伴随着生成式 AI 爆发式增长，许多企业都在争相探索它们的业务将如何受益，答案可能比他们想象的要简单许多。从 2015 年开始，人们开始把几乎所有机器学习的应用都称为 AI。一些权威人士和行业专家对此提出了反对意见。他们认为这些应用只是模式匹配器：给定一个输入，它们返回一个输出。这些模型并不思考，而是计算概率，那它们怎么能算是智能的呢？
哲学家们长期以来一直都在争论着机器是否能够思考，但生成式 AI 使这个问题不再有意义。这些模型的基本操作与早期的机器学习工具有很多共同之处，但由于计算能力的增强、训练数据以及代码的优化，生成式 AI 技术可以在许多方面模仿人类的认知能力。
无论它在哲学意义上是否具备智能，从实际意义上来说，它确实具备这种能力。在工业环境中，生成式 AI 可以带来巨大的生产力和生产效率提升的机会。由于机器已经可以像人类一样行动，理解和叙述，关键问题转化为：这种能力从更广泛的意义上，将如何影响商业环境和我们生活的世界。
生成式 AI：人类野心实现加速器
对于德勤管理咨询首席未来学家 Mike Bechtel 来说，作为一个花了四分之一个世纪去关注所有新奇事物的人，他将当前关于生成式 AI 这一突破性技术置于我们持久的宏观技术力量背景之下。
首先，至少在过去的 15 年里，最优秀的公司一直致力于降低决策成本。在商业方面，毫无疑问：用硅基智能来增强高价值的专业人士的能力的确是一代人的商机。这是一次模式的全面性转变，它将开启新商机的大门，并从根本上改变企业本身的组织和运营方式。
生成式 AI 应该被视为助长野心的火箭燃料。无论是传统 AI 还是生成式 AI 都可以将宝贵的人力资源从单调的运营工作中释放出来，从而专注于更高价值的工作，这更符合未来的商业需求——即新型的、改良后的产品、服务、体验和市场（即那些久经考验的利润增长点）。
许多人担心生成式 AI 减少了对人类创造力的需求（或者更准确地说，创造力的价值不如以往）。但是，我观察到的情况恰恰相反：在一个充满创造性机器的时代，有创造力的人才比以往任何时候都更重要。
生成式 AI 是想象力的实现加速器，未来属于那些能提出更好的问题、有更多激动人心的想法的人。在一次向与会者展示根据文本提示绘制独特图像的生成式 AI 工具时，有人提示：“给我看一场椒盐脆饼和芝士球在火星上的战争，椒盐脆饼有双截棍，芝士球有水枪。” 一幅荒诞、令人愉悦的生成图像，让高管们拍手称快，惊叹不已。
随着生成式机器不断应用于我们职业生活的各个角落，人们将决定这些工具将以神奇还是平庸的方式规模化地发展下去。在专注和富有想象力的指导下，生成式 AI 将开启一个充满新商业可能的魔法世界。如果缺乏这种指导，我们就会面临规模化平庸的风险——甚至更糟的情况。
最后，一个关键问题是，如果没有坚实的技术基础，一切都无法实现。我们极客（哼，一群专业的技术人员）通常都很清楚一句老话：“垃圾进，垃圾出(garbage in, garbage out) 。”我们对共享的 AI 未来的早期尝试表明，这种体验将更类似于“垃圾进，垃圾指数级出 (garbage in, garbage squared) 。” 训练数据中的微小偏差可能会让 AI 输出灾难性的偏差——所以，首先整治好你的企业数据。
老旧薄弱的技术核心将无法支撑 AI 驱动的工作负载，布局不合理的算力策略将给企业带来难以承受的技术成本。繁冗的交互体验会降低我们的创新能力，更不要说热情被磨灭的技术人才、网络威胁会给企业带来怎样的危害。如果你从今年的报告中获取了任何启示，那就是：不要被生成式 AI 的喧嚣所蒙蔽，而忽视其他五个基础能力。
