解决如何和何时的问题：将商业战略融入人工智能采纳

我们已经达到了人工智能（AI）的临界点，董事会讨论已经从辩论有效性转变为加速采纳。尤其是考虑到变化的步伐将永远不会像现在这么慢。根据波士顿咨询公司的报告，尽管全球经济不确定，创新在2023年成为公司的首要目标，79%的公司将其列为前三项目标。

然而，仅仅为了创新而创新并不是一个好的商业战略，陷入人工智能热潮的公司可能会投资于炒作，而不是创造长期价值的解决方案。了解这种差异需要仔细考虑当前的能力和耐心，以优先考虑可持续的增长而不是短期趋势。

金发姑娘区

商业史上充满了公司在关键时刻做出的战略决策对其存在产生了重大影响的例子。例如，亚马逊通过认识到调整会计策略和增加储备的重要性而幸免于难，而其他公司则在烧钱。关键点是，明智的商业决策在大众热情的时期比以往任何时候都更加重要，规划明天需要有能力思考所有可能的情景。

总体而言，领导团队中存在一种人工智能恐惧错失（FOMO）的普遍感觉，这进一步被这样一个现实复杂化，即不采取行动（即屈服于“分析瘫痪”）也是一个真正的威胁。（就问柯达。）以下是三点考虑，供寻找人工智能“金发姑娘区”的公司参考——不投资太快或太慢，而是找到可持续创新的甜蜜点。

1. 首先关注数据增长

像任何机器一样，了解其内部工作原理对于推导出价值的来源至关重要。也就是说，人工智能并不是一个完全成熟的产品，而是其大型语言模型（LLM）依赖于大量多样化的数据点来学习模式、上下文和语言细微差别。LLM的庞大规模和复杂性需要大量训练数据才能在各个领域和任务中有效运行。这种数据的质量和数量将极大地影响LLM的性能，从而影响公司的人工智能工具套件。

因此，创建更强大的数据生态系统是任何计划人工智能转型的公司的明智首要投资，这些数据将成为LLM随着时间推移而增长和演变的基础。在这种演变中，高质量的数据变得更加重要。虽然研究表明LLM可以在最少的数据下表现良好，但专家现在说，“数据质量和多样性对LLM的对齐和其他方面的影响（预训练、微调、可控性等）是巨大的。”

2. 确定业务用例

虽然人工智能当然具有广泛的外部应用，但大多数公司更关注使用该技术优化内部流程。“优化”是关键词，这意味着公司不应该期望简单地插入人工智能软件来神奇地提高产出。相反，一些最成功的人工智能用例涉及分析数据以揭示有关客户行为、市场趋势和潜在风险的有价值见解。它还被证明在简化内部活动方面是有效的，包括自动执行手动任务以分配员工时间到更高层次的活动。

简而言之，组织不应该浪费时间思考使用哪些人工智能模型，而应该专注于他们需要人工智能解决的特定问题。（即，从您想要移动的指标开始，设置您想要影响的KPI，然后逆向推导出将实现这些目标的人工智能工具。）根据麻省理工学院全球高管人工智能调查，90%使用人工智能创建新KPI的人表示他们的KPI有所改善。“这些人工智能启用的KPI提供了商业利益和展示了新的功能：它们通常带来更高的效率和更大的经济利益，并且更详细、更及时、更符合组织目标。”

3. 使用开源LLM构建定制人工智能工具

构建还是购买——这是一个问题。构建定制人工智能解决方案似乎令人生畏，许多公司选择从外部供应商购买具有专有LLM的许可证，以避免走这条路。然而，许可证可能会限制LLM的使用方式，许可费随着时间的推移可能会变得非常昂贵。相反，开源LLM是免费的，底层架构可供开发人员访问、构建和修改，以满足公司的具体需求。

这种开源模型生态系统在公司试图在其网络上保留敏感信息并保留对其数据的更多控制权的同时变得越来越流行。开源LLM为公司提供了这种透明度和灵活性，以及减少延迟问题和提高性能的额外好处。IBM和NASA最近合作开发了一个使用地理空间数据训练的开源LLM，以帮助科学家应对气候变化，这是NASA十年来开源科学计划的一部分，旨在建立一个更加开放、包容和协作的科学社区。

与任何开源技术一样，开源LLM都存在风险，包括潜在的安全漏洞/泄露、基于不准确或有缺陷信息的幻觉/偏见，以及恶意行为者故意操纵数据。然而，开源模型正在变得越来越智能和安全，导致一些专家认为开源LLM很快将达到最好的闭源LLM的水平，从而证明了早期采纳和花时间提升团队技能的价值。

人工智能采纳将是马拉松中的多次短跑

根据最近的数据，美国大约有15,000家人工智能公司，是2017年的两倍多。全球范围内，这个数字几乎增加了四倍。有这么多供应商和热门新创业公司提供服务，不难理解为什么公司会难以决定在哪里投资时间和金钱。然而，通过仔细评估需求和创新带来的风险/回报，领导者将找到合适的人工智能组合，以推动公司实现可持续增长的未来。