打破障碍：2024年赋能企业人工智慧生成创新－5个应用场景与6个转型步骤

想要了解如何采用生成式AI来提高企业效率和竞争力？本指南将介绍如何采用生成式AI来实现数字化转型，并打造智能化商业模式。从5大应用场景和6大步骤切入，让您了解如何开启生成式AI创新。立即连线创新专家咨询或观看创新战略方案视频进一步了解如何采用生成式AI来打造先发优势。让我们帮助您开启AI转型之旅！

1. 生成式AI所带来的创造力浪潮

ChatGPT已经唤醒了全球对人工智能（AI）和 生成式AI 变革潜力的认识，引起了全球的关注，并引发了空前绝后的创造力浪潮。它模仿人类对话和决策的能力使我们看到了AI在普及应用中的一个真正的拐点。最终，每个人都将看到这项技术的真正颠覆潜力。

ChatGPT在推出后仅两个月就达到了1亿月活跃用户，成为了历史上增长最快的消费者应用程序。

基础模型是指具有数十亿参数的大型通用模型的通用术语。当前，企业现在可以在这些基础模型的基础上构建专门的图像和语言生成模型。大型语言模型（LLMs）既是一种生成式AI，也是一种基础模型。

ChatGPT背后的LLMs标志着人工智能的重要转折点和里程碑。有两件事让LLMs成为了游戏规则的改变者。首先，它们破解了语言复杂性的密码。现在，机器可以学习语言、上下文和意图，并独立生成和创造内容。其次，经过在大量数据（文本、图像或音频）上进行预训练后，这些模型可以适应或微调各种任务。这使它们可以在许多不同的方式中被重复使用或定制化。

企业领袖意识到了这一重要时刻的意义。他们可以看到LLMs和生成式AI将从根本上改变一切，从业务到科学，再到社会本身，开启新的创新前沿。对人类创造力和生产力的积极影响将是巨大的。例如，考虑到在所有行业中，Accenture发现40%的工作时间可以受到像GPT-4这样的LLMs的影响。这是因为语言任务占员工工作总时间的62%，其中65%的时间可以通过增强模型和自动化模型转化为更具生产力的活动。

从21世纪头十年开始，机器学习技术就迅速发展，可以分析大量在线数据并从中得出结论或者“学习”。这让企业能够以前所未有的速度和规模分析数据、发现模式、生成见解、进行预测并自动化任务。

随后，深度学习的感知能力得到了提升，推动了计算机视觉和语音领域的发展，包括自动驾驶汽车、语音助手等。

目前，随着基于深度学习的生成式AI技术的发展，我们正进入一个全新的语言掌握时代。这些模型将对企业产生深远的影响，从企业知识图谱到沟通协作流程，都将被重新塑造。总的来说，AI技术的飞速发展为企业带来了巨大的机遇和挑战，将深刻地改变企业内部的知识分享、沟通协作和运作流程，推动人类与技术的融合，开启了一个前所未有的智能时代。

2. 生成式AI更大价值潜能 - 以定制模型实现场景化需求

易于使用的生成式AI应用程序，如ChatGPT、DALL-E、Stable Diffusion等，正在快速将这项技术广泛普及到商业和社会中。这将对组织产生深远的影响。LLMs处理大规模数据集的能力使它们具有“知道”组织曾经了解和沉淀的一切的能力，包括企业的整个历史、背景、差异化和战略意图，以及其产品、市场和客户。通过语言传达的任何信息（应用程序、系统、文档、电子邮件、聊天、视频和音频记录）都可以被利用来推动下一级别的创新、优化和重构。

全球97%的高管都认为AI基础模型将实现跨数据类型的连接，彻底改变AI的使用地点和方式。现在大多数企业正处于采用周期的早期阶段，大多数组织开始通过使用“现成”基础模型进行创新实验。然而，对许多公司来说，当他们使用自己的数据来定制或调优模型以解决其独特需求时，生成式AI的价值潜能才能被最大程度地放大：

• 使用（Consume）：生成式AI和LLM应用程序已经可以使用且易于访问。公司可以通过API来使用它们，并通过提示工程技术（如提示调整和举例学习）在小范围内为特定的商业用例进行调整。
• 定制（Customize）：大多数公司将需要通过使用自己的数据来对模型进行调优，以使其能被更广泛使用并增强使用价值。这将使模型能够支持整个业务的特定任务。其效果将是提高公司使用AI解锁创新的能力——提高员工能力、让客户满意、引入新的业务模式并增强对变化信号的响应能力。

