释放生成式人工智能生产力和增长优势的 8 个关键步骤

在各级员工中赋能，以加速和倡导大规模创新：案例研究。

By Simon Greenman and Tim Gordon

利用生成性人工智能技能赋能您的员工，以识别、原型设计和测试改善日常任务的机会。生成于MidJourney。

生成性人工智能（Gen AI）将彻底改变工作场所的生产力、创造力和增长，推动客户服务、销售、市场营销、IT、运营、人力资源等多个职能的众多应用场景。这项技术为知识工作者提供了新的复杂工具，以增强他们的许多日常任务。然而，为了充分释放其潜力，公司必须超越传统的自上而下的规划，培养自下而上的创新文化，鼓励员工探索和实验这些新工具。通过对员工进行Gen AI能力的教育，他们能够识别出自上而下策略可能遗漏的数百个增量收益。

此外，Gen AI正在使创新民主化，使非技术员工能够独立构建复杂的互动原型，从而探索和展示他们的潜在应用场景的想法。员工可以快速收集用户反馈，并在投资全面生产推广之前验证这些应用场景的价值和适用性。首次，数百个应用场景可以在公司内部同时探索，而不受通常IT限制的影响。

以下是公司需要遵循的步骤，以实现规模化和加速的创新孵化方法，以及一个案例研究，展示一家商品公司如何培训和指导12位冠军，探索Gen AI，最终开发出九个可行的原型，以展示该技术对其业务产生重大影响的潜力。

1. 拥抱自下而上的探索性思维

为了让公司充分利用生成性人工智能的潜力，管理层和员工必须 adopt an open and explorative mindset。这段技术旅程不会是线性的，领导者需要认识到，仅靠自上而下的指令无法识别和捕捉生成性人工智能带来的无数小而渐进的收益。

应鼓励员工进行探索和实验，理解并非所有尝试都会成功。开放的心态允许从失败中学习并对新想法进行迭代，营造出一个创新能够自然繁荣的环境。僵化的等级结构将不再有效，尽管一位可见的高级领导者应该支持这一倡议。

从一开始，管理层需要理解，与传统软件开发不同，生成性人工智能项目的确切结果、成本和时间表都是不确定的，需要通过控制的方式逐步揭示。我们可以描绘出广泛的轮廓，暗示在相对短期内生产力提高10%，而在长期内，管理层可以确信生成性人工智能将产生重大的战略影响。现在是开始这一旅程的时机。

2. 确定并赋能倡导者

员工可以成为公司创新的倡导者。员工使用这些工具的次数越多，他们对这些工具的喜爱程度就越高，从而提高了工作满意度。最近的一项英国埃森哲研究 发现，67%的受访者表示使用生成式AI后工作满意度提高，92%的人认为它很有用。另一项最近的BCG调查显示，84%的使用这些工具的员工认为它节省了他们的时间，并提高了速度和质量。让员工主导公司的生成式AI创新可以增强他们的参与感，因为他们对AI失业的恐惧减轻，将其视为一种“副驾驶”，使他们的工作更加愉快。

在组织内部识别生成式AI创新的倡导者至关重要。倡导者可以通过向同事展示新工具和方法的价值，传播新技术的潜力。他们的热情和专业知识可以激励其他人扩大生成式AI在整个组织中的影响力。

选择倡导者的标准包括：

1. 多样化代表性： 由来自人力资源、信息技术、运营、销售等各个职能的10-12名员工组成的团队。
2. 领域知识： 理解潜在的使用案例，并在各自领域具有知识。
3. 创新热情： 渴望使用ChatGPT和其他生成式AI工具进行创新。
4. 沟通能力： 能有效沟通并为“倡导者”社区做出贡献，以促进和传播该倡议的价值。

所选员工不需要具备技术背景，但他们应该对解决问题和任务有结构化和有纪律的方法。

3. 培训和指导生成AI工具的冠军：通过实践学习

一旦确定了冠军，他们需要进行密集的培训和持续的支持，以掌握生成AI工具。这种培训应超越基本提示的使用，包括高级提示设计以及使用这些工具的技能，例如使用ChatGPT的GPTs，利用真实世界的数据集构建交互式原型。建议冠军在熟悉的任务上至少投入20-30小时使用这些工具，以便感到舒适。学习最好是通过实践，并且要大量实践。几小时的培训如果没有后续跟进和目标，将会失败。

