生成式AI已成为一项基础性技术，对企业产生深远影响。在早期阶段，这项技术主要用于创建虚拟人物和自动化图像生成过程。然而，随着ChatGPT的出现，大型语言模型已经超越了传统的自然语言处理方法，逐渐被企业所采纳和应用。
ChatGPT的广泛应用使人们对这一技术的热情高涨，它已成为迄今为止应用速度最快的应用之一。然而，大型语言模型的潜力远不止于此，它们还可以被用来打造更具人性化的聊天机器人，并作为通用翻译工具，用于不同领域的代码生成、复杂数据集的理解，以及为各种角色和客户提供更简化的用户体验。整个行业正在逐渐认识到大型语言模型的多功能性。
全球战略与管理咨询公司Kearney的高级分析实践合伙人Bharath Thota表示：“生成式AI的能力，如提示工程和自适应响应，是使它与以往的AI模型不同的地方。随着ChatGPT被引入到普通大众，我们看到人们现在对AI的理解和互动方式发生了变化。”
然而，这项新技术也伴随着各种挑战，比如容易出现幻觉，需要领域专家的监督和审查。它还引入了关于负责任AI使用的伦理挑战。如果不加以控制，生成式AI还可能加剧现有的问题，如偏见、隐私、安全和公众意见。
以下是生成式AI将对企业产生不同影响的一些方面，包括能力、企业工作流程、应用案例和伦理方面。
未来的生成式AI能力
生成式AI将赋予企业以下能力。
自学习模型的兴起
LLM之一的吸引力在于它们具备自主探索广泛未标记数据集中模式的能力，至少在某种程度上。行业逐渐认识到，要达到最佳效果，需要对数据进行审查和微调模型。软件开发咨询公司TXI的首席产品设计师Rex Chekal预测，会出现更小型的自学习模型，它们将与像GPT-4这样需要大量数据的大型模型竞争。微软的Orca是一个早期的案例，它通过渐进学习和教学辅助来模拟较大模型的推理过程，以填补性能差距。Chekal指出：“对于CIO，采用[LLM]将相当于引入一位不断提升、透明展示工作方式的超级员工。”
可访问性
生成式AI的创新使得更容易为各种员工定制信息和体验。波士顿咨询集团（BCG）的技术和数字业务全球领导、董事总经理Benjamin Rehberg表示：“生成式AI以前所未有的方式使所有员工，而不仅仅是技术和IT人员，能够访问数据和技术。”因此，无需编码或只需少量编码即可使用AI工具正日益成为新的现实。
通用到专业模型
生成式AI的第一波浪潮带来了在许多任务上表现优异，但在特定领域存在显著问题的新模型。Everest Group合伙人Anil Vijayan预测，随着生成式AI进入特定行业和领域，将推动为特定目的微调的模型的发展。例如，银行、保险和人力资源领域的模型将更具备使用这些较窄领域语言的能力。
基于基础生成式AI模型的应用
Vijayan还预计将会出现大量基于LLM或经过调整的LLM来解决特定需求的应用程序。早期的例子包括网页导航助手和代码开发助手。早期增长将从B2C情境开始。一旦风险得以减轻，B2B和企业对企业的应用程序将会迅速增长。
开源LLM的崛起
最早的LLM来自OpenAI和其它公司，相对来说是专有的。更加开放的模型，如Meta AI的Llama 2，提供了增加透明度、定制性和成本效益的可行替代方案。根据Nucleus Research的研究分析师Samuel Hamway的说法，这一趋势应当会持续下去。对于CIO来说，这将意味着更多对数据和AI操作的掌控，但也需要增加在模型管理、维护、治理和硬件基础设施方面的专业知识。
LLM插件生态系统以增强能力
生成式AI供应商，如OpenAI，开始支持能够增强LLM核心能力以变得更具任务特定性的插件。Hamway表示：“这种任务基础使LLM更具有定向任务的能力，并在不同的垂直领域中更有用。”这些插件生态系统还简化了将AI集成到现有工作流程中以及推出基于AI的产品的部署。
搜索工具的改进