3. 与AI协作成为新常态的5大应用场景

公司将使用这些模型来重构工作方式。每个企业中的每个角色都有被重新发明的潜力，因为人类与AI共同工作成为常态，极大地放大了人类的能力。在任何给定的工作中，一些任务将被自动化，一些将被增强（意味着在AI的辅助下完成地更好），而一些则不受技术的影响。还将有大量新的任务需要人类执行，例如，确保新的AI驱动系统被准确、可靠地使用。

以下五大领域的职能将会受到影响：

1. 咨询型工作。AI模型将成为每个员工的最佳副手，通过将新型超个性化智能放在人类手中，提高个人生产力。例如，客户支持、销售、人力资源、医学和科学研究、企业战略和市场分析等。大型语言模型可以在处理约70%的客户服务沟通时发挥作用，这些沟通基于会话式，并由强大的智能机器人来完成，从理解客户的意图，自行生成答案，并提高答案的准确性和质量。

2. 创作型工作。生成式AI将成为人类的重要创意伙伴，这将成为新的头脑风暴方式，在生产设计、设计研究、视觉识别、品牌设计、文案生成和测试以及实时个性化等领域带来了前所未有的速度和创新。公司正在采用像DALL·E、Midjourney和Stable Diffusion这样的最先进的人工智能系统来进行社交媒体视觉内容生成外展。例如，DALL·E可以根据文本描述创建逼真的图像和艺术品，并在将单词转化为图片时可以处理高达120亿个参数。创建的图像然后可以在Instagram和Twitter上分享。

3. 技术型工作。软件编码人员将使用生成式AI大幅提高生产力，快速将一种编程语言转换为另一种，掌握编程工具和方法，自动化代码编写，预测和预防问题，并管理系统文档。埃森哲正在试点使用OpenAI LLM来增强开发人员的生产力，自动生成文档（例如SAP配置基准和功能或技术规格）。该解决方案使用户可以通过Microsoft Teams聊天提交请求，然后迅速返回正确打包的文档，这是一个很好地说明特定任务而不是整个工作将得到增强或自动化的例子。

4. 自动化工作。生成式AI对历史背景信息、下一步最佳行动、总结摘要能力和预测的精细理解，将在贯穿前台和后台的流程中催化出高效且个性化的新运作模式，将业务流程自动化推向一个变革性的新水平。一家跨国银行正在使用生成式AI和LLMs来改变其管理海量后交易处理电子邮件的方式，自动起草推荐性的消息并将其发送给收件人，这减少了手动工作同时提升了与客户互动的流畅性。

5. 维护型工作。随着时间的推移，生成式AI将支持企业治理和信息安全，风险防范，提高监管合规性，并通过在组织内外构建跨领域的风险识别、管理和防范型策略。在长期的战略性的AI网络防御中，LLMs将成为有力的武器，例如识别恶意软件并快速分类网站。与此同时，组织也需要注意，犯罪分子或将利用生成式AI的能力生成恶意代码或编写完美的钓鱼邮件。

2024创新战略

立即查看方案 >

下行周期企业创新如何做对？AI创新如何应对更不确定性？规划创新路线图，制订创新北极星，优选创新项目组合和配套创新组织机制推进执行。以此开启可持续创新增长的新篇章。

4. 6步助企业实验和采用生成式AI

公司有许多运用生成式AI和基础模型以最大化效率和获得竞争优势的途径。但为了更大程度放大这项技术所能带来的商业价值，公司需要重构智能化商业模式。商业领袖们需要带头引领变革，包括数字化战略重塑、日常流程和任务重塑和人员引进和培训。

为了开始采用这项技术，以下几点是必要的基本要素：

5.1 以业务驱动的思维导向

即使某个方向创新具有明显的优势，将其传播到整个组织中仍是非常具有挑战性的，特别是当创新将颠覆当前的工作方式时。通过尝试应用生成式AI的能力，公司将通过实践早期的成功案例、并通过变革推动者和意见领袖提高整体接受度并进一步推广创新，启动创新转型和再培训议程。

组织必须采取双模创新实验的方法。一种是专注于利用易于使用的现有模型和应用程序快速实现价值反馈。另一种则是专注于利用定制的模型重构业务、客户互动和产品服务的商业模式。

