近兩年，ChatGPT如燎原之勢迅速席卷而來。在過去的半年里，眾多企業傾心生成式AI并展開探索與應用，其所帶來的影響也越來越深入。

如何調整企業的AI戰略，使大模型的能力真正為企業所用?如何選擇適合行業企業的大模型?如何根據企業自身情況部署大模型?這些都是CIO關注的重要課題。

生成式AI正在顛覆傳統業務

生成式AI正在改變產品的研發方式、優化用戶體驗、提升員工的工作效率，甚至在顛覆傳統業務。

制造型企業的研發人員使用Autodesk的Dreamcatcher平臺，可以根據目標和約束條件直接生成CAD設計，連接3D打印機就能進行實體交付，大幅提升了研發和測試的效率。

在體育界，IBM為美國2023年高爾夫錦標賽大師賽提供生成式AI評論的數字新體驗，其人工智能生成式評論解決方案在比賽過程中為20,000多個視頻片段制作了詳細且專業的高爾夫比賽解說，精彩的比賽片段+專業的比賽解說為用戶提供了優質的體驗。

Amazon的實時AI編程助手(CodeWhisperer)可以運用自然語言幫助開發團隊生成代碼、執行代碼并進行代碼優化。埃森哲的Velocity團隊基于CodeWhisperer將開發工作減少了30%。

ChatGPT的問世給教育服務提供商的股價帶來巨大影響，美國課外輔導在線教育公司Chegg的股價受GPT的影響足足下跌了50%。人工智能“反噬”科技行業的征兆已經出現，就業市場也將受到影響。

今年4月Gartner在針對2000多家企業的調研中發現：45%的企業看好生成式AI技術，并將增加對AI的投資。

今年年初Gartner在調研了300多家中國企業后發現：AI能力相對成熟的企業更傾向于采用“AI First”的戰略，大部分中國企業側重AI運營和AI工程化，以決策為中心，通過AI技術輔助業務，使業務運營可擴展且更有韌性。一部分AI領先企業已開始探索將AI技術用于企業業務的各個領域，甚至是核心業務場景。

生成式AI戰略先行

Gartner提到了AI原生企業的概念，它指企業的核心流程如果離開AI將無法正常運轉。包括自適應、生成式、原生學習在內的生成式AI正在將AI原生企業這一理想變為現實，越來越多的企業將AI戰略納入企業數字化轉型的核心戰略。

Gartner高級研究總監方琦(Mike Fang)強調：所有的AI戰略，如果脫離了企業自身的業務，將毫無價值可言。

因此對CIO而言，規劃AI戰略的第一步是與業務戰略對齊，而非單純從技術角度進行創新;其次要結合整體業務模式確定AI技術的優先發力點;第三步要從投資與回報的角度明確AI能否大幅優化業務;同時還要了解企業通過AI能力能獲得偏向防御型的能力，還是利用自身數據創造差異化的競爭力。

大部分中國企業進行了大量AI投入，有了比較清晰的AI戰略。在生成式AI大潮興起后，大多數企業重新規劃并更新了自身的AI戰略，生成式AI無疑增強了員工的工作能力。

CIO在規劃AI戰略時，應著重思考以下三個問題：

1、該如何培養企業的AI戰略師?

2、該如何重新培訓員工，使其在短期內熟練應用生成式AI工具?

3、未來什么樣的組織架構能讓員工樂于共享，甚至更民主化?

Gartner列舉了生成式AI在企業中的三類主要應用場景：

1、將算法集成到現有解決方案。在保證前期對AI的投資能繼續發揮作用的基礎上，將生成式Al的算法集成到現有的智能化解決方案中，解決原有方案不能識別的意圖，通過能力的更新和完善提升用戶體驗，使產品更具競爭力。

2、改進業務或工藝瓶頸。梳理業務的端到端流程，找到流程中的瓶頸，探索如何通過生成式AI的應用工具突破現有瓶頸，從而提升整體能力。

3、重塑人與機器的關系。當整個行業的供需關系發生變化，企業需要重塑人與機器的關系，找到新的平衡點。

Gartner在調研中發現：在全球，70%的企業部署了20個以上的AI用例，企業平均部署AI用例的數量是41個，AI用例的平均使用壽命為3.5年;而在中國，86%的企業部署了5個以上的AI用例，企業平均部署的AI用例數量是24個，AI用例的平均使用壽命是2.8年。

管控生成式AI的相關風險同樣重要，包括違反中國法律法規的風險、供應商的風險、數據的隱私及保密風險、侵犯知識產權的風險、“幻覺”和有偏見的答案、網絡安全風險、員工應用范圍的風險等等，Gartner建議CIO在運用生成式AI技術時要充分與業務團隊進行風險的溝通，從而使技術能夠更好地落地應用。如果法務專家能夠參與AI用例的前期構思，將使AI的成熟度提升3.8倍。

