無論是文本、圖像、視頻，還是更有可能的多種模型和服務的組合，利用生式成人工智能對組織來說都是一個“何時而非是否”的問題。

自去年 11 月 ChatGPT 發布以來，人們對生式成人工智能的興趣激增。它已經出現在 Productiv 為商業用戶和開發者人員統計的前 20 款影子 IT （指企業的一線業務部門所擁有的IT設施） SaaS 應用中。但許多組織在制定政策以獲取和使用生式成人工智能模型的同時，限制了公共工具的使用。CIO 希望利用這一點，首席信息官們希望利用這一優勢，但要以自己的條件和自己的數據為前提。

正如新技術經常發生的那樣，問題在于是自行構建還是外部采購。對于生成式人工智能來說，這是復雜的，因為有許多選項可以完善和定制你可以購買的服務，而且要將購買或構建的系統變成企業工作流程中有用、可靠和負責任的一部分，還需要做很多工作。組織不想落后于競爭對手，但也希望避免尷尬，比如在法庭上才發現所引用的法律先例是由一個大型語言模型（LLM）編造的，該模型容易產生似是而非的答案。

從“拿來主義”到“新自動手”

麥肯錫數字北美公司的高級合伙人 Eric Lamarre 建議，與其對構建和購買如此復雜的技術進行嚴格的區分，不如從獲取、塑造以及在極少數情況下制作生式成人工智能模型的角度進行思考。

他說：“作為‘接受者’，你可以通過 API（如 ChatGPT）或通過另一個應用程序（如 GitHub Copilot）來使用生成式人工智能，以便在編碼時進行軟件加速。”包含生式成人工智能的成品應用程序可能不會提供太多有競爭力的差異化，它們產生的答案也不會總是完美的。但你希望采用它們來避免競爭劣勢，尤其是因為它們通常是員工已經知道如何使用的應用程序中的新功能。他補充道：“每家公司都會這么做。在 shaper 模型中，你利用的是現成的現有基礎模型，但要用自己的數據對其進行重新訓練。”

這減少了“幻覺”問題，并為你提供更準確、更相關的結果。

他說：“聯絡中心的應用與公司生產的產品種類、提供的服務種類以及出現的問題種類密切相關。”一般的 LLM 不會為此進行校準，但你可以根據自己的數據重新校準它。這一過程被稱為微調。微調既適用于托管云 LLM，也適用于你自己運行的開源LLM模型，因此這種級別的“改造”不會讓你局限在一種方法。

麥肯錫試圖通過向 LLM 提供評估面試的記錄來加快撰寫評估的速度。但  Lamarre 表示，如果沒有對其進行微調或將其納入組織的數據，這就是一次徹底的失敗。他說：“ LLM 沒有任何關于不同角色、我們做什么樣的工作或我們如何評估人們的背景。”

像 ChatGPT 和 GPT4 這樣的帶有插件模型的生成式人工智能模型可以讓你通過將 LLM 連接到 API 來增強 LLM，這些API可以從其他系統檢索實時信息或業務數據，添加其他類型的計算，甚至可以采取諸如開票或預訂之類的行動。這包括法律數據庫等經過策劃的數據，就像你可能會將商業天氣預報服務添加到更傳統的機器學習（ML）模型中，以生成路線或預測運輸時間，而不是從頭開始構建自己的天氣模型一樣。

Lamarre 警告，改造將不僅僅是在你自己的應用程序和流程中構建 LLM，組織將需要更復雜的功能。他說：“為了獲得好的輸出，你需要創建一個可以被模型使用的數據環境。你需要具備數據工程技能，并能夠重新校準這些模型，所以你可能需要員工的機器學習能力，你需要擅長即時工程。那么，我如何指導我的員工提出正確的問題，以獲得最佳輸出呢？”

