組織如何架構其生成式人工智慧（GenAI）策略，以開創價值之路並創造持久動能
最新一代生成式人工智慧（GenAI）所承諾的巨大顛覆潛力，已經在各行各業引起震動。在普華永道（PwC）今年早些時候發表的第27屆年度全球CEO調查中，70%的CEO表示，他們預計GenAI將在未來三年內顯著改變公司創造、交付和捕捉價值的方式。超過三分之二的受訪CEO已經在其組織中實施了某種形式的GenAI，並報告稱因此改變了其更廣泛的技術策略。
現在，在一項獨立且持續進行的研究中，普華永道與其全球策略顧問公司Strategy&發現，GenAI的潛在影響在行業和組織之間有顯著差異。我們對GenAI潛在價值的分析表明，如果將技術應用於現有的運營模式，軟體公司可能實現約20個百分點的利潤率提升。即使是潛在收益較小的行業，例如運輸和物流，1個百分點的利潤增長潛力也值得探索。
當然，這些數字僅基於將GenAI應用於現有運營模式的前景；它們並未考慮構建和運行GenAI工具的成本或競爭動態的可能變化。即便如此，即使在光譜的最低端，此類生產力增益也可能釋放潛在的市場預期變動，進而可能推動進一步的創新、顛覆和重塑，導致全新的價值創造模式。
在某些行業，啟動這些變革會更容易。為了幫助識別企業可以最有效地集中其GenAI努力的地方，我們借鑑了來自變革時期的一個機制：飛輪。
飛輪，從最初的陶工車輪到啟發Amazon電子商務機器的概念，可能需要一些努力來啟動。但一旦這些良性循環運轉起來，每次新增的能量都會增強其動能，減少加速所需的努力，並有助於保存和傳遞能量（以業務知識、經驗和能力的形式）。隨著時間的推移，這可以導致隨著動能的增強，創造和捕捉價值的成本下降。
商業領袖可以利用這個飛輪的力量來提高生產力，並更好地為組織的變革性重塑做好準備。然而，重要的是要記住，GenAI的影響可能遠遠超出提升底線，因此在每個階段都需要採用負責任的AI方法——考慮到業務決策對更廣泛社會的影響。
以下，我們描述了商業領袖如何利用飛輪方法的每個階段來指導他們的GenAI實施選擇。
1. 創建您的價值假設
價值假設是您對特定GenAI應用的潛在商業價值和實施難度的初步戰略評估。它需要考慮組織的目標和價值觀、當前資產負債表、運營情況、更廣泛的商業生態系統以及競爭和監管環境。然後，將該假設與行業潛在長期價值提升的分析進行比較，以創建一個粗略的基準來幫助評估進展。
對GenAI的即時短期價值假設根植於效率。普華永道的CEO調查顯示，多達40%的例行任務時間（例如會議和電子郵件）被認為是低效的。利用GenAI提高生產力在戰術和戰略上都具有意義。但在考慮價值假設時，重要的是要記住更大的獎勵：需要更多時間和資源的全面重塑。
一個世紀前，亨利·福特據說在他的客戶想要“更快的馬”時，給了他們Model T。今天，早期的生成式AI應用案例往往專注於提高現有解決方案和工作方式的效率——即更快的馬。儘管飛輪框架可以幫助推動這種方法的價值，但重要的是要記住存在一個更大的獎勵。大多數企業不會將所有注意力集中在邊際改進上，而是希望根據新選項來徹底重新思考最佳解決方案是什麼。為了避免在未來兩到三年內陷入大量技術和流程債務問題，有必要在評估未來價值和制定早期GenAI策略時，關注長期潛力的顯著顛覆和重塑。
2. 優先考慮關鍵用例
有了價值假設作為指導，就應該更容易識別出具有最強潛力、能在整個價值鏈上帶來最大利益的GenAI用例。這不僅會使展示投資回報變得更容易，還可以作為概念驗證，有助於提高未來倡議中關鍵利益相關者的支持度。
在各行各業中，前五大GenAI用例可以創造出技術總價值的50%到80%。
我們已經在各個行業中識別了數百個GenAI用例——我們分析中的每個組織都有特定的利基變體、挑戰和機會，可能包括取決於如何使用數據訓練GenAI工具的不同方法。我們的初步分析表明，在各行業中，前五大GenAI用例可以創造出技術總價值的50%到80%——因此，識別並集中於這些用例是有意義的。