新一批企业搜索工具使用LLM来增强对相关数据的访问。一个关键创新将是改进向量数据库，这些数据库将数据转换为更易让LLM访问的中间格式。Hamway表示，企业搜索项目将需要考虑数据检索机制作为核心能力，以使数据更具可操作性，并使洞察更及时。CIO还应考虑如何通过统一的数据架构来提高与LLM支持的搜索功能的集成。
未来企业场景中的生成式AI
以下是生成式AI将影响企业的九种具体方式：
技能提升
利用生成式AI的快速发展可能会加速提升技能的步伐。全球咨询公司PwC的全球AI和创新技术领袖Scott Likens表示：“AI助力技能升级为企业指明了如何运用生成式AI以及该技术为企业带来的优势。”他预测，未来将有更多公司加大投入，培训和提升员工现有的技能，特别是在生成式AI的应用领域。
混合架构
Likens还观察到，生成式AI正在以他鲜见的速度发展。开源软件和大型科技公司平台的创新步伐加快，这意味着企业需要重新思考如何测试和扩展这些技术。这还增加了更快速变化的混合架构的使用，这种变化比他以前见过的数字转型更快。这些新方法可以缩短实现价值的时间，但也需要在新产品中设计灵活性。
改变专业知识的性质
生成式AI自动化了越来越多的任务以提高生产力。Everest Group的Vijayan预计这也将改变专业知识的性质。企业需要重新思考他们的人才议程、劳动力规划和学习与发展计划。有价值的人类专业知识的标准将从掌握编程语言语法等方面上升到更高层次的理解。企业需要重建他们的技能分类法，并重新评估他们如何规划人才。
重视企业数据战略
生成式AI的最大收益将要求超越生成文本、图像和其它媒体的“易得之果”。Vijayan设想未来生成式AI将创建适当的业务或IT工作流程，从头开始创建复杂文件，并生成特定于公司的市场材料。这些新应用场景将要求无缝访问企业数据，无论采用何种方法。他说：“企业数据之旅并不是新的，但生成式AI将需要更多的关注和可能需要更多的投资，以更快地实现目标。”
工作任务自动化正在重塑工作
之前的自动化浪潮集中于机器人流程自动化和业务流程自动化，旨在自动化整个流程。生成式AI可以帮助更快速推动自动化，但可能仅足以处理目前由人类在更大流程中执行的某些任务。BCG的Rehberg表示，某些任务将完全自动化，而更为复杂的工作将需要人的参与。他说：“我们认识到所有革命性的发展都没有导致减少工作机会，只是员工的效率和效益发生了变化。认为未来将减少工作机会是错误的，某些工作只会被重塑和演进。”
生成式AI嵌入到现有企业应用程序中
IT咨询公司LTIMindtree的CIO Rajesh Kumar R预测，生成式AI将从独立的助手（如ChatGPT）转变为自然融入到生产应用程序中，如电子邮件、电子表格、内容创作工具、演示工具以及其它核心企业系统，如ERP、CRM、人力资源管理和招聘系统。微软的Copilot提供了如何在不同应用程序中展开的早期示例。
竞争、颠覆和降低进入门槛
生成式AI将使企业能够用更少资源实现更多自动化。Vijayan表示：“随着成本降低，根本上新的商业模式在多个领域变得更具可行性。”这类似于数字银行迅速从传统实体银行夺走业务的方式。这可能在股票媒体、客户服务、娱乐等行业中特别具有颠覆性。
生成式AI的细分未来
企业将逐渐认识到，定制LLM以满足其特定行业和应用场景将带来最佳结果。AWS的类别管理主任Mona Chadha预测，未来不会出现一个通用的工具，如适用于所有行业的聊天机器人。相反，每个组织都将开发一个针对其基本业务需求的生成式AI产品。她说：“这些工具将包括高度领域特定的LLM，消费者可以使用自身的上下文数据来使用这些工具。”
成本
目前的生成式AI服务相对较为昂贵，相较于传统的搜索和自然语言处理（NLP）技术而言。不过，Vijayan发现价格已经降低了至少一个数量级，他预测随着基础设施、托管、训练和推理效率的提高，以及规模经济的进一步降低成本，价格将会继续下降。
生成式AI未来的应用场景