他提醒 CIO 們不要對生式成人工智能產生的“閃亮對象綜合癥”，尤其是如果他們還沒有在 ML 方面積累專業知識的話。

他說：“在未來 6 到 12 個月內，生成式人工智能與‘傳統’人工智能一樣困難，這將成為現實。”

但有了這些技能，利用現有模型和服務創建的生式成人工智能系統將提供最有可能實現差異化競爭的應用。然而， Lamarre 預測，構建將更加具有挑戰性，而且很可能是罕見的。

買入或賣出

The Continental 是一家支持弱勢兒童、家庭和年輕專業人士的非營利組織，即使其 60 名員工中有 10 人從事技術和數據研究。作為 CIO，Peter Kim 表示，對于像 The Continent 這樣的小型組織來說，構建自己的生式成人工智能似乎令人望而卻步。

兒童福利機構面臨著支持需求超過能力的危機，他對生成式人工智能如何幫助分析受眾、評估圍繞志愿服務機會連續性的信息傳遞、為申請者匹配實習崗位，甚至減少招聘新員工所需的時間很感興趣。

這將從使用微軟在許多產品中引入的 Copilot 功能開始，包括非營利組織云。他說：“忽略這一點似乎很愚蠢，因為這將成為標配。如果你不使用它，你就會被甩在后面。”

但 Kim 也計劃定制一些可供使用的生式成人工智能服務。他希望人工智能尤其有助于非營利組織為政府和私人機構使用的不同系統（往往是過時的系統）建立許多連接器，以及編寫數據查詢。此外，他還希望了解地理和人口數據的細微差別，從歷史數據中提取洞察力，并將其與實時數據進行比較，以確定快速行動的模式和機會。

與其投入資源來復制現有的生式成人工智能能力，不如將時間和精力用于自動化現有的手動流程和探索新的可能性。他說：“我們并不是在想象利用人工智能做同樣的事情，因為我們一直都是這么做的。有了這個新的超級能力，我們應該如何開發或完善重構這些業務流程？”

他建議，購買而不是構造將使人們更容易利用新功能。“我認為，組織能夠利用越來越容易獲得的工具的成功之一將在于適應和審查能力。”

在規模較大的組織中，使用附帶開發工具和集成的商用 LLM，可以讓多個部門嘗試不同的方法，發現生成式人工智能的用武之地，并獲得如何有效使用的經驗。即使像 Airbnb 和德國電信這樣擁有豐富技術專長的企業，也會選擇對 ChatGPT 這樣的 LLM 進行微調，而不是建立自己的 LLM。

Adriana Karaboutis 是美國國家電網集團的 CIDO。他表示：“你可以采用大型語言模型，引入后為你的特定公司和行業構建你需要的領域。你真的必須利用已經存在的東西。否則，你的競爭對手在現有基礎上進行規劃的時候，你可能不得不在苦苦掙扎五年艱難起步。”

松下 B2B Connect 部門使用 Azure OpenAI 服務構建 ConnectAI 助手，供其法律和會計團隊以及人力資源和IT部門內部使用，IT 和數字戰略高級經理 Hiroki Mukaino 表示，他們的理由類也比較類似。他說：“我們認為，對于像我們這樣沒有在生式成人工智能方面進行巨額投資的普通公司來說，獨自構建此類服務在技術上是困難和昂貴的。”。

提高員工生產力是一個高度優先事項，Mukaino 不想花時間創建 LLM，而是想開始將其構建為專為其業務工作流設計的工具。“通過使用 Azure OpenAI 服務，我們能夠比在內部構建人工智能更快地創建人工智能助手，因此我們能夠將時間花在提高可用性上。”

他還認為，使用插件進一步塑造生式成人工智能選項的能力是根據松下的需求進行定制的好方法，并稱插件是彌補當前 ChatGPT 不足之處的重要功能。

通過使用數據中的向量嵌入對云 LLM 進行微調已經在 Azure Cognitive Search 的 Azure OpenAI 服務中進行了私人預覽。

來源：www.cio.com