一个为期四周的综合培训计划应涵盖以下领域：

1. 生成AI的基本概念： 理解大型语言模型（LLMs）、它们的能力、应用、使用案例、风险和使用政策。
2. 提示设计基础： 学习如何为任务构建精心设计的提示，例如创建图像、撰写文本、总结文档和分析电子表格。
3. 高级工具的使用： 学习如何使用自定义GPT和其他高级应用构建工具。
4. 识别和衡量合适的任务： 反思每周完成的数十个，如果不是数百个常见任务，并识别那些可能通过生成AI工具的帮助或自动化受益的任务。估算在使用这些工具之前和之后完成任务所需的时间。
5. 解决现实问题的黑客马拉松： 参与基于团队的黑客马拉松，利用真实数据构建有价值用例的工作原型。

在整个培训过程中，冠军应每周接受一对一辅导，学习如何在解决现实问题的背景下使用这些工具。

培养一个分享和学习的社区，让冠军可以向同事提问，提供建议，分享见解和解决问题的挑战。这种共同体的方法是加速学习和促进支持性环境的关键，在这里创新是集体努力的成果。

在培训结束时作为一个社区进行反思，以鼓励学习和对自己进步的信心，讨论以下问题：

1. 提示技巧： 你对有效的提示技巧和ChatGPT的可靠性学到了什么？
2. 任务适用性： 哪些任务和活动最适合使用这些工具，哪些不适合？
3. 黑客马拉松见解： 你从黑客马拉松项目中获得了哪些关键学习和惊喜，以及你想要探索的下一个领域是什么？
4. 认知变化： 自程序开始以来，你对ChatGPT的能力、使用案例和机会的看法发生了怎样的变化？
5. 社区支持： 冠军社区如何能够最好地支持和帮助彼此？

4. 用例原型的孵化与引导探索

倡导者应遵循结构化的方法，探索、原型设计和评估 Gen AI 应用在不同用例中的价值，通常持续三个月。可以将其视为孵化 Gen AI 想法。我们建议如下的方法：

第1个月 — 参加 Gen AI 培训以掌握工具和目标用例

• 时间承诺： 每周为该项目投入 2–3 小时。
• 学习： 参加上述的 Gen AI 培训，并使用 Gen AI 工具处理常见日常任务，例如回复电子邮件、总结会议和研究主题。
• 识别： 确定一长串可以针对 Gen AI 自动化协助的任务。使用类似于以下的模板，评估这长串机会，以找到 2-3 个目标用例进行原型设计：

一个可用于评估潜在 Gen AI 用例的模板示例。 © Best Practice AI 2024

第2个月 — 原型设计用例

• 实施： 使用 OpenAI GPT 等工具，利用虚拟或示例数据创建原型的粗略版本，以避免在此阶段依赖系统集成。
• 反馈： 收集潜在用户对这些用例价值的意见和反馈。
• 最终确定： 根据潜在收益和实施可行性选择一个用例继续推进。

第3个月 — 完成并展示单个原型

• 实施： 继续开发你的原型，使其变得更加可靠、可用和有价值。
• 展示： 为原型开发一个“推介”，以便广泛演示。重点阐明所解决的问题、清晰的 Gen AI 互动演示、解决方案的好处以及扩大规模所需的技术和操作要求。

治理和支持 对于确保用例原型的顺利开发至关重要，倡导者将需要：

• 辅导会议： 每两个月进行一次辅导会议，以帮助员工解决问题和障碍。
• 研讨会： 每月举行一次研讨会，供倡导者展示用例、原型、挑战和解决方案的发展，以及关键经验教训。

持续测试和实验 Gen AI 也是理解技术能力、局限性和财务影响的关键。为什么？

1. 快速创新：今天的能力可能在明天就过时。
2. 不可预测的性能：GenAI 的“ 锯齿状前沿 ”意味着它在复杂任务上可能表现出色，而在简单任务上却可能挣扎；并且无法提前确定它将在哪些任务上表现良好。
3. 随机特性：相同输入的输出可能会有所不同，需要进行彻底测试。
4. 成本不确定性：开发和部署费用比传统软件更难预测。

