在 AI 驱动的未来中找到自己的位置

找到你的地方在 AI 驱动的未来 在您的业务中释放 AI 的潜力 由主题专家和 GLG 网络成员 执行摘要1关于研究2............................................. 4...16 执行摘要 随着市场对生成式AI的关注不断增加，企业及IT领导者面临压力，需要确定这项具有潜在变革性的技术是否能够提升其企业的效率和生产力。然而，这些领导者缺乏做出关于如何以及以何种速度采用生成式AI及一般人工智能技术的决策所需的关键信息。这项针对高级AI决策者和影响者的调查揭示，生成式AI的采用可能受到对所需投资、成本和技能的不确定性的影响，以及对不同行业背景下AI能做什么和应该做什么的基本困惑。 “调研发现，这些领导者热衷于听取拥有实际实施生成式AI经验的行业专家和同行的意见，并寻求与自身应用场景和行业相关的真实案例研究，早期采用者的这些经验可以帮助领导者获得所需清晰度，从而有信心在内部及面向客户的应用中部署这项技术。”通过学习 领导者们询问如何确保与同行和供应商之间使用通用的生成性AI语言，如何识别该技术中最相关的应用场景，以及他们是否采取了正确的步骤以确保成功的部署并降低风险。 关于研究 GLG为决策者提供所需的洞察力，帮助他们领先一步，通过我们的专家网络连接，这是一个包含约100万名专家的世界最大且最多样化的第一手专业知识来源。2024年6月至7月，GLG对北美（美国和加拿大）201名具有决策权或对公司AI投资有重大影响力的高级领导者进行了在线调查。 研究显示 ， 大多数受访者 ： • 对生成式AI充满热情，并期望找到该技术的许多新应用场景• 认为他们的行业在生成式AI的定义、用途及其价值主张方面缺乏共识• 对于生成式AI实施的关键方面，如所需成本和投资，不确定在哪里可以获得建议，这可能抑制该技术的采纳速度• 在规划生成式AI投资时，最有可能信任具有实际经验的行业专家和同行的建议，而不是供应商的推荐 以下数据表明了受访者的职业级别、角色以及公司按年收入和行业分布的情况。 测量洞察力 对 AI 的高度热情 尽管调查中许多领域的清晰度尚存疑问，受访者一致乐观地认为人工智能技术能够解决关键业务需求。84%的受访者表示相信人工智能能够提高效率，而72%的受访者认为它将创造新的商业机会。这表明，如果能够解决关键的信息空白，人工智能技术的采用率可能会更高。 AI 的观点 占受访者总数的百分比 73%受访者认为快速汇总信息是其工作职能的关键要求之一 关键工作要求可以从 AI 中受益 原因之一是业务和IT领导者认为人工智能技术是满足其部分关键工作需求的理想解决方案。调查受访者被要求考虑一份常见的商业活动列表，并确定这些活动是否是他们工作中的一部分。其中一些任务被提及得非常频繁。 被受访者普遍认为是其关键工作要求的一部分，如快速总结信息（73%）、产生创意（65%）、预测可能的结果（63%）、使他人更容易使用工具（59%）以及自动化决策（58%）。 对于他们认为重要的工作任务，受访者被要求识别在完成这些任务时是否应该使用AI工具，以及是否是最合适的工具。在这些回应中，生成式AI最常被视为快速信息总结的解决方案，97%将生成式AI视为核心业务需求的受访者认为它是适合这一目的的适当工具，而87%的受访者认为它是最佳工具。 会是理想的工具。鉴于这些关键工作要求在所有受访者中非常普遍，这意味着人工智能被视作加速其公司一些最频繁和基础任务的加速器。 在某些情况下，受访者对生成式AI可用于特定目的的看法与认为它最适合用于该目的之间的差距较大。例如，虽然83%的受访者认为生成式AI是生成想法的适当工具，但只有36%的人认为它是理想的工具。类似的情况也出现在使需要专业技能的工具或软件使用更加便捷以及在工作流中自动化决策等应用场景中。这些差距可能反映了市场上已有更多被广泛认可的技术可供这些用途使用，或者缺乏展示生成式AI能力以解决这些需求的优化模型或应用。IT决策者通常会参考同行的经验和行业成功案例来判断新兴技术是否适用于特定场景，在这些领域可能需要更多的证据来确保企业相信生成式AI对于这些需求是有意义的。 关键工作功能要求 % 在总受访者中 ， n = 201 与工作职能要求相关的 AI 声明协议 % 在受访者中表示需求是他们工作职能的关键 与工作职能要求相关的 AI 声明协议 % 在受访者中表示需求是他们工作职能的关键 最引人注目的发现之一，鉴于整体上对生成式AI的热情，受访者认为许多潜在的AI益处仍然未知。77%的受访者认为AI有许多未被发现的应用场景，这意味着许多公司对生成式AI在业务中的广泛部署仍感到不确定。受访者还提到了采用生成式AI的风险不确定性：68%的人认为AI将带来意想不到的变化，而57%的人表达了对AI可能创造难以预见的新风险的担忧。即使企业可能对探索AI的可能性感到兴奋，这些未知因素也可能使获取必要的预算、提供充足的资源或甚至搁置正在进行的项目变得困难。通过寻求专家指导或借鉴同行的成功经验来提高这些领域的清晰度，可以减少这些障碍，从而使企业在技术采用方面能够更快地推进。 AI 的观点 占受访者总数的百分比 机会意识部署滞后 调研提供了大量证据表明，关于如何有效部署生成式AI以及如何预测成本和风险的不确定性正在减缓企业对生成式AI的采纳速度。如上所述，许多受访者认为AI是完成多项关键工作要求的理想工具，但在被问及他们已经实施了多少技术以及是否知道有能力协助他们进行实施的供应商时，回复显著较低。