《麥肯錫：生成式AI：CEO必讀指南（2023）（15頁）.pdf》由會員分享，可在線閱讀，更多相關《麥肯錫：生成式AI：CEO必讀指南（2023）（15頁）.pdf（15頁珍藏版）》請在三個皮匠報告上搜索。

1、QuantumBlack,Al by McKinsey生成式AI：CEO必讀指南生成式AI（Generative AI）在飛速演進，CEO們也在探索其商業價值及潛在風險。為此，我們提供一份生成式AI核心概要，供廣大CEO們參考。本文由Michael Chui、Roger Roberts、Tanya Rodchenko、Alex Singla、Alex Sukharevsky、Lareina Yee和Delphine Zurkiya共同撰寫，謹代表Mckinsey Digital旗下科技委員會（McKinsey Technology Council）和QuantumBlack,AI by McK

2、insey的觀點。Image created by Chris Grava/Darby Films using a node-based visual programming language2023年5月自ChatGPT、Bard、Claude、Midjourney以及其他內容生成工具問世以來，人們對生成式AI抱有很高期待。各企業CEO自然也在思考：這究竟是科技炒作，還是顛覆行業格局的機遇？如果是后者，那生成式AI能給自身業務帶來什么價值？ChatGPT的大眾版僅兩個月就吸引到1億用戶。它以史無前例的方式推動了AI的普及，已成為迄今增長最快的應用程序。無與倫比的易用性讓生成式AI有別于以往所

3、有AI技術。用戶不需要專修機器學習就可以開展交互、獲取價值只要會提問，幾乎人人都能用。就像個人電腦或iPhone等其他突破性技術一樣，一款生成式AI平臺可以衍生出許多應用程序，適用于各個年齡段和教育水平的用戶群體，人們無論身處何地，能夠上網即可使用。而實現這一切，依靠的是驅動生成式AI聊天機器人的基礎大模型，它們是經由大量非結構化、無標簽數據（如文本、音頻等各類形式）訓練的龐大神經網絡?；A大模型可處理各種各樣的任務。相比之下，以往的AI模型通常適用范圍更“窄”，往往只能執行一項任務，如預測客戶流失率等。而一個基礎大模型則既能為一份2萬字的量子計算技術報告生成內容摘要，又能為園藝公司起草市場進

4、入策略，還能根據冰箱里的10種食材給出5張不同的食譜。不過，在其豐富功能的背后，目前還存在結果不夠準確的短板，這也讓人們再度關注起AI的風險管理問題。在監管得當的情況下，生成式AI不僅可以為企業開辟新用例，還可以加速、擴展或改進現有用例。以電銷場景為例，經過專門訓練的AI模型可以幫助銷售人員發現追加銷售機會，但截至目前，這些模型通常還只能根據通話前收集的人口統計信息和購買規律等靜態客戶數據來判斷追加銷售的可能性。生成式AI工具則可根據實際對話內容，利用內部客戶數據、外部市場趨勢和社交媒體影響者數據，實時為銷售人員提供追加銷售建議。同時，生成式AI還可以為銷售人員撰寫銷售話稿，供其根據具體情況進

5、行調整。上述例子只展示了AI技術對人類工作潛在影響的一個側面，而實際上，幾乎所有知識工作者都有可能因使用生成式AI而獲益。盡管生成式AI最終可能會讓部分工作自動化，但其價值將更多來自于被嵌入日常工具（如電子郵件或文字處理軟件）后知識工作者對它的使用。這類升級后的工具可以大幅提高生產力。CEO們想知道是否應立即采取行動，以及如果采取行動，該從何開始。有些人可能從中看到了機遇，希望通過重塑人與生成式AI應用程序協同工作的方式，在競爭中彎道超車。其他人則可能希望謹慎行事，在進行大規模投資之前先嘗試幾個用例，增進對生成式AI的理解。企業也需要評估自身是否具備必要的技術專識、技術及數據架構、運營模式以及

6、風險管理流程，這些是更進一步部署生成式AI時所需要的。本文旨在幫助CEO及其團隊思考生成式AI的價值創造場景以及如何開始應用。首先，我們總結了生成式AI的入門指南，以幫助CEO更好了解AI日新月異的發展現狀和可行技術選擇。第二部分將通過4個旨在提高組織效能的案例，探討企業如何應用生成式AI。這些案例來自我們對早期采用者的觀察，并介紹了在技術、成本和運營模式要求等方面的各種選擇。最后，我們將探討CEO如何發揮關鍵作用，利用生成式AI帶領企業走向成功。人們對生成式AI的期待顯而易見，企業高管自然希望借此東風運籌帷幄，有計劃地快速推進。我們希望本文能讓商業領袖更全面了解生成式AI未來潛力。2生成式A

