跳至主要内容 Skip to footer

执行摘要

在 2022 年底生成式 AI 激发大众的想象力之前,创造新事物(竞争分析、业务演示或软件代码)的能力被视为人类独有的特征。现在,随着 Open AI 的 ChatGPT 首次亮相,任何人只要有一台电脑,就能亲眼目睹生成式 AI 系统以令人难以置信的速度响应提示、提供新的内容和想法。

乍一看,这似乎让人有些压力。但是随着时间的推移,人工智能的前景将会愈发明确:这项技术不是要取代人类,而是要提高和增强人类的智能和决策能力,让我们在已有的工作中做得更好。

企业已经可以安全、负责任地将生成式 AI 工具集成到工作流程中。但是,随着人工智能进一步渗透到企业技术堆栈中,它将会跳出自动化单一任务的局限,进一步扩展到其他领域。多个生成式 AI 代理将相互协作,从修改产品设计到根据即将到来的工作负载确定您的 PTO,编排执行一系列复杂的互连任务所需的所有流程、系统和知识库。员工将不再需要在不同的系统、应用程序和数据中反复切换,而是使用单一的交互式对话界面建立所有必要的联系。

简而言之,生成式 AI 将改变我们的工作方式,通过在幕后发挥作用,将企业的方方面面整合在一起,为消费者和员工提供统一的接入点。随着人工智能的不断成熟,它将使我们目前的生产力水平显得过时,同时在最深层次上改变企业的创新、决策和组织方式。

生成式 AI 的风险是有据可查的。很多企业都因担心其会引发安全漏洞或道德违规行为而举棋不定,这与个人电脑、互联网和移动计算的早期情况无异。但是,与这些技术一样,人工智能技术也将经历目前这个巨大的颠覆时代,成为工作结构中毋庸置疑的一部分。借助尽职调查、管理和分阶段实施,企业可以而且应该能够安全部署这些新工具,而不会限制创新、效率和生产力方面的潜在收益。

如果领导者了解当前趋势的规模,并立即开始安全部署生成式 AI ,那么他们获得的将不仅仅是通常的 "先发优势"。生成式 AI 蕴藏着无穷的可能性,同样,率先采用这种技能也可以获得无穷的潜在收益。

生成式 AI 已经投入使用:

从编写常见问题解答到编写代码,生成式 AI 已在提高工作效率。

图片
下一项技术 - 编排:

更具变革性的是,当生成式 AI 代理开始相互连接和交谈时,将会发生什么。

图片
创新的火花:

生成式 AI 不仅能增强人类的制造和创造能力,还能增强人类的思维能力。

图片
决策助手:

将基因人工智能嵌入业务系统并与正确的数据相结合,决策流程将变得更快捷、更敏锐。

图片
改善组织结构的催化剂:

要拥抱生成式 AI,企业便需要重塑组织结构。

图片
风险和规避方法:

了解生成式 AI 的潜在问题是成功驾驭这一新领域的关键所在。

图片
如何开始:

从小处着手到选择正确模型,成功部署的五大秘诀。

图片
未来之路:

生成式 AI 兑现了改善企业运作方式及人类工作方式的承诺

图片

生成式 AI:自动化领域的一大突破

当世界通过 ChatGPT 认识生成式 AI 时,最引人注目的是其流畅的聊天界面,用户可以自然地与之交谈。模型会回复一些看似经过深思熟虑的答案,并在屏幕上滚动显示答案,就像是一位兴奋的朋友在输入那般。

但是,生成式 AI 可以根据这些流畅的聊天内容做些什么、创造什么,很快就成了人们更关注的问题。“传统 AI”系统会按照预设规则对输入做出反应,生成式 AI 模型则与之不同,它可以创造信息。如果说流媒体服务中的传统人工智能可以向您推荐一部您可能喜欢的电影,那么生成式 AI 则可以在短短几秒内根据您的个人品味和要求精确地编写出一部原创电影剧本、一支交响曲或一段软件代码。