例如，在奢侈品行業，大規模個性化客戶體驗一直是聖杯，GenAI基於購買歷史、內容偏好和首選稱呼形式的模式識別分析，能夠實現超個性化營銷，這可能成為提供客戶服務的區別因素，並成為重要的收入驅動力。在軟體開發方面，GenAI編碼助手已經通過讓人類程序員專注於提供方向和質量控制來提升生產力和利潤，而GenAI則創建了大部分代碼。
當然，即使在同一行業內，最有價值的用例對每個人來說也不盡相同。在評估GenAI對您的業務的潛在價值時，應該關注一個用例對以下七個主要考量因素的影響和受其影響的可能性，如下圖所示。
3. 尋找驅動規模的模式
為了創造最大價值，GenAI通常需要進行精細化和聚焦。開箱即用的模型可能能夠為某些用例提供良好的結果，但加入您公司的數據、提供額外的重點和安全防護措施，或增加外掛程式以提高核心工具的能力和準確性——如普華永道在其內部ChatPwC GenAI工具中所做的那樣——可以提供更相關和有影響力的幫助。
一旦完成了這個初始模型的精細化階段，GenAI工具通常可以快速重新用於類似用途。我們稱這些為模式。它們可以幫助技術戰略家和其他商業領袖側向思考，在哪些領域可以通過小的額外努力將現有的GenAI部署改編為其他用例，並在業務中擴展它們。
並非所有模式都具有相同的潛力。我們的發現表明，純創作和增強可以從GenAI中創造出超過50%的總價值，但這些增益可能需要更長時間才能實現，因為它們需要更多的前期投資於數據和整合，以及支持的業務或流程變更。只有約15%的GenAI潛在價值在於早期GenAI服務已知的摘要和對話（Q&A聊天機器人）模式。
模式識別對於決定在哪些方面集中努力以最大化價值非常有幫助。一家主要的通訊服務提供商的法律團隊知道可以利用GenAI的深度檢索能力，從而在數千份未標準化的合同中識別關鍵信息，從而幫助簡化未來的合同撰寫。努力首先集中在商業合同功能上，因為在這裡價值可能更快被捕捉到。一旦開發了公司特定的合同分析GenAI模型，它可以被修改用於採購、房地產和勞動合同——以最少的額外努力最大化價值。
4. 選擇您的基礎GenAI工具
在確定了用例和驅動規模的模式之後，您可以開始評估並短列出最合適的GenAI基礎技術。目標是預測和避免未來潛在的技術債務——由於為滿足即時需求而進行的技術投資的長期限制而可能最終需要的變更成本——例如由於多個獨立的GenAI工具處理不同流程而導致的低效。關鍵需求是平衡技術的穩健性與可採用性和適應性，以便既能實現規模化，又能提供持續的業務成果。
首先選擇合適的GenAI基礎模型和支持技術、雲平台，以及服務提供商和合作夥伴。對於某些用例，公共通用的GenAI模型如OpenAI的ChatGPT、Google的Gemini或Anthropic的Claude是足夠的。對於更敏感的商業信息，可能需要在受控環境中託管這些模型的更安全、私有版本。更專業的用途——例如基於對您組織特定能力的詳細了解起草法律文件或RFP（徵求提案），提供需要訪問私人數據的個性化服務，或協助產品和服務創新——則需要在您的基礎模型中應用獨特的企業和領域知識。這可以通過檢索增強生成（RAG）在您的基礎模型中進行，或在需要時微調這些模型。在某些情況下，特別是對於製藥和化學研發，為了獲得所需的結果，甚至可能需要從頭開始訓練您自己的定製模型。
5. 定義最大化現有價值的解決方案
下一步是確定在基礎工具上添加什麼，以提供能最大化價值的更具體的解決方案。對於許多組織來說，工具本身不會帶來任何市場差異化，因此，添加專有數據將是成功的關鍵。但這種數據使用反過來會帶來額外的治理和風險管理挑戰，可能導致開發和實施成本大幅上升，從而降低原本有前途的解決方案的整體價值。
為了識別能以最少努力提供最大價值的解決方案，重要的是要通過模式側向思考。這裡的經典例子是GenAI聊天機器人。一旦您開發了一個基於分析組織產品和服務文檔來幫助處理自動客戶服務查詢的聊天機器人，稍加修改就可以創建一個改進版，以幫助人員進行現場客戶互動。從那裡，再開發一個內部GenAI助手以支持銷售團隊、培訓和產品開發並不是很大的飛躍。這些額外用例單獨來看可能對您的底線影響不大。但增加此類增量的GenAI解決方案可以利用動能。
6. 評估成本和碳影響
