企业生成式 AI市场现状IBM 商业价值研究院 | 趋势洞察 让生成式 AI 成为企业利器关于生成式 AI 的争论通常分为极端两派，分别是倡导者和怀疑者。这两派之间的激烈争夺往往会忽略中间地带。对于企业领导者来说，这无疑是一个严峻的问题。因为企业领导者需要根据冷静、客观的事实，以及战略相关性来制定合适的 AI 方法，切忌盲目乐观和不切实际的想法。为了提供更加冷静客观的评估，IBM 商业价值研究院 (IBM IBV) 联 合 牛津 经 济 研 究 院 ，在 2023 年 5 月针对美国、澳大利亚、德国、印度、新加坡和英国的近 400 名高管开展了的一项调研。同时，我们还调查了美国的 200 位 CEO。我们询问了企业高管在采用生成式 AI 方面的计划、所期望实现的效益以及所面临的阻碍。我 们 发 现，在 持 续 的 AI 热潮中，企业高管们确实正在积极采用生成式 AI，但仍持非常谨慎的态度。生成式 AI 项目的平均投资回报率呈稳步增长趋势。受访企业高管预计，到 2025 年，生 成 式 AI 项目的投资回报率将超过 10%，投资回报将进一步超过资本成本。1 因此，许多企业都计划在未来两年内推动生成式 AI 的采 用。只有 23% 的受访高管表示其组织在 2022 年对生成式 AI 进行了试 点、实 施 、运 营 和 优 化 ，但 预 计 到 2024 年这一比例将上升至 62%（见图 1）。企业高管深知采用生成式 AI 已是势在必行，但这种意识与大规模创造价值的能力之间仍然天堑难越。图 1生成式 AI 的时代已经来临根 据 受 访 高 管 的 预 计，从 2022 年到 2024 年，生 成 式 AI 的采用率将增长近两倍20222023（预计）2024（预计）正在考虑和评估 正在试点、实 施、运营和优化不考虑23%15%1%162%4%54%42%62%37% 这种快速增长的趋势在一定程度上得益于对 AI 熟 悉程 度的变化：如今的企业高管对生成式 AI 的熟悉程度远高于 2016 年传统 AI 第一波发展浪潮时的情形。2 因此，企业高管对部署生成式 AI 的场景有了更加聚焦的看法。2016 年，企业高管还不够聚焦，他们在多达 13 个不同的业务职能中优先考虑采用 AI。但战略既关乎选择做什么，也关乎选择不做什 么。如今，企业高管对于哪些领域能创造最大的价值有了更加清晰的见解。我们的调研数据显示，至少在初始阶段，受访企业高管主要关注三个关键优先事项（见图 2）。当然，组织仍在根据自身的战略能力和业务优先事项来调整其在这些广泛职能领域开展的工作。例如，IBM 首 席 分析办 公 室（IBM 转型和运营 领 域 的关 键 力量 ）专 注于在 IT 和应用现代化、客户服务和员工互动领域应用生成式 AI，所有这一切都依托于自动化技术。3企业高管迅速意识到了采用生成式 AI 已是势在必行，但这种意识与大规模创造价值的能力之间仍然天堑难越。高管确定的优先领域大多是那些拥有最成熟 AI 能力的领域，而并不一定是战略痛点。这意味着许多组织都无法实施能为整个企业带来战略价值的 AI 计划。安全64% 信息安全与 IT 客户服 务、营 销 和 销 售 研 究 、创 新 和 产品 开发 互动63% 创新50%图 2更清晰的聚焦受访高管确定了生成式 AI 采用的三个优先事项2 CEO 们意识到需要迅速采取行动，因此可能会专注于追求快速取得成效。64% 的受访 CEO 表示正面临着来自投资者、债权人和贷款人的巨大压力，要求他们加速采用生成式 AI。超 过一半的受访 CEO 表 示，他 们 的 员 工要求加速采用生成式 AI。受到这些因素的推动，在未来两到三年内，对生成式 AI 的投资预计将增长四倍。尽管在目前，生成式 AI 项目的投资仍然仅占 AI 总支出的一小部分。哪些因素在阻碍组织更加广泛地采用生成式 AI？一言以蔽之，那就是信任。五分之四的受访高管认为至少一个与信任相关的问题会阻碍生成式 AI 的采 用 。