在2023 年 9 月我们对美国和英国大型企业的高级业务和技术决策者进行的调查,结果显示61% 的高管预计生成式人工智能将带来彻底的业务转型。在商业领域,这项新技术已经在以各种方式投入使用:

客户服务

一些公司正在利用生成式 AI 挖掘其知识管理系统中有意义的数据,然后通过这些数据设计和创建新的常见问题解答和指南。如果常见问题解答未能解决客户的问题,生成式 AI 可以在没有人工帮助的情况下处理咨询,梳理复杂数据库中的技术信息,甚至可以根据过去的类似案例提出解决方案。这样,人工座席就可以腾出时间处理更复杂的客户咨询,从而提高整体服务水平。 在我们的调查中显示50% 的高级领导者表示:他们已经在使用生成式 AI 从客户对话中提取数据,以满足客户需求。 

图片
理财

摩根士丹利(Morgan Stanley),理财顾问已经开始使用生成式 AI ,根据其庞大的研究和结构化及非结构化数据库(包括文本和视频),帮助提出投资建议以及一般的业务或流程问题。

图片
临床试验

制药公司也在利用生成式 AI 来帮助识别历史临床试验数据中可能被忽视的见解。这可以缩短药物研发周期,是一项具有重大经济意义的突破,甚至会对人类健康乃至长寿产生更显著的潜在影响。

图片
代码创建和 SDLC

生成式 AI 可以大幅缩短软件开发生命周期(SDLC)。与大型代码存储库、用户需求和测试场景相结合,生成式 AI 可以创建相关的代码片段,构建符合业务需求的用户故事,并设计出涵盖各种功能场景的测试用例。它还可以创建合成数据,为解决隐私问题提供有价值的解决方案,因为它可以在不依赖敏感的真实数据的情况下进行强大的测试。 在我们的调查中显示61% 的高管认为提高软件开发生产力是生成式 AI 可以在其工作场所发挥最大作用的领域。

图片

对于新员工或入门级员工来说,生成式 AI 带来的生产率提升尤为显著,他们可以迅速掌握原本需要数月经验才能积累的专业知识。斯坦福大学和麻省理工学院最近的一项研究表明了这一点,他们的研究发现,使用生成式 AI 的呼叫中心代表的工作效率比没有使用的平均高出 14%。 在入职不到几个月的员工中,工作效率提升幅度更大。

更具变革性的是,当生成式 AI 代理开始相互连接和交谈时,将会发生什么。虽然早期的讨论围绕着使用生成式 AI 来完成诸如编码、创建软件等的特定任务,但未来将不再需要这些任务,因为详细的提示会取代编写大量代码的需要。

这种与数字系统交互的全新方式也让我们不禁质疑,传统的应用程序和网站在未来是否还有存在的必要。随着生成式 AI 变得越来越先进,它可能会超越传统应用程序和网站的功能,开创一个数字交互更加直观、即时并能根据个人需求量身定制的时代。生成式 AI 的真正革命在于,为这些以前无法想象的可能性打开大门。

从自动化到协调

不妨想一想,ChatGPT 近乎一夜之间取得巨大成功的一个重要原因是,它能够充当人类大量知识的单一界面,即“一站式商店”。随着生成式 AI 的不断发展,这种一站式服务模式将继续存在,但也将不断扩大。 随着生成式 AI 代理开始协作,它们将充当协调层,将企业系统、专业数据集、资源和流程包装成一个有凝聚力的单元。对于领导者和员工来说,与组织的主要联络点将是一个会话式人工智能助理,其功能与人类知识工作者非常相似,不同之处在于它能够以数据集的形式,即时、实时地获取完成工作所需的信息和资源,而这些数据集正是生成式 AI 工具所需的信息源泉。

