GenAI项目如何成功？

似乎科技界的每个人都在研究一个新的人工智能项目。但是，这些生成式人工智能 (GenAI) 计划中有多少会投入生产——更不用说直接带来新的收入来源了？

很有可能，不会很多。2023 年 Gartner 的一份报告发现，尽管科技高管对人工智能计划充满热情，但实际部署率仍然很低。在我们最近的播客中，Google Cloud 的人工智能/机器学习和生成式人工智能总监 Miku Jha 估计，只有大约 15% 的人工智能采用者清楚自己想要使用 GenAI 实现什么。换句话说，85% 的时间，情况可能更像是先花钱，后思考：公司在投资 GenAI 项目时，并不清楚他们将如何使用该技术来创造商业价值。Jha 表示，只有大约 5% 的案例中，GenAI 项目才能大幅实现新产品的货币化。

直接货币化并不总是 GenAI 计划的目标，但对于考虑如何（以及投资多少）这项新技术的企业来说，如何引导 GenAI 项目从最初的热情一直到成功实施的问题非常重要。让我们来谈谈为什么 GenAI 计划对于组织来说如此具有挑战性，并找出那些确实投入生产的项目中的一些共同点。

Terence Tse、Mark Esposito、Danny Goh 和 Paul Lee 在《哈佛商业评论》上发表了一篇文章，探讨了为什么采用 GenAI 项目如此困难的一些原因。他们强调了三个原因：

• 公司仍在研究上一代人工智能工具。许多公司仍在研究如何将“传统人工智能”（即非生成性人工智能；机器学习和基于规则的算法等工具）整合到他们的业务运营中。也许他们仍在探索传统人工智能，或者他们完全茫然无知。当他们仍在研究传统人工智能时，他们无法利用下一代人工智能工具。
• GenAI 是为非常具体的用例而设计的。GenAI 不仅比传统人工智能复杂得多；它还为高度具体的用例而设计。虽然 GenAI“能够在短时间内编写一份 5,000 字的报告”，根据 Tse 等人的说法，“但它无法完成传统人工智能可以轻松完成的基本数据输入任务，如提取和分类驾驶执照数据。”GenAI 的商业案例并不一定容易找到，而且 GenAI 并不总是能带来值得付出的代价的好处。
• 我们不知道我们不知道什么。 GenAI 的长期影响（包括成本和监管影响）仍不得而知。Tse 等人将我们现在的情况与 90 年代末进行了比较：“虽然当时的公司可能已经看到了建立网站的必要性，但很少有人能够清楚地看到更广泛的互联网作为全渠道战略不可或缺的一部分所发挥的具体作用，更不用说跨设备和手机应用程序了。”

我们与用户和客户的对话，以及 Stack Exchange 网络上发生的 GenAI 讨论量，揭示了类似的动态：人们对 AI 项目的潜在影响充满热情，但对于哪种 GenAI 项目能够切实支持业务目标以及开始使用时需要采取哪些实际步骤，人们犹豫不决。

另一个问题是期望与现实不符。组织通常一开始就对新的 GenAI 项目抱有错误的期望：从需要多长时间到需要花费多少，再到它真正能带来多少价值（如果有的话）。软件和技术公司发展迅速（有时太快了），急于跟上竞争对手的步伐，而没有花时间认真思考他们的业务目标以及通过 GenAI 支持他们的最佳方式。

《哈佛商业评论》文章提出了一些有见地的建议，可让你更轻松地采用 GenAI，总体上更成功。根据该文章以及 Gartner 关于采用 AI 最佳实践的研究和建议，我们整理了一份快速清单，列出了成功的 GenAI 项目所具有的共同品质。成功的 AI 项目……

• 首先了解你要解决的业务问题。让其指导你的工具选择。不要被新奇事物分散注意力；专注于性能。
• 请记住，仅靠 GenAI 并不是解决方案。为了使 GenAI 真正对你的组织有价值和有用，你需要了解其他技术（如矢量数据库）是如何发挥作用的。这里有一个关于该主题的精彩介绍。
• 让人类参与其中。人工智能技术确实令人印象深刻，但它们的强大和有效取决于参与其中的人类。根据 HBR 文章，“人类在引导 GenAI 实现业务目标、管理 IT 系统内的交互、设计数据进出 AI 模型所需的操作以及缓解幻觉（GenAI 产生的虚构或彻头彻尾的虚假信息）方面发挥着关键作用，这仍然是 GenAI 当今的一个主要问题。”
• 依赖可信赖、可追溯的数据。建立从数据源到最终用户的清晰路径是确保 GenAI 输出可靠性的关键。这就是为什么 HBR 文章敦促公司“确保数据沿袭是其技术堆栈以及流程和工作流程中的一个突出特征。”这让公司及其用户相信，他们的 GenAI 正在使用最完整、最准确和最新的数据。

原文链接：Why do only a small percentage of GenAI projects actually make it into production?

BimAnt翻译整理，转载请标明出处