• 产品与服务矩阵
  • 资源中心
  • 关于我们

易观分析师闭门交流实录(下):2024年AIGC企业级应用的六大趋势

研究观点 张澄宇 2024-01-16 1546
易观分析年度报告《中国人工智能产业应用图谱 2023》发布后,受到相关科技厂商和各个行业数字化转型企业的关注。近期易观合伙人、企业数字化中心总经理张澄宇先生受英特尔(中国)公司和InfoQ邀请参加互联网行业技术闭门研讨会,就AIGC企业级应用的前景同国内知名互联网科技行业企业CTO, CIO和资深专家做了深入交流,持续分享易观在AI和企业数字化转型赛道的洞察和思考。

2023年12月,易观分析年度报告《中国人工智能产业应用图谱 2023》正式发布,报告重点对2023年AI和大模型在金融、制造、互联网、零售、政府,医药等主要行业的企业级应用和趋势做了解析,受到相关科技厂商和各个行业数字化转型企业的关注。近期易观合伙人、企业数字化中心总经理张澄宇先生受英特尔(中国)公司和InfoQ邀请参加互联网行业技术闭门研讨会,就AIGC企业级应用的前景同国内知名互联网科技行业企业CTO, CIO和资深专家做了深入交流,持续分享易观在AI和企业数字化转型赛道的洞察和思考。


图片

   以下是张澄宇先生在本次研讨会发表主题演讲实录中的部分内容摘要(下篇)

(注:本文结合2024年的新变化新趋势亦做了观点更新)

2023年AIGC和大模型发展进程总结

2024年AIGC企业级应用的六个趋势要点

--------------------------------------------------

   对于2023年AIGC和大模型发展进程的总结

重点希望分享三方面的观点

首先,关于AI驱动的产业发展的能级。可以明显观察到,尽管AIGC和大模型带来的变革的层级可能低于计算机和互联网的发明,但其影响力显著高于近年来的一系列技术变革。这种变革不仅仅是技术层面的,更多的是关于生产关系和文化的深层次变化。就像移动互联网的出现改变了我们的生活方式和工作模式,AIGC技术可能同样会带来与之接近的巨大变革,涉及商业和技术之外的更广泛领域引发新的讨论,甚至会产生哲学和伦理层面的一些颠覆。

第二,当前,科技供应商和行业甲方仍未就AIGC在企业级场景落地做好准备。我们在与客户交流中感受到,目前许多企业和行业处于一种被动应对的状态,主要是因为技术的快速产品化速度太快,还无法马上形成在生产经营环境的普遍使用和相关机制安排。我们认为企业最需要做的是首先理解AIGC技术,然后才能确定它与自身业务的关联。在我与客户的交流中发现由于使用门槛、技术理解等方面的桎梏,上述第一步就走的比较慢,这导致了尽管这一波AI技术浪潮的价值潜力已经显现,但行业对这一市场的反应仍然比较被动。

第三,技术未来的演变方向也存在一些不确定性。虽然大模型技术加上行业的know-how输入调参可能成为未来的人工智能在企业级全面落地的可行方向,但这个路线是否代表着企业级AIGC的终极方法论,仍需在2024年进一步确认。尤其是对于非平台型的企业来说,事实上通过大模型的蒸馏、知识挖掘、RAG等方式进行更多专业化模型构造可能对AIGC落地生产环境更加重要。

总的来看,在岁末年关的时间点看AIGC和大模型的价值,我认为目前市场对其短期价值的评估过于乐观,因为虽然全球领先的互联网科技公司均已开展了相关前沿研究,且初步形成了可以持续的商业模式,但在下游tob应用的企业端,由于许多绝大部分企业仍在探索适合自己的模式,很难较快形成企业级应用的落地。但这不意味着企业需要减少对相关技术应用的投入,相反应当利用窗口期尽快完成相关战略制定和实施安排。


   2024年AIGC技术应用的六个趋势要点

随着百模大战推动类ChatGPT产品市场的竞争达到白热化,2024年相关科技企业预计将更多着眼于竞争相对温和的行业垂直模型和企业级市场。易观认为这将带来从技术应用变革到企业经营变革的一系列趋势性变化。我们以如下六个重要方向为例分别做分享:

图片


  趋势一:大模型的小型化

当前AIGC在企业生产环境难以规模化释放价值,其中重要因素是大模型尚无法满足企业对于更契合实际生产环境和知识背景的解决方案要求。虽然大模型具备通用特征,但在企业级应用角度大模型小型化的必要性和可行性更高。因为GPT是迁移学习模型,对于特定行业机理和企业数据的引入一定是不足的,而且由于知识的壁垒和细分,行业越聚焦,专用模型越有用武之地。目前企业用户通过部署大模型+Fine Tunning的方式虽然可行但效率偏低。事实上企业端的数据集相对全行业全社会而言要小得多,可以通过模型蒸馏、RAG等方式低成本实现专有模型的构造。