典型的工作流程可能是这样的:您需要修改现有产品,以便为有视觉障碍的人提供功能。您要求生成式 AI 代理分析现有的

产品并提出一些替代方案。它的建议都没有切中要害,因此您要向它提供更具体的信息,说明您在寻找什么。随着创意开始涌动,产品修改思路有了眉目,生成式 AI 代理将继续提供帮助,包括完善产品、根据法规要求检查产品、生成蓝图和原型,并让其他团队成员随时了解从市场营销和推广一直到产品发布日的各种信息。

这一概念的早期迭代已经开始,AutoGPTBaby AGI 等人工智能驱动的任务管理项目处于领先地位。      虽然这些项目并非没有缺陷,但它们却让人们看到了生成式 AI 助手的未来。

一旦成熟,这种单一联络点模式带来的,将不仅仅是便利或业务转变。它将彻底改变我们的创新、决策和组织架构的方式。

 

创新永无止境

传统上,生产率的提高源于流程自动化。而对于生成式 AI,创新也将带来收益,因为这项新技术不仅增强了人类的制造和创造能力,还增强了人类的思维能力。例如,利用大型语言模型,生成式 AI 助手可以对书籍和研究论文进行总结、提炼和比较,从而大大增加了知识“原料”的供应量,为新想法提供了动力——任何人都可以与不知疲倦、总是兴致勃勃的生成式 AI 助手互动,然后通过它们的提示将新想法转化为有价值的行动。

如今,在进行创新时,我们往往不得不面对僵化的系统。我们必须塑造自己的想法和产品,以适应现有的技术环境,因为现有技术环境中的传统系统往往不支持开创性创新。在许多情况下,我们不得不更多关注技术上的可能性,关注我们能做什么,而不是关注什么才能真正实现我们的目标。

生成式 AI 突破了诸多技术限制。它带来了前所未有的灵活性,因为它不依赖于严格的系统要求,还能处理非结构化数据。在这种环境下,生产力的提高将源自创新,而不仅仅是通过自动化更快地完成同样的工作。

生成式 AI 的灵活性已经显而易见。例如,CAMEL 项目拥有多个生成式 AI 代理,它们采用不同的角色来解决一个问题,就好像您召集了一个包括微生物学家和量子物理学家在内的小型智囊团来集思广益,寻求解决方案。  

最终,生成式 AI 有望成为人类创造力的催化剂,而不是替代品。通过有效提取和利用人工智能生成的洞察,个人可以完善和实施战略,最大限度地发挥自身的创新思维,推动人类创造力不断突破,向前发展。

 

从创新到发挥影响力:
全面提升战略决策

创新开拓视野,决策则关乎成果。通过将生成式 AI 纳入业务系统,并建立统一的数据访问后台,企业可显著加快和完善战略决策流程。

更多数据驱动的洞察: : 生成式 AI 将能够访问稳定可靠的数据池,同时还能增加数据的深度和可用性。基于 LLM 的数据增强将丰富业务数据集,使其人工智能模型更加智能。生成式 AI 可以处理结构化数据和非结构化数据,也可以处理传统数据,从而识别出之前被忽视的有价值的数据点。这将使数据告别仅仅可用的状态,变得可深入获取且富有洞察力。

一致性至关重要: 将生成式 AI 作为业务系统的接口后,组织中的每个人都能根据相同的信息开展工作,数据集差异或部门之间的差异将不复存在。这种对数据的一致使用大大提高了组织绩效,降低了出错或篡改的可能性,从而简化了流程,提高了效率。

通过决策实现差异化:寻求差异化竞争优势的领导者将采用生成式 AI 来确定并实现其最重要的关键绩效指标(KPI)。 考虑到工作流程、政策、遗留数据和相关分析,领导者可以通过识别使他们脱颖而出的关键绩效指标,利用生成式 AI 帮助他们做出有助于实现这些目标的决策。

新的组织结构

生成式 AI 可能会从根本上重塑近百年来一直存在的以部门为基础的僵化组织结构。正如电气化和工业化迫使我们重新构想企业的结构和运营方式一样,能够承担并连接营销、法律、采购、运营、研发和销售等职能部门的人工智能助手也将推动企业重新考虑传统的孤岛式配置是否仍然有效。

