隨著生成式 AI 技術的快速發展，許多企業都開始積極探索如何將其應用於日常運營以提升效率、降低成本並創造新的商業價值。在這篇文章中，我們將探討企業如何評估導入生成式 AI 的可行性，並以"技術可行性"與"商業價值"兩個維度作為核心框架進行分析。
在談論評估議題之前，我們先檢視一下不同的行業別，對生成式 AI 技術有哪些應用的想像。
生成式 AI 的基本應用場景
生成式 AI 是一種通用技術，已經被廣泛應用於各種職位和任務中。
金融領域：銀行使用生成式 AI 進行客戶風險評估，生成個性化的理財建議或加速反洗錢交易的監控。
醫療領域：醫院應用生成式 AI 生成診斷報告，輔助醫生分析病患病史，並協助開發新的藥物設計模型。
行銷人員：利用生成式 AI 來構思電子郵件行銷活動，產生創意文案或設計新的客戶互動方式。
招聘專員：使用 AI 縮短候選人資料的摘要時間，加速篩選流程。
軟體工程師：生成代碼的初稿，或撰寫技術文檔以輔助開發工作。
客戶服務代表：AI 可用於生成文字聊天回覆的建議，或總結客戶互動記錄。
儘管這些應用能提升效率，但企業應當有系統地評估生成式 AI 是否適合導入至特定業務環節，而非盲目追隨技術熱潮。而評估的第一步就是：分析既有的工作，將他們拆解為任務。
工作到任務的分解分析：以客服為例
將工作分解為具體的任務是導入生成式 AI 的第一步。例如，企業可以以客戶服務為案例：通過觀察實際工作流程，可以分解出多項具體任務如接聽電話、處理查詢等。
以下流程圖展示了一個可能的分解方式：
客戶服務工作 ：
(1) 接聽電話 -> (2) 回覆查詢 -> (3) 記錄互動 -> (4) 分析客戶需求
這樣的分解方式可以幫助企業更清楚地識別出每個任務的應用場景和技術需求。大多數工作包含多種不同的任務，例如，客戶服務代表的日常工作可能包括：
接聽客戶電話查詢
通過聊天系統回覆客戶問題
查詢訂單狀態
記錄與客戶的互動
評估客戶投訴的準確性
在分析生成式 AI 的應用潛力時，企業需對每個任務進行獨立評估。這樣可以更準確地識別出適合生成式 AI (a) 增強或 (b) 自動化的部分。
評估框架：技術可行性與商業價值
生成式 AI 的導入應圍繞兩個核心維度進行評估：
技術可行性：
是否可用 AI 技術完成該任務？ 例如，生成式 AI 已經能很好地處理文字摘要，但進行長時間的語音對話仍有挑戰。
實現該技術的成本如何？ 開發或採購 AI 系統的成本應納入考量，例如，基於大語言模型（LLM）進行微調(Fine-Tunning)或構建檢索增強生成（RAG）系統的投入。
快速試驗驗證：可以通過簡單的指令測試生成式 AI 的能力，例如，模擬客戶查詢場景並評估其回答品質。
商業價值：
時間和資源節省：該任務目前耗費的時間是否能顯著縮短？
效率提升對業務的影響：是否能通過更快速、更一致的方式執行任務創造價值？
潛在的增長機會：自動化可能帶來的價值是否超越成本節省，例如，重新設計業務流程以提供更高效的服務？
評估完成之後，我們還必須決定，生成式 AI 該用增強模式或自動化模式來幫助我們。
增強模式與自動化模式
生成式 AI 的應用模式基本上可以分為兩類：
增強模式：
AI 輔助人類完成任務，例如生成客戶服務回覆的建議，讓客服人員進行審核和編輯。
增強模式能幫助企業在初期階段逐步建立對 AI 系統的信任。
成功案例：某電商公司利用生成式 AI 自動生成客戶服務初步回覆，將人力審核時間縮短了 40%，顯著提高了服務效率。
自動化模式：
AI 完全自動執行某項任務，例如自動生成並存檔客戶互動記錄。
隨著企業對 AI 的信任提升，工作流程可逐漸從增強模式過渡到完全自動化。
成功案例：一家保險公司通過生成式 AI 完成保單文本生成與存檔，將過往需 3 天完成的流程縮短至 3 小時，並減少了 20% 的運營成本。
再以客服實際應用為案例
再以之前客戶服務為例，假設經過分析發現：
高潛力任務：文字聊天回覆和記錄客戶互動。
中潛力任務：查詢訂單狀態。
低潛力任務：處理長時間的語音對話或準確性評估。
企業可以優先聚焦於高潛力任務，設計試點項目來測試 AI 的效能，然後逐步擴展應用範圍。設計試點項目時，可遵循以下具體步驟：
明確目標：定義試點項目的目標，例如效率提升百分比或錯誤率降低目標。
選擇數據集：選擇適合目標任務的數據集，並確保數據的品質與多樣性。
設定基準：為目前的流程設定基準性能指標，以便與 AI 系統的效果進行比較。
開發與測試：開發初步 AI 解決方案，並在小規模範圍內進行測試。
評估與改進：使用明確的評估指標（如準確率、響應時間）來檢驗試點項目的成效，並根據結果進行調整。
擴展計劃：在試點成功後，制定擴展計劃，包括資源分配與系統整合。
應用中需要注意的挑戰與風險
完成上述項目評估之後，在操作中仍需要特別注意一些挑戰與風險：
數據隱私：生成式 AI 通常需要大規模數據支持，企業需確保數據的收集與使用符合相關隱私法規，如 GDPR 或 CCPA。未經妥善管理的數據洩漏可能帶來法律與聲譽風險。
模型偏見：AI 模型可能會受到訓練數據中隱含偏見的影響，導致不公平或不準確的結果。企業在導入前需進行模型偏見測試，並定期審查輸出結果以減少風險。
技術可控性：生成式 AI 的某些輸出可能難以預測或控制，企業需設計適當的監控機制以避免生成不符合商業需求的內容。
展望與結語
許多企業在考慮 AI 導入時，往往將重點放在成本節約上。然而，歷史證明，從蒸汽機到電力的技術革新，最終帶來的價值往往來自於收入增長，而非僅僅節省支出。通過重新思考工作流程，企業可以創造更高效、更具創新性的服務模式，從而開拓新的商業機會。
另外，生成式 AI 的導入是一個循序漸進的過程，從 (1) 分解工作到任務開始； (2) 通過技術可行性與商業價值的分析；(3) 準確地判斷應該在哪些領域優先採用 AI 技術 (4) 落實技術開與發與執行；(5) 不斷的依據結果進行迭代修正。
最終能夠成功的企業將是那些能夠超越成本節省，而利用 AI 技術創造全新價值的佼佼者。
Comments