对于数治网DTZed 来说，如在《100+ 生成式 AI 应用场景盘点 揭秘企业新增长极》一篇提到的数治金字塔 1.0 AI+，在一个数据为决策、创新和增长提供信息的“人工智能+”时代，我们借助生成式 AI 全力推进一站式数字治理和一体式引育用留：
- 在全场景下以数据 5A 金字塔的视角，即“全生命周期”为底，“全域”、“全链路”、“全量”、“全运营”为四面，从做法和打法创新上进行构建；
- 同时在数据 5A 为基础的素养上，为每个人构建技能到能力的路径，规划符合业务需求的学习和成长计划，更好地一起通过数治x赋能行业和企业成长，保持领先。
当下：生成式 AI 有望带来颠覆性变革
生成式 AI 之所以如此有影响力，是因为多种因素的融合。首先是先进的硬件（主要是用于训练模型的专业 AI 芯片），它有助于生成更高级的模型，如：大型语言模型 (LLM) 。其次，由于用户体验流畅，这些工具已经成为主流，使得非技术人员也能使用非常先进的模型。
所有这些引发关注的点使得投资者们掀起了一股淘金热。他们向以生成式 AI 技术为核心的初创公司投入大量资金，并押注我们正在见证商业技术新范式的曙光。在这种范式中，洞察会自动浮出水面，合同会自行审查，而不断涌现的内容会持续将品牌曝光在受众面前。
虽然社会上有很多关于 AI 可能威胁人类就业的讨论，但没有真正的迹象表明企业领导者计划用它来实现任何规模化的知识自动化工作。在对领导者的调研显示，提高内容质量、驱动竞争优势和扩展员工专业知识是部署生成式 AI 的最常见原因，裁员是最低优先事项之一。看起来 AI 更有可能将工人从机械、重复的任务中解放出来，使他们能够专注于工作中更具创造性的方面。
浮现在我们面前的情景是，AI 即将到来，甚至对于一些人来说，它已经存在。但正如俗话所说，先进的企业知道简单“缩窄”并不通往成功，也就是说，不能通过追求风险或成本的最小化来实现增长。这意味着生成式 AI 最有效的应用不是取代人类，而是为员工提供工具，帮助他们提高和增强生产力、知识力和创造力，从而推动企业创新。
高管们面临着越来越大的压力，他们需要帮助企业快速转型，并保持领先于竞争对手。仅仅因为生成式 AI 是一个新鲜事物，就将其强加到所有流程中，不太可能带来重大收益。相反，企业可能会从更具战略性的方法中获益，该方法侧重于利用生成式 AI 的独特能力来解决现有问题，并帮助企业从竞争对手中脱颖而出，这就是当今创新型企业所采取的方法。
探索：追求可扩展性和领域专长
生成式 AI 的真正价值可能在于组织能够利用它来进行业务转型，降低成本，重塑产品、服务和创新周期，并创造以往无法实现的流程效率。为了实现这一目标，企业领导者可能会考虑更多地采用渐进式方法来制定企业数据和技术战略。
要成为一个以 AI 驱动的组织，需要重点关注组织规程并专注于维护系统和算法。就像火箭需要发射台和飞行控制系统才能到达目的地一样，生成式 AI 工具在企业环境中也需要基础设施和控制系统才能取得成功。好消息是，尽管有些实践需要细微调整，但企业在过去几年中在建立数据分析和机器学习能力方面所积累的大量经验都适用于生成式 AI。
生成式 AI 通常需要在支持图形处理单元的高性能计算集群上加载 TB 级的数据。由于很少有企业拥有这种基础设施，因此大多数企业将通过服务的方式来访问生成式 AI。通过应用程序接口，工程师可以将生成式 AI 能力融入到他们现有的软件中，而无需构建新的基础设施。尽管 AI 供应商都很重视他们产品的易用性，企业仍需谨记这些工程化需求。
此外，如何更加明智地选择应用场景也很重要。AI 可用于降低成本、加快流程、减少复杂性、提升客户互动、推动创新和建立信任。生成式 AI 的具体应用因企业而异，但寻找能在某个领域引起变革的项目会是一个不错的起点。
以下是已经采用该技术的企业的一些其他考虑因素。