重点不是要减少员工数量,而是要重新构建现有团队的运作方式。借助 AI 助手,团队可以整合之前互不关联的工作流程、应用程序和知识库,结束各自为政的局面,通过协作来实现目标并做出有意义的贡献。工作不但不会消失,反而会变得注重成果,并基于人工智能来获取技能和知识。  

生成式 AI 还将颠覆我们对组织角色的看法,因为一些技术技能变得不再那么必要,而其他更专业的能力则变得愈发重要。以网络安全为例,不法分子会创造性地使用人工智能提示来提取敏感信息,因此企业需要专业人员来预测这些具有欺骗性质的企图。这意味着,过去主要侧重于安全技术方面的职位现在需要具备高度的创造力和创新思维。

此外,随着生成式 AI 越来越善于解决问题,人类员工就必须更善于发现问题,因为他们将促使生成式 AI 找到创新的问题解决方案和机会。这便需要新的多样化技能,包括对人性(社会学、心理学、人类学)、流程设计和优化(设计思维、六西格玛、特定行业知识)的理解,以及通过讲故事和设计从智力和情感上吸引受众。

此外,拥有不同技能的员工之间以及员工与技术之间的合作,对于有效利用这些多样化的知识至关重要。企业需要尝试更加扁平化的组织结构,并设计灵活的框架来鼓励和奖励协作。

风险

与任何新兴技术一样,生成式 AI 并非没有缺陷。了解潜在问题是成功驾驭这一新领域的关键所在。

不准确性和“幻觉”

生成式 AI 依靠输入的数据进行预测和生成输出。但是,它有时会产生不准确或完全捏造的输出结果——即“幻觉”。这些幻觉可能会导致错误的决策或行动,从而可能给企业带来重大问题。

交互
偏见与伦理

人工智能的公正性取决于训练人工智能所依据的数据。如果这些数据中存在偏差,人工智能在输出中便会复制和放大这些偏差。此外,还可能会出现其他道德问题,如隐私问题、未获得同意、未就使用用于培训的受版权保护的数据达成一致以及滥用生成的内容,所有这些都是企业需要考虑的问题。

交互
冗余

采用生成式 AI 可能会导致一些工作岗位变得多余,特别是那些涉及重复性或数据密集型任务的岗位。虽然这可能会提高效率,但也会带来裁员和需要重新掌握技能的问题。不过,重要的是要记住,新技术也创造了以前并不存在的新角色和新机会,从而促进了人均收入增加、繁荣程度提升和社会向上流动。

最近的一项研究证实,人工智能并没有导致失业。  美国国家经济研究局的经济学家发现,一直被认为容易受到人工智能影响的高技能工作(如办公室白领工作)的空缺职位数量增加了 5%。这项研究的时间范围是 2011 年至 2019 年,也就是企业开始使用深度学习实现任务自动化的时期。研究人员的结论是,即使新技术取代了那些从事日常工作的人,也会增加对更多熟练工人的需求。

OpenAI 首席执行官 Sam Altman 最近解释说,虽然现在的生成式 AI 很擅长做“局部”工作,但在做“整体”工作方面却不太擅长。中短期来看——甚至说在更长的时间内,总免不了要有人工的介入。

交互
安全服务

与任何数字工具一样,生成式 AI 系统也不能免受网络威胁。正如前面提到的,这里存在泄露敏感信息的风险。因此,显然要制定强有力的网络安全协议。

另一种新出现的威胁是“提示注入”,该技术会利用提示来哄骗人工智能模型泄露本不该泄露的信息。需要注意的是实施这类技术并不一定需要高级的技术技能。

在我们对生成式人工智能的调查中显示,安全风险、隐私风险和声誉损害是企业高管最关心的三大问题。因此,首席安全官一定要全面掌握生成式 AI 可能遭到破坏的所有方式。只有了解每一种可能的攻击途径,才能真正保护自己的系统并保持强大的防御能力。

交互
法规

随着《欧盟人工智能法案》等措施的提出,围绕生成式 AI 的监管环境正在迅速发展,而且变得愈发复杂,这是企业需要了解和驾驭的一个重要因素。在我们的调查中,十分之九的高管表示:他们正在努力了解生成式人工智能对商业法规的影响.

