如今，質疑生成式人工智能（GenAI）最終能否為企業巨額投資帶來正回報已經成為一種時尚。例如，Gartner表示，到明年，30%GenAI項目將以失敗告終。但ThoughtSpot委托的一份新報告發現，早期采用者在使用GenAI進行分析時看到了顯著的效果。

ThoughtSpot委托麻省理工Sloan管理觀察(SMR) 及其研究合作伙伴Kadence International調查了1000名商業領袖對GenAI的使用情況。根據GenAI計劃的成熟度，研究對象被分為三組，其中67%被歸類為已經將一些GenAI應用投入生產的早期采用者，26%的人計劃部署它，7%的人仍在評估。

在早期采用者中，47%的人期望GenAI應用的投資回報率（ROI）在三年內達到100%或更高，其中12%的人期望ROI超過300%，11%的人期望ROI在200%到299%之間。這一比例明顯高于規劃師群體，其中38%的人預計三年內的投資回報率為100%，11%的人預計投資回報率為200%至299%，只有2%的人預計投資回報率為300%或更高。

這份題為《數據和分析的生成式人工智能：早期采用者如何收獲回報》的報告還表明，能夠有效運用GenAI這項技術將造成競爭差距。

在早期采用者中，37%的人表示他們對GenAI的使用“遠遠領先于市場和競爭對手”，而在計劃群體中，這一比例為11%，而另外46%的早期采用者表示GenAI使他們“略微領先于市場/競爭對手”，而計劃群體中這一比例為51%。

這些令人興奮的數字引起了ThoughtSpot首席數據戰略官Cindi Howson的注意，她對GenAI對數據和分析領域產生積極影響的潛力持樂觀態度。

Howson說：“我們可以從中獲得生產力提升和全新商業模式的價值——我們才剛剛開始?！薄叭斯ぶ悄艿陌l展就像正處于在互聯網撥號上網的時代，人們才剛剛開始意識到這方面的潛力。”

GenAI對BI（商業智能）的好處

有許多不同的方法可以將GenAI貨幣化，自2022年秋季ChatGPT首次亮相以來，聊天機器人和數字助理是兩個最突出的用例，而代理人工智能是最新的GenAI趨勢。但在ThoughtSpot的案例中，該公司認為GenAI的用途略有不同——具體來說，是用來改善其客戶的分析和商業智能程序。

當公司的分析和商業智能得到改善時，可以以無數種方式使他們受益，從通過做出更好更快的數據驅動決策來產生更高的收入和生產力，到更高的業務效率，甚至創建數據產品。

Howson說：“這些好處要么是實實在在的好處，比如創造新的收入來源，要么是改善圍繞這些收入來源的決策，然后在工作過程中（提高）運營效率?！?/span>

研究表明，在典型的組織中，只有大約25%的員工有能力對組織的數據提出問題。換句話說，只有四分之一的員工可以使用BI和分析。ThoughtSpot的目標是讓100%的員工都能使用分析工具，它認為GenAI有助于實現這一目標。

“這是我們使命的一部分，” Howson說。“我們知道我們的數據素養很低，這是每個人都在經歷的技能提升。生成式人工智能，能夠解釋圖表或頁面上的異常值，也對這一點產生了影響?！?/span>

分析中的GenAI

ThoughtSpot正在以幾種不同的方式應用GenAI，其中最主要的是使用自然語言查詢（NLQ）來降低查詢數據所需的技術水平(盡管這有很大的限制)。其他用途包括使用GenAI自動生成儀表板和報告，并幫助發現數據中的異常情況。

Howson說：“對于儀表盤作者來說，這將消除他們所做的沉悶和愚蠢的工作，并真正提升他們的水平?！薄皩τ谏探缛耸縼碚f，這將使他們能夠真正提出更好的問題，變得更善于分析，而不是盲目行動……因此，我相信生成式人工智能將改善每個人的工作，但那些沒有學會如何使用它的人，可能會被拋在后面或被取代?！?/span>

ThoughtSpot在報告中表示，GenAI“可以梳理內部和外部數據庫，檢索相關信息的速度比高管或知識工作者自己做的要快得多?！薄八谷藗兡軌蛲ㄟ^用自然語言提出問題并在對話中探索結果來找到他們需要的答案，而不是下載數據專家創建的信息，這些信息可能缺乏商業知識，無法在實際情況下發揮作用。”

甚至在ChatGPT到來之前，ThoughtSpot就在努力通過使用NLQ技術來提高這個數字。當ChatGPT展示了大型語言模型（LLM）的強大功能時，許多公司認為LLM可以生成連貫的SQL，也可以用英語生成莎士比亞十四行詩或用Java創建代碼段。

不幸的是，根據Howson的說法，情況并非如此。

“我們知道直接從文本到SQL是行不通的。你最多能得到30%的準確率，”她說。“10年來，我們在市場上擁有的是一個經過驗證的專利語義層，以及許多排名算法，以及RAG架構，因此你正在提高準確性。最后，人類在循環中，再次進一步提高準確性?！?/span>

GenAI成功的基礎

你不可能某天突然醒來決定徹底改變GenAI的運作。就像公司在上一代傳統機器學習技術中發現的那樣，在公司能夠應用最新、最好的學習技術之前，通常必須完成一些前置步驟。

麻省理工學院的報告揭示了這一點。在早期采用者中，GenAI面臨的五大挑戰包括安全考慮、戰略挑戰、模型使用/質量問題、數據挑戰和實現挑戰。數據管理和整體戰略仍然是很大的阻礙。

她說：“如果沒有強大的數據基礎，你就不能做人工智能，除非你與商業價值保持一致，否則你就無法產生良好的影響?！薄白龈拍钭C明與說我們可以改善客戶體驗，或者我們可以減少儀表板積壓并提高分析師和業務用戶的生產力之間是有區別的。所以擁有這兩種成分是最大的不同之一?！弊寴I務線和IT部門保持一致是另一個不容忽視的問題。

她說：“我們和他們之間有太多的對立，雙方都很沮喪。”“數據團隊太慢了。商業受挫。他們跑去做自己的事。GenAI使他們能夠就需求和共同創新進行更好的對話?！?/span>

雖然不是所有的用例都能成功，但從麻省理工學院的報告中可以清楚地看出，早期的采用者已經成功了。GenAI的潛力似乎在未來幾年內將大幅增長，這使得企業今天進行投資以使其走上成功之路變得至關重要。

Howson說：“我們可以從中獲得的價值是生產力的提高，全新的商業模式，而我們才剛剛開始。”