結果的早期勝利，公司可以建立動力，然后擴大規模，以利用生成式AI的多用途特性。這種方法可以使企業促進更廣泛的AI應用，并創造對保持競爭優勢至關重要的創新文化。
平衡風險和價值創造
正如上述四個詳細用例所展示的那樣，業務領導者必須平衡價值創造機會與生成式AI所涉及的風險。根據我們最近的全球人工智能調查結果顯示，大多數組織并沒有緩解與傳統AI相關的大部分風險，盡管超過一半的組織已經采用了這項技術。生成式AI重新引起了人們對許多相同風險的關注，例如隱藏在訓練數據中的偏見可能持續存在，同時呈現出新的風險，例如它的“幻覺”傾向。
因此，跨職能的領導團隊不僅要為生成式AI的使用構建總體的道德原則和指導方針，還要對每個潛在用例所帶來的風險有一個全面的了解。尋找與組織的整體風險容忍度相一致的初始用例，并具有適當的結構以減輕相應的風險，這一點非常重要。例如，零售組織可能會優先考慮價值略低但風險也較低的用例，如創建營銷內容的初始草稿和其他讓人保持循環的任務。與此同時，公司可能會留出更高價值、高風險的用例，比如自動起草和發送超個性化營銷電子郵件的工具。這種風險前瞻性實踐可以使組織建立必要的控制，以適當地管理生成式AI并保持合規性。
CEO及其團隊還希望了解生成式AI監管的最新進展，包括與消費者數據保護和知識產權相關的規則，以保護公司免受責任問題的困擾。各國可能會采取不同的監管方法，就像它們經常對AI能和數據所做的那樣。組織可能需要調整他們的工作方法來校準流程管理、文化和人才管理，以確保他們能夠處理快速發展的監管環境和大規模生成式AI所帶來的風險。
將生態系統方法應用于伙伴關系
業務領導者應該專注于建立和維持一套平衡的聯盟。公司的收購和聯盟戰略應繼續專注于建立一個適應不同環境的合作伙伴生態系統，并解決生成式AI在技術堆棧的各個層面上的需求，同時要小心防止供應商鎖定。
與合適的公司合作有助于加快執行速度。組織不必自己構建所有的應用程序或基礎模型。相反地，他們可以與生成式AI供應商和專家合作，以更快地采取行動。例如，他們可以與模型提供商合作，為特定部門定制模型，或者與提供支持功能（如可伸縮云計算）的基礎設施提供商合作。
企業也可以利用他人的專業知識，以迅速采取行動，利用最新的生成式AI技術。但生成式AI模型只是冰山一角：價值創造需要多個額外元素。
專注于所需的才能和技能
為了有效地將生成式AI能應用于商業價值，公司需要建立自己的技術能力，并提高現有員工的技能。這需要領導層共同努力，根據公司的優先級用例確定所需的能力，這可能會超越技術角色，包括工程、數據、設計、風險、產品和其他業務功能的人才組合。
正如在上面突出顯示的用例中所展示的那樣，技術和人才需求根據給定實現的性質而變化很大——從使用現成的解決方案到從頭開始構建基礎模型。例如，為了構建生成式模型，公司可能需要博士級的機器學習專家；另一方面，要使用現有模型和SaaS產品開發生成式AI工具，數據工程師和軟件工程師可能足以領導這項工作。
除了雇傭合適的人才，公司還希望對現有員工進行培訓和教育。基于提示的會話用戶界面可以使生成式AI應用程序易于使用。但是用戶仍然需要優化他們的提示，了解技術的局限性，并知道何時何地可以將應用程序集成到他們的工作流中。領導層應就生成式AI工具的使用提供明確的指導方針，并提供持續的教育和培訓，以使員工了解其風險。培養一種自我驅動的研究和實驗文化也可以鼓勵員工創新流程和產品，并有效地結合這些工具。
多年來，全球各地的企業一直胸懷人工智能的雄心，如今，許多企業已經實現了新的收入來源、產品改進和運營效率。這些領域的大部分成功都源于AI技術，AI技術仍然是特定工作的最佳工具，企業應該繼續擴大這方面的努力。然而，生成式AI代表了另一個有希望的飛躍和一個充滿新可能性的世界。雖然該技術的運營和風險框架仍在構建中，但業務領導者清楚地知道他們應該踏上生成式AI之旅。但是他們應該從哪里以及如何開始呢？答案因公司而異，也因組織而異。有些公司會選擇從大規模開始；而其他公司可能會先進行較小規模的實驗。最佳方法將取決于一家公司的抱負和風險偏好。無論你的抱負是什么，關鍵是要行動起來，在實踐中學習。
關于企業網D1net(hfnxjk.com)：
國內主流的to B IT門戶，同時在運營國內最大的甲方CIO專家庫和智力輸出及社交平臺-信眾智(www.cioall.com)。同時運營19個IT行業公眾號(微信搜索D1net即可關注)
版權聲明：本文為企業網D1Net編譯，轉載需在文章開頭注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號