其中，网 络安 全、隐私 和准确性位列榜首。此外，受访高管还对可解释性、道德和偏见问题有更广泛的担忧。这些担忧基于当今全球的最新形势。生成式 AI 已迅速实现“消费化”。这种大规模采用意味着一些用户可以在没有正式指导的情况下使用生成式 AI。他们在没有护栏的情况下使用生成式 AI，其行为可能无法受到监管，并且可能会导致不可预测的后果。 如果缺乏适当的监督，组织就无法正确识别、量化或管理采用新兴技术的相关风险。如果要安全、负责任地利用强大的生成式 AI，组 织首先 需要了解想要实现什么样的目标，以及实现这一愿景所需做出的改变。3 基础模型可以帮助企业加速和扩大生成式 AI 的采用。什么是生成式 AI？ 什么是基础模型？为了提高 AI 投 资 的 成 本 效 益 ，企 业 需 要 灵 活 、可重用、且支持多种应用方式的模型，包括用于生成新内容。生成式 AI 是一种深度学习模型，可根据训练数据生成高质量的文本、图像和其他内容。4 从较 高 层面 来说，生 成 模 型 对其训练数据的简化表示进行编码，并从中提取特征信息，以创建与原始数据相似但不相同的新作品。这项技术于 2010 年代初开始出现，当时的变分自动编码器 (VAE) 成为第一个广泛用于生成逼真图像和语音的深度学习模型。自动编码器的工作原理是将未标记的数据编码为压缩表示，然后将数据解码回其原始形式。普通自动 编 码 器 可 应 用 于 多 种 用 途 ，包 括 重 建 损 坏 或模糊的图像。变分自动编码器不仅增强了重建数据的关键能力，而且还可以输出原始数据的变化形式。这种生成新数据的能力引发了一系列新技术的快速发展，从生成式对抗网络 (GAN) 到扩散模型，这些技术能够生成更加逼真的虚构图像。因此，变分自动编码器为当今的生成式 AI 奠定了基础。变分自动编码器基于编码器和解码器块构建而成，这种架构也是当今大语言模型 (LLM) 的基础。具体来说，编码器将数据集压缩为密集表示形式，在抽象空间中将相似的数据点排列得更紧密。解码器从这个抽象空间中进行采样以创建新内容，同时保留数据集的最重要特征。Transformer 将“编码器-解码器”架构与文本处理机制相结合。编码器将原始文本转换为 “嵌入”表示。解码器将这些嵌入与模型之前的输出相结合，并连续预测句子中的每个单词。通过填空猜谜游戏，编码器可以了解单词与句子之间的关系，而无需任何人标记词性。 Transformer 甚至可以在未指定特定任务的情况下进行预训练。学习这些强大的表示 之后，就可以使用更少的数据来增强模型 的专业化水平，以便执行给定的任务。 Transformer 因其全面多样的功能而被称为基础模型。基础模型在理论上可以应用于许多领域，因而提供了加速和扩大生成式 AI 采用的机会。5 例 如，大 规 模 参 数 的 LLM 可以改变整个 组 织 中 的 信 息 生 成 和 共 享 方 式 。（ 参 数 是在训练模型时使用的变量，有助于推断新内容 。）只 需 对 LLM 进 行 适 当 调 整 ，以 适 应 语义搜索、分类、预测、摘要生成和翻译等任务即可。基础模型的采用还得到了一系列已成为主流的新兴 AI 工程最佳实践的支持。从模型开发到快速工程，这些通用实践和方法大幅简化了整个企业和生态系统的协作。尽 管 基 础 模 型 具 有 无 比 广 阔 的 前 景 和 潜 力，但 同时也带来了一些新的挑战。比如说，基础模型需要 大 量 的 计 算 、存 储 和 网 络 资 源 ，而 这 会 消 耗 大量能源。训练一个大型自然语言处理模型的碳足迹与五辆汽车在其整个生命周期中的碳足迹大致相同。6与其他 颠 覆 性 技术一样，采 用生 成 式 AI 和基础模型也需要做出适当的权衡。7 只有经过持续不断的实验和迭代才有可能取得成功。对于企业而 言，平 衡 AI 项目所需的投资与其可创造的价值是一项尤其重要的工作。那些能够找到这一平衡点的组织将定义 AI 的未来。 