在罗兰贝格，我们相信人工智能的力量可以优化结果。人工智能可以提升整个商业模式。拥抱新技术并战略性地对其进行应用，将使得企业创新更快、效率更高，并能促进协作还能做出更好的决策。为了抓住价值创造的机会，企业考虑的不仅仅是采用某些技术。人工智能的成功应用需要企业在多个方面进行转型，并对潜在风险和不安全因素进行识别。通过深思熟虑和慎重的考量，企业可以通过利用新技术来优化部署现有资产。

现在，人们对生成式人工智能的期望很高。预计这项技术的作用不仅仅局限于解决发达经济体的生产率危机。罗兰贝格（Roland Berger）的一项新研究表明，生成式人工智能可以解决生产率危机是有根据的。如果应用得当，像ChatGPT这样的语言模型可以为提高生产力开辟全新的可能性——比如接管日常的后台任务，或者作为数字伙伴帮助人们处理工作中的复杂部分。

有趣的是，罗兰贝格认为，使用新的人工智能语言模型暂时不会导致一家公司的员工人数大幅减少。在接受相关调查的高管中，只有16%的受访者计划在2025年底前裁员5%甚至更多。大多数受访者认为员工人数不会有任何变化。当谈到预期的生产力提升时，情况正好相反：绝大多数受访者（82%）认为，从生成式人工智能中企业能够获得至少6%的效率提升，这是现实的。

企业高管们目前的情绪与前几波创新浪潮的历史经验是一致的。历史表明，从长远来看，重大技术进步所创造的新活动和新业务，是大于这项技术所产生的破坏作用的。这使得在未来，对员工也就是劳动力进行再培训和技能提升变得更加重要。

总的来说，企业在实践中使用新工具新技术的程度存在一定显著的差异。虽然一些行业正在不断向前发展，但其他行业仍在非常谨慎地尝试使用生成式人工智能。

在罗兰贝格的排名中，使用新技术的领跑行业是批发和零售；信息和通信；专业、科学和技术活动以及其他服务活动。在所有这些行业中，至少57%的企业已经在其组织中部署了生成式人工智能相关工具。相比之下，在传统制造业中，目前只有14%的公司正在探索生成式人工智能的潜力。

在某一行业公司的不同职能部门，我们也可以观察到类似的差异。虽然这些新工具新技术已经在日常生活中发挥了作用，比如市场营销、沟通或客户服务，但到目前为止，新技术在物流或法律部门的使用还非常零散，尽管在这些新工具的功能中识别相关用例并不困难。例如，人工智能语言模型可以接管对法律先例的研究，并辅助撰写合同的初稿，或执行重复的背景调查。

不可忽视的是，生成式人工智能对工作质量将产生一定影响。生成式人工智能有可能提高员工对工作的认同感，从而提高人们对工作的满意程度。如果在一天中这些人工智能工具能够给员工留出更多时间用于有意义的“人类”活动，那么很可能就会出现这种情况。例如，这些“人类”活动可能涉及深化客户关系或部署具有极强重要性的战略问题。

尽管目前投资浪潮十分火热，但仍有一系列的技术和实践障碍，这仍然阻碍着生成式人工智能的广泛应用。这些问题包括隐私问题，比如对商业秘密和个人数据的保护，或者当前这一代的语言模型有时会自由地发明乱七八糟的答案（被称为“幻觉”）。成功地将生成式人工智能应用程序嵌入到企业的组织工作流程中也会如此，许多公司发现在实践中很难对其进行实际应用。只有克服了这些障碍，企业才能充分利用这项新技术的潜力。

成功应用生成式人工智能的三个步骤

分析人工智能的影响

为了制定可靠的人工智能战略，首先企业需要分析自身的整个价值链，以确定在哪个阶段企业可以通过生成式人工智能实现哪些效率的提升。罗兰贝格建议，企业可以使用“Roland Berger AI Readiness Radar”等类似工具来做到这一点。然后，企业应将调研结果与竞争对手的人工智能采用情况以及总体行业趋势进行综合比较，同时对企业当前阶段的IT基础设施进行分析。

制定自身的人工智能策略

一旦上述调研工作完成，罗兰贝格建议企业制定出自己的总体目标和生产力基准。下一步应该将是计划初始用例的推进。对企业来说，改进对所有非结构化数据集的管理在这里变得至关重要。所有流程数据都必须以这样一种方式进行准备，即可以根据给定的业务目标对已建立的模型进行微调。或者，企业必须能够研发用于非常特定任务的专用模型。

对概念进行求证

一旦确定了上述所有相关的技术细节——比如人工智能模型的选择、供应商和集成计划——企业的第一个用例就可以开始推进了。接下来的重点将是评估，包括所有进行改进的迭代，最后是企业范围内的推出计划。所有公司的首要目标，都应该是通过自己的生成式人工智能模型，甚至是调整后的现有模型，保证其在整个企业的内部可用性。