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

Runwise 创研院

2023-05-09

Runwise 创研院

2023-05-09
AI赋能创新, 产业创新, 创新战略

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

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：

立即登录阅读全文

登录或注册即可解锁全站内容，即表示你理解并同意服务协议与隐私政策

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。

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。

Accenture基于对全球最大的700家企业的高管进行调查，发现一些公司在从数据中获得价值方面表现出色。这些公司了解数据来源，将组织内外的数据汇聚起来，不仅用于操作或交易目的，还用于分析性决策，并拥有适合今天和未来的数据工具基础设施。其总结出这些表现最好的公司的六个关键实践：

1. Extricate: 打破数据孤岛

将被困在传统系统和孤立系统中的数据解放出来，实现企业级数据图谱，将数据汇聚在一个地方进行分析，以便规模化地激活先进的AI/ML。

2. Extend: 扩展数据边界

捕获、管理和处理跨公共云、私有云和网络边缘的数据，实时激活数据并优化数据位置。

3. Productize: 产品化数据

确定产品属性，并采用成熟的产品开发实践、流程和工具，提供质量、可配置性和可重复使用性。

4. Automate: 数据自动化

从DevOps转向DataOps，在数据管理中应用广泛用于软件开发的严谨方法，突出数据的自主管理。

5. Democratize: 数据去中心化

将高质量的数据产品交到需要它们的人手中，在他们需要的时候以他们需要的方式使用

6. Publish: 数据共享标准化

通过安全无缝地获取和分享数据，自信地与更广泛的生态系统合作，挖掘数据的更大的内在价值。

5.4 滚动投资可持续的AI技术栈

企业需要建立可靠、安全、可扩展和易于管理的技术基础设施，以支持生成式AI的实施。例如，一家国际化3C制造商可以投资于云计算和大数据技术，以支持其生成式AI项目。

生成式AI的技术栈可以分为三层：

1. 应用程序：将生成式AI模型集成到用户面向产品中的应用程序，可以运行自己的模型（“端到端应用程序”），也可以依赖第三方API。通过API和直接嵌入其他应用程序，生成式AI和LLMs将更易被用户在云中使用。公司可按原样使用它们，或用专有数据进行定制和微调。

2. AI基础模型：为AI产品提供支持的模型，可以作为专有API或开源检查点提供（这又需要托管解决方案）。随着更多的预训练模型出现，市场将迅速成熟和多样化。新的模型设计将提供更多的选择，以平衡大小、透明度、多功能性和性能。

3. 算力基础设施：基础架构供应商（即云平台和硬件制造商），为生成式AI模型运行训练和推理工作负载。在管理成本和碳排放的同时，云基础设施将成为部署生成式AI的关键。数据中心将需要进行改装，新的芯片架构、硬件创新和高效算法也将发挥关键作用。

生成式AI所依赖的复杂技术预计会在各个层次上快速发展，这将对业务产生广泛的影响。需要考虑的一个因素是，根据各种报告，训练最大的AI模型所需的计算量呈指数增长，现在每3、4到10个月就会翻倍。因此，在采用能源密集型的生成式AI技术时，成本和碳排放是核心考虑因素。

因此，公司需要一个强大的绿色软件开发框架，在软件开发生命周期的所有阶段考虑能源效率和材料排放。另一方面，AI还可以在实现ESG目标方面起到更广泛的作用，使企业更加可持续。在我们调查的那些成功减少生产和运营排放的公司中，有70%使用了AI。

5.5 加速AI生态系统创新

AI基础模型是一个非常复杂、计算密集且昂贵的过程。对于除了全球最大的公司之外的其他公司来说，完全依靠自己进行这项工作将超出它们的能力和财力范围。

好消息是，企业可以借助一个蓬勃发展的生态系统，包括云计算企业、大型科技公司和初创企业的大量投资。据估计，2023年全球对AI初创企业和成长型企业的投资将超过500亿美元。这些合作伙伴经过多年的磨练，带来了最佳实践，并可以为特定用例中高效有效地使用基础模型提供有价值的见解。

拥有正确的合作伙伴网络，包括技术公司、专业服务公司和学术机构，将成为应对快速变革的关键。例如，一家汽车制造商可以与供应商和大学合作，共同开发使用生成式AI的自动驾驶汽车。

整个人工智能生态系统的大致框架包括：

核心技术层：包括技术提供商(谷歌、微软等)提供AI基础技术框架、计算资源和设备，以及研究机构(大学、研究所)进行人工智能前沿研究和创新。
技术合作伙伴：解决AI采用过程中的关键技术，部署多种解决方案，帮助构建管理和部署AI模型。
专业服务合作伙伴：为企业提供咨询、建模和运营服务, 帮助企业客户加速和扩展其AI创新项目，并推定创新合作
应用层合作伙伴：各行业企业(金融、商业、交通等)建立自己的AI团队或与服务公司合作,研发覆盖业务的人工智能应用系统。
监管层：政府相关部门(科技部、工信部等)制定人工智能政策、标准和法规,以指导生态系统的发展,维护社会利益。