1. 数据是驱动生成式 AI 引擎的燃料
企业需要确保他们的数据架构正确，并且可以被 AI 应用程序访问，以便进行模型训练和下一代应用场景的实现。
这是北美最大的天然气公用事业公司 Enbridge 的经验之一。几年前，当它开始进行雄心勃勃的云迁移之旅时，并没有打算开拓新的生成式 AI 应用。其主要目标是通过减少本地数据中心的规模，来实现其基础设施的现代化并消除技术负债。在此过程中，它建立了一个集中的数据存储库，收集来自企业各个部门的数据，如：监管、市场、人力资源等数据。这个集中式的数据集市取代了过去的数百个数据孤岛。
当生成式 AI 面世时，Enbridge 的领导层就知道这个集中式的数据集市是推动新的 AI 驱动效率的完美引擎。技术团队推出了一款基于生成式 AI 的代码自动补全工具，帮助开发人员快速、高效地构建代码。它还为公司职员供了一个辅助功能，帮助他们迅速获取合适的生产力工具。
Enbridge 的云计算、IT 运营和数据总监 Joseph Gollapalli 表示：“我们以加快交付速度，推动创新和效率提升为目标。这些 AI 解决方案有可能改善我们的运营能力，提高安全性，提升客户体验，并增强我们的环境表现。”
2. 治理比以往任何时候都更加重要
没有有效的治理规范，AI 就无法扩展。治理框架应该明确企业的愿景，识别潜在的风险和能力差距，并评估相关绩效。这些不仅对业务形成保护，还可以协助 AI 相关项目从概念验证阶段继续拓展。
在美国最大的二手车零售商 CarMax 的实践过程中，有效利用生成式 AI 需基于一种系统化的、实施于全企业范围的方法，它在拥抱科技的力量同时也设立保障措施，确保员工能够高效地利用。CarMax 最著名的应用之一是将 AI 生成的内容添加在车辆研究页面上。这些页面汇总了数千条真实客户的评论信息，让购物者能够快速了解其他买家的意见。
CarMax 的执行副总裁兼 CIO、CTO Shamim Mohammad 表示，这些智能应用场景在可控的方式下提供了最大的商业价值。CarMax 将治理放在了第一优先级，这可能不是生成式 AI 最吸引人眼球的方面，但对于它的规模化应用却至关重要。该公司成立了一个专门负责 AI 治理的团队，致力于确保组织中的各个团队都在恰当地使用 AI。这个团队的使命不是简单地直接否定新的应用场景，而是通过标准化的模型训练和使用方式，帮助一些优秀的应用在企业内实现推广，以达成生成式 AI 应用不仅局限于技术或产品团队的目标。
“我们通过机器学习和 AI 做了很多很酷的事情，”Mohammad 说，“我现在关注的点是如何确保我们以负责任的方式使用它，并确保作为一家公司，我们部署的任何东西都与我们的核心价值观保持一致。”
3. 确保你拥有版权
生成式 AI 改变了版权的格局。现在，任何人只需点击几下鼠标，就可以创建图像、视频、文本和音频。然而，一些模型内容在被使用之前已经接受了来自第三方的训练。最近美国一家法院的裁定，使得由 AI 生成的内容不适用版权保护的相关条文。此外，对从网络上抓取的受版权保护的材料进行模型训练，可能会带来包括侵犯知识产权在内的法律风险。
但是这些问题也并不是不可解决。例如，内容提供商Shutterstock 已经表明，可以以一种既尊重原始版权持有人的权利，又确保 AI 生成的内容可以具有商业用途的方式进行操作。
Shutterstock 最近推出了一款图像生成工具，可以根据用户的提示创建视觉效果。与其他图像生成器一样，该工具也接受了第三方艺术家创作的图像的训练。然而，与其他图像生成器不同的是，每位艺术家都事先同意了在模型训练中使用其作品。当参与的艺术家作品被用于训练模型，且用户认可了在平台上生成的图像时，艺术家们也会得到相应报酬。Shutterstock 将其内容作为数据设立授权机制，也使得最终用户能够获得额外的法律保护。
