B2B场景下生成式人工智能应用的变化
在过去的几年里，我们见证了大语言模型(LLM)逐渐成为主流，并研究了该技术在B2B领域的应用。尽管技术进步很大，但我们认为我们仍处于B2B用例的生成式人工智能应用的早期阶段——第一波。随着公司逐渐开发自己的应用，并开始寻求围绕产品建立护城河，我们预计许多业务中的目标和实现方法将迭代成“第二波”。
这里的“迭代”怎么理解？
到目前为止，绝大多数生成式人工智能应用都集中在信息发散上。换句话说，当前的应用程序主要基于一组指令来创建新内容。
在第二波生成性AI中，我相信市场将见证更多用于信息收集的生成性AI应用，这些应用将通过合成现有信息向我们展示更多经过提炼和筛选的内容(也就是说，它们将通过合成可用信息向我们展示更少的内容。)为了区别于第一波生成式AI，我们把第二波生成式AI称为合成人工智能(& # 8221；辛泰& # 8221；)。
虽然第一波生成式AI已经在应用层创造了一些价值，但是第二波生成式AI将会带来下一次的功能变革。
那么下一步，B2B的生成式人工智能的解决方案会是什么方向呢？
结论是B2B解决方案之间的PK不会聚焦在眼花缭乱的AI技术能力上，而是更关注这些技术能力将如何帮助企业用户拥有(或重新定义)更有价值的企业工作流。
第一波生成性AI:跨越从C端用户到企业的桥梁
为了分析第一波生成式AI，我们首先要区分B2C和B2B应用。当我们作为消费者应用生成式人工智能时，我们的目标是游戏、娱乐和分享。在娱乐层面，质量和正确性不是最重要的:让人工智能模型生成艺术或音乐等功能更重要，因为我们可以在Discord channel中分享它们，当然我们很快就会忘记它。人们通常有一种心理倾向，即更多的内容=生产力=好，因此用户通常会被生成性和自动创建的AI工具所吸引。
比如ChatGPT的兴起就是一个很有说服力的案例:因为用户真的容忍了这个聊天机器人的很多质量缺陷，是因为每个人都可以用它来生成更丰富的内容并分享，这是令人印象深刻的。
当涉及到B2B应用程序时，业务目标是不同的。这里的目标主要是评估时间和质量的成本效益。我们要么想在同样的时间里生产更高质量的产品，要么想生产同样质量但更快的产品。
人们主要在工作场所使用B2B应用程序。在这种场景下，质量更重要。而如今人工智能产生的内容主要是为重复性、低风险的工作提供的，在业务层面通常要求不高。比如生成式AI可以为广告或者产品描述写文案，这个领域很多B2B应用都呈现出明显的增长趋势。
但是，我们后来发现，生成式人工智能写观点或论点真的很不靠谱(即使AI生成的内容很有说服力或自信，但往往也没有我们想要的那么准确)。注意，这一点在B2B生产环境下的创新与合作中更为重要，大模型产生的SEO信息可能会有。但如果要求它为开发者写一篇关于新产品的详细博客文章，就要花费大量的人力去完善它，以保证这篇文章是准确的，并能引起目标受众的共鸣。
另一个常见的例子是用AI写销售邮件。生成式AI对于普通的、冷启动的邮件非常有用，但是对于精准的个性化邮件就不太靠谱了。从优秀销售的角度来说，生成式AI有助于在更短的时间内写出更多的邮件，但要写出能提高回复率、带来订单的邮件(这也是销售代表的评价)，销售代表还是需要仔细研究，通过自己的判断了解潜在客户想听到什么。
从本质上来说，第一波生成式人工智能在头脑风暴的前期，对于更具实质性的写作是成功的，但最终，越需要该领域的人的创造力和专业知识，越需要人工的完善。
重构工作流的成本是多少？有什么好处？
即使生成式AI对长篇博文有用，你的提示也必须准确。换句话说，作者必须清楚地了解代表自己博文的本质概念。然后，为了得到好的结果，作者必须审查AI输出的结果，迭代提示，如果没有，重写整个章节。
下面是一个使用ChatGPT生成法律文档的例子。熟悉法律提示的人需要提供所有需要的条款，然后ChatGPT可以使用这些条款生成草稿。注意，AI不能实现当事人之间的谈判过程，但是一旦确定了所有的关键条款，生产AI就可以产生一份长长的法律文件草案。但是这些工作还是需要专业的律师来审核，编辑输出，才能让这个文档达到一个签字的样本。
