自 ChatGPT、Bard、Claude、Midjourney 和其他内容创建工具发布以来,生成式 AI 掀起了热潮,CEO们自然会想:这是技术炒作,还是改变游戏规则的机会?如果是后者,对业务有何价值?
首席执行官们想知道他们是否应该立即采取行动,如果是,如何开始。有些人可能会看到通过重新想象人类如何利用生成式人工智能应用程序完成工作来超越竞争的机会。其他人可能需要谨慎行事,在进行任何大规模投资之前尝试一些用例并了解更多信息。公司还必须评估他们是否拥有一些更具变革性的生成式人工智能实施所需的必要技术专业知识、技术和数据架构、运营模式以及风险管理流程。
(资料图片)
围绕生成式人工智能的兴奋是显而易见的,公司高管们理所当然地希望以深思熟虑和有意的速度向前推进。首席执行官在推动公司关注生成式人工智能方面发挥着至关重要的作用。
组织生成人工智能
许多组织开始通过孤立的实验探索传统人工智能的可能性。鉴于其独特的风险考虑以及基础模型支持整个组织的多个用例的能力,生成式人工智能需要一种更加深思熟虑和广泛协调的方法。例如,使用专有材料进行微调以反映企业品牌标识的模型可以部署在多个用例(例如,生成个性化营销活动和产品描述)和业务功能(例如产品开发和营销)中。
为此,我们建议召集一个由公司领导者组成的跨职能小组(例如,代表数据科学、工程、法律、网络安全、营销、设计和其他业务职能部门)。这样的团队不仅可以帮助识别和确定最高价值用例的优先级,还可以在整个组织内实现协调和安全的实施。
重新构想端到端领域与用例
生成式人工智能是一种强大的工具,可以改变组织的运营方式,特别是对价值链内的某些业务领域产生特别影响(例如,零售商的营销或制造商的运营)。部署生成式人工智能的便利性可能会吸引组织将其应用于整个企业。重要的是要按领域来看待用例系列,这些用例在业务功能中具有最大的变革潜力。组织正在重新构想由生成式人工智能与其他传统人工智能应用程序同步工作所实现的目标状态,以及以前不可能的新工作方式。
启用满载的技术堆栈
现代数据和技术堆栈是几乎所有成功的生成人工智能方法的关键。首席执行官应该关注首席技术官,以确定公司在计算资源、数据系统、工具和模型访问(通过模型中心开源或通过 API 商业化)方面是否具备所需的技术能力。
例如,生成式人工智能的命脉是对针对特定业务环境或问题的数据的流畅访问。尚未找到有效协调和提供对其数据的现成访问方法的公司将无法微调生成式人工智能以释放其更多潜在的变革用途。同样重要的是设计一个可扩展的数据架构,其中包括数据治理和安全程序。根据使用案例,现有的计算和工具基础设施(可以通过云提供商采购或内部设置)可能也需要升级。基于生成人工智能带来的商业价值和竞争优势的清晰数据和基础设施战略至关重要。
建造“灯塔”
首席执行官们希望避免陷入规划阶段。新的模型和应用正在快速开发和发布。例如,继 2022 年 11 月发布 ChatGPT (GPT-3.5) 和 2020 年发布 GPT-3 之后,GPT-4 于 2023 年 3 月发布。在商业世界中,时间至关重要,快节奏生成式人工智能技术的本质要求公司迅速采取行动以利用它。高管们可以通过几种方法保持稳定的工作节奏。
尽管生成式人工智能仍处于早期阶段,但在内部展示它如何影响公司的运营模式(也许是通过“灯塔方法”)非常重要。例如,一种方法是建立一个“内部专家”,使一线员工能够利用专有的知识来源,并向客户提供最相关的内容。这有可能提高生产力、激发热情,并使组织能够在扩展到面向客户的应用程序之前在内部测试生成式人工智能。