以下是生成式AI未来将塑造企业内各种应用场景的一些方式。
研究
生成式AI将对研究工作产生最大的影响，特别是对于那些涉及大型数据集的工作。数据安全公司Cohesity的首席信息安全官兼IT主管Brian Spanswick表示，这其中涵盖了与法律问题、科学研究、数据治理和代码开发相关的研究。此外，这也将增加日常工作中更高层次的批判性思考。LLM将几乎瞬间完成对更大数据集的研究工作。他说：“员工的价值将在于根据可信数据进行明智的决策，而不是将大部分时间花费在琐碎的工作上。”
网络安全
生成式AI还将简化网络安全领域的许多方面。Spanswick指出，网络安全面临的最大挑战之一是准确理解关键数据的存储位置，以及数据在公司内部如何流动，以及这些数据如何支持公司的核心业务流程。生成式AI将协助安全团队进行数据获取、分析、综合和采取应对措施，使他们能够更轻松地理解攻击可能出现的表面和所需采取的保护级别，以及评估这些攻击表面的安全状况。这将有助于合理安排安全投资的优先级，准确评估网络风险，并为制定核心安全控制的详细关键绩效指标提供支持。
业务智能
生成式AI将在提升业务智能（BI）的价值和效益方面发挥关键作用，这是软件开发公司Cloud Software Group的首席产品经理Porter Thorndike的预测。分析供应商已经开始探索如何利用其平台中的AI能力，要么与现有的生成式AI服务集成，要么自行构建生成式AI。生成式AI还将简化传统的BI工作流程，这些流程通常需要开发人员、数据科学家和业务分析员之间的紧密协作。LLM将帮助生成相同的内容，同时对技术技能的要求更低。它们还有助于解释针对不同用户调整的现有仪表板上内容的含义。
AIOps的进展
企业正越来越多地利用AI来改进IT运营管理，即AIOps。有时，人们会将AIOps与MLOps混淆，后者专注于增强机器学习开发工作流程。云备份和存储服务Backblaze的云运营高级副总裁Chris Opat预测，生成式AI将改善筛选大量与IT相关的数据以采取程序化行动的能力。目前，他已开始与Selector AI合作，从各种形式的业务数据中提取信息，以更快速、更准确地识别和减轻异常行为。
个性化客户体验
生成式AI还在帮助企业通过定制互动、网站体验、产品和服务来增加客户参与度。Kearney的Thota表示，生成式AI可以为企业创造高度个性化的内容，从而通过交叉销售和升级销售机会提高销售额，同时还能减少客户流失。他建议CIO与市场营销和客户关系团队紧密合作，以深入了解生成式AI如何与现有的客户参与策略相结合。这有助于指导数据的收集和整合，以构建个性化引擎，并建立相应的结构以扩展该工具在组织中的应用。
先进的对话AI技术
随着生成式AI技术的发展，将出现更复杂的自然语言处理（NLP）模型，它们能更好地理解语境并生成更像人类语言的文本。Thota认为，这种技术可能会在各个方面改变业务运营，包括客户支持、多语言支持、对话式知识数据库和跨多个功能的虚拟助手。他建议公司提前做好准备，通过确定高级对话AI可以为面向客户和员工的互动带来价值的领域。此外，他们还应开始考虑治理并建立用户准则，以防止对话AI模型的滥用。
自动化内容创建
市场营销、传播和设计团队正在利用AI驱动的工具来简化内容创建流程，从而加快广告活动的时间表，优化创意资源的分配，并增强品牌的一致性。Software AG的首席产品官Dr. Stefan Sigg表示。CIO需要探索如何将AI驱动的工具整合到工作流程中，以改进AI与人类之间的协作。此外，提升创意团队的技能以与AI系统协同工作、扩展AI基础设施以满足增加的内容需求，以及促进组织文化的转变，将AI视为创意伙伴而非替代品，都至关重要。他说：“或许，大型企业最终将拥有自己的EnterpriseGPT，以便在公司内部进行定制使用。”
运营效率的提高