“从 CEO 到零售业务人员，每个人都在创作内容”， Shutterstock 的创新总监Michael Francello 说道，“创作内容的需求绝对是爆炸性增长的。我们早早看到了将内容视为可以训练生成式 AI 模型的数据的机会。这既保护了我们业务的核心，同时也尊重了艺术家和贡献者。”
4. 爬行，行走，奔跑，飞翔
多年来，这 4 个阶段一直是企业扩大服务产品使用规模的有效途径，生成式 AI 也不例外。在爬行阶段，应用可能是临时性的，需要大量人工工作。经历过爬行阶段后进入行走阶段，在这个阶段，流程作为基础得到了更为明确的定义，同时实现了自动化。在奔跑阶段，应用场景得以标准化，并在企业层面普及。到了飞翔阶段，组织已经可以利用已完成的工作来衍生下一代能力。
化学公司 Eastman 使用这种方法开发基于生成式 AI 的内部服务。该公司在一个人们通常认为信息化水平不高的行业中使用数据和分析能力已久。例如，它拥有一个高级智能服务（具有专有的热稳定性措施），可以预测客户工业制造过程中使用的导热流体可能会降解的时间，使工程师能够保持最佳的流体质量，并进行产线预测性维修，从而避免产生代价高昂的停机时间。
基于这一经验，该公司正在尝试如何利用生成式 AI 来改进其销售流程。它通过自然语言文本文件，建立了一个可以阅读的 AI 工具。该工具仍处于开发阶段，目前正在测试从销售电话记录中提取有效信息。这些记录是销售团队在每次通话后生成的，尽管它们包含重要的情报信息，但很少有人阅读。现在，借助生成式 AI，该公司开始解锁这些这信息。
Eastman 的 CIO Aldo Noseda 表示，“ 它使我们这家化学公司利用数字服务层在市场上脱颖而出，并创造竞争优势。”
鉴于生成式 AI 的发展速度，建议将这种框架应用于新的企业应用场景。即，将概念验证项目转化为标准实践，进而推广为整个企业的标准操作程序。一旦企业达到这种成熟度，其发展将不再受限。
在不久的将来，由于基于垂直领域数据训练的模型的出现，企业可能更容易从生成式 AI 中获益。如今，大多数使用生成式 AI 的企业都使用基于通用数据训练的基础模型构建的工具。具有如此通用知识库的工具可以用于特定的主题领域，这也展示了 LLM 的强大之处。但下一代 LLM 可能会更加聚焦，并针对企业的特定需求量身定制。
这一趋势已经开始显现。英伟达推出了一款名为 BioNeMo 的工具，这是一款针对生物技术领域的 LLM。Google 推出的 Contact Center AI，是一款经过训练的，专用于处理客服交互的工具。BloombergGPT 旨在回答与金融行业相关的问题。ClimateBERT 是一个接受过气候变化研究训练的模型，可以就气候相关风险为企业提供建议。
随着企业意识到为其行业定制训练模型的好处，我们可能会看到对这类服务的更多需求的涌现。超过三分之一的企业已经计划在未来为其业务需求训练和定制私有的 LLM。对于企业来说，私有的语言模型可能是生成式 AI 的真正潜力所在。这些模型由专业组织开发和维护，底层代码对公众保密。这些模型针对特定的目的被开发且被安全地托管，再基于私有数据进行训练，它们可以为组织提供巨大的竞争优势。这可能是生成式 AI 发展的下一波浪潮。
展望：富有想象力的高管不可或缺
企业激励海报逐渐从印刷品发展为表情包，但一句被过度使用的格言可能会重新夺回它作为企业座右铭的地位：我们的想象力是唯一的限制。
你可能之前听过这句话，团队和组织在变革中总会受多方面的约束。他们没有足够的数据或正确的数据；领导始终持怀疑态度；或者，最让人恼火的说法：“不会有任何改变”。
