IT領導者必須首先針對用例優化他們的策略，以務實的技術眼光看待新一代人工智能的潛力及其陷阱。

幾乎每天都會有一些關于生成式人工智能的新商業發展出現在媒體上。事實上，麥肯錫的研究認為，未來可能確實是令人眼花繚亂的，新一代人工智能將使客戶支持的生產率提高40%，軟件工程的生產率提高20%至30%，營銷的生產率提高10%。

盡管如此，值得記住的是，我們以前也見過這種情況，公司通過一系列過早的實驗和試點，涌入令人興奮的新技術。當涉及到人工智能時，首席信息官和首席技術官在避免這些陷阱方面發揮著至關重要的作用。他們可以從實用的技術角度來確定新一代人工智能何時何地可以產生最大價值，以及在哪些方面不是最佳選擇。

這樣做需要基于對通用人工智能單位經濟的深刻理解來開發用例，獲取這些好處所需的資源，以及在給定現有能力的情況下執行工作的可行性。隨著人工智能越來越被視為業務加速器和顛覆者，這個復雜的等式是首席信息官們必須正確處理的挑戰。

GenAI原型：接受者、塑造者和創造者

首席信息官在確定企業中最適合人工智能的戰略時面臨的一個關鍵問題是，是否為各種用例租用、購買或構建人工智能功能?；驹瓌t是，只有當存在專有優勢時，才投資于創造獨特的世代AI能力。我們發現用三個原型來思考會很有幫助:

接受者使用聊天界面或API通過公開可用的模型快速訪問商品服務。例子包括GitHubCopilot，一個現成的解決方案來生成代碼，或AdobeFirefly，它可以幫助設計師生成和編輯圖像。這個原型在工程和基礎設施需求方面是最簡單的，并且通常是最快啟動和運行的。它不允許集成專有數據，提供最少的隱私和知識產權保護。雖然在簡單訪問新一代人工智能服務時，技術堆棧的變化很小，但首席信息官需要準備好對技術架構進行重大調整并升級數據架構。

塑造者希望開發專有功能，并具有更高的安全性或遵從性需求。在更清晰的用例中，首席信息官需要將現有的世代人工智能模型與內部數據和系統集成在一起，以無縫地協同工作并生成定制的結果。一個例子是一個模型，該模型通過將新一代人工智能工具與CRM和金融系統連接起來，以整合客戶之前的銷售和參與歷史，從而支持銷售交易。

Shapers有兩種常見的方法。一種是“將模型帶入數據”——也就是說，將模型托管在組織的基礎設施上，無論是在內部部署還是在云環境中。另一種是“將數據帶入模型”——也就是說，當組織通過超大規模器將大型模型本身的副本放在云基礎設施上時。在任何一種情況下，首席信息官都需要開發管道，將新一代人工智能模型連接到內部數據源。用內部數據訓練模型可以使模型的預測更好，更符合公司的需求。公司將需要存儲更多的交互信息，例如與客戶服務代理的對話，并不斷使用大量數據來使新一代人工智能系統有效。

創客從零開始建立一個基礎模型。這既昂貴又復雜，需要大量數據、內部人工智能專業知識和計算能力。建立模型和培訓員工需要大量的一次性投資，從500萬美元開始，可以達到數億美元，這取決于培訓基礎設施、模型參數和模型體系結構的選擇等因素。由于成本和復雜性，這將是最不常見的原型。

正確制定genAI戰略

實驗通用AI用例相對容易;以一種解鎖價值的方式擴大它們的規模更具挑戰性。如果沒有正確的內部組織，即使是最有前途的人工智能項目也可能功虧一簣。必須重新設計業務流程和工作流程，并對用戶進行再培訓，以利用新一代人工智能功能。升級企業技術架構以集成和管理生成式人工智能模型也是協調它們如何與現有人工智能和機器學習(ML)模型、應用程序和數據源運行的關鍵。

首席信息官的第一步應該是集中人工智能能力來協調活動，建立專業知識，并將能力分配給優先級計劃。這個團隊包括數據工程師、MLOps工程師、風險和法律專家，他們的目標是合作為最初的幾個用例構建通用人工智能。重點應該放在將新一代人工智能模型與內部系統、企業應用程序和工具連接起來。只有在技術棧級別進行結構化工作，企業才能從開發幾個孤立的用例發展到工業化，從而獲得實質性的價值。其原則是將新一代人工智能作為基礎平臺服務進行管理和部署，以供產品和應用程序團隊使用。

在最好的情況下，當組織開始其通用人工智能之旅時，上述所有內容都將到位。在缺乏這種理想條件的情況下，首席信息官們仍然應該開始為一組優先級用例開發一個平臺，隨著他們的學習進行調整和添加。

圍繞人工智能的嗡嗡聲是，它有可能改變我們所知道的商業。然而，潛力并不是確定的，甚至也不是可能的。首席信息官和首席技術官將站在第一線，以確保組織以戰略意圖和重點執行，而不會陷入無休止的、昂貴的試點煉獄。