7、I:CEO必讀指南生成式AI入門指南生成式AI技術飛速發展（見圖1）。發布周期之短、初創公司數量之眾、與現有軟件的整合之快，皆不同凡響。在本節，我們將探討生成式AI應用的廣度，并簡要介紹該技術，包括闡明其與傳統AI的區別。不僅是聊天機器人 生成式AI可用于工作自動化、輔助強化與加速推進。從本文宗旨出發，我們將著重闡述生成式AI如何輔助并強化人類工作，對其替代人類工作的潛力不作探討。圖1生成式人工智能技術飛速演進 在ChatGPT推出后的幾個月里，主要大型語言模型（LLM）的發展時間線11月30日在ChatGPT推出后的幾個月里，主要大型語言模型（LLM）的發展時間線OpenAI的ChatGPT

8、（由2020年GPT-3版本的改進版GPT-3.5驅動）成為第一個被廣泛使用的文本生成產品，在2個月內收獲了創紀錄的1億用戶量生成式人工智能技術飛速演進2月2日亞馬遜的多模態-CoT模型包含了“思維鏈提示”，模型可解釋其推理，且在多個基準上優于GPT-3.512月26日谷歌的Med-PaLM等LLM針對臨床知識等特定用例和領域接受訓練2月27日微軟推出Kosmos-1，一款多模態LLM，除了自然語言外，還能對圖像和音頻提示做出回應3月7日Salesforce發布Einstein GPT（利用OpenAI的模型），這是第一款用于客戶關系管理的生成性AI技術3月14日Anthropic推出Clau

9、de，一款使用名為“合憲人工智能”方法訓練的人工智能助理，旨在減少有害輸出概率3月13日OpenAI發布GPT-4，在準確性和減少幻覺方面有明顯改進，聲稱與GPT-3.5相比有40%的提升3月21日谷歌發布基于LaMDA系列LLM的人工智能聊天機器人Bard4月13日亞馬遜發布Bedrock，這是第一款有完全管理的服務，除了亞馬遜自己的Titan LLMs，還可以通過API使用多個供應商（例如Anthropic）的模型2月24日作為一款較小的模型，Meta的LLaMA比其他一些模型更具使用效率，且與其他模型相比，在一些任務上持續表現良好3月16日微軟宣布將GPT-4整合到其Ofce 365套件

10、中，或有助于廣泛提升工作效率3月30日彭博宣布以金融數據訓練LLM，以支持金融行業的自然語言任務12月12日Cohere發布首款支持100多種語言的LLM，可在其企業人工智能平臺使用3生成式AI:CEO必讀指南ChatGPT等文本生成式聊天機器人備受關注，不過，生成式AI同樣可以在圖像、視頻、聲音以及計算機代碼等更廣泛的內容領域提供助力。在企業，生成式AI也可以發揮廣泛功能，比如分類、編輯、總結、回答問題和起草內容。針對上述每項活動，各個業務職能和工作流程的具體工作方式轉變都有可能創造價值，部分示例如下:分類 反欺詐分析師可以將交易描述和客戶文件輸入到生成式AI工具中，要求其識別欺詐交易?？蛻?/p>

11、服務經理可以使用生成式AI工具根據客戶滿意度對客戶通話音頻文件進行分類。編輯 撰稿人可以利用生成式AI糾正語法，并使文字風格與顧客的品牌調性相匹配。平面設計師可以利用生成式AI從圖像中移除過時標志?？偨Y 制片助理可以用數小時的活動錄像創作精彩視頻集錦。業務分析師可以創建維恩圖(Venn diagram)總結高管發言要點?；卮饐栴} 制造企業員工可以向基于生成式AI的“虛擬專家”咨詢有關操作流程的技術問題。消費者可以向聊天機器人詢問新家具的組裝方式。起草內容 軟件開發者可以讓生成式AI完成整段代碼，或者提供建議以補全現有代碼的未完成語句。營銷經理可以使用生成式AI起草不同版本的營銷活動信息。隨著技

12、術的發展和成熟，這類生成式AI可以更好地融入企業工作流程，實現任務自動化并直接執行特定操作（例如，在會議結束時自動發送紀要）。該領域已經有一些工具面市。生成式AI與其他AI的不同之處顧名思義，生成式AI和過往AI技術或分析工具的主要區別在于，該技術能夠生成新內容，所生成的新內容通常以“非結構化”形式（如書面文本或圖像）呈現，而非以表格形式排列（見側邊欄 術語表 中的生成式AI相關術語）。其底層技術是一類被稱為基礎大模型的人工神經網絡，其靈感來自于人類大腦中數十億相互連接的神經元。人工神經網絡需要通過深度學習加以訓練，“深度”即指神經網絡中的層數之眾、之深。深度學習技術推動了AI領域的眾多新進展

13、。而某些特質使得基礎大模型區別于過往的深度學習模型。首先，訓練基礎大模型可以使用體量龐大、類型多樣的非結構化數據。例如，一類被稱為大型語言模型的基礎大模型可以通過互聯網上公開可用且涵蓋各類主題的大量文本進行訓練。其他深度學習模型雖然也可以處理大量非結構化數據，但訓練所用的數據集通常更具體。例如，為了讓模型識別照片中的某些物體，需要使用一組特定圖像對其進行訓練。事實上，其他深度學習模型往往只能執行一項此類任務。例如，它們要么對照片中的物體分類，要么執行預測等其他功能。相比之下，基礎大模型可以同時實現上述功能，并且還能夠生成內容。上述能力的積累是通過從所攝取的廣泛訓練數據中學習規律和關系實現的，比

