撰文：Sanjay Srivastava

来源：福布斯

编译：8btc

在一系列令人眼花缭乱的围绕生成式 AI 的功能和新创业公司的发布和演示中，值得反思的是，我们今天在企业中看到了一些最广泛的使用案例，以及我们在将其投入使用时获得的早期经验。

生成式 AI 的主流企业用例正在出现

我们看到，在整个业界的会议室里，在大量的对话和讨论中，有三个企业用例正在成为主流：

首先，在客户支持方面，生成式人工智能 — 包括 GPT3 + 和其他大型学习模型，正在将对话式聊天机器人的能力转变为一种感觉自然、更加准确、能更好感知和应对语气和情绪的能力。因此，产品支持聊天机器人中的对话式人工智能是我们在业界看到的第一批企业用例之一。这些聊天机器人可以搜索和查询现有的内部信息，并以类似人类的方式进行交流，为客户回答问题和解决常见问题。对于已经使用某种形式的对话式人工智能的公司来说，GPT 提高了响应质量和客户满意度。而对于希望将其人工呼叫中心转换为反应更迅速、永远在线且更有效的公司来说，GPT 成为了一个极具吸引力的选择。

第二，围绕商业洞察力，数据科学最大的挑战之一是将商业用户与数据科学家分开。前者最了解业务的细微差别和需要回答的问题，但只有后者才能真正用计算机语言编程来获得这些问题的答案。生成式 AI 现在允许商业用户用自然语言提出问题。AI 可以将这些问题转换为 SQL 查询，针对内部数据库运行，并以结构化的叙述方式返回答案，所有这些都在几分钟之内。这里的优势不仅仅是效率，它是决策的速度和业务用户更直接、更具交互性地询问数据的能力。

第三，在编程自动化方面，大型语言模型在多种语言中具有很高的准确性 — 包括计算机语言。软件开发人员编写代码和相关文档的时间几乎减少了 50%。例如，微软的 Power Automate 程序 — 一种机器人流程自动化的工具 — 现在可以使用自然语言编程，以更直观和用户友好的方式实现任务和工作流程的自动化。 这不仅比让大型的程序员和测试人员团队参与进来更有效率，而且还减少了自动化启动和运行的时间和迭代。

生成式 AI 给企业带来的新挑战

随着生成式人工智能的发展势头，我们发现企业需要关注几个挑战，其中最重要的是：

像任何新兴技术一样，今天执行生成式人工智能的最大挑战之一是其相对不成熟。虽然生成式 AI 非常适合在个人使用中试验聊天机器人，但它在主流企业应用中仍处于早期。部署它的组织不得不自己做很多繁重的工作，比如通过实验找到最佳的使用案例，在不断增加的、令人困惑的可用选项列表中进行筛选（例如在 OpenAI 的 ChatGPT 服务与微软 Azure 之间进行选择），或者将其整合到他们的业务流程中（通过将其充分整合到许多应用工作流中）。结果是，随着技术的成熟，这其中的大部分都会消失，应用供应商会竞相将更多的技术以一种已经整合的方式纳入到他们的核心产品中。

第二，生成式 AI 的主要缺陷之一是可能产出不正确但明显令人信服的回答。由于 GPT 在自然语言处理方面取得了重大进展，因此存在一个相当大的风险，即它提供的答复听起来是正确的，但事实上是错误的。在准确性至关重要的行业，如医疗保健或金融服务，这是不允许发生的事情。企业必须仔细选择正确的应用领域，然后建立治理和监督，以减轻这种风险。

第三，企业需要注意设置和管理企业准则：数据隐私以及维护受保护企业数据的机密性是企业成功的关键。因此，作为第一步，定义和设置适当的企业准则是至关重要的。除了机密或个人身份识别或其他受保护数据丢失的风险外，用专有数据训练公开可用的语言模型的额外风险是，它可能导致知识产权的无意损失，特别是当基于训练的结果被提供给其他竞争对手时。要有健全的政策和框架很难，因为它们必须一方面平衡创新的需要，另一方面平衡生成式人工智能的相关风险。

最后，在过度沉迷于被炒作的技术和专注于最高回报计划之间找到适当的平衡可能具有挑战性。组织需要确保他们为最紧迫的计划分配适当的资本和资源。另一方面，那些坐等技术成熟太久的组织，可能会失去人工智能在行业主流化的机会，落后于可能对他们的业务产生重大影响的最新技术，并降低他们的持久竞争优势。

当下和长期成功的最佳策略

当组织希望利用生成式人工智能来推动创新和增长时，以下这些策略可以确保当下和长期的成功：

通过所有即将出现的创新和组织对生成式人工智能的实验，企业必须为组织定义和发布适当的使用规则和隐私/保密指南。明确的方法可以加速创新，同时保护更广泛的企业利益，并提供一个更成熟和稳定的滑行曲线，使生成式人工智能模型进入企业的主流。

企业应该成立一个小型的重点小组，负责试验生成式人工智能和重新设计核心业务流程。这个小组应该向企业的最高层报告，目标是弄清楚如何颠覆当前的流程和商业模式。因为它有可能颠覆现有的做事方式，所以它需要敏锐的关注和明确的支持，让它成为某人的夜间工作或爱好的一部分并不总是能带来明确的商业结果。

最后，必须不断地评估生成式人工智能生态系统中的新兴解决方案。今天已经有了许多不同的 LLMs，而且更多的 LLMs 正在路上 — 每一个都有相关的优势和劣势。随着它们的商业化，新的模型将包括那些在特定行业中经过领域训练的模型，或者提供更好的企业级安全，使它们成为优秀的选择。 同样，随着企业应用将生成式人工智能整合到他们的核心中，需要围绕整合的最佳方式进行深思熟虑。和以往一样，接受新工作方式的变革管理对于实现任何技术变革的全部价值至关重要。