交互
可持续性

从协助监管报告到分析数据以创建创新解决方案,生成性人工智能有潜力为可持续发展工作做出积极的贡献。我们的调查结果显示几乎所有高管(96%)都表示:生成式人工智能将对可持续发展产生积极影响,因为它将实现技术获取的民主化。不过,必须承认这项技术在能源和计算需求带来的负面影响。与区块链技术类似,生成式 AI 对能源的需求可能会引起强烈反对。 

交互

如何开始

忽视生成式 AI 带来的风险是不明智的。与其假装这些风险不存在,不如确立必要的保障措施来有效管理这些风险。这意味着在利用技术潜力的同时,要了解哪些地方需要谨慎行事,哪些地方需要采取安全保障措施。要有效做到这一点,您需要:

1. 立即行动

生成式 AI 的早期采用者能够更好地管理数据,并培养成功使用这项技术的技能。了解数据和人工智能模型是需要时间的,后来者失去的时间无法挽回,这意味着先行者具有明显的优势。

2. 从小做起

确定组织中风险潜在影响相对较低的领域。这样,您就可以在运行现有流程的同时运行新方法。这有助于您逐步了解生成式 AI ,同时将潜在干扰降至最低。您的侧重点应该是营造一个鼓励快速实验和创新的环境。关键是要培养一种不怕尝试新事物的文化。

3. 选择适合您的模型

不同的生成式 AI 模型擅长不同类型的任务,它们的开放性程度和风险水平不同。重要的是要确定您的组织需要使用什么来提供最大价值并降低业务的特定风险。有些模型是公开的,但用于创建这些模型的数据并不透明,也有一些模型的规模较小,更加小众,以特定行业或主题为基础,可以对数据进行全面分析和理解。做出这些选择将使我们了解存在的风险。

公开模型

将有两到五个大型的“通用”公开模型,根据公开数据、有限的私人数据以及有时的无差别数据进行训练。

专家模型

组织将利用私有知识产权自行建立模型,以服务于特定目的或利基市场。

行业模型

微软、谷歌、AWS 和 OpenAI 等大公司将提供可定制的、适合特定用途的服务模式。

4. 优先考虑可跟踪性

了解用于训练生成式 AI 模型的数据至关重要。这包括了解数据的质量及其在内部或外部可能构成的任何潜在风险。

5. 用生成式 AI 监测生成式 AI

生成式 AI 系统本身可用于批判和评估潜在风险。例如,您可以使用它们来检查新产出是否存在任何道德偏见,或者发布内容是否存在声誉风险。

未来之路

欧内斯特·海明威曾说过,破产有“两种方式:一种是逐渐破产,另一种是突然破产”,这也是历史对生成式 AI 崛起的印象。ChatGPT 于去年 11 月的首次亮相可谓“突然”。在短短几天或几周的时间里,科技和商界以外的人士都上了一堂人工智能速成课,掌握了几个新术语——“大型语言模型”、“训练集”,并经常胡乱猜测这项新技术对人类事务和社会的影响。乌托邦主义者和灾难论者之间唯一的共识就是变革的速度和规模:无论好坏,生成式 AI 即使不是完全的“颠覆”,也至少代表着人类历史迄今为止顺利展开的一个“拐点”。