14、如，通過規律和關系學習，基礎大模型能夠預測句子中的下一個單詞。這就是為什么ChatGPT能夠回答不同主題的問題、而DALL-E 2和Stable Diffusion能夠根據描述生成圖像。4生成式AI:CEO必讀指南應用程序接口（API）是一種通過編程訪問（通常是外部的）模型、數據集或其他軟件的方式。AI是指軟件有能力執行過去需要人類智能才能完成的任務。深度學習（deep learning）是機器學習的分支，使用由相互連接的多層“神經元”組成的深度神經網絡，這些連接具有可訓練的參數或權重。它在學習圖像、文本和音頻等非結構化數據方面尤為有效。微調（fine-tuning）是指調試預訓練模型以使其更

15、好地處理特定任務的過程。這需要在相對較短的時間內，通過標記的數據集進行訓練，這個數據集比最初訓練模型的數據集小得多。這一額外訓練使模型能夠學習并適應較小數據集中的細微差異、術語和特定規律?；A大模型（foundation model,FM）是基于大量非結構化、無標簽數據訓練的深度學習模型，可以直接用于廣泛的任務，也可以通過微調適應特定任務。GPT-4、PaLM、DALLE2 和Stable Diffusion便屬于這類模型。生成式AI（Generative AI）通常指使用基礎大模型構建的AI，具有以往AI所沒有的能力，比如生成內容的能力?；A大模型也可用于非生成性目的（例如，根據通話記錄將用

16、戶的情緒分類為負面或正面），這類用例的結果相較早期模型有明顯改進。為方便起見，本文在提到生成式AI時，包括所有基礎大模型用例。圖形處理器（graphics processing units,GPU）是計算機芯片，最初為制作計算機圖形（如視頻游戲）而開發，同樣可支持深度學習應用。相比之下，傳統的機器學習和其他分析工具通常在被稱為計算機“處理器”的中央處理器（CPU）上運行。大型語言模型（large language model,LLM）是一類基礎大模型，可處理大量非結構化文本，學習單詞或詞組（稱為token）之間的關系。這使得大型語言模型能夠生成自然語言文本，執行總結或提取知識點等任務。GPT-

17、4（ChatGPT的基礎大模型）和LaMDA（Bard的基礎大模型）均是大型語言模型。機器學習（machine learning,ML）是AI的一個分支，在該領域中，模型接受訓練、學習大量樣例數據點之后獲得能力。機器學習算法通過處理數據和經驗（而非接收明確的編程指令）來發現規律并學習如何做出預測和推薦。算法也會自我調試，能對新的數據和經驗做出更有效的反應。MLOps指的是擴展和維持AI和機器學習的工程模式和實踐，包括一整套覆蓋整個機器學習生命周期的實踐（數據管理、開發、部署和實時運營）。目前，這些實踐很多都由輔助軟件（任務標準化、簡化或自動化工具）支持或優化。提示工程（prompt engin

18、eering）是指設計、改進和優化輸入提示以引導生成式 AI 模型產生所需（即準確）輸出的過程。結構化數據（structured data）是指以表格、數據庫或電子表格等形式呈現的數據，能夠有效地用于訓練某些機器學習模型。非結構化數據（unstructured data）指缺乏統一格式或結構的數據（例如文本、圖像和音頻文件），通常需要使用更先進的技術以生成見解。術語表 5生成式AI:CEO必讀指南鑒于基礎大模型的多功能性，企業可以使用同一模型實現多個業務用例，這是早期深度學習模型難以實現的。一款納入了公司產品信息的基礎大模型可能同時用于回答客戶問題和協助工程師開發新版產品。因此，企業可以搭建應

19、用并更快實現收益。然而，基礎大模型當前的運行方式決定了它們并不適用于所有類型的應用。例如，大型語言模型容易產生“幻覺”，用看似可信、實則錯誤的論斷回答問題（見側邊欄 負責任地使用生成式AI）。此外，基礎大模型并不總能給出作答的基本推理或依據來源。這意味著在錯誤可能造成損害、或需要對回答進行解釋的情況下，企業對應用無人監督的生成式AI需慎之又慎。生成式AI目前也不適用于直接分析大量的表格數據或解決高級數值優化問題。研究人員正在努力克服這些限制。生成式AI生態系統正在興起基礎大模型是生成式AI的“大腦”，而正在興起的整個價值鏈將支持該技術的訓練和使用（見圖2）1。專用硬件提供了訓練模型所需的龐大算

20、力。云平臺則提升了對這類硬件的利用。MLOps和模型中心供應商提供企業所需工具、技術和實踐，讓企業能夠調試使用基礎大模型并將其部署到終端用戶應用之中。許多公司正在進入市場，主打依托基礎大模型、能夠執行特定任務的應用程序，例如幫助某公司處理客戶服務問題。圖2支持生成式AI系統的價值鏈正在迅速發展生成式AI價值鏈生成式AI價值鏈專用硬件為訓練和運行模型而優化的加速器芯片（例如，圖形處理器 GPU）云平臺提供計算機硬件訪問的平臺基礎模型用于建立生成式AI應用的核心模型模型中心和MLOps管護、托管、微調或管理基礎模型的工具（例如，應用程序和基礎模型之間的虛擬門面）應用使用基礎模型的B2B或B2C產品

