隨著生成式 AI 技術持續的進步，其顛覆性的潛力正在快速改變各行各業的運作模式。70% 的 CEO 預計，生成式 AI 將在未來三年顯著改變企業創造、交付和產生價值的模式。
在這篇文章中，我們將簡單分享普華永道（PwC）依據第 27屆全球 CEO 調查報告與自己的行業經驗所產生的報告。報告中，PwC 探討了生成式 AI 跨產業的價值潛力，並介紹實現這些價值飛輪模型。
生成式 AI 的潛在價值分析(依據產業別)
普華永道的研究報告顯示，生成式 AI 的應用潛力因產業而異。例如，若將生成式 AI 應用於現有運營模型，軟體產業的利潤率可能提高多達20個百分點；而運輸和物流行業的潛在增幅，雖僅為 1 個百分點，但其帶來的效率提升依然值得關注。
前五大潛力行業 | 潛在利潤率提升（百分點） |
軟體 | 19.4 |
奢侈品 | 14.5 |
娛樂 | 14.4 |
電信 | 13 |
觀光旅遊業 | 10.3 |
這些差異反映了每個產業的運作特點及對生成式 AI 的接受程度。值得注意的是，無論是高科技產業還是傳統行業，生成式 AI 的價值潛力都存在可觀的空間，特別是在效率提升和市場創新方面。(** 註：傑析極佳便已經開始為台灣某娛樂業與零售業開始導入 AI 相關應用)
建構實踐生成式 AI 價值的飛輪八部曲
普華永道套用 Jim Collins 與 Amazon 的成功自轉模型，也提出了一個「AI 價值實現飛輪」的概念，目的在幫助企業有步驟、有系統地逐步釋放生成式 AI 的價值。八個步驟如下：
創建價值假設：
分析生成式 AI 的潛在風險與回報，結合企業的財務狀況和行業基準。
將關鍵用例(需求端)，依據優先程度分級：
根據價值假設辨別對整個產業價值鏈最有影響的用例。
成功實現生成式 AI 的價值，關鍵在於選擇正確的用例。普華永道指出，
前五大生成式 AI 用例，就可創造整體價值的 50% 至 80% 。
評估用例時需考慮以下七大層面：
對P&L的衝擊【財務影響】：對收入和成本的改變程度。
商業模式顛覆【顛覆影響】：產品與服務的變革潛力。
運營模式顛覆【顛覆影響】：對流程、團隊和系統的影響。
競爭環境顛覆【顛覆影響】：市場競爭格局的潛在改變。
模型可行性【導入難易】：定制化和訓練數據的需求。
變革推動力【導入難易】：行業文化與客戶的接受度。
負責任 AI 【導入難易】：確保公平性與數據隱私。
這些考量因素幫助企業透過綜合考量，辨別出最具影響力的用例，再將資源的使用率最大化。
尋找規模化的應用模式(供給端)：
基於設定的用例(需求端)，將生成式 AI 應用在該用例更多場景(Context)，以實現以小博大與規模化的效應。普華永道提出了六種常見的生成式 AI 用例模式(供給端)，涵蓋了不同的應用場景，可以此六個構面當作生成式 AI 應用模式思考的起點。
六個常見的生成式 AI 用例模式
應用模式 | 佔比 | 應用範例 |
全新創建 | 33% | 生成行銷內容的圖片或影片、依描述產生程式碼 |
加強輔助 | 21% | 自動補全文字、填充統計合成數據 |
語言或形式轉換 | 19% | 語言翻譯、格式轉換 |
對話 | 14% | 提供產品建議的智能客服 |
深度檢索研究 | 12% | 從文件中搜尋關鍵資訊 |
摘要歸納 | 2% | 匯總公司財務數據或用戶調查情緒 |
早期應用較多的生成式 AI 用例：聊天機器人，大約只佔整體價值的15%
其中，全新創建和加強輔助模式占據超過50%的價值創造潛力，但實現這些應用通常需要更高的數據整合與前期投入。
選擇生成式 AI 工具：
選擇合適的 AI 模型與技術平台(如 AWS 等)。
定義解決方案，擴大影響：
結合專有數據，創建客制化解決方案，實現差異化。如把 chatbot 的數據拿來當作內部業務工具或新人訓練知識庫。
評估成本與對碳排放影響：
全面考慮財務、環境(ESG)與聲譽成本。
部署、測試與學習：
在受控的沙盒環境中測試，並改進生成式 AI 應用。
採用並擴展：
將學到的知識應用於相鄰的業務場景。
上述八步驟飛輪模型使得企業能在推進生成式 AI 部署的同時，也建立一個持續學習和累積價值的良性循環。
結論
生成式 AI 的價值實現並非一蹴而就，而是需要通過有條不紊的規劃和實施來逐步推進。
普華永道所建議的飛輪模式為企業提供了一個有系統與循序漸進的方法論，幫助企業落實生成式 AI 的最大價值。不管是哪一種行業類型，採取責任式 AI 策略，並結合人類的創造力，企業將能夠充分發揮生成式 AI 的潛力，為未來的競爭優勢奠定堅實基礎。
Comentarios