2016年，科技巨頭微軟推出了Tay，一款旨在通過與Twitter用戶互動來提升對話能力的聊天機器人，然而，由于Tay接收到的數據，事情很快失控。在與一群Twitter用戶的互動中，這個機器人迅速學會了種族主義和厭女言論，并將其轉化為一連串令人反感的推文。微軟在24小時內便關閉了Tay。

這件事對那些計劃使用最新GenAI技術來深入了解業務的公司來說也是一個教訓，不論是了解薪酬水平還是識別哪些客戶有取消訂閱風險。

首先，大多數公司缺乏豐富的數據集，而AI模型需要這些數據集來提供針對其業務和行業的準確且可靠的見解。

作為一家幫助客戶挖掘HR數據洞見的公司的聯合創始人，我親眼見證了擁有合適工具的好處。以下是為什么自行構建解決方案比看上去要復雜得多，以及為什么合適的合作伙伴可以帶來巨大差異的原因。

何時DIY AI

假設一家公司希望開發一個AI助手，幫助解決員工薪酬公平的老問題。與其費力地計算數字，是否不如讓AI從薪資、加薪到獎金等方面提供智能建議?

雖然可以輕松獲取許多現成的大型語言模型(LLM)——從GPT到Gemini、Coral和Falcon——它們能夠以簡單的語言回答問題。根據用例的復雜性，成本可能每次查詢僅需幾美分。

然而，對于任何使用AI來制定薪酬決策的企業來說，模型本身是次要的。在這個例子中，重要的是讓AI深入了解薪酬的復雜性，既要考慮團隊內部的相對薪酬，也要參考行業中相應技能和績效水平的標準。

為了獲得這些知識，AI模型需要進行適當的訓練，這需要在研究上投資，向其輸入公司內部和外部的相關數據，最重要的是，加入一個人類反饋環路來驗證和改進結果。

這也是為什么自助式AI工具往往不可靠的主要原因之一。據一項調查發現，六成自行開發AI解決方案的公司都存在準確性問題。

此外，還有成本問題。盡管大型語言模型(LLM)的基本費用相對較低，但為了適應一家公司的特定需求而進行訓練卻需要大量投入。例如，據報道，Bloomberg在開發其LLM時花費了數百萬美元，而且，維護也是一個問題。每次LLM的基礎版本發生變化時，都必須重新訓練以確保其一致性和可靠性。

還值得注意的是，大多數AI項目都會失敗，它們的失敗率可能高達80%，幾乎是內部IT項目的兩倍。

如何與AI合作伙伴合作

對于大多數公司來說，更好的方法是找到一家專門為企業開發AI的合作伙伴，并且該伙伴擁有針對其行業和功能需求的大量數據集。

畢竟，只有在相關數據的基礎上進行訓練，AI對企業才有用。你用來訓練AI的數據越多，它的價值就越大。在大多數情況下，獲得足夠的數據的唯一途徑是從許多相關企業中匯總數據。

我之前舉的薪酬例子來自HR和人力資源分析領域。在這里，獲取大量的員工記錄至關重要。當我們為HR構建自己的AI助手時，我們在來自各種行業和地區的數千萬條記錄上進行了訓練，這些記錄代表了極為多樣化的技能。

重要的是，這種訓練只使用元數據，即客戶的查詢記錄，而不是他們的實際數據，然后，助手會根據每個客戶的需求進行“調整”，以支持他們獨特的公司語言。提示工程在準備更好的答案方面至關重要，最后，知道什么是優質數據也非常重要。豐富的基準數據源是關鍵的先決條件。

與合適的供應商合作意味著企業也可以確保其安全性和隱私需求得到滿足，這包括保護機密數據并為組織中的不同用戶提供訪問權限。

例如，普通員工詢問特定角色的薪酬時，只能看到公司相對于行業的基準，而授權經理則可以查看其直接下屬的個人薪酬詳細信息。

歸根結底，任何計劃利用AI力量的公司都必須選擇最適合其需求的方法。根據我的經驗，找到一個擁有專門技術并且能夠訪問大量相關行業數據的合作伙伴，會取得更好的結果。單打獨斗的公司可能會給自己制造麻煩，最終無法獲得推動競爭業務成果所需的豐富而精確的洞見。