21、，基本直接使用或根據特定用例進行微調服務圍繞如何利用生成式AI（如，訓練、反饋和強化學習）的專業知識而提供的服務1 更多信息請參閱麥肯錫2023年4月26日 在生成式AI價值鏈中探索機遇6生成式AI:CEO必讀指南負責任地使用生成式AI生成式AI伴生了各種風險。企業CEO需要一開始從團隊和流程設計上就做好風險防控。這不僅是為了滿足不斷變化的監管要求，也是為了保護業務并贏得消費者的數字信任（我們將在后文中提供關于這一點的方法建議）1。公平性：不完美的訓練數據或開發模型工程師的決策瑕疵，可能讓模型產生算法偏向。知識產權（IP）：訓練數據和模型輸出可能帶來重大的知識產權風險，包括侵犯版權、商標權、專

22、利權或其他合法受到保護的材料權利。即便所使用的生成式AI工具來自供應商，企業也需要了解訓練過程中使用了哪些數據以及這些數據在工具輸出中的使用方式。隱私性：如果用戶的輸入信息以某種可識別個人身份的形式出現在模型輸出中，則可能引發隱私問題。生成式AI也可能被用于創作和傳播虛假信息、深度偽造和仇恨言論等惡意內容。安全性：生成式AI有可能被不法分子用來加劇網絡攻擊的復雜程度和侵害速度，也可被操縱用于制造惡意輸出。例如，通過名為“提示注入”（prompt injection）的技術，第三方可以給模型提供新的指令，誘導模型產出模型制作者和終端用戶用意之外的輸出?？山忉屝裕荷墒紸I依賴擁有數十億參數的神經

23、網絡，人們因而很難解釋某個答案從何而來?？煽啃裕耗Ｐ蛯ο嗤奶崾緯a生不同的回答，使用戶難以評估輸出的準確性和可靠性。組織影響：生成式AI可能會對勞動力產生重大影響，對某些特定群體和社區的負面影響可能尤為巨大。社會和環境影響：基礎大模型的開發和訓練可能會危害社會和環境，包括增加碳排放（例如，訓練一個大型語言模型可能會排放約315噸二氧化碳）2。1 Jim Boehm、Liz Grennan、Alex Singla和Kate Smaje2022年9月12日 為什么數字信任真正重要(“Why digital trust truly matters”）。2 Ananya Ganesh、Andrew

24、McCallum和Emma Strubell2019年6月5日 深度學習在自然語言處理中的能源和政策考慮（“Energy and policy considerations for deep learning in NLP”）計算語言學協會第57屆年會論文集（Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics）。鑒于訓練模型需要龐大的計算資源而完善模型需要大量人力，因而首款基礎大模型的開發需要巨大的投資。這導致相關開發工作被部分科技巨頭、有充足投資支持的初創公司以及一些開

25、源合作研究機構（例如BigScience）主導。然而，針對有效處理若干任務的小規模模型的研究、以及提高訓練效率的工作，均方興未艾。這最終可能為更多企業打開市場。部分初創公司已經成功開發了自己的模型，例如，Cohere、Anthropic和AI21實驗室都建立并訓練了自己的大型語言模型。將生成式AI應用于工作CEO們應將探索生成式AI列入工作議程，不能僅視之為“可選項”。生成式AI可通過廣泛用例創造價值。起步的經濟和技術要求并非高不可攀，而無所作為則可能導致迅速被競爭對手甩開。每一名CEO都應同管理團隊一起思考競爭領域與方法。一些CEO可能會認定，生成式AI將為企業帶來變革性機遇，全面重塑從研發

26、到營銷、從銷售到客戶運營等各個領域。還有些CEO則可能選擇從小處著手，再逐漸擴大規模。一旦做出決策，AI專家便可根據場景需要，通過相應技術路徑執行戰略。7生成式AI:CEO必讀指南圖3生成式AI對組織的要求從低到高不等，具體取決于用例用例技術路徑成本技術人才專有數據流程調整改變軟件工程工作使用軟件即服務（SaaS）工具許多SaaS工具提供固定費率的訂閱服務，每名用戶每月10至30美元；一些產品則按使用情況定價不太需要技術人才可能負責選擇合適的解決方案和輕度的整合工作模型基本是直接使用的，因此不需要專有數據流程基本保持不變，但工作人員應系統地檢查模型結果的準確性和適當性幫助客戶經理跟上公共信息和

27、數據的步伐通過模型API構建軟件層需要前期投資開發用戶界面、整合解決方案并建立后處理層API使用和軟件維護的持續成本需要軟件開發、產品管理和數據庫集成能力，因此需要至少1名數據科學家、機器學習工程師、數據工程師、設計師和前端開發人員模型基本是直接使用的，因此不需要專有數據可能需要一些流程以實現對提示和結果的存儲，可能也需要一些防護機制，出于風險或成本考慮而限制使用解放客戶支持代表時間進行更有價值的工作內部對開源模式進行微調數據清理和標記以及模型微調導致人力資本成本增加，初始成本比基于API構建高出約2倍模型維護和云計算的持續成本更高經驗豐富的數據科學和工程團隊，擁有機器學習運營（MLOps）知