与其他技术创新浪潮一样,将会出现概念验证疲劳,以及许多公司陷入“试点炼狱”的例子。但鼓励概念验证仍然是在扩展到相邻用例之前快速测试和完善有价值的业务案例的最佳方式。通过专注于带来有意义成果的早期胜利,公司可以利用生成式人工智能的多用途性质,建立动力,然后进行扩展。这种方法可以使公司促进更广泛的人工智能采用,并创造对于保持竞争优势至关重要的创新文化。如上所述,跨职能领导团队希望确保此类概念验证是经过深思熟虑和协调一致的。
平衡风险和价值创造
企业领导者必须平衡价值创造机会与生成式人工智能所涉及的风险。根据我们最近的全球人工智能调查,大多数组织并没有减轻与传统人工智能相关的大部分风险,尽管超过一半的组织已经采用了该技术。生成式人工智能让人们重新关注许多相同的风险,例如训练数据中隐藏的偏见长期存在的可能性,同时又带来了新的风险,例如产生幻觉的倾向。
因此,跨职能领导团队不仅希望为生成式人工智能的使用建立总体道德原则和指南,而且还希望全面了解每个潜在用例所带来的风险。寻找既符合组织整体风险承受能力又具有减轻间接风险结构的初始用例非常重要。例如,零售组织可能会优先考虑价值稍低但风险也较低的用例,例如创建营销内容的初始草稿和其他让人员了解情况的任务。与此同时,公司可能会预留更高价值、高风险的用例,例如自动起草和发送超个性化营销电子邮件的工具。
首席执行官及其团队还希望了解生成人工智能监管的最新发展,包括与消费者数据保护和知识产权相关的规则,以保护公司免受责任问题的影响。各国可能会采取不同的监管方法,就像它们在人工智能和数据方面经常采取的做法一样。组织可能需要调整他们的工作方法来校准流程管理、文化和人才管理,以确保他们能够大规模应对快速变化的监管环境和生成式人工智能的风险。
将生态系统方法应用于伙伴关系
企业领导者应专注于建立和维持平衡的联盟。公司的收购和联盟战略应继续专注于建立一个适应不同环境的合作伙伴生态系统,并解决生成式人工智能在技术堆栈各个层面的需求,同时小心防止供应商锁定。
与合适的公司合作有助于加快执行速度。组织不必自己构建所有应用程序或基础模型。相反,他们可以与生成式人工智能供应商和专家合作,以更快地采取行动。例如,他们可以与模型提供商合作,为特定行业定制模型,或者与提供可扩展云计算等支持功能的基础设施提供商合作。
专注于所需的人才和技能
为了有效地应用生成式人工智能来实现商业价值,公司需要建立技术能力并提高现有员工的技能。这需要领导层共同努力,根据公司的优先用例确定所需的能力。
技术和人才需求根据给定实施的性质存在很大差异。例如,为了构建生成模型,公司可能需要博士级别的机器学习专家;另一方面,要使用现有模型和 SaaS 产品开发生成式人工智能工具,数据工程师和软件工程师可能足以领导这项工作。
除了雇用合适的人才外,公司还希望培训和教育现有的员工。基于提示的对话式用户界面可以使生成式人工智能应用程序易于使用。但用户仍然需要优化他们的提示,了解技术的局限性,并知道何时何地可以将应用程序以可接受的方式集成到他们的工作流程中。领导层应就生成式人工智能工具的使用提供明确的指导方针,并提供持续的教育和培训,让员工了解自己的风险。
多年来,企业一直在追求人工智能的雄心,许多企业已经实现了新的收入来源、产品改进和运营效率。这些领域的大部分成功都源于人工智能技术,它们仍然是特定工作的最佳工具,企业应该继续扩大这些努力。然而,生成式人工智能代表着另一个充满希望的飞跃和一个充满新可能性的世界。虽然该技术的运营和风险框架仍在构建中,但企业领导者知道他们应该踏上生成式人工智能之旅。但他们应该从哪里开始以及如何开始呢?答案因公司和组织内部的不同而有所不同。最好的方法将取决于公司的愿望和风险偏好。