一旦潛在的價值路徑被繪制出來，就該評估開發和部署成本，並決定是否繼續進行。對於許多組織來說，最初專注於生產力的用例將集中於成本效率——通過自動化和增強現有工作方式來提高利潤率。評估具有最大長期新收入生成潛力的GenAI用例的成本和影響——通過更全面的業務轉型、創新或重塑——可能更具挑戰性。
從最廣泛的意義上考慮成本——不僅僅是財務成本，還包括環境和聲譽。例如，儘管可以通過使用GenAI來完成一些任務來降低勞動力成本，但不加思索地用機器人取代人類可能會導致破壞性或損害品牌的反彈，同時也減少了對GenAI輸出的人工監督和驗證，這可能增加風險暴露。
由於這仍處於早期階段，一些廣為人知的風險（如GenAI的能耗）可能被誇大。我們對GenAI使用的碳影響的分析——評估了花費的時間、使用的處理器數量、每個處理器的功率以及碳排放當量的公噸數——表明，GenAI的常規使用可能是高能耗的，但也可以通過更廣泛的效率增益來減少其他來源的排放。
7. 開發和部署、測試和學習
在生成式AI這樣快速演變的技術中，測試和學習至關重要。每次部署時，若設定了明確的控制和成功指標，都是一次學習的機會。這些經驗將反過來幫助您識別改進——包括對如何捕捉價值的理解和如何衡量未來的成功——以及在適應和擴展工具和解決方案到組織其他部分之前重新評估風險和治理。
這是普華永道過去一年所採取的方法，公司在此期間將自己視為“客戶零號”。在2023年春季，我們與GenAI初創公司Harvey合作，開發和測試Harvey開始在OpenAI的ChatGPT基礎模型上構建的稅務、法律和人力資源專注的解決方案。從初始試驗階段開始，我們的內部團隊很快意識到該工具的深度檢索和摘要能力的好處，並識別出有效的工作方式，隨後用於對工具進行進一步改進。部署從一個有用的節省時間的工具演變為一個持續的實驗，以重塑長期建立的運營模式。
8. 調整以實現相鄰規模
在飛輪的最後階段，您可以利用通過評估、開發和測試積累的大量知識和經驗，進行必要的調整，以將GenAI工具改編為更廣泛的用途。在某些情況下，您識別出的解決方案可能需要進一步定制以適應具體的附加用途——但初始部署的概念驗證和所學的經驗應意味著更快的買入和更快的培訓和採用，這得益於您獲得的機構知識。
一家主要的全球飲料公司一直在採用這種調整方法來擴展其GenAI部署。在最初專注於工廠預測性維護，指導工具發現可能導致零部件故障的模式後，該公司能夠採取相同的模式並將方法改編於運輸和物流管理。隨後的應用甚至開發了新的解決方案，以幫助通過GenAI增強的精準農業提高作物生產效率。這反過來又使得系統視角，使用相似的GenAI增強預測分析工具和解決方案結合起來提供端到端供應鏈規劃能力，這在過去需要多年的開發才能實現。其底層模式在整個過程中都是相同的，解決方案構建在同一工具之上。這意味著每個附加項目交付的速度和成本都比過去更快更便宜，因為該公司利用其飛輪方法的動能，從過去的部署中學習並找到捷徑以獲得更大的價值。
抓住GenAI的機會
儘管飛輪可以幫助識別價值所在並幫助最大化價值，但某些價值來源將比其他來源更容易實現。對於所有組織來說，飛輪方法帶來的關鍵好處是建立一個不斷學習和累積價值創造的良性循環，這可以使整個組織在GenAI支持的新工作方式的旅程中前進。
自然地，包括現有技術堆棧、公司文化、當地監管環境和競爭對手活動在內的一系列因素會影響個別組織的成功機會。我們將在即將發布的工作中更詳細討論的其中一個最重要因素是您所工作的行業。
GenAI應用程序可以適用於跨行業的某些業務功能，但我們正在進行的分析的初步結果表明，最大的價值機會將是行業和業務特定的，並且將取決於技術採用的難易程度和它帶來的潛在顛覆水平。某些具有高顛覆潛力且採用GenAI障礙較少的行業已經在實施、價值創造和重塑方面看到了高級水平。其他面臨較低顛覆風險的行業可能會發現，GenAI可以帶來有意義的增益，這可能幫助他們在動作較慢的競爭對手中取得關鍵優勢。
無論行業或發展狀況如何，公司都可以利用飛輪來快速識別最能有效驅動其組織價值的GenAI應用，並通過建立成功實施的動能，更快更有效地擴展它們。
資料來源
