《从试验到价值:生成式人工智能推动企业重塑》

  • 来源专题:宁夏重点产业科技信息服务
  • 编译者: 刘 悦
  • 发布时间:2025-09-28
  • 近年来,生成式人工智能(Gen AI)从试验阶段逐步进入企业应用的关键年。根据埃森哲的调研,2024年成为生成式人工智能从“教育与试验”转向“基础建设与价值创造”的分水岭。研究涵盖逾2000个AI项目和3000多名高管访谈,明确五大关键领域对于企业实现价值至关重要,全面行动的企业实现价值的概率是其它企业的2.5倍。尽管如此,只有36%的高管表示已实现生成式AI方案的规模化部署,且仅13%企业确认显著的企业级价值,说明人才、数据准备、流程再造和高层赞助依然是推进的主要瓶颈。 围绕价值驱动,企业须聚焦革新核心业务流程和整合跨部门协同,利用生成式AI“黑客”式破解流程壁垒,拓展新服务和渠道,实现端到端影响。例如,70%以上的生成式AI投资集中于IT、客户服务与市场营销,推动了技术交付、客户中心和个性化营销等领域的变革。在金融、保险及生命科学等行业,基于行业特点的生成式AI解决方案推广更为迅速,三分之一企业已成功规模化这些核心业务场景,ROI达到预期的三倍。未来,针对特定领域的小型语言模型和具备代理功能的架构将成为加速推动的关键技术,2025年计划投资的企业数量是2024年的三倍。 人才和工作方式的变革是实现生成式AI价值的核心。数据显示,企业在技术上的预算投入是人才的三倍,但唯有以人、技术和流程三者同步进化,才能真正实现转型。44%的工作时长预计将因生成式AI而改变,然而仅35%的企业有明确的生成式AI与人才重塑路线图。引入多层级AI代理,重构工作流程和岗位职责,并通过定制化AI学习提升员工能力,成为领先企业的共识。埃森哲营销与传播部门的案例显示,通过流程重塑与AI协同,手工任务减少约30%,市场响应速度提升25%至55%,外部品牌价值提升25%。 数字核心的构建是生成式AI实现长期价值的基础。领先企业倾向于采用具备智能代理功能的灵活架构和基于独有数据的竞争优势战略。安全且高度可扩展的云端架构使得复杂流程得以自动化,数据中台和负责任的AI治理框架有效确保合规与风险管控。典型案例如能源领域的Sempra公司,通过现代化数字核心系统,AI分析效率提升近90%,资产远程诊断更精准,客户服务利用生成式AI助手大幅缩短响应时间。 负责任的AI治理不仅是合规要求,更是实现企业信任与持续创新的加速器。成功企业多为生成式AI生命周期建立了全面的伦理原则和监控机制。金融领域领先银行在AI治理框架下,完成40多个用例测试,工作效率显著提升,法律文档审核时间缩短近三分之一,同时员工的AI使用信心大幅提升。 最后,持续性变革能力决定企业生成式AI转型的成败。拥有先进变革管理能力的企业,成功实现转型的可能性是他人的2.1倍。持续的双向沟通、经验设计和人本主义的AI文化是这一能力的核心。例如大型电子零售商将AI客服与人工智慧紧密融合,实现客户互动满意度显著提升,同时使员工工作效率和协同水平得到质的飞跃。 总的来看,生成式人工智能正驱动企业进入一个新阶段,远非单点技术试验,而是要求顶层领导明确目标、构筑技术和数据基础、重塑人才及业务流程,并持续推动变革。随着技术快速进化和业务不断融合,未来企业将依赖智能代理和灵活架构,实现规模化、持续性创新,真正将生成式AI转化为企业核心增长引擎。那些率先全方位拥抱这五大关键领域的企业,将在激烈市场竞争中占据持久的领先优势,而观望者则面临被边缘化的风险。 
  • 原文来源:http://www.199it.com/archives/1785114.html
相关报告
  • 《数字化转型“重塑”电网企业》