28、識和資源，可以檢查或創建所需的標簽數據需要專有、帶標簽的數據集以微調模型，盡管在某些情況下該數據及可能相對較小需設置流程以管理分流、將問題上報人工處理以及對模型安全做定期評估加快研究者識別相關細胞特征的速度，助力藥物發現從零開始訓練基礎模型前期人力資本和技術基礎設施成本導致初始成本比基于API構建高出約10-20倍模型維護和云計算的持續成本與上一條類似需要大型數據科學和工程團隊，具備博士水平的學科知識、MLOps最佳實踐以及數據和基礎設施管理技能基礎模型可以通過大量公開數據訓練，但長期的差異性優勢來自于增加自有的標記或未標記數據（更易于收集）包括以上所有流程，在對外部數據進行訓練時，需要開展徹

29、底的法律審查，以防止發生知識產權問題低高2 這些范例來自我們客戶工作和公開案例的匯總整理，而非反映特定公司的具體事例。生成式AI在企業中的很多應用（盡管未必是全部價值）將來自員工對現有軟件中新嵌入功能的使用。電子郵件系統可以給出郵件初稿；生產應用將根據描述生成演示文稿的初稿；財務軟件可對財務報告中的要點給出文字描述；客戶關系管理系統則可以提供客戶互動建議。這些功能可以提高所有知識工作者的生產效率。然而，在某些用例中，生成式AI或可帶來更具變革性的影響。接下來，我們將介紹不同行業企業利用生成式AI重塑組織工作方式的4個范例2，范圍涵蓋了從資源需求極少到資源投入很高的不同情況。（這些例子的快速比較

30、和更多技術細節，請參見圖3。）8生成式AI:CEO必讀指南改變軟件工程工作第一個范例的復雜度相對較低，使用現成的生成式AI解決方案，不需要內部定制，因而可以立即提高生產力。軟件工程師絕大部分工作內容是編寫代碼。這個過程勞神費心，需要大量的試錯以及對私域和公域文件的研究。某公司由于缺少足夠的熟練軟件工程師，功能和錯誤修復請求被大量積壓。為了提高工程師的工作效率，該公司使用了一款基于AI的代碼補全產品，該產品被整合到工程師的編碼軟件之中。工程師可以使用自然語言撰寫代碼描述，而AI提供若干滿足該描述要求的代碼塊變體。工程師可以從中做出選擇，進行必要改進，然后點擊插入代碼。我們的研究表明，這類工具可以

31、讓開發人員生成代碼的速度提升高達50%。它還可以幫助調試糾錯，提高開發產品質量。不過，生成式AI目前并不能取代熟練的軟件工程師。事實上，較有經驗的工程師從這些工具中獲益最多，工作效率提升幅度最大，該產品對缺乏經驗的開發者則效果一般，有時甚至有負面影響。其中一項已知風險在于，AI生成的代碼可能包含漏洞或其他錯誤，因此必須有軟件工程師親身參與，以確保代碼的質量和安全性（見本文最后一節，了解減輕風險的方法）。這一現成的生成式AI編碼工具成本相對較低，上市所需時間短，因為該產品已經可用，不需要進行大量的內部開發。具體成本因軟件供應商而異，使用費為每戶每月10到30美元不等。在選擇工具時，企業一定要向供

32、應商了解許可和知識產權問題，以確保生成的代碼不會違規。這款新工具需要由一支跨職能的小團隊負責支持，他們主要負責選擇軟件供應商并監控性能，其中也包括檢查知識產權和安全問題。工具實施只需工作流程和政策方面的變更。由于該工具完全是現成的軟件即服務（SaaS）類型，額外的計算和存儲成本極低或為零。9生成式AI:CEO必讀指南幫助客戶經理及時了解公共信息和數據 有些企業可能決定利用基礎大模型（通過API或開放模型）構建自己的生成式AI應用，而非使用現成工具。其投資要求高于上一范例，但這樣做有助于以更加定制化的方法滿足公司的具體環境和需求。在本例中，一家大型對公銀行希望利用生成式AI提高客戶經理的工作效率

33、?？蛻艚浝頌榧皶r了解客戶情況和當前重點，需要花大量時間閱讀企業年報和業績發布會記錄等篇幅龐大的文件。這一工作讓客戶經理能夠為客戶提供契合其特定需求的服務。該銀行決定通過API接通基礎大模型，構建解決方案。該解決方案可以快速查閱文件并為客戶經理的提問總結答案。銀行圍繞基礎大模型構建了額外軟件層，以優化用戶體驗、實現工具與公司系統的整合并進行風險與合規控制。由于一些大型語言模型會產生“幻覺”誤導，因而尤其需要對模型輸出進行檢查，正如金融機構會檢查初級分析師的工作輸出?？蛻艚浝硪惨邮芘嘤?，學會用適當的提問方式獲得最精準的回復（也稱“提示工程”）。相應的工具輸出和信息來源的簡化驗證流程也已落實到位。

