从试点到生产：关于扩展 GenAI 程序的长期洞察

从现在算起，多年后，当我们回顾生成性人工智能（GenAI）的普及时，2024 年将被视为一个转折点 —— 一个广泛的实验、乐观和增长的时期，当时曾经犹豫是否要涉足创新未经考验的领域的商业领袖，纵身跳入其中。在 麦肯锡的全球人工智能调查 中，于 2024 年中期进行，75% 的人预测，GenAI 将在未来几年内在各个行业中带来重大或颠覆性的变化。

虽然我们已经了解了 GenAI 的优势和局限性，但必须记住，我们仍然处于演化的阶段。试点程序可以快速启动，并且相对较便宜地建立，但当这些程序在 CIO 办公室的监管下转入生产时会发生什么？功能特定的用例将如何在较不受控制的环境中执行，团队如何避免在程序甚至没有机会显示结果之前就失去动力？

从试点到生产的常见挑战

鉴于 GenAI 有巨大的潜力来提高效率、降低成本和增强决策能力，C 层对功能性业务领袖的命令很明确 —— 去尝试和实验。业务领袖开始工作，尝试 GenAI 的功能并创建自己的试点程序。营销团队使用 GenAI 创建高度个性化的客户体验和自动化重复任务。在客户服务中，GenAI 帮助提供智能聊天机器人来实时解决问题，R&D 团队能够分析大量数据以发现新的趋势。

然而，在所有这些潜力和其最终执行之间仍然存在很大的脱节。

一旦试点程序进入 CIO 办公室的轨道，数据就会被更密切地审查。到现在，我们已经熟悉了 GenAI 的一些常见问题，例如模型偏差和幻觉，在更大的规模上，这些问题会变得很严重。CIO 负责整个组织的数据隐私和数据治理，而业务领袖使用的数据可能只与他们的特定关注领域有关。

扩展前需要考虑的 3 件事

不要误会，业务领袖在构建 GenAI 用例方面已经取得了显著的进展，并取得了令人印象深刻的结果，但扩展以实现长期影响是完全不同的。以下是开始这段旅程之前需要考虑的三个方面：

1. 早期（和经常）包含 IT 和信息安全团队

对于功能性业务领袖来说，很常见的是他们在日常工作中会产生盲点，并低估扩展他们的试点程序到整个组织所需的内容。但是，一旦该试点转入生产，业务领袖需要 IT 和信息安全团队的支持来思考可能出错的所有不同事情。

这就是为什么从一开始就让 IT 和信息安全团队参与进来以帮助压力测试试点并审查潜在问题是一个好主意。这样做也将有助于促进跨职能合作，这对于引入外部视角和挑战个别职能内可能发生的确认偏见至关重要。

2. 尽可能使用真实数据

如前所述，数据驱动的问题是扩展 GenAI 的最大障碍之一。这是因为试点程序通常依赖于合成数据，这可能会导致业务领袖、IT 团队和最终 CIO 之间的期望不符。 合成数据 是人工生成的数据，旨在模仿现实世界的数据，基本上充当实际数据的替代品，但不包含任何敏感的个人信息。

功能性领袖并不总是能够访问真实数据，因此，解决这个问题的一些好建议是：（1）避免可能需要额外的监管审查的试点程序；（2）建立指南以防止不良数据腐蚀/偏斜试点结果；以及（3）投资于使用公司现有的技术堆栈的解决方案，以增加未来的对齐度。

3. 设定现实的期望

当 GenAI 在 2022 年底 ChatGPT 发布后首次获得公众关注时，人们对该技术革新行业的期望非常高。这种热潮（无论是好是坏）基本上仍然存在，团队仍然面临着巨大的压力，需要立即显示结果，否则他们的 GenAI 投资就无法获得进一步的资金。

现实是，虽然 GenAI 将会带来变革，但公司需要给该技术时间（和支持）来开始带来变革。GenAI 不是即插即用的，且其真正的价值不仅仅局限于聪明的聊天机器人或创意图像。能够成功扩展 GenAI 程序的公司将是那些首先花时间打造一个优先考虑长期影响而非短期结果的创新文化的公司。

我们都在一起

尽管我们最近读到了很多关于 GenAI 的内容，但它仍然是一种非常初生的技术，公司应该警惕任何声称已经完全弄清楚 GenAI 的供应商。这种傲慢会模糊判断，促进半成品概念的发展，并导致基础设施问题，这些问题可能会使企业破产。相反，当我们进入另一个 GenAI 兴奋的年份时，让我们也花时间进行关于如何负责任地扩展这一强大的技术的有意义的讨论。通过在过程中早期引入 IT 团队，依赖于真实的数据，并保持合理的 ROI 期望，公司可以确保他们的 GenAI 战略不仅可以扩展，还可以持续发展。