在試圖將GenAI應用到業務中時，企業遇到了很多阻力和令人驚訝的變革管理問題，他們可以讓高層領導致力于此，但中層管理人員和行業人士抵制這種做法。可以理解的是，一些人抵制，因為他們可能會失業，或者不得不從根本上重新考慮如何做好自己的工作，但是，出現了相當大的阻力，因為企業在使用AI工具時，難以解決隨機答案與確定性答案的問題。

AI的答案是概率性的

GenAI提供了一個概率答案，也就是說，它提供了最可能的答案或下一步，因此，當它撰寫信件或書面工作時，它提供了最有可能的下一個單詞、短語或想法，然而，最可能的答案與正確的答案是不同的。誠然，這通常是一個正確的答案，而且——由于可以獲得大量的培訓數據——它很有可能是一個好的答案，但這與正確的答案大相徑庭。

使這一問題進一步復雜化的是對如何得出答案的審計跟蹤的挑戰，GenAI實現中面臨的許多挑戰來自于需要確定性答案的應用程序，并且需要充分解釋答案是如何得出的。在需要或被認為需要答案是確定性的地方，企業和其中的人抵制這些應用，因為它們造成了對結果的有用性或可靠性的懷疑。

事實證明，即使提供AI作為助手，并要求人類成為答案的最終仲裁者，情況也是如此，缺乏解釋和圍繞援助的不確定性造成了不信任和阻力。

GenAI提供概率性答案的事實并不意味著它沒有價值，有很多用例表明它是有價值的，然而，如果一家企業將這個答案應用到一個需要確定性答案的問題上，那么它似乎是在撒謊。

企業在尋求將GenAI應用于業務時會遇到挫折，因為當他們需要確定性答案時，他們最終會使用概率答案，因此，他們需要在概率開始的情況下進行機器學習(例如，它是一棵樹，因為它有綠葉)，然后需要進行測試，以確定是否存在影響答案有效性的問題(例如秋季)。

哪些領域適合AI的概率性模型?

企業應該如何將GenAI引入編程?科技行業做出了一些大膽的預測，即GenAI或AI可以學習編程，并顯著提高程序員的熟練程度或效率生產力，這很有趣。

在編碼領域，這一點立即生效，例如，測試測試腳本的開發本身就可以通過概率模型來處理，這里重要的是，一家企業可以針對許多條件進行測試，并盡可能廣泛和深入地生成腳本。為代碼和安全漏洞創建有效的測試本質上是一種概率性練習，因此，GenAI大放異彩，很容易被從業者采用。

另一方面，它不利于實際開發代碼，一家企業希望代碼100%都是正確的，這需要一個更具確定性的答案，然而，它在支持代碼開發的知識管理方面表現突出，還可以創建出色的入門集，顯著提高生產率。

GenAI的另一個很好的方面是合成或總結知識，因此，圍繞知識管理的領域對于GenAI來說已經成熟。

例如，在客戶關系管理功能中，Salesforce在其Einstein產品和其他旨在從客戶需求信息中合成或匯總信息的產品方面取得了很大進展，讓銷售人員更有效地進行知識管理是GenAI的一個非常有效的用例。

市場營銷是另一個概率答案很棒的領域，例如：下一步對該客戶采取的最好措施可能是什么?在對客戶數據進行分類以確定客戶問題的最佳解決方案時，GenAI可以產生巨大的立竿見影的影響，在那里，它可能是一個強大的工具。

相反，在索賠處理等過程中，確定性的答案是必要的，例如：我們如何為這項醫療索賠獲得合適的金額?這需要一個確定性的答案，在大多數情況下做對是不夠的，這需要一直做對。

問以下問題是使用GenAI、減少挫折感和抵抗力的有效開端：

• 我們可以在哪里立即有效地使用它?
• 它需要在哪里與其他技術結合起來?
• 我們不應該在哪里使用它?

人的因素呢?

雖然它是幫助解決問題的有用工具，但概率性答案是一個起點，然而，它通常不會把人類排除在鏈條之外，相反，它為人類配備了更復雜的工具，特別是當一家企業確定它需要得到確定性答案的時候。

如果一家企業使用AI工具來幫助企業數據和匯總數據，它可以減少阻力，這很有幫助，但在使用它來做決定時，人們可能會對決定感到不舒服，因為它們并不總是正確的，由于他們不確定AI工具是如何得到答案的，他們也不知道如何檢查它。

擺脫這些困境的辦法是什么?

解決方案是不僅更徹底地了解自動化或得到幫助的工作，而且還要更徹底地了解它如何影響其余的人工任務，并就下游工作或其他意想不到的其他后果提供指導和幫助。

這需要在何處應用該工具方面變得更加成熟，用戶必須深思熟慮并充分考慮其影響，在評估產品的成熟度時，有必要考慮個人和企業以及意想不到的后果，這樣他們就不會抵制和扼殺它。

需要這種思考過程的一些問題包括：

• 不僅要考慮自動化的任務，還要考慮正在自動化的人的角色的影響。
• 仔細考慮這樣一個現實，即任何需要的生產率提高都將導致更少的人從事這項任務。你怎么會考慮到這一點呢?
• 想一想如何測試這個工具，讓人們可以信任它。顛覆性的新技術帶來的不確定性越大，人們就越不愿信任它。
• 在轉向全面變革之前，思考如何試行AI工具，以展示其好處。

最后的一些想法

在對GenAI進行了一年的瘋狂試驗后，該行業成功地進行了數千次試點，然而，這些試點中的大多數都未能投入生產，因為他們受到資金、變革管理和適應方面的無數挑戰的阻礙。

然而，在GenAI很適合的地方，它正在迅速進入生產領域，并產生了令人印象深刻的回報，這些生產用例的成功似乎更多地是由用例與GenAI的性質的契合性驅動的，而不是工具選擇或其他因素。

此外，似乎對于大多數業務功能來說，GenAI都有一個富有成效的角色，幾乎都集中在正確的子功能上。鑒于在實驗方面進行了巨大的投資，也許大多數企業能夠發現GenAI在哪里對他們有效的最有效的方法是查看GenAI成功地從試點過渡到生產的用例。在這種進展已經大量發生的地方，企業可以相信有一個很好的契合點，并大幅降低浪費努力和資金的風險。