在人才方面，全球超過70%的企業表示AI人才并不是難點。但是大多數中國企業表示人才或服務提供商短缺是AI技術被企業采用的最大障礙，53%的中國企業表示很難找到既擅長業務又懂AI技術的人才。對于中國企業而言，如何通過專業化的分工團隊，使AI技術更易落地，是企業需要從戰略角度思考的重要方向。值得注意的是，采用分布在企業內部的AI特別小組這類與業務混合的團隊，與中心化的AI團隊相比，前者的AI成熟度會更高。

當生成式AI能力出現后，企業需要更多跨部門的角色和技能，如需要開發人員能基于API進行處理，需要AI產品經理等角色，這些是企業未來AI人才儲備需要關注的重要課題。

如何選擇合適的大模型?

面對五花八門的大模型，如何選擇合適的大模型是多數企業關注的話題。

Gartner建議企業在選擇大模型時要關注以下幾個方面：

1、基本的語言能力。如多向對話的能力，生成文本的質量，知識的范圍等。

2、額外的語言能力。如哪些模型能寫代碼?哪些模型的邏輯和推理能力更強?是否支持多種語言?是否具備數據分析能力等。

3、提示詞工程。如模型的思維鏈如何?(是否與提示詞工程緊密結合?)是否具備情境學習的能力?是否擁有很好的操控性?(是否遵循指示?)

4、微調的難度。如果想對模型進行優化或微調，是否支持將企業的知識注入模型中?

5、非功能性因素。如推理速度、成本，是否支持本地部署等。此外，如果模型后續進行迭代優化，現有的應用是否能二次優化?據悉，2024年GPT-4.0底座模型將對外開放，如果企業的應用產品是基于GPT-3.0版本開發的，后續是否要做二次優化，是企業要考量的因素之一。

6、生態系統。當前很多廠商在做基于應用場景的AI插件，也有如Microsoft Copilot的打包軟件。企業在選擇模型時，還應考慮模型的生態系統是否友好，與工具/系統、插件的集成是否便捷，能否長期合作等。

企業部署生成式AI的五種方式

Gartner高級總監(研究顧問)張桐梳理了企業部署大模型的5種主要方式：

1、直接購買嵌入應用程序的生成式AI。例如GPT或Salesforce推出的XGen等開源的AI大模型。

2、直接調用生成式AI的API接口。企業的應用系統可以直接調用開源大模型的API，從而進行數據檢索與提示詞工程的探索。

3、企業內部知識與生成式AI模型相結合。也就是將企業的數據內容準備好，包括形成企業的知識圖譜，只利用大模型的語言能力進行知識輸出。

4、在生成式AI模型的基礎上微調。在提示詞工程的基礎上，或直接在大模型的基礎模型之上，將行業的領域知識和企業的數據內容給到模型，讓模型理解、學習行業知識和企業知識，真正為企業所用。

5、從零開始自建模型。通過預訓練、監督學習以及增強學習等方式，從0到1去打造一個專屬于行業企業的模型，需要進行大量的算力投入、資金投入以及人才投入。

訓練大模型的門檻很高，需要充足的預算、計算資源以及數據。此外，數據安全問題也是企業部署生成式AI必須考量的因素，自建模型的數據安全系數更高，調用API的方式存在一定的數據風險。以上5種方式由易到難且各有利弊，企業可以綜合考量適合自身的應用場景、投入力度以及數據安全需求，選擇適合的部署方式。

企業應用大模型的核心是將企業的內部知識與外部知識進行融合，只有內外部知識被融會貫通才能充分發揮大模型的價值。

以大模型應用中最常見的知識管理場景為例，企業需要建立與智能搜索相關的知識圖譜，嘗試在內部知識中將每個問題的答案找到，并將問題和答案一起發給大模型，通過大模型的自然語言能力+知識圖譜的知識結構能力，實現更好的人機交互體驗，從而得到準確答案。

展望未來

當前多數大模型的底座很難持續更新，以ChatGPT為例其訓練數據截止于2021年9月，并不能很快更新為企業提供實時的數據支持。伴隨業務的快速變化，企業需要通過混合的模式，通過知識圖譜或一些規則，將企業的內部知識注入生成式AI。

Gartner預測：下一代AI技術將向自適應AI的方向演進，也就是在不斷變化的復雜環境中，能夠基于數據自主、實時地進行模型的更新，以多個代理人的AI模擬或AI強化學習的方式，具備更快感知環境變化的能力，輸出更符合業務需求的結果。

關于企業網D1net(www.shixingcraft.com)：

國內主流的to B IT門戶，同時在運營國內最大的甲方CIO專家庫和智力輸出及社交平臺-信眾智(www.cioall.com)。同時運營19個IT行業公眾號(微信搜索D1net即可關注)