34、在本例中，生成式AI可以加快客戶經理的分析過程（從幾天縮短到幾小時），提高工作滿意度，并有機會捕捉到客戶經理可能會忽視的想法。開發成本主要集中在用戶界面的構建和集成工作，這一工作需要數據科學家、機器學習工程師或數據工程師、設計師和前端開發人員投入時間。運營支出包括軟件維護以及使用API的費用。具體成本取決于模型選擇和第三方供應商費用、團隊規模以及達到最簡可行產品所需的時間。10生成式AI:CEO必讀指南減少客戶服務用時，讓客服代表有時間去做更有價值的工作更復雜一些的應用是對基礎大模型進行微調。在本例中，一家公司采用了針對對話場景進行優化的基礎大模型，并使用自有的高質量客戶聊天記錄及行業特有的問

35、答對基礎大模型進行微調。公司所處行業會使用專業術語（例如法律、醫學、房地產和金融）?？蛻舴账俣仁歉偁巸瀯莸闹匾獊碓?。這家公司的客戶服務代表每天要處理數百個來電咨詢，響應時間有時過長，導致用戶不滿意。該公司決定引入生成式AI客服機器人來處理大部分客戶需求。其目標是以符合公司品牌和用戶偏好的方式回應客戶。微調和測試基礎大模型的一個環節是確?；貜团c公司設定的領域術語、品牌承諾和風格基調保持一致；這需要進行持續監控以評估系統在包括顧客滿意度等多個維度上的表現。該公司創建了多階段的產品路線圖，以最大程度減少潛在的模型錯誤。第一階段，公司對聊天機器人進行了內部試點。員工可以給模型的建議“點贊”或“拍磚”

36、，而模型能夠從這些輸入中學習。下一步，模型“旁聽”客戶服務對話并提供建議。當技術經過充分測試后，第二階段開始，模型直接面向客戶使用，并保持一名真人員工參與。最終，當公司領導者對技術有十足信心時，便可以實現大面積自動化。在本例中，生成式AI解放了客服代表，使其能夠專注于價值更高和更復雜的客戶咨詢工作，既提高了員工效率和工作滿意度，也提升了服務水平和客戶滿意度。該機器人可以訪問所有的客戶內部數據，并能“記住”先前的對話（包括電話通話），明顯領先于現有的客戶聊天機器人。為實現效益，該用例需要在軟件、云基礎設施和技術人才方面進行較大投資，并在風險和運營方面進行更高水平的內部協調。一般而言，微調基礎大模

37、型的成本是借助API建立一個或多個軟件層的兩到三倍。云計算所需的人才和第三方成本（若微調自托管模型）或API費用（若通過第三方API微調）是主要的成本增量。為實施解決方案，公司需要數據運營和MLOps專家的幫助，也需要如產品管理、設計、法務和客戶服務專家等其他職能部門的輸入。11生成式AI:CEO必讀指南加速藥物發現當沒有合適的基礎大模型可用，公司需要從頭建立模型時，就會出現最復雜且定制化程度最高的生成式AI用例。這一情形可能會出現在專業性較強的行業，或者在所處理數據集與現有基礎大模型訓練所用數據集大不相同的情況下，接下來介紹的醫藥行業用例正屬此類。從頭訓練基礎大模型會伴生技術、工程和資源方面

38、的巨大挑戰。使用性能更高的模型所帶來的額外投資回報應當超過相應的財務和人力資本成本。在本例中，一家制藥公司的藥物發現研究人員必須根據顯微鏡圖像決定后續實驗。研究者們擁有百萬量級的圖像數據集，其中包含了 大量與藥物發現有關、人眼難以解讀的細胞特征視覺信息。這些圖像用以評估潛在的候選治療方法。該公司決定創建一款工具，幫助科學家了解藥物化學與顯微鏡圖像記錄之間的關系，以加速研發工作。由于這種多模態模型仍處于起步階段，該公司決定訓練自有模型。為了建立這一模型，團隊成員同時使用了訓練圖像類基礎大模型的真實世界圖像和公司內部的龐大顯微鏡圖像數據集。訓練后的模型能夠預測可能導致有利結果的候選藥物，并能提高精

39、準識別相關細胞特征的能力，為藥物發現增加價值。這讓藥物發現過程更高效、更有效，不僅縮短了價值實現時間，還減少了不準確、具有誤導性或最終失敗的分析次數。一般而言，從零開始訓練模型的成本是圍繞模型API創建軟件所需成本的10到20倍。更大規模的團隊（包括博士水平的機器學習專家）以及更高的計算和存儲支出是主要的成本增量。訓練基礎大模型的預計成本因所需的模型性能水平和建模復雜性而存在較大差異。上述因素影響到所需的數據集大小、團隊組成和計算資源。在本用例中，工程團隊和持續的云服務費用耗費了 大部分成本。該公司發現需要對技術基礎設施和流程進行重大升級，包括訪問多個GPU實例以訓練模型，獲取各類工具以在多個