4 案例研究劳埃德银行集团利用 大语言模型改善客户 服务当需要财务相关信息时，用户并不希望等待太长时间。但劳埃德银行集团 (LBG) 的客户在使用其移动应用上的搜索功能时，却无法即时获取所需答案。系统会将他们转至其他沟通渠道，并且需要较长的等待时间才能获取帮助，从而导致服务成本增加以及更加糟糕的客户体验。8由于搜索功能依赖于关键字匹配，因此当客户在最常见的搜索中出现拼写错误时，就会出现问题。为了解决这些问题，IBM 使用生成式预训练 Transformer 嵌入来矢量化常见问题解答，识别适当的响应，并生成综合响应返回给用户。由数据科学家、用户体 验 和战略顾问组 成的 IBM 团队正在着手开展以下工作：—构建概念验证，证明大语言模型可以减少不成功搜索的数量、改进虚拟助手集成和个性化搜索响应，从而彻底改善移动应用搜索体验。 —概述工业化方法，定义将概念验证转化为供客户部署的解决方案的步骤。该团队正在考虑未来的风险和机遇，将“搜索”打造为所有客户自助服务的入口。自 2017 年以来，IBM 和 LBG 一直在定义全新的创新 性 方法，利用 AI 来 增 强 客户互 动 。他 们 在整个企业范围内使用基础模型和生成式 AI 模型来了解不断变化的客户需求，并减少管理、训练和执行 AI 驱动的互动流程所需的手动工作。这让该银行能够轻松获取一些重要数据，否则相关的分析工作将需要花费超过 200 万英镑的成本和数千小时的人力。9 5 扩展生成式 AI关于生成式 AI 将如何真正实现业务成效仍然存在诸多猜测。但大多数受访高管都认同生成式 AI 能实现所期望的成效。受访高管认为采用生成式 AI 能创造一些绝佳的机会，包括提高内容质量、增强竞争优势以及扩展员工专业知识。总体而言，受访高管更加关注通过增强体验来扩展能力和推动增长，而不是通过降低成本来实现这一目标（见图 3）。 成功三要素图 3超越降低成本受访高管希望利用生成式 AI 推动 增长和增强能力提高内容质量扩展员工的专业知识拓展组织能力改进决策增强竞争优势提高销售额/收入增强客户体验加快客户获取提高客户保留率降低运营成本缩减/重新部署员工团队降低资本成本56%51% 49%40%51%48%47%45%38%36%31%15%增强能力业务增长降低成本尽管 74% 的 CEO 认为其团队具备成功采用生成式 AI 所需的技能，但只有 29% 的其他高管同意这一观点。6 然而，并不是所有人都认为其企业已经为生成式 AI 做 好了准备。尽管 74% 的 CEO 认为其团队具备成功采用生成式 AI 所需的技能，但只有 29% 的其他高管同意这一观点。CEO 们发现了了潜力，并且知道其组织具备实现全新 AI 水平所需的经验和技能。但 CEO 们可能并未意识到其他运营模式方面的因素，即实现目标所需的条件。另一种观点是，一些传统高管可能不具备在数字世界中竞争所需的技能，因此很快就会听从首席数据官 (CDO) 或首席信息官 (CIO) 的建议。企业可能需要精通技术的新一代领导者，他们能够推动变革，而不仅仅是提高运营效率。为了弥补准备不足的短板并加快生成式 AI 的采用，企业领导者需要关注以下三个领域：组织和技能 | 数据与平台| 风险与治理制定战略也至关重要，包括与业务方向保持一致，确定优先的功能领域和使用场景，以及继续建立更广泛的能力。10 但是，本报告主要关注执行。尤其是在当前变幻莫测的全球经济形势中，快速而深思熟虑地采取行动或许有助于确定生成式 AI 在短期内可以发挥的作用。 7企业需要精通技术的领导者，他们能够推动变革，而不仅仅是提高运营效率。 多达 80% 的 受 访 高 管 认 为，由于 生 成 式 AI 的兴起，劳动力角色和技能正在发生变化。（我们很惊讶这个数字并没有更高，但或许很快就会更高。）展望未来，受访高管表示将优先建立和发展既能帮助员工使用生成式 AI，又 能 完 成 只有人 类 才 能 胜任 的工作的技能 。随着生成式 AI