IT领导者必须首先针对用例优化他们的策略，以务实的技术眼光看待新一代人工智能的潜力及其陷阱。
几乎每天都会有一些关于生成式人工智能的新商业发展出现在媒体上。事实上，麦肯锡的研究认为，未来可能确实是令人眼花缭乱的，新一代人工智能将使客户支持的生产率提高40%，软件工程的生产率提高20%至30%，营销的生产率提高10%。
尽管如此，值得记住的是，我们以前也见过这种情况，公司通过一系列过早的实验和试点，涌入令人兴奋的新技术。当涉及到人工智能时，首席信息官和首席技术官在避免这些陷阱方面发挥着至关重要的作用。他们可以从实用的技术角度来确定新一代人工智能何时何地可以产生最大价值，以及在哪些方面不是最佳选择。
这样做需要基于对通用人工智能单位经济的深刻理解来开发用例，获取这些好处所需的资源，以及在给定现有能力的情况下执行工作的可行性。随着人工智能越来越被视为业务加速器和颠覆者，这个复杂的等式是首席信息官们必须正确处理的挑战。
GenAI原型：接受者、塑造者和创造者
首席信息官在确定企业中最适合人工智能的战略时面临的一个关键问题是，是否为各种用例租用、购买或构建人工智能功能。基本原则是，只有当存在专有优势时，才投资于创造独特的世代AI能力。我们发现用三个原型来思考会很有帮助:
接受者使用聊天界面或API通过公开可用的模型快速访问商品服务。例子包括GitHubCopilot，一个现成的解决方案来生成代码，或AdobeFirefly，它可以帮助设计师生成和编辑图像。这个原型在工程和基础设施需求方面是最简单的，并且通常是最快启动和运行的。它不允许集成专有数据，提供最少的隐私和知识产权保护。虽然在简单访问新一代人工智能服务时，技术堆栈的变化很小，但首席信息官需要准备好对技术架构进行重大调整并升级数据架构。
塑造者希望开发专有功能，并具有更高的安全性或遵从性需求。在更清晰的用例中，首席信息官需要将现有的世代人工智能模型与内部数据和系统集成在一起，以无缝地协同工作并生成定制的结果。一个例子是一个模型，该模型通过将新一代人工智能工具与CRM和金融系统连接起来，以整合客户之前的销售和参与历史，从而支持销售交易。
Shapers有两种常见的方法。一种是“将模型带入数据”——也就是说，将模型托管在组织的基础设施上，无论是在内部部署还是在云环境中。另一种是“将数据带入模型”——也就是说，当组织通过超大规模器将大型模型本身的副本放在云基础设施上时。在任何一种情况下，首席信息官都需要开发管道，将新一代人工智能模型连接到内部数据源。用内部数据训练模型可以使模型的预测更好，更符合公司的需求。公司将需要存储更多的交互信息，例如与客户服务代理的对话，并不断使用大量数据来使新一代人工智能系统有效。
创客从零开始建立一个基础模型。这既昂贵又复杂，需要大量数据、内部人工智能专业知识和计算能力。建立模型和培训员工需要大量的一次性投资，从500万美元开始，可以达到数亿美元，这取决于培训基础设施、模型参数和模型体系结构的选择等因素。由于成本和复杂性，这将是最不常见的原型。
正确制定genAI战略
实验通用AI用例相对容易;以一种解锁价值的方式扩大它们的规模更具挑战性。如果没有正确的内部组织，即使是最有前途的人工智能项目也可能功亏一篑。必须重新设计业务流程和工作流程，并对用户进行再培训，以利用新一代人工智能功能。升级企业技术架构以集成和管理生成式人工智能模型也是协调它们如何与现有人工智能和机器学习(ML)模型、应用程序和数据源运行的关键。
首席信息官的第一步应该是集中人工智能能力来协调活动，建立专业知识，并将能力分配给优先级计划。这个团队包括数据工程师、MLOps工程师、风险和法律专家，他们的目标是合作为最初的几个用例构建通用人工智能。重点应该放在将新一代人工智能模型与内部系统、企业应用程序和工具连接起来。只有在技术栈级别进行结构化工作，企业才能从开发几个孤立的用例发展到工业化，从而获得实质性的价值。其原则是将新一代人工智能作为基础平台服务进行管理和部署，以供产品和应用程序团队使用。
在最好的情况下，当组织开始其通用人工智能之旅时，上述所有内容都将到位。在缺乏这种理想条件的情况下，首席信息官们仍然应该开始为一组优先级用例开发一个平台，随着他们的学习进行调整和添加。
围绕人工智能的嗡嗡声是，它有可能改变我们所知道的商业。然而，潜力并不是确定的，甚至也不是可能的。首席信息官和首席技术官将站在第一线，以确保组织以战略意图和重点执行，而不会陷入无休止的、昂贵的试点炼狱。