大模型的小型化有如下几个方面的好处

•更强的行业应用价值:专业模型由于其对特定业务流程的深度理解,能够为企业提供更加精确的数据分析和决策支持。例如在金融领域,模型经过领域知识的有效注入,有能力针对更细颗粒度的变化提供精确的风险评估和投资建议。再比如医疗服务行业,经过大量历史专业知识训练的专业模型将有能力根据病人的具体情况提供可靠性显著提升的治疗方案。

•更高的模型可得性:对于企业用户来说,变小的模型更加可得,企业可以自主训练并私有化部署。

•基础设施可多样化,成本可控:相对于采购昂贵的高性能GPU,异构计算+软硬件算法调优的AI算力平台可能具备更高的性价比。企业可以低成本利用算力一体化产品来调度算力、存储、网络资源,并且内嵌所需的模型管理功能。

•自主可控:基于私有云的小型化模型降低了对第三方通用大模型的依赖,对于特定行业企业用户来说,自主搭建私有云环境具备更好的隐私、信任、安全特征,在本行业环境下更加适用。

OpenAI推出的GPTs也是这个方向重要的标志性事件,2024年会有更多支撑小型专业模型构建的工具推向市场,也会有第一批科技厂商开始与下游行业客户共建的行业化、垂直化专业模型产品。


  趋势二:AIGC驱动数据资产化走向现实

首先是高质量数据价值可以被有效挖掘。企业具有大量高质量数据,会议记录、纪要、输出的PPT、文档、表格、设计图、音视频等,甚至在加密计算前提下的员工IM沟通、工作笔记等。这些数据的价值发掘潜力很大。AI带来了数据资产化的关键要素 - 可用性。也就是以往数据沉淀了但不可用,今天大模型可以很好使用这些数据进行训练,很多数据的价值将会无中生有。

第二是数据资产网络化之后带来的增值。企业知识价值是具备网络放大效应的,也就是知识的价值显然1+1>2,而100个知识点组合带来的洞见价值是几何倍数提升的。今天大模型将得以有效识别和结构化企业历史中沉淀的海量信息,学习,找到规律,构建起知识图谱。同时知识价值的放大还是持续的、自迭代的。比如新的数据集出来,马上可以作为高权重的素材喂给模型。

第三是企业的“第四张报表”-数据资产表。易观在2017年首次提出了数据资产构成“第四张报表”的概念,但过去数年时间始终难以规模化落地,原因是数据资产价值的不可衡量性。大模型的价值被充分认可后,由于数据是大模型的关键养料,可以伴随着AIGC价值的释放被真正有效衡量,作为第四张报表量化反应企业数据的价值。基于这站数据资产报表,CTO,CIO体系的价值创造也可以被量化地衡量,进而带来一系列的管理和激励的变革。


  趋势三:传统企业软件和SaaS市场受到冲击

过去在企业软件和SaaS的市场,供应商本质都在讲帮助企业降本增效的故事, 从CRM、ERP、OA等,到智能化的客服、营销、运维平台,更多是通过赋能人来实现工作闭环的,其应用场景往往嵌入在了企业部门和员工的工作流程中。

但是,SaaS带来降本增效的前提是基于企业特定的架构和流程的,但AIGC可能改变和简化这些流程,尤其是在中远期的影响会有一批现有的流程甚至岗位被替代与转化,工作流也随之调整和消失,这就使得SaaS存在的价值基础将被动摇。

以低代码无代码开发工具为例,即使供应商把拖拉拽设计到极致,如果仍然不如直接描述一段prompt生成流程或应用来的便捷,那么低代码的意义是什么?这是降维打击。

所以我们认为,中短期来看AIGC和大模型仍然是为SaaS融合和赋能的,GPT的能力通过API接入是对自身软件的增强,而且通过AI实现一些技术功能后,SaaS可以做到很专很薄,让供应商可以更加专注业务逻辑的打造。

但长期来看,随着GPT能力的继续提升,突破阈值,很多SaaS所依托的企业工作流可能被更改甚至不复存在,部分工作环节被替代,进而将环节上的人和工具替代,这将持续挤压传统企业软件和SaaS的价值发挥空间。AI原生应用(AIGS)替代SaaS的趋势难以阻挡,

  趋势四:阿米巴获得新生,作战小组/明星个人崛起

阿米巴管理模式的兴起是对传统企业管理结构的一种革命性挑战。这种模式通过赋予小团队更大的自主性和决策权,能够有效提升企业的灵活性和适应市场变化的能力。

过去20年,中国企业基于经典管理学、运筹学的规模化协作,因其整体效率更高,更可控而成为主流。阿米巴模式成功实践并不多,那是因为小团队作战能力还没有那么突出,武器库比较有限,依赖资源,单点突破难成气候。

未来有很大不同,小团队/明星个人加上AI copilot,可能会战斗力爆表。以前的话企业的架构是分为企业的高级决策层和中级管理层,然后会有规模相当大的职能员工,各司其职,一起去完成很多事情。当然后期在企业数字化转型的背景下,很多事情会沉淀在中台上,然后中台又会有几层IT基础设施做支撑,这是一个比较经典的这样的数字化转型架构。