公司应在原型设计前后评估业务收益，以帮助确定 Gen AI 项目的价值。尽可能量化效率、生产力和其他关键绩效指标的改善，即使不是完美的。

5. 基于用户反馈和可靠性进行验证和迭代

尝试想法、收集用户反馈和完善原型的迭代过程对于验证Gen AI用例的价值至关重要。倡导者应定期与潜在用户和同事审查他们的原型，以验证他们的想法并增强可用性。

6. 为负责任的使用建立护栏

在赋予员工使用 Gen AI 进行实验的同时，实施明确的政策以指导 AI 使用是至关重要的。政策指南应涵盖：

1. 隐私和安全：使用不利用数据进行训练的模型企业模式，并对个人可识别信息（PII）进行匿名处理，以确保数据安全。
2. 内容审核和准确性：在发布之前，分配时间对 AI 生成的内容进行彻底审核，因为 AI 工具可能会出错或“幻觉”信息。
3. 偏见意识和包容性：关注 AI 输出中潜在的偏见，努力创造包容和多样化的内容，充分代表不同的族群和性别。
4. 合规性和监控：定期监控 AI 使用情况，以确保遵守公司政策和相关的法律法规要求。
5. 用户教育和反馈：提供关于负责任和有效使用 AI 的全面培训，并建立报告问题或提出改进建议的机制。

我们都很容易陷入过度依赖这项新技术的陷阱，因为它能生成优雅的散文。但买家需谨慎！你不想效仿这位在美国联邦法院使用 ChatGPT 的律师 。

7. 与 IT 合作以最大化创新和可扩展性

尽管 Gen AI 可以帮助非技术人员加速软件创新和开发过程，但与 IT 合作至关重要。他们是评估 Gen AI 技术全部能力的关键，并确保成功的原型可以扩展到生产使用。IT 团队将有关于安全性、隐私、API 使用和 IT 工具选择的明确政策和指南，这些通常由首选的云环境定义。IT 在确保数据集和知识库可大规模访问方面将发挥关键作用。通过合作，组织可以将有前景的原型开发为强大、企业级的应用程序。

8. 宣传、竞争与奖励创新

为了扩大对这些新技术的支持，公司应指导倡导者宣传该技术。这可以包括通过展示和最佳创新竞赛公开庆祝原型。与董事会进行一个展示日，要求他们投票选出他们最喜欢的原型。创新挑战等竞争元素，以及奖励，也可以帮助激励员工。举办由倡导者主导的学习实验室，以帮助教育其他人如何使用这些技术。AI.

案例研究：冠军孵化器计划

一家商品公司实施了为期五个月的冠军孵化器计划，在此期间，他们举行了一场比赛，从组织内各个业务、职能和层级中选出12位冠军。在项目结束时，经过大量的指导探索和实验，向董事会展示了九个原型，展示了生成性AI如何对他们的业务产生重大影响。这些原型包括：

• AI驱动的损益计算工具：团队成员使用ChatGPT和Co-Pilot学习如何使用Excel宏自动生成精确的损益计算，可能为每位职员每天节省数小时。
• 集中信息中心：在Microsoft Teams中整合了相关的交易和客户信息新闻文章，减少了研究请求，提高了相关信息的获取。
• 移动应用程序工具：产品经理使用工具创建了一个应用程序原型，以简化开户流程。这使他们能够绕过传统产品开发瓶颈，从而开发出一种工具，可能将客户入驻时间缩短60%，并减少手动数据输入错误。
• 合规与风险评估协助：协助完成合规任务，例如为员工提供最新的合规信息，自动完成合规表格和风险评分，以及对营销文案的反馈。尽管在合规和法律方面的机会尚未完全挖掘，但早期的好处包括更快的周转时间、提高的准确性和生产力提升。
• 供应链管理改进：构建了高级宏以帮助数据分析和市场细分。加快了一个流程，显著减少了营运资本需求。
• 客户通知自动化：利用AI支持脚本编码，自动生成并发送个性化的关键客户消息。这使得客户沟通更快、错误率更低，并节省了个人时间。这些时间被重新投入到类似流程的进一步自动化中。

一位IT经理表示：

“我感觉我从四个人变成了六个人。这是一个很大的影响。”

