如今，质疑生成式人工智能（GenAI）最终能否为企业巨额投资带来正回报已经成为一种时尚。例如，Gartner表示，到明年，30%GenAI项目将以失败告终。但ThoughtSpot委托的一份新报告发现，早期采用者在使用GenAI进行分析时看到了显著的效果。
ThoughtSpot委托麻省理工Sloan管理观察(SMR) 及其研究合作伙伴Kadence International调查了1000名商业领袖对GenAI的使用情况。根据GenAI计划的成熟度，研究对象被分为三组，其中67%被归类为已经将一些GenAI应用投入生产的早期采用者，26%的人计划部署它，7%的人仍在评估。
在早期采用者中，47%的人期望GenAI应用的投资回报率（ROI）在三年内达到100%或更高，其中12%的人期望ROI超过300%，11%的人期望ROI在200%到299%之间。这一比例明显高于规划师群体，其中38%的人预计三年内的投资回报率为100%，11%的人预计投资回报率为200%至299%，只有2%的人预计投资回报率为300%或更高。
这份题为《数据和分析的生成式人工智能：早期采用者如何收获回报》的报告还表明，能够有效运用GenAI这项技术将造成竞争差距。
在早期采用者中，37%的人表示他们对GenAI的使用“远远领先于市场和竞争对手”，而在计划群体中，这一比例为11%，而另外46%的早期采用者表示GenAI使他们“略微领先于市场/竞争对手”，而计划群体中这一比例为51%。
这些令人兴奋的数字引起了ThoughtSpot首席数据战略官Cindi Howson的注意，她对GenAI对数据和分析领域产生积极影响的潜力持乐观态度。
Howson说：“我们可以从中获得生产力提升和全新商业模式的价值——我们才刚刚开始。”“人工智能的发展就像正处于在互联网拨号上网的时代，人们才刚刚开始意识到这方面的潜力。”
GenAI对BI（商业智能）的好处
有许多不同的方法可以将GenAI货币化，自2022年秋季ChatGPT首次亮相以来，聊天机器人和数字助理是两个最突出的用例，而代理人工智能是最新的GenAI趋势。但在ThoughtSpot的案例中，该公司认为GenAI的用途略有不同——具体来说，是用来改善其客户的分析和商业智能程序。
当公司的分析和商业智能得到改善时，可以以无数种方式使他们受益，从通过做出更好更快的数据驱动决策来产生更高的收入和生产力，到更高的业务效率，甚至创建数据产品。
Howson说：“这些好处要么是实实在在的好处，比如创造新的收入来源，要么是改善围绕这些收入来源的决策，然后在工作过程中（提高）运营效率。”
研究表明，在典型的组织中，只有大约25%的员工有能力对组织的数据提出问题。换句话说，只有四分之一的员工可以使用BI和分析。ThoughtSpot的目标是让100%的员工都能使用分析工具，它认为GenAI有助于实现这一目标。
“这是我们使命的一部分，” Howson说。“我们知道我们的数据素养很低，这是每个人都在经历的技能提升。生成式人工智能，能够解释图表或页面上的异常值，也对这一点产生了影响。”
分析中的GenAI
ThoughtSpot正在以几种不同的方式应用GenAI，其中最主要的是使用自然语言查询（NLQ）来降低查询数据所需的技术水平(尽管这有很大的限制)。其他用途包括使用GenAI自动生成仪表板和报告，并帮助发现数据中的异常情况。
Howson说：“对于仪表盘作者来说，这将消除他们所做的沉闷和愚蠢的工作，并真正提升他们的水平。”“对于商界人士来说，这将使他们能够真正提出更好的问题，变得更善于分析，而不是盲目行动……因此，我相信生成式人工智能将改善每个人的工作，但那些没有学会如何使用它的人，可能会被抛在后面或被取代。”
ThoughtSpot在报告中表示，GenAI“可以梳理内部和外部数据库，检索相关信息的速度比高管或知识工作者自己做的要快得多。”“它使人们能够通过用自然语言提出问题并在对话中探索结果来找到他们需要的答案，而不是下载数据专家创建的信息，这些信息可能缺乏商业知识，无法在实际情况下发挥作用。”
甚至在ChatGPT到来之前，ThoughtSpot就在努力通过使用NLQ技术来提高这个数字。当ChatGPT展示了大型语言模型（LLM）的强大功能时，许多公司认为LLM可以生成连贯的SQL，也可以用英语生成莎士比亚十四行诗或用Java创建代码段。
不幸的是，根据Howson的说法，情况并非如此。
“我们知道直接从文本到SQL是行不通的。你最多能得到30%的准确率，”她说。“10年来，我们在市场上拥有的是一个经过验证的专利语义层，以及许多排名算法，以及RAG架构，因此你正在提高准确性。最后，人类在循环中，再次进一步提高准确性。”
GenAI成功的基础
你不可能某天突然醒来决定彻底改变GenAI的运作。就像公司在上一代传统机器学习技术中发现的那样，在公司能够应用最新、最好的学习技术之前，通常必须完成一些前置步骤。
麻省理工学院的报告揭示了这一点。在早期采用者中，GenAI面临的五大挑战包括安全考虑、战略挑战、模型使用/质量问题、数据挑战和实现挑战。数据管理和整体战略仍然是很大的阻碍。
她说：“如果没有强大的数据基础，你就不能做人工智能，除非你与商业价值保持一致，否则你就无法产生良好的影响。”“做概念证明与说我们可以改善客户体验，或者我们可以减少仪表板积压并提高分析师和业务用户的生产力之间是有区别的。所以拥有这两种成分是最大的不同之一。”让业务线和IT部门保持一致是另一个不容忽视的问题。
她说：“我们和他们之间有太多的对立，双方都很沮丧。”“数据团队太慢了。商业受挫。他们跑去做自己的事。GenAI使他们能够就需求和共同创新进行更好的对话。”
虽然不是所有的用例都能成功，但从麻省理工学院的报告中可以清楚地看出，早期的采用者已经成功了。GenAI的潜力似乎在未来几年内将大幅增长，这使得企业今天进行投资以使其走上成功之路变得至关重要。
Howson说：“我们可以从中获得的价值是生产力的提高，全新的商业模式，而我们才刚刚开始。”
