距離 ChatGPT 進入公眾視野已經一年多。從 B2B 技術的角度觀察這一現象,不要低估消費者技術的影響。實時追蹤的共享乘車應用程序已經改變了商業食品和飲料分銷等行業對即時交付預估時間的期望。
我們仍處於理解生成式 AI 對企業環境影響的早期階段。雖然大型語言模型(LLM)已經在行銷和人力資源等領域取得進展,但如何有效整合進入建築、製造和運輸等行業,尤其是這些行業正在進行數字化轉型,仍是一項持續的挑戰。
以下是企業今天如何利用生成式 AI 以及這項技術在 2024 年及之後的演變一些關鍵見解。
人類與 AI 的合作提升了戰略專注力
許多員工花費過多時間在數據錄入和消息管理等行政任務上。最近的 Zapier 調查顯示,76% 的員工每週在戰略性任務上耗時不到三小時。精簡這些行政工作對於將時間重新分配至更具影響力的工作至關重要,而對話式 AI 在這方面可以扮演重要角色。
AI 可以簡化數據輸入、檢索和交付等任務,從生成客戶支持回應到創建社交媒體內容。成功應用 AI 需要人類用戶與 AI 系統之間的密切合作。雖然 AI 在內容生成方面表現出色,但人類的監督可以確保準確性、倫理使用和上下文適當的回應。
大型語言模型並非所有行業的通用解決方案
儘管 LLM 在總結資訊和生成內容等方面非常強大,但對於涉及實體運作的行業(如運輸或建築)而言,並不是一個萬能的解決方案。這些行業面臨複雜挑戰,往往需要多種技術的結合。例如,LLM 必須與各種數據處理功能(包括自動驗證和查詢)協同工作。
此外,實體運營中的數據規模和複雜性(可能包括視頻、傳感器和位置數據)即使是最先進的 LLM 也無法單獨完全解釋。
展望未來:可解釋的 AI 將促進信任與採用
在實體運作領域,AI 開發的下一個里程碑將專注於將 AI 與物聯網(IoT)相結合,並提供基於多元數據集的實時見解。這些見解的價值取決於用戶對數據來源和意義的理解。
為了增強對 AI 解決方案的信任,組織應優先考慮可解釋的 AI(XAI)。XAI 解釋了 AI 系統的決策過程,提供了 AI 與數據互動方式的清晰度。這種透明性對於建立用戶信任至關重要,將促進系統的可靠性。
例如,一個執行工作流程的先進 AI 代理可以利用 XAI 解釋其決策過程,讓用戶能夠引導代理實現預期結果。
AI 專業化將加劇人才競爭
雖然 AI 模型可以從龐大的數據集中提取信息,但要實現有效的結果,往往需要針對特定行業的工具。2024 年,我們預期生成式 AI 將持續演變,朝著領域專業知識和實時適應性轉變。例如,石油和天然氣公司的 AI 需求與物流公司的需求將有顯著不同。生成式 AI 與行業專業知識的融合將帶來有價值的見解,提升各個領域的決策能力。
隨著 AI 在產品和操作框架中的進一步融合,對專業 AI 人才的需求將在 2024 年增長。除了機器學習、統計和編程的專業知識外,還將需要針對各個領域 AI 應用的特定技能。
此外,組織還必須在多個職能部門中投資於員工再培訓,以有效利用 AI 工具,例如培訓人力資源人員使用 AI 助理。現在優先考慮再培訓的公司將在未來取得更大成功;一項 McKinsey & Co. 的調查顯示,AI 領先者再培訓其員工的可能性是落後者的三倍以上。
生成式 AI 在 2024 年及以後擁有巨大的創新潛力。然而,為了充分利用其力量,我們必須記住,人類依然是技術進步的核心。正確的指令和數據對於 AI 解決問題至關重要,但優先考慮人員是確保長期成功的關鍵。