生成式 AI 不是魔杖，而是一种战略工具

快速阅读: 据《您的故事》称，生成式AI虽强大，但并非无所不能。企业需克服误解，如独立解决问题、快速见效及取代人力等误区。成功应用AI需跨部门协作、完善数据治理，并关注安全性与人才培养。通过分阶段部署与明确ROI指标，AI可为企业带来持久价值。

被誉为全面革新内容创作与客户服务的AI助手，经常被赋予无所不能的能力。尤其是AI代理快速融入业务流程后，这种兴奋情绪进一步加剧。这些代理能够自主完成任务并作出决策，展现出强大的能力。麦肯锡估计，生成式AI（生成式人工智能，简称生成式AI）对全球经济的贡献可达4.4万亿美元。然而，目前最大的挑战是如何找到与AI战略目标一致的业务目标。

打破常见的生成式AI误区
尽管生成式AI能力非凡，但常常被误解。德勤近期的一项调查显示，78%的公司计划增加在AI上的支出，但只有20%的公司看到显著影响。这一差距表明普遍存在一种误解，即AI可以独立解决复杂的业务问题，几乎不需要人类干预。然而，生成式AI模型需要经过微调、监督以及整合到现有工作流程中，才能产生有影响力的结果。

另一个传统误区是：生成式AI不会一夜之间创造价值。许多公司可能会大规模投资于AI驱动的项目，并期待快速的投资回报。但实际上，训练模型、清理数据以及管理安全和合规问题以在市场中部署有效的AI，需要巨大的能力和努力。

接下来是一个经典误区：AI不会取代人类工作。微软2024年的工作趋势报告显示，企业领导者希望雇佣更多具备AI技能的人才。避免“炫目效应”的关键因素是数据准备就绪。大型语言模型（LLMs）依赖丰富、高质量的数据集。然而，许多组织面临数据不完整或孤立的问题。完善的数据治理和基础设施是实现AI生成见解的关键投入。

除此之外，跨职能协作对于AI的成功至关重要。IT、运营和业务部门之间的跨职能协作能全面推动AI采用，确保技术能力与业务需求之间的协调一致。此外，谷歌云的Subram Natarajan表示，生成式AI不是传统技术的替代品，而是补充者。

安全、监控和人才培养
要推出生成式AI，有一系列复杂的操作问题可能会阻碍成功。首先，存在模型准确性与偏见问题。AI模型可能无意间从训练数据中获取偏见，从而产生偏差且不道德的输出。企业需要有完善的监控程序来识别和消除偏见，以确保公平并遵守法规。

其次是安全性问题。随着生成式AI模型处理大量敏感数据，它们容易受到网络攻击。遵循NIST和ISO 27001/2的网络安全标准对于确保AI部署的安全性是必要的。

最后，招聘和培养人才同样重要。AI工程师的需求远超供给；公司必须资助培训，以便为其人才库配备管理AI计划的专业知识。

让生成式AI成为商业资产
为了使企业最大化从生成式AI获益，需要定义特定指标来衡量AI项目带来的效率提升、成本节约和收入增长等ROI。例如，埃森哲的研究表明，采用AI驱动运营的企业平均收入增长率是同行的2.5倍。其他可能体现财务影响的定性变量包括创新潜力、员工生产力和客户满意度。

公司需要分阶段部署AI，先从小规模试点项目开始，以快速获得成果和洞察力，然后再在整个业务中扩展。这样可以降低风险，并根据实际表现进行增量改进。

为了使企业最大化从生成式AI获益，需要定义特定指标来衡量AI项目带来的效率提升、成本节约和收入增长等ROI。例如，埃森哲的研究表明，采用AI驱动运营的企业平均收入增长率是同行的2.5倍。

没有魔法，只有策略
生成式AI不是魔法。它更像是一道复杂的菜谱——一道需要恰到好处的战略、数据和执行才能酿造出真正商业价值的菜肴。只有当AI巧妙地融入组织的核心功能时，其潜力才能被挖掘。因此，抛开炒作，保持理性态度，并持续改进，使AI成为持久的价值资产。

作者是Optum（联合健康集团的一个部门）的数据工程经理。

(以上内容均由Ai生成)