商业驱动的心态是定义并成功实施商业案例的关键。通过实验和探索创新机会，公司可以通过实际的价值，持续学习那种方式或者AI模型更适合不同的商业使用案例，投资回报率和技术复杂性水平因商业使用案例而异。企业还需要注意关注以下维度，敏捷地测试和改进数据安全性、模型准确性、偏见和公平性，并进行风险管理，例如何时需要人为干预的保障措施。

全球98%的高管认为，AI基础模型将在未来3至5年中在其组织的战略中发挥重要作用。企业应该以商业目标为导向，探索如何使用生成式AI来实现这些目标。例如，一家零售商可以使用生成式AI来预测客户购买行为，并根据这些预测来制定更有效的促销策略。

另一个案例是银行使用增强式的搜索功能为员工提供正确的信息。作为其三年创新计划的一部分，一家大型欧洲银行集团看到了革新知识库使用方式、赋予员工获取正确信息的能力，并实现成为数据驱动型银行的目标的机会。该银行利用Microsoft的Azure平台和GPT-3 LLM搜索电子文档，用户可以快速获得答案，从而节省时间并提高准确性和合规性。该项目还包括员工再培训，是将生成式AI应用于合同管理、对话式报告和票证分类的四个项目之一。

5.2 以人为本, 赋能为要

成功采用生成式AI需要同等关注人员和培训，和技术人才的引进。因此，公司应大幅增加对人才的投资，以应对研发AI和使用AI这两个不同的挑战。这意味着需要在技术能力（如AI工程和企业架构）方面引入相关人才，并在整个组织中培训员工有效地利用AI驱动的流程。例如，在我们对22个职业类别的分析中，我们发现LLMs将影响每个类别，从低端的工作日9％到高端的63％不等。在22个职业中的5个职业中，超过一半的工作时间可以通过LLMs进行转型。

在22个职业中的5个职业中，超过一半的工作时间可以通过LLMS进行转型（SOURCE：ACCENTURE）

企业应该考虑员工和客户在生成式AI实施中的角色，并确保他们能够理解和接受这种技术。例如，一家医疗保健公司可以使用生成式AI来帮助医生诊断疾病，但必须确保医生能够理解并信任这种技术。

事实上，独立的经济研究表明，公司在帮助员工跟上AI进步方面的投资明显不足，而这需要更复杂和基于判断的认知任务。即使是理解如何应用现实世界数据的领域专家（例如，医生解释健康数据）也需要足够的技术知识来了解这些模型的工作原理，以便对其使用作为“工作伙伴”充满信心。

另一方面，AI的采用将创造出全新的岗位，包括语言学专家、AI质量控制员、AI编辑员和提示工程师。在生成式AI显示出最大潜力的领域，公司应该首先将现有工作分解为基本任务。然后评估生成式AI可能影响每个任务的程度 —— 自动化模式、增强模式或者是人工模式。

5.3 准备好业务数据集来训模

企业需要准备自己的数据集，以便训练生成式AI模型。例如，一家银行可以使用其客户交易历史数据来训练一个生成式AI模型，以预测未来交易。

定制基础模型将需要访问特定领域的组织数据、语义、知识和方法论。在生成式AI时代之前，公司仍然可以采用以用例为中心的方法从AI中获得价值，而不必通过现代化数据架构和资产来实现，但现在情况已经不同了。

基础模型需要大量经过精心筛选的数据来学习，这使得解决数据挑战成为每个企业的紧急任务。公司需要战略化且科学化的方法获取、扩大、提炼、保护和部署数据。具体来说，它们需要在云上构建一个现代化的企业数据平台，并拥有可信的、可重复使用的数据产品。因为这些平台是跨领域的，具备企业级分析和数据仓库或数据湖中的数据，数据能够摆脱组织的孤立状态，并为整个组织使用。所有业务数据可以在一个地方或通过分布式计算策略（如数据网格）一起分析。

企业在云上构建强大的数字核心的三个新战略目标：构建数据平台以提取内在价值，通过利用预构建的云端AI服务和基础模型加速价值显现，最后通过嵌入式AI在整个企业中创建指数级价值。只有当数据摆脱孤立状态，可以在一个地方或通过数据网格这样的分布式计算策略中一起进行分析时，才能释放其价值。这是企业激活先进的AI/ML的先决条件。

由于文章篇幅有限，原文链接，可以点击：

创新指南｜2024企业如何开启生成式AI创新?从5大应用场景和6步抓手