在一系列任务中，估计的好处相当于每周至少恢复半天的时间，导致**生产力提升超过10%**，许多用例显示出更大的改善。

许多人利用这些工具加速了他们在各个主题上的学习和技能 发展。聊天机器人的对话界面要求在表达请求时更加清晰和准确。它还可以提供实时支持。正如一位冠军所指出的：

我对编码一无所知，我让它为我创建代码，它就能工作。如果我不理解某些东西或它不起作用，我只需让它解释或重做。例如，如果它说有错误，我把错误部分放入GPT部分，然后说这个错误出现了。你能修复它吗？自己纠正吗？

总体而言，这些项目承诺带来显著的好处，包括提高生产力、减少浪费、增强数据准确性，以及通过更快、更可靠的操作提高客户满意度。最关键的是，该计划培养了一批愿意并能够积极和富有想象力地倡导生成性AI个人生产力的员工。

孵化器计划最具启发性的一点是，最终的用例和好处直接源于员工探索和实施改善日常活动中生产力、创造力和质量的想法。

关键学习和最佳实践

该项目揭示了几个关键见解：

• 用例可行性：迅速放弃不可靠或复杂的用例，但要探索更多其他用例。
• 预期挫折：要准备好技术在某些时候可能令人沮丧地不一致。
• 数据分析的代码生成：让AI为数据和信息分析编写代码，以有效规避幻觉问题。
• 数据安全和隐私：削减高度敏感的数据，进行有效的匿名处理，并定期更新隐私政策以缓解对隐私的担忧。
• 用户信任和接受度：早期使用互动演示以快速获取对用例价值和可行性的反馈。
• 系统集成：规划强大的API集成、工作流程对齐和数据访问。
• 处理大型和复杂数据集：使用数据处理工具清理和标准化数据。
• 性能和技术挑战：进行全面测试，使用多个数据集，并进行迭代。
• 用户培训和知识差距：提供持续的培训、支持和一对一辅导。
• 社区建设和知识共享：提供工具，如Slack或Teams，以及激励措施，如奖励和认可，以促进开放的知识共享和协作。

公司现在需要拥抱自下而上的创新

通过民主化访问 Gen AI 工具并鼓励动手实验，公司可以利用其最宝贵的资源——员工对日常运营的深入了解。这种方法不仅推动渐进式改进，还使组织能够在 AI 驱动的未来中更快地适应。掌握这种赋权与指导平衡的领导者将在未来十年的 AI 驱动创新中领先。

联系我们

如果您有任何问题或反馈，或者想进一步讨论此主题，请随时与我们联系。 📧 电子邮件： i n f o @ b e s t p r a c t i c e . a i 或 💼 领英： Simon Greenman

作者

西蒙·格林曼是一位技术高管，拥有超过25年的数字转型和人工智能经验。他共同创办了MapQuest.com，曾担任HomeAdvisor Europe的首席执行官，并在多家私募股权公司担任首席数字官。他是最佳实践人工智能 的共同创始人和合伙人，该公司是一家人工智能管理和治理咨询机构。他是世界经济论坛 专家网络的成员，最近曾在其全球人工智能委员会任职。西蒙拥有哈佛大学的MBA学位和萨塞克斯大学计算与人工智能的学士学位。他还积极参与创业生态系统，担任英国哈佛商学院校友天使投资人的名誉会长，并为多家风险投资公司担任顾问。

蒂姆·戈登是最佳实践人工智能 的共同创始人和合伙人，该公司是一家人工智能管理和治理咨询机构。拥有超过20年的国际领导经验，他在媒体和金融服务等多个行业推动了数字和数据转型。戈登曾在《金融时报》和波士顿咨询集团担任高级职务，并担任自由民主党首席执行官。他拥有剑桥大学、欧洲学院的学位，以及INSEAD的MBA学位。此外，他还是Full Fact的受托人和Evident AI银行基准的高级顾问。

注意： 我们一直在使用ChatGPT和其他生成式人工智能工具。我们非常喜欢它，当然，我们也必须“吃狗粮”，因为我们运行生成式人工智能培训和创新孵化项目，以最大化创新。因此，毫无意外，本文是在ChatGPT的协助下撰写的，以帮助理清一些文本并提出建议。然而，内容和信息传递很大程度上是通过与多个客户的实验而产生的。我们使用Midjourney创建了主要图形。