40、系統間調配訓練，以及部署MLOps最佳實踐來限制成本和項目持續時間。另外，要對數據進行收集、整合（確保不同數據集的格式和分辨率一致）和清理（過濾低質量數據，刪除重復數據，并確保數據分配符合預期用途），這涉及大量處理工作。由于基礎大模型從零開始訓練，因此最終模型需要經過嚴格測試，以確保輸出準確、使用安全。12生成式AI:CEO必讀指南上述案例對CEO的關鍵啟示上述用例為CEO們應用生成式AI帶來一系列啟示：為工作和職場帶來切實效益的變革性用例已然存在。從制藥業、銀行業到零售業，眾多企業正在建立一系列用例，以捕捉價值創造潛力。具體入手點可大可小，取決于企業的目標抱負。應用生成式AI的成本差異很大，

41、影響因素包括用例和軟件所需數據、云基礎設施、技術專識和風險緩解措施。無論用例如何，企業必須考慮風險問題，在此，某些用例會需要更多資源投入?？焖倨鸩接衅鋬瀯?，率先建立起基本的業務邏輯將幫助公司更好應用生成式AI。起步時需考慮的因素CEO在推動企業關注生成式AI方面發揮著重要作用。在結尾部分，我們將探討CEO在踏上征途時需要熟記的策略，其中有很多與過往技術浪潮興起時企業高管應當做出的反應一致。然而，生成式AI也帶來了獨有的挑戰，這包括其超越以往技術變革的空前發展速度及隨之而來的應對難度?？缏毮懿渴鹕墒紸I過去，許多組織以孤立試驗的方式啟動對傳統AI的探索。然而，鑒于生成式AI獨特的風險考量以及基

42、礎大模型支撐全組織、多用例的能力，企業應當以更加精細和協調的方法加以管理。例如，使用專有數據進行微調以反映企業品牌特質的模型，可以在多個用例（如生成個性化的營銷活動和產品描述）和多個業務職能（如產品開發和營銷）中加以部署。為此，我們建議組建由公司領導組成的跨職能小組（例如，代表數據科學、工程、法務、網絡安全、營銷、設計和其他業務職能）。這樣的跨職能小組不僅可以發現并優先處理價值最高的用例，還能保證整個組織的執行協調一致且安全。端對端領域重塑，而非僅專注于用例 生成式AI是可以改變組織運作方式的強大工具，對價值鏈中的特定業務領域（例如，零售商的營銷或制造商的運營）具有特別的影響。生成式AI的部署

43、十分便利，企業因而很容易將應用局限于全盤業務下的零星用例。因此，堅持全盤視角、按領域劃分用例群至關重要，從這一視角出發進行規劃能為全體業務職能帶來最大的變革潛力。隨著生成式AI與其他傳統AI應用協同并進、此前無法實現的工作方式逐漸誕生，企業正在不斷重新定義其目標狀態。實現滿載的技術?，F代化的數據和技術堆棧幾乎是任何生成式AI策略成功的基礎。CEO們應當向首席技術官了解以確定公司在計算資源、數據系統、工具和模型訪問（通過模型中心的開源方式或通過API的商業模式）方面是否具備所需的技術能力。例如，生成式AI的命脈是流暢獲取具體業務背景或問題的相應數據。無法有效協調或隨時使用自身數據的公司，將無法微

44、調生成式AI以探索更多潛在的變革性用途。設計可擴展的數據架構同樣重要，這包括數據治理和安全流程。根據不同的用例情況，現有的計算和工具配置基礎設施（可以通過云供應商采購或在內部建立）可能也需要升級。明確的數據和基礎設施戰略應立足于從生成式AI中獲得的業務價值和競爭優勢。上述因素都至關重要。打造“燈塔”CEO們需要避免在規劃階段止步不前。新的模型和應用正迅速被開發和發布。例如，GPT-4在2023年3月發布，此前ChatGPT（GPT-3.5）發布于2022年11月，而GPT-3則是在2020年。在商業世界，時間尤為重要，而生成式AI技術的快節奏特性要求企業迅速行動以把握優勢。CEO們可以采取下述

45、幾種方式穩步推進。盡管生成式AI仍處于早期階段，但應盡快在企業內部展示其對運營模式的重要影響，這可以通過“燈塔方法”來實現。例如，一種推進方式是打造“虛擬專家”，讓一線員工能夠利用專有的知識源，為客戶提供最相關的內容。這一方法能提高生產力、激發熱情，并使企業能夠在向客戶擴展應用之前，在內部對生成式AI展開測試。和其他技術創新浪潮一樣，“概念驗證疲勞”將會出現，許多公司會陷入“試點煉獄”的困境。然而，鼓勵概念驗證仍然是快速測試和完善有價值業務用例、以便日后向鄰近用例擴展的不二選擇。通過聚焦產生有益結果的早期成功實例，企業可以積攢勢頭，以此為基礎擴大規模，充分發揮生成式AI的多功能性。這一方法可以