AI咨询公司Bristlecone的AI和分析负责人Shipra Sharma表示，预计广泛采用生成式AI应该会提高许多不同行业的运营效率。它可以与人类协同工作，使人类工作变得更加轻松，从而节省时间和成本。Sharma说：“这是一个切实可行的趋势，所有组织最终都会找到一种使用生成式AI来提升运营灵活性的方式。然而，目前仍然存在疑问，即它是否能够在没有人类干预的情况下增加利润或解决高度复杂的问题。”
生成式AI引发的伦理问题
随着生成式AI的快速应用，各种新问题也将随之出现，并可能加剧现有问题。以下是需要考虑的重要方面：
主要风险
Everest Group的Vijayan指出，企业必须关注与生成式AI广泛采用相关的主要风险，其中包括监管、知识产权、数据、隐私和可解释性等问题。他预测，企业和供应商将积极开发具有可行性的解决方案和缓解机制，以应对这些挑战。
负责任的使用
PwC的Likens强调了负责任的使用AI的重要性。企业必须考虑生成式AI在安全性和性能方面的风险，例如偏见和幻觉。为了确保员工能够负责任地使用AI，企业需要制定相应的计划并采取必要的措施。此外，企业将更加重视对内部AI工具的投资，以确保专有数据和想法能够得到妥善保护。通过采用负责任的AI框架和防范措施，企业可以促进负责任和道德的使用AI。
影子AI
云服务的低成本和便捷性催生了影子IT的增长，超出了IT治理的范围。蒙特利尔AI伦理研究所的创始人和首席研究员Abhishek Gupta预测，影子AI也将呈现类似的趋势。这指的是组织在未经明确批准或监督的情况下，自行使用或开发的AI系统、解决方案和服务。其涵盖范围广泛，从使用未经批准的软件和应用程序，到组建类似干事小组的方式开发基于AI的解决方案。企业应积极提升员工对AI系统的负责任使用意识，并倡导对新风险的讨论，例如幻觉、偏见以及私人信息的泄露。Gupta表示：“最终，我们的目标是让负责任的AI成为常态，而不是例外。”
法规和版权问题
监管机构目前仍在初步阶段，正在处理AI对现有版权和知识产权框架的影响。Thota指出：“生成式AI模型所创造的内容与人类创作的作品相似，这可能会引发法规和版权问题。”企业需要建立关于内容道德使用的计划，并确保模型避免抄袭行为。CIO还应积极与法律团队合作，制定公司内部生成式AI应用程序的政策和准则。此外，密切关注行业内版权法律和法规的新趋势至关重要。
可信的AI
Kumar R预测，生成式AI技术提供商和管理机构将着重提高其可信度。这将包括加强技术安全性、提供数据保护保证和法律保护。同时，数据标记、标签以及数字水印等方法也将有助于增强信任。这些实践还将提升数据使用的透明度，提高对版权等问题的清晰认知。
保密计算的兴起
对于涉及个人可识别信息或机密数据的许多企业数据集来说，仅仅在大规模数据集上进行LLM训练是不够的。Sigg预计，安全和隐私问题将推动生成式AI朝着联邦学习和安全多方计算等技术的发展，这些技术在训练过程中可以有效保护敏感数据。他表示：“这些进展将允许企业在分布式数据上进行协同训练模型，促进跨行业的合作，同时确保数据的安全性和遵守GDPR等法规。”数据共享和隐私保护之间的平衡为以前因隐私问题而受限的创新合作敞开了大门。
解释性AI
早期的生成式AI模型让人难以理解如何在整个组织中规模应用这项技术。AWS的Chadha预测，解释性AI的创新将协助CIO更好地理解其客户群体以及产品影响、市场采用和内部利用等方面的价值。
能源利用
生成式AI可能显著影响IT资源的能源利用，从而对组织的能源消耗产生影响。Chadha指出，组织应首要考虑那些对其客户最有价值的应用场景，并简化推断代码，以降低成本和时间。此外，可以考虑制定策略，以增加GPU容量，从而提高生成式AI培训和推断任务的核心GPU效率。CIO还可以考虑使其公司本地运行工作负载，并监测云服务商对可持续性的影响。
伦理挑战和关切
在构建一个健全的伦理AI框架时，企业可能会面临多种障碍，尤其是在生成式AI时代和AI能力日益普及的情况下。