    • 来源专题:中国科学院文献情报先进能源知识资源中心 |领域情报网
    • 编译者:guokm
    • 发布时间:2019-12-16
    • 当前,新一轮科技革命和产业变革深入融合、蓬勃发展,尤其是以人工智能、物联网、区块链、大数据为代表的新一代信息技术加速突破应用,深刻改变着能源电力和经济社会发展。 党的十九届四中全会首次将数据作为“生产要素”纳入分配制度,明确了数据要素按贡献决定报酬,把大数据的知识产权化和商业化使用提升到了新的高度。《工业大数据发展指导意见》中提出,到2025年,工业大数据资源体系、融合体系、产业体系和治理体系基本建成,形成从数据集聚共享、数据技术产品、数据融合应用到数据治理的闭环发展格局,工业大数据价值潜力大幅激发,成为支持工业高质量发展的关键要素和创新引擎。 电网企业数字化转型条件成熟 从技术角度而言,区块链、边缘计算、物联网、5G的综合运用,对大规模、低成本的数据开放共享和交易提供了解决方案。区块链解决了数据容易被非法复制的难题,边缘计算解决了远程数据价值融合的难题,可以让数据“不出门”,又能确保数据有效地融合。互联网和5G解决了大规模的数据采集跟低成本、低时延、低功耗、高吞吐量的数据传输问题。 从能源行业来看,电力体制改革以及分布式能源、电网、储能等新技术的发展,给电力行业带来了颠覆性的改变。特别是可再生能源的发电价格越来越具有竞争力,从过去的微不足道到未来的举足轻重,大量分布式能源并网发电对电网稳定性冲击的不确定性增加,使过去对电网技术和运营的经验都受到了挑战。 从外部来看,电力系统已从一个单一的行业演变为复杂的多层次的生态构建,因此,数字化转型对电网企业来说是一个革命性的重塑过程。 电网企业探索数字化转型 国家电网公司创造性地提出创建“三型两网”世界一流能源互联网企业的发展战略。其中,建设泛在电力物联网是最紧迫的核心任务,将为电网运行更安全、管理更精益、投资更精准、服务更优质开辟一条新路,开拓数字经济这一巨大蓝海市场。 数据共享和价值创造是电力大数据事业的根本目的,提升服务能力是实现该目的的基本手段。国家电网有限公司总信息师孙正运介绍,在数据管理方面,国家电网成立了国网大数据中心,强化SG-CIM统一数据模型的设计完善及实施,发布公司数据资源目录和数据服务目录,云平台、数据中台和物联管理平台完成技术验证与选型并加快建设,营销贯通优化提升全面加速,数据壁垒逐步打破,数据共享服务能力稳步提升,公司沉淀的PB级数据价值正被激活。 南方电网数字电网研究院有限公司副董事长方翎表示,过去依靠电量高速增长支持大规模投资的电网发展模式已难以为继。南方电网响应发展数字经济的国家战略,思考未来网络的发展形态,提出向智能电网运营商、能源产业价值链整合商、能源生态系统服务商转型的发展战略。 能源网是最复杂的人造网络,当它叠加更为复杂的信息网络后,形成信息流、价值流的互相碰撞,将产生出非常值得期待的未来网络,在这个过程中有可能形成指数性增长的商业模式。 电网数字化基础设施面向电网数字化、业务数字化、服务数字化等应用,通过大量的小微智能传感器,全面采集数据,全面感知电网状态,通过统一的电网模型,包括电网的设备模型、电气连接模型、电网拓扑模型、用户用电模型、电力市场的中长期和现货交易等几十种模型,将能量流、信息流、价值流融合,通过边缘计算、大数据、人工智能、区块链等技术,使生产、运行、管理、服务各个环节更加精准和智能,运用可视化的技术,实现多维度的全景展示。同时,用数字化技术和智能装备赋能员工,是数字化转型战略落地的成功保障。 全景可视是南方电网数字化转型应用最广泛的典型应用场景,通过二三维一体化GIS、VR/AR等技术手段,实现全业务、全要素、全时空的多维度全景展示,提供一站式信息查询,以及多维度数据展现。无人机品检是另外一个已经实现规模化的数字化转型应用。以输电线巡视为例,利用人工智能和大数据平台处理能力,开展输电线路缺陷识别,提升机巡效率,提高电网可靠性。
  • 《真正推动生成式人工智能的是高质量和可信数据的可用性》

    • 来源专题:新一代信息技术
    • 编译者:isticzz2022
    • 发布时间:2024-03-14
    •       开发和讨论大型语言模型的技术花费了大量的时间和精力。虽然这项技术确实令人印象深刻,但正在构建生成式人工智能应用程序的企业意识到,真正推动生成式人工智能的是高质量和可信数据的可用性。       生成式人工智能将焦点放在数据质量问题上,这一事实并不令人惊讶。毕竟,数据和人工智能归根结底是不可分割的,因为人工智能只是数据的一种升华。但有时,在一段时间的过度刺激之后,需要重新吸取惨痛的教训,比如当前的生成式人工智能热潮。       市场上为确保高级分析和机器学习项目的数据质量而开发的许多相同工具和技术也适用于新颖的生成式人工智能应用程序。这有助于推动数据可观察性软件提供商的业务。       虽然生成式人工智能需要一些新工具,但公司为早期高级分析和机器学习项目所做的许多投资都可以在生成式人工智能中重用,将数据存放在Databricks或Snowflake存储库中的公司正在利用这些数据平台来构建他们的生成式人工智能应用程序。       蒙特卡洛成立于2019年,使用各种统计方法来检测客户数据管道何时可能出现问题。传统上,该公司的技术部署在ETL/ELT管道中,将数据从事务系统转移到数据仓库。随着生成式人工智能变得越来越流行,这些公司正在使用蒙特卡洛来帮助确保检索增强生成(RAG)和微调工作流程的内容是准确的。       蒙特卡洛还参与了一些生成式人工智能项目。高管们表示,谷物制造商、医疗保健公司和金融服务公司都希望该公司的软件能够帮助他们保持数据管道的良好运行,并能够为聊天机器人和推荐引擎等生成式人工智能应用程序提供高质量和可信的数据。       加维什说:“整个实验都在提醒企业,数据对它们的运营有多么重要。你必须让你的数据井然有序,以便在它的基础上构建生成性应用程序。要做到这一点,你必须将你的内部数据纳入模型,无论是通过RAG还是微调。” “但你必须以某种方式将你的数据嵌入模型,然后基本上回到基础,对吧?”他接着说。“你如何弄清楚你有什么数据,在哪里,有多好,然后你如何保持它的信任和可靠?”我们并没有解决所有这些问题,但我们绝对专注于可靠性和信任部分。”加维什说,蒙特卡洛接受了它所扮演的新角色,特别是在帮助解决LLM围绕幻觉和不确定结果的各种问题时。 他说:“因此,基础数据的可靠性变得更加关键,因为这就是缓解措施。”。“归根结底,人们之所以进行RAG,还有其他原因,因为模型本身并不是非常准确。所以RAG是一种让它们更准确的方法,但如果数据不可信,这种方法就行不通了。”