但在生成式 AI 的世界中，想象力却真的是唯一的限制。你可以持续创建大量的内容，识别新的运营效率，或在几分钟内浏览财务报表等监管文件或顾客评价。现在唯一的问题是，你想知道什么？
在采用生成式 AI 的企业中，提出更好的问题将成为一项关键技能。这一趋势可能会创造对新型领导者的需求，这种领导者相比于我们过去所见的，更多地受到创造力的驱动。在过去 20 年左右的时间里，我们看到领导者因根据数据和洞察力而不是直觉和本能来引导组织而受到奖励。但未来几年，我们可能会看到更多富有想象力的领导者跃居前列。给图像生成器一个无聊的提示，它就会生成一张无聊的图片。企业级的生成式 AI 应用程序也是如此。缺乏想象力的应用场景影响范围终归有限。随着越来越多的企业试图将自己与竞争对手区别开来，那些能够为生成式 AI 找到创造性新应用的领导者可能会将自己与那些忙于追踪数据的同行们区分开来。
这并不意味着数据驱动的决策将变得毫无意义。事实上，它将一如既往的重要，甚至更加重要。但数据驱动的定义可能会发生改变，因为生成式 AI 的应用，领导者可以访问的数据范围将会增加。企业的大量数据都隐藏在自然语言文本文件、机器日志和越来越多的智能产品中。生成式 AI 使组织能够理解以往这些数字化信息的含义，即“变废为宝”。有创造力的领导者将了解这些常常被忽视的数据源对其业务的影响，并利用生成式 AI 对数据源提出智能问题。他们可以根据思考的节奏提问，而不是等待每周的周报。
但所有这些仅仅触及了生成式 AI 可能产生的影响的冰山一角。我们非常确定，它将产生的影响是巨大的，只是当下暂不确定将在哪个领域的影响最为重大。
本文摘编自德勤研究《技术趋势 2024》。
往期iDigi·人工智能+：
iDigi·人工智能+：跟着吃螃蟹的人从生成式 AI 中获益
与大型公司相比，小型公司在利用生成式 AI 的潜力方面会更加敏捷，快速调整流程和运用工具实现效率提升，可以简化流程并降低运营成本，带来竞争优势。
一体式引育用留：打造正确的技能组合 领航产研共生
为产研共同体的一员，与全球 CXO 产研导师们相约学习研讨、评估咨询、需求对接、成果转化等，逐步推进一体式引育用留：从素养测评、自主学习到实践认证。
2024 从数据到 AI 驱动运营 把握这一泼天优势
组织面临着保护收入模式同时保持竞争优势的巨大压力，更应该从数字化人才选用育留方面采取积极主动的举措开始，专注于利用 AI 推动职业发展来改善员工体验。
保持数字优先战略 应对AI对未来运营模式的影响
组织将需要规划自己的AI转型之旅，优先考虑适应性蓝图而不仅是架构，强调思维方式而不单是技能，重视数据而不是程序，强调人力资本价值的过渡而不只是再培训。
AI 和数据民主化影响下 企业人工智能的入门技巧
随着 AI 工具变得更容易被所有级别的用户使用，各行各业的企业都看到了新的效率和增长机会， AI 在企业中具有推动创新、提高效率和改善决策的巨大潜力。
从底层思维出发 高效使用 AI 工具的5个基本准则和方法
基于 AI 的工具确实可以让你在业务落地和管理时更加智能和高效。这篇我们从底层思维出发，探讨如何有效地使用 AI 工具，通过一系列的准则和方法来获得最佳结果。
在此声明以上观点和内容，仅代表原作者和出处，与数治网DTZed 无关，如有出错或侵害到相关合法权益，请通过电邮与我们联系：cs@dtzed.com。
在文末扫码关注官方微信公众号“idtzed”，发送“入”直通相关数治x行业共建群、AIGC+X 成长营，@老邪 每周免费领取法规、标准、图谱等工具包。
欢迎先注册，登录后即可下载检索生成式AI等相关标准、白皮书及报告。更多高质量纯净资料下载，在文末扫码关注官方微信公众号“idtzed”，进入公众号菜单“治库”。