平均而言，只有63%的受访者认为AI与其关键工作要求相关，并且知道有供应商可以协助他们实施这项技术，而只有46%的受访者已经实施了这些要求的技术解决方案。这种差距的程度在不同的应用场景中存在差异：虽然84%的受访者能够识别出能够提供生成式AI工具以通过自然语言界面访问知识库的供应商，且67%的受访者已经实施了用于此目的的AI工具，但只有50%的受访者能够识别出提供生成新产品想法的生成式AI工具的供应商，而仅有28%的受访者已经实施了用于此目的的AI技术。这些差距的差异性表明，关于生成式AI的公共讨论主要集中在有限的一系列常见用例上，这使得寻求将该技术应用于更专业化需求或特定行业要求的企业领导者对于潜在的发展路径和可能面临的障碍知之甚少。 与工作职能要求相关的 AI 声明协议 % 在受访者中表示需求是他们工作职能的关键 与工作职能要求相关的 AI 声明协议 % 在受访者中表示需求是他们工作职能的关键 关于 AI 抑制部署的风险的不确定性 87%受访者认为 ， 生成人工智能是快速汇总信息的最佳工具 实施任何新兴技术都会引发一系列关于如何减轻潜在风险、预测成本和资源需求以及应对新的安全考虑的问题。受访者被要求考虑他们是否有足够的信息来确定是否已经充分保护自己免受与AI相关的常见风险；受访者表示缺乏相应的洞察。 into 安全性、实施成本、输出可靠性，以及减轻与模型和训练数据相关的偏差的能力。如果无法解答这些问题，业务和IT领导层可能难以获得业务案例的批准，或争取内部支持以推进试点或实施工作。 尽管关于生成式AI的讨论经常集中在技术限制因素上，如训练数据的可用性和质量或特定模型的表现，调查结果表明，在生成式AI采用方面更为重要的限制因素是对关键商业考虑事项的不确定性。当被要求按重要性对阻碍其公司实施生成式AI技术的因素进行排序时，受访者认为难以确定哪些技术与其特定业务相关、缺乏领导层愿景以及对潜在成本和所需投资的模糊性比技术因素（如数据不足）更具显著性。当被问及具体缺少什么信息可以减少这些限制时，受访者指出了诸如无法预测或量化潜在负面影响以及对如何获取解决这些问题所需的专家和技能的不确定性等问题。 投资抑制剂 占受访者总数的百分比 在没有支持的情况下实施的生成 AI 具有挑战性 52%受访者使用第三方供应商提供商业生成 AI 技术解决方案 当被问及他们计划如何具体追求生成式AI的投资时，受访者表示高度依赖第三方供应商提供的生成式AI技术，其中52%依赖商业解决方案，而45%考虑合作伙伴共同创造解决方案或内部开发。尽管商业解决方案的成本较高， 训练新的生成模型可能是这一反应的一部分原因。在其他调查回应的背景下，这一发现可能表明企业正在依赖供应商来减少不确定性并简化采用这项技术的道路。关于生成AI的模糊性最为明确的信号之一是，59%的受访者表示，在其行业范围内尚未形成生成AI的通用定义，这意味着在这一领域尚未建立一套一致的使用案例和最佳实践。 生成式 AI 的常见行业定义 % 在总受访者中 ， n = 201 预计未来三年的投资 % 在总受访者中 ， n = 201 成功实施 AI 的成分成为焦点 尽管在最佳实践方面缺乏明确共识，已经开始实施AI解决方案的企业发现，某些类型的资源对于成功的实施是必不可少的。其中，最常被提及的要求之一是对如何最好地应用努力的证明专业知识——包括识别哪些问题可以通过生成式AI有效解决的专业知识（47%）以及如何确定生成式AI的应用场景的专业知识（42%），这些要求显著高于对基础技术要求（如需要高质量数据来训练模型）的回应。 “在努力填补知识缺口时，企业最有可能寻求案例研究（78%）或由已成功完成类似项目的人员主导的专家讲座或论坛（69%），这表明企业更倾向于从实际经验中学习，而不是消费更多概念性或假设性的内容。 当被问及他们最信任哪些来源获取有关生成式AI的信息时，观察到类似的趋势，受访者将公司更加重视战略知识，了解如何分配资源和规划实施， 行业专家列为首选（87%），其次是已经测试过该技术的同行（85%）。”而非具体的technical能力。 生成 AI 的信息渠道 % 在总受访者中 ， n = 201 成功实施生成 AI 的基本特征 Conclusion GLG对人工智能决策者和影响者的调查突显了对新兴生成式AI技术的热情与实际获取其价值所需的专业知识之间的差距。希望投资生成式AI的企业可能因缺乏与其行业和应用场景相关的实际案例而犹豫不决，或者可能在没有清晰的价值路径的情况下继续前进。通过改善对生成式AI相关成本和风险如何管理的清晰性，可以提高企业采用该技术的速度，降低失败实施或过高成本的可能性，并增加企业拥抱新用例潜在价值的信心。访问已经找到了生成式AI前进路径的专家或同行网络之一，是企业确保为其预算、团队和客户做出最佳选择的最佳步骤之一。 对完整的调查结果感兴趣吗 ？ 联系访问。 本文件中的调查、访谈研究与分析由GLG委托的一位咨询顾问通过Gerson Lehrman Group的独立咨询顾问和领域专家网络（以下简称“网络成员”）开展。网络成员的调查受访者和访谈对象因参与研究而获得补偿。所有信息自2024年6月27日至2024年7月10日止，仅供参考，并不构成法律、会计、税务、投资或其他专业建议。本文件中未作任何明示或暗示的声明或保证。GLG及其任何网络成员对使用本文件可能引发的任何责任概不负责。