AI时代的话,这一架构可能会显著扁平化,在顶层大家主要工作就是定目标、定方向,就大家要做一些什么事情达成共识,然后任务直接给到相应的作战单元,并通过AI大脑配以相关AI Copilot的权限和资源进行独立作战。然后底层是以算力为核心的新一代的面向AI的基础设施的支持。这可能是AIGC时代的一个经营架构。

图片


对于这一趋势,我认为企业其实应当有一些制度安排去应对,比如未来如何能够支撑一些明星的团队跟个人脱颖而出,企业应该有一个机制去支持这样的创新广泛发生,这是未来企业必须具备的创新土壤。

  趋势五,AI将逐渐成为企业利润中心

AI技术在企业中的角色从成本中心到利润中心的转变,是对AI价值的深层次认识。这种转变体现了企业从使用AI技术到将其作为战略资产的过渡。在这个过程中,企业不仅看到了AI在提升效率和降低成本方面的潜力,还开始探索如何利用AI推动业务增长和开发新的市场机会。

过往,AI无法直接与业务结果挂钩的核心原因是由于AI能够端到端完成的任务较少,仍然作为人的辅助,加之相关的IT技术开支,综合成本事实上仍然很高。AIGC让企业对AI的ROI评估方式发生根本转变,AIGC最大不同就是尽可能屏蔽掉“人”这个价值产出的瓶颈和模糊点,让AI在大量的场景中实现端到端价值创造,企业在AI投入产出的衡量成为可能。

这也会让企业的看待AI的思维发生变化:当AI的ROI是模糊的、不精确的,企业一定是优先考虑风险和成本控制;而一旦AI的ROI清晰可衡量了,企业就可以算清楚这笔账,一旦收益可见,企业会持续加大投入以获得更高水平的收益。

图片


这种战略转变一方面需要AIGC和大模型的能力突破阈值,真正显著高于其成本,另一方面也要求企业对AI投资有更深远的考虑,包括如何整合AI技术以优化当前的业务流程,以及如何利用AI创造新的商业模式和服务。此外,这也意味着企业需要在组织结构和文化上做好准备,以便更好地融合AI技术,并充分利用其带来的优势。

  趋势六,AIGC驱动企业数字化转型重新进入陡峭曲线

数字化转型已经成为社会级的共识趋势,但过去的企业数字化转型进程存在很多问题,数据用不起来的问题,数字化项目一锤子买卖问题,内部思维统一问题,边际成本有增无减的问题,等等。对于数字化转型的企业来说,很多时候是我投入很多,但结果不太好。那为什么还要投入?是因为企业预期它未来可能会变好,或者说预期数字化的红利会逐渐释放出来。

但从短期来看,许多企业在数字化方面的投入产出迟迟达不到自我造血的良性循环状态,这种负反馈会比较明显的降低企业数字化的信心和投入。AIGC和大模型的企业级应用将很大程度上解决过往数字化转型中的一些痛点和难点,

比如,数字化转型积累的数据价值更加清晰。数字化很重要的价值落地就是数据的沉淀,但随着企业的各种模态的数据量趋于庞大,对应的分析和决策难度也指数级上升,让充分发掘数据这件事情变得难以实现,数据资产的潜力自然也就无法释放。但大模型的属性可以帮助企业重新利用其这些数据,找寻其中的规律性价值和意义。大量闲置的数据凭空成为了资产,这让企业数字化过程中对数据的采集和沉淀就变得极具意义。

再比如,数字技术的赋能借助AIGC可以快速形成业务闭环。最简单的场景就是,一个企业秘书可以很快得撰写或润色一篇内部工作汇报,或者轻松完成一篇非常长时间会议的一个会议纪要,并且把要点去总结出来。它的意义在于让企业快速获得正向的反馈,感受到技术带来的价值创造,这就可以激励员工进一步使用AI技术,同时也激励企业创造更好的条件让员工通过AI开展工作,推动数字化转型。

所以说整个来说的话,以前企业的数字化更多是预期驱动,也就是“未来会更好”,但AIGC和大模型带来的改变是,企业数字化转型变成了预期加现实的双驱动,不仅未来会更好,而且现在就会立刻看到好处,显然“不延迟的满足”会让企业的数字化转型加速。

AIGC的开放性也会推动企业在数字化战略层面的深度思考,因为数字化不仅关乎技术的应用,更关乎企业文化和思维方式的转变。企业如何建立AI ready的治理结构,包括一个更加灵活、开放的文化环境,鼓励创新和实验的文化,快速学习和适应新技术的企业基因等。此外,企业还需要重新思考其与客户的互动方式,提升客户同自身合作的体验和参与度。


总结来说,2023-2024年间的这些趋势将深刻影响企业的战略规划和运营方式。大模型小型化与专业化、数据资产化、AIGC技术的应用、阿米巴管理模式的崛起、AI技术角色的转变,以及数字化转型的加速,都是企业在未来几年需要密切关注和适应的关键领域。作为分析机构,理解这些趋势,并为我们的企业客户提供基于这些趋势的战略建议,是我们的重要任务。以上是我分享的主要内容,谢谢大家


(以上是张澄宇先生的观点分享(下篇),上篇内容请关注“易观分析”公众号)