面对种种干扰与质疑,我们“渐渐”看清方向。生成式 AI 的发展很可能是一个逐渐推进的过程,需要数十年的不断完善和改进。上述变化以及生成式 AI 对商业世界的影响将是巨大而快速的,并将朝着我们熟悉的方向发展:更高的效率、更高的生产力,以及最重要的——更和谐。是的,如上所述,生成式 AI 将打破企业内部各部门和职能之间的隔阂,帮助他们朝着共同的目标协同工作,但这种制度上的和谐是人类个体与周围世界之间的关系得到改善和更加和谐的结果,而生成式 AI 会让这个世界变得更容易控制和驾驭。

 

在未来几年里,领导者的工作就是牢记这种和谐,并将其作为指明灯,做出选择并承担生成式 AI 时代已经带来的风险。这项新技术之所以令人兴奋,是因为它有可能在人类和机器之间建立一种全新的、几乎没有摩擦的关系。最终,当我们回顾这段动荡的岁月时,更重要的可能是,人工智能如何帮助人类与其他人合作。

关于作者

Duncan Roberts
高知特研究部门

Duncan Roberts 目前供职于高知特研究部门,他于 2019 年加入公司担任数字战略和转型顾问,工作内容涉及从卫星通信到教育评估等多个行业。他曾就如何利用技术实现战略目标和通过创新发现可能性为客户提供建议。

在加入高知特之前,Duncan 曾就职于欧洲最大的出版社之一,带领该出版社开展数字出版革命,帮助其转变运营方式并推出新的创新产品。他拥有圣安德鲁斯大学哲学和古典文学硕士学位。

电子邮箱地址: Duncan.Roberts@cognizant.com
Linkedin: https://linkedin.com/in/duncan-roberts-16586022/

Naveen Sharma
高知特副总裁兼人工智能与分析全球业务主管

Naveen Sharma 是高知特人工智能与分析业务副总裁。他是一位卓有成就的技术服务主管,擅长将战略愿景与战术执行相结合,以实现业务议程。他专注于通过思想领导力、创新、售前、产品开发和投资组合管理来推动这个领域的增长。

Naveen 在服务和技术领域拥有超过 25 年的经验,曾与 BMS、Sapient 和 IQVIA 等知名品牌合作,并拥有为财富 500 强企业提供数据和分析咨询服务的经验。

他在高知特担任过多个职位,包括企业数据管理业务负责人、生命科学人工智能与分析业务负责人以及生命科学服务线销售负责人。

电子邮箱地址: Naveen.Sharma@cognizant.com
Linkedin: https://www.linkedin.com/in/4naveen/

Babak Hodjat
人工智能进化副总裁

Babak Hodjat 是高知特人工智能进化副总裁,曾任 Sentient 公司联合创始人兼首席执行官。他负责世界上最大的分布式人工智能系统背后的核心技术。Babak 还是全球首家人工智能驱动的对冲基金 Sentient Investment Management 的创始人。他是一位连续创业者,曾作为主要发明家和技术专家创办了多家硅谷公司。

在共同创立 Sentient 之前,Babak 曾在 Sybase iAnywhere 公司担任高级工程总监,负责移动解决方案工程。他还是 Dejima 公司的联合创始人、首席技术官兼董事会成员。Babak 是 Dejima 公司面向代理的专利技术的主要发明人,该技术应用于移动和企业计算的智能界面,也是支撑苹果公司 Siri 功能的技术。

Babak 是人工生命、面向代理的软件工程和分布式人工智能领域的著名学者,名下有 31 项已获授权或正在申请的专利。他是自然语言处理、机器学习、遗传算法和分布式人工智能等众多人工智能领域的专家,并在这些领域创办了多家公司。Babak 拥有日本福冈九州大学的机器智能博士学位。

电子邮箱地址: Babak.Hodjat@cognizant.com
Linkedin: https://linkedin.com/in/babakhodjat

致谢

作者感谢高知特故事与内容总监 Catrinel Bartolomeu、编辑 Mary Brandel、高知特人工智能、认知计算与数据科学部助理副总裁 Mykola Hayvanovych 以及高知特助理副总裁兼对话式人工智能业务主管 Matthew Smith 为本报告做出的贡献。