为了促进整体生态系统的健康发展，重要是培育各方合作机制:

研究机构与技术公司开展深入合作,将前沿成果转化为技术革新。
企业可以与专业服务公司、技术公司形成长期合作伙伴关系,实现能力建设和价值创造，以满足用户需求。
不同行业企业可以交叉合作,共同探索跨域AI技术及应用。
政府部门要与各方保持良好沟通,及时获取反馈并作出调整,为生态系统发展提供宽松且合理的政策环境。

5.6 建立负责任的AI管控机制

生成式AI的快速采用使得每个企业都需要同步建立一个强大的负责任AI的合规管理制度。这包括在设计阶段评估生成式AI使用用例潜在风险的控制措施，并在整个业务中去提升AI负责（可被信赖）的水平和能力，以确保生成式AI在实施过程中不会对员工、客户或社会造成负面影响。例如，一家保险公司可以使用生成式AI来评估风险，并确保其模型不会歧视某些人群或产生错误的预测结果。

最新的研究表明，大多数公司仍有很长的路要走。对全球850名高级管理人员进行的调查显示，企业高层均普遍认识到负责任AI和AI监管的重要性，但只有6%的组织认为，他们完全将AI的负责任程度纳入了AI基础系统的构建中。

企业中的负责任AI的原则应该由高层领导定义和主导，并转化为有效的治理结构，用于风险管理和合规性治理，既包括组织原则和政策，也包括适用的法律法规。负责任AI必须由首席执行官主导，从培训和认识开始，然后扩展到执行和合规性。基于原则的合规方法能为AI部署提供了保障，同时足够灵活，可以随着快速变化的技术而发展，确保公司不断跟上发展步伐。

为了实现负责任的AI设计，组织需要从被动式的合规策略转向积极发展成熟的负责任AI能力，通过原则和治理、风险、政策和控制、技术和支持工具、文化和培训四大框架来构建匹配的合规管理制度。

构建负责任AI的四个关键维度:

1. 原则与管控：在整个组织内建立透明的管控结构，明确阐述责任AI的使命和原则，以增强对AI技术的信任和信心。

2. 风险、政策和控制：加强遵循现行法律法规，并监控未来法律变化。制定政策来管理风险，通过定期报告和监控实践这些政策。

3. 技术和支持工具：开发支持公平性、可解释性、鲁棒性、可追踪性和隐私性等原则的工具，并将其集成入AI系统和平台。这旨在为实现负责任AI的关键原则提供基础技术支持。

4. 文化和培训：授权领导层将责任AI视为至关重要的业务要求，并要求培训以帮助所有员工对责任AI的原则和成功标准有明确理解。这能够树立负责任AI的重要性，使其得到全面落实。

企业AI创新加速

AI创新业务方向混沌，高失败风险和成本，项目艰难推进，下行走创新如何做对？亟需降本增效地变革创新效率，加快打造创新平台以孵化新业务项目构建新增长。

5. 未来可期2024加速AI应用

2024无疑是生成式AI应用关键年。多年来，人工智能技术，尤其是生成式AI和基础模型，一直在悄然推进我们对机器智能的理解。而最近ChatGPT的佳作,让整个世界惊觉到这一可能性。

虽说人工通用智能(AGI)仍属遥远的前景，但是技术进步的速度令人惊叹。另一方面，它同时也引起了安全和道德的疑虑。如今，建立可靠、安全、负责任的人工智能系统变成业界共同面临的紧迫课题。

我们正处于一个极富吸引力的时代转折点的开端，这将从根本上改变信息获取、内容创作、满足客户需求和运营企业的方式。

嵌入企业数字核心的生成式AI 、语言模型(LLMs)和基础模型将优化日常任务、增强人类能力，并打开新的创新增长前景。在这一过程中，这些技术将为企业带来全新的表达方式和语言。

生成式AI将彻底改变企业的工作方式，并创造出新的服务和产品。但企业也需要对彻底重塑组织运营方式所面临的挑战有一个现实的认识，包括涉及IT、组织、文化和治理等多个方面。公司在运营和培训人员方面的投入应与技术投入同样重要。彻底重构工作方式，并帮助人们适应技术驱动的巨变，将是实现这种人工智能技术的巨大潜能的两个最关键因素。

现在，公司利用人工智能所带来的突破性进展来重定义业务前沿，重新界定企业及所处行业的机遇已经承载而来。

参考文献