这也是为什么这种成本+收益的评估模式会在B2B的大背景下被打破。
知识工作者正在评估如何在工作流程中添加额外的人工智能功能。值得花时间吗？我们还应该自己做吗？
生成式人工智能的第二次浪潮:
收集信息以改进决策
当我们进入第二波生成式AI时，重点将从信息生成转向信息合成。注意，在知识工作中，决策能力是很有价值的，员工的报酬是建立在不完全信息的基础上，而不一定是建立在简单地执行或解释这些决策所产生的内容量上。在很多情况下，时间越长并不意味着越好。
许多常识和公理支持以下观点:
1.代码行数不是衡量工程生产率的好方法。2.产品内容越长，说明未必越清晰。3.幻灯片越长，可能无法提供的见解就越多。
Hex的创始人Barry McCardel认为，人和机器是可以共存的。比如LLM如何改进我们的工作方式？
“AI在这里是为了增强和提高人类的能力，而不是取代人类。
因为在认识世界和做决策的时候，人类必须参与其中。人工智能所能做的就是帮助人们将更多的脑电波应用到有价值、有创造性的工作中，这样我们不仅可以在一天中花更多的时间做重要的工作，还可以解放自己，从事最有价值的工作。”
那么，AI是如何改善人类决策的呢？法律专家需要专注于综合和分析，以提高决策的质量和/或速度(上图B2B图)。明显的应用就是总结大量人类永远无法直接消化的信息。
SynthAI未来真正的价值是帮助人们更快地做出更好的决策。
这里的思路和ChatGPT的用户界面几乎是相反的:与其根据一个简洁的提示写一个冗长的回复，不如我们可以从海量数据中逆向设计一个简洁的汇总提示？(如果我们可以从大量数据中逆向工程出概括这些数据的简明提示，而不是基于简明的提示编写长格式的响应，会怎么样？)
这将让我们有机会重新思考用户体验，并尽可能有效地传达大量信息。比如一个由AI技术驱动的知识库，比如Mem，它保存了一个组织的所有会议笔记，可以主动对相关决策、项目或人提出建议。当组织中的角色开始一个新的项目时，他们应该对这些决策、项目或人员做出响应，从而节省他们浏览以前机构积累的知识的时间(甚至时间)。
回到上面发送营销邮件的例子，一个潜在的表现是，AI可以识别目标客户，以及他们何时会处于购买意向的最高水平(基于新闻报道、人才迁移等。)，并提醒相关销售代表。然后在综合研究的基础上，人工智能模型会建议在邮件中问一到两个最重要的问题，以及与想要销售的目标客户最相关的产品功能。
这些输入可以输入到第一波生成式AI带来的解决方案中，但它们的价值来自于综合阶段，为销售人员节省了对单个潜在客户的研究时间。
确保这种综合信息质量的根本变化是从大规模的通用模型转变为可以应用多种模型的架构，包括在特定领域和特定用途的数据集上训练的更详细的模型。例如，构建客户支持应用程序的公司将使用以支持为中心的模型，该模型可以访问公司的历史支持账单，但在其他情况下，它将返回到GPT。在构建专有的微调模型和数据集壁垒时，这些组件将成为公司速度和质量的护城河。
SynthAI的部署
当我们思考第二波生成式人工智能可能会是什么样子时，我们认为从SynthAI中受益最多的应用场景将是以下两种情况:
1.场景中的信息非常多，人类很难手动筛选所有的信息。2.高SNR场景、主题或抽象视图必须准确。
人工智能对工作流程的改造，将引领我们进入生产力的新时代。
本网站声明:网站内容来源于网络。如有侵权，请联系我们，我们会及时处理。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信(j7hr0a@163.com)，我们会及时处理和回复。
原文地址"信息的生成，基于ai的生成器"：http://www.guoyinggangguan.com/qkl/164617.html。
微信扫描二维码关注官方微信
▲长按图片识别二维码