46、幫助企業推動更廣泛的AI采用，營造創新文化，從而保持競爭優勢。如上所述，企業需要組建跨職能領導團隊，確保有計劃地協調推動概念驗證。13生成式AI:CEO必讀指南平衡風險與價值創造 正如此前詳細介紹的4個范例所示，商業領袖必須在生成式AI所涉及的價值創造機會與風險之間取得平衡。我們近期的全球AI調查顯示，盡管已有超過一半的組織采用傳統AI技術，但大多數組織并未對相關的大部分風險采取應對措施3。生成式AI再次引發了人們對許多同類風險的關注，比如AI可能會讓隱藏在訓練數據中的偏向被固化；同時生成式AI還帶來了一些新風險，比如產生幻覺的傾向。因此，跨職能領導團隊不僅要為生成式AI的使用建立總體道德原則

47、和指導方針，還要對每個潛在用例所伴生的風險有全面了解。重要的是，要尋找與組織的整體風險容忍度相一致的初始用例，并且設置相應結構以減輕相應風險。例如，零售組織可以優先考慮價值稍低但風險也較小的用例，比如創建營銷內容初稿和其他需要人工參與的任務；同時，可能擱置價值更高、但風險更大的用例，比如自動起草和發送高度個性化營銷電郵的工具。這種以風險為考量的做法能夠讓企業建立必要的控制機制，妥善管理生成式AI并保持合規。CEO與其團隊還要密切關注生成式AI監管的最新動態，包括與消費者數據保護和知識產權相關的規定，以保護公司遠離法律糾紛。正如目前對AI和數據的監管，各國對生成式AI所采取的監管方式可能各不相同

48、。企業需要調整工作方法以校準流程管理、文化和人才管理方式，確保能夠規?；貞獙焖侔l展的監管環境和生成式AI的風險。應用生態系統方法建立合作伙伴關系 商業領袖應注重建立和維護平衡得當的聯盟網絡。企業的收購和聯盟戰略應繼續聚焦建立合作伙伴生態系統，以適應不同的場景并解決生成式AI對不同技術棧層面的需求，同時要注意避免鎖定供應商。與正確的公司合作可以加速推進執行。企業不需要自己建立所有的應用或基礎大模型，而是可以與生成式AI供應商和專家合作，更快地采取行動。例如，企業可以與模型供應商合作，為特定行業定制模型，或與提供可擴展云計算等能力的基礎設施供應商合作。3 2022年12月6日麥肯錫2022年A

49、I現狀及5年回顧企業可以借助他人的專業知識，讓最新的生成式AI技術迅速地為我所用。然而，生成式AI模型只是冰山一角，價值創造還需要包括多個其他要素。聚焦所需的人才和技能為有效應用生成式AI創造商業價值，公司需要打造技術能力并提升現有員工的技能水平。這需要領導層共同努力，根據企業的優先用例確定所需能力，這可能不限于技術方面，也包括工程、數據、設計、風險、產品和其他業務職能的人才組合。正如上文用例所示，技術和人才需求因具體實施的性質（從最簡單的使用現成解決方案、到最復雜的從零建立基礎大模型）而大不相同。例如，為了建立生成式模型，企業可能需要博士水平的機器學習專家；而如果要利用現有模型和SaaS產品

50、開發生成式AI工具，一名數據工程師和一名軟件工程師或許足以領導此工作。除了雇用合適的人才，企業還需要培訓現有員工。生成式AI應用程序使用基于提示的對話式用戶界面，因而使用簡便，但用戶仍然需要優化提示輸入，了解技術限制，并懂得在何時何地可以合理地把應用融入工作流程。領導層應提供使用生成式AI工具的明確指導方針，并開展持續的教育和培訓，讓員工了解其風險。培養自發研究和實驗的文化也可以激發員工創新流程和產品，從而有效整合AI工具。14生成式AI:CEO必讀指南多年來，企業一直在探索AI之路、追求宏遠的目標，許多公司已經收獲了新的收入來源、改進了產品、提升了運營效率。其中許多成功都源于AI技術，它們仍

51、然是處理特定任務的最優工具，企業應繼續保持這方面的努力。然而，生成式AI帶來了又 一次實現重大飛躍與無限可能的機會。雖然該技術的運營和風險框架還未完全建立，但商業領袖們深知應當啟動生成式AI旅程。但從何開始，又如何開始？每家公司的答案不盡相同，公司內部也眾說紛紜。有些企業放手一搏，而其他公司則從小規模試驗起步。最佳方法將取決于公司的目標抱負和風險偏好。但無論目標如何，關鍵是要邁出第一步，邊做邊學。版權所有 2023 McKinsey&Company。保留所有權利。Michael Chui是麥肯錫公司及麥肯錫全球研究院全球董事合伙人；Roger Roberts是麥肯錫全球董事合伙人，Tanya Rodchenko是麥肯錫全球副董事合伙人，Lareina Yee是麥肯錫技術委員會主席、麥肯錫全球資深董事合伙人，他們均常駐灣區分公司；Alex Singla是麥肯錫全球資深董事合伙人，常駐芝加哥分公司；Alex Sukharevsky是全球資深董事合伙人兼Quantumblack,AI by McKinsey全球負責人，常駐倫敦分公司；Delphine Zurkiya是麥肯錫全球資深董事合伙人，常駐波士頓分公司。15生成式AI:CEO必讀指南