企业如何落地大语言模型应用
以 ChatGPT 为起点，大语言模型（LLM）凭借全面的技术创新以及在用户和产业中的应用落地，再次掀起了一个 AI 新浪潮。与它的前辈们相比，大语言模型因为打通了语言这一人类沟通中介，并且仅用一个模型统一了多种复杂的任务，在对个人和公司的潜在影响力上明显更上一层楼。受到'再不努力就要被机器，或者是会用机器的人取代'趋势的威胁，越来越多中国企业开始下定决心要投身到新的 AI 热潮中去。
但当他们站上起跑线，只会发现事情并没有那么简单，甚至有点让人迷茫。AI 新浪潮正在倒逼企业重塑数字化底座。
AI 新浪潮，倒逼企业重塑数字化底座
造成企业'想说爱你不容易'的关键，主要有两点：
- 波及面太广：相比过往数次技术革命，大语言模型影响力和范围更大，渗透到企业运转、经营的多个环节，并与人类工作流程相互交织；
- 倒逼企业重塑数字底座：大语言模型在运行逻辑上不同于互联网时代，且需要企业有相当坚实的数字底座。如果企业自身数字化基础不足，前期准备和调整环节将非常有挑战。
以具体的数字为例，根据全球知名专业服务公司埃森哲研究发现，自然语言任务占到了企业人员工作总时长的 62%，其中 65% 的时间可以借助人员强化和自动化技术来提升工作活动的生产力。将这两个数字直接相乘，就能得到一个简单而又直白的结论——所有行业中 40% 的工作时间，都能通过 GPT-4 这样的大语言模型实现革新。
这个数字听起来或许有些夸张，我们不妨具体到特定的产业中来看。以快消品产业链为例，大语言模型能够在产业链中应用的环节实在太多。从最基础的需求确立、产品打造、商业模式创新，到具体的市场营销，再到后续的供应链和制造管理、可持续发展以及企业内部的管理，基本上覆盖了所有的环节。
从企业和产业竞争的视角看，尤其是快消品这样互相快速模仿借鉴、竞争激烈的产业，大语言模型的应用，正在以一个全新的维度为企业带来新的竞争力。在埃森哲最近的一项技术趋势调研中，72% 的受访中国企业高管对 AI 新能力表示了极大的兴趣，并将在后续的企业经营中积极探索和尝试这项新技术。
确定了'要做'，接下来的问题是'怎么做'。而这恰恰是大语言模型技术的最大挑战所在。对于本身数字底座相当充分的企业来说，探索 AI 新技术的应用能力、如何将自己的业务和内部运行模块与 AI 技术结合，是一个非常烦琐的任务。
在一次聊天中，埃森哲对媒体表示：'大语言模型时代和互联网时代的思维方式和路径，其实发生了非常多的变化。'就拿我们上面提到的'倒逼企业重塑数字底座'为例，过去互联网时代的'人工编写代码 + 数据库'的模式，正在遭受'模糊数据 + 神经网络模型'的挑战。企业在需要用大语言模型全面提升自身应用和服务能力的同时，也需要开始着手收集还未数字化的企业信息和知识积累，并将他们整理为神经网络能够理解吸收或者学习的格式、作为企业专属模型的数据输入。
而在企业内部员工的培训上，大语言模型相关的内容也正在成为刚需，尤其是员工日常使用大语言模型过程中的 Prompt（提示词）技巧。根据埃森哲服务中国企业的经验，'光是应用云计算、真正实现数字化这一点，对于很多中国企业来说就已经是革命性的了。现如今任务中多了 AI，变革的压力和难度其实变得更高。'
根据中国电子技术标准化研究院 2022 年的研究，占据了中国企业绝对主体的中小企业，79% 处于数字化转型初步探索阶段，12% 处于应用践行阶段，真正达到深度应用阶段的企业仅占 9%。很显然，大量中国企业急切需要充分理解了 AI 发展趋势、拥有打造企业数字化底座的解决方案、和拥有丰富企业服务经验的'帮手'来拉一把。
为企业落地 AI 打头阵的实施框架
正如我们上文所分析的，大语言模型的场景覆盖各行各业的诸多环节，这也让其应用和落地无法一概而论，整体体现为高度的非标准化，'边摸索、边创新、边落地'成为了当下的解决思路。埃森哲云服务团队结合自身对大语言模型、对企业业务的理解，将这种'边摸索、边创新、边落地'定义为六个步骤：
1. Dive in, with a business-driven mindset（以业务驱动的初心）
以积极的心态全身心拥抱变革，将业务需求和目标作为驱动力，迅速行动。企业不应为了技术而技术，而应明确 LLM 能解决什么具体的业务痛点，例如客服自动回复、文档摘要生成或代码辅助编写。只有明确了 ROI（投资回报率），项目才能持续获得资源支持。
2. Take a people-first approach（以人为本的方式）
在解决问题和开展工作时，将关注点放在人的需求和体验上，确保以人为中心的方法来处理事务。这包括改变员工的工作习惯，提供足够的培训，消除对 AI 替代工作的恐惧。建立人机协作的新流程，让 AI 成为员工的助手而非替代者。
3. Get your proprietary data ready（准备好企业的专有数据）
整理和准备企业拥有的独特数据资源，为后续的生成式 AI 的使用和决策提供必要的数据支持。这是最关键也是最困难的一步。企业需要清洗历史数据，构建向量数据库，设计 RAG（检索增强生成）架构。数据的质量直接决定了模型输出的准确性。建议采用 ETL 流程，将非结构化数据转化为结构化知识库。
