切入Genai混乱：八个确定的读物

随着生成AI变得越来越强大，它对两个组织和我们每个人都具有潜在的价值。然而，如何最好地使用大型语言模型和基于它们的Genai工具仍然是一个难题。

尽管无处不在，但生成的AI仍然很年轻。因此，许多领导人都在为有效，负责任和怀疑地使用工具的重要问题而苦苦挣扎，这并不奇怪。问题很重要：我们可以相信吗？我们的策略在部署它和扩大成功方面应该是什么？谁应该使用它？我们将如何衡量其ROI？我们什么时候应该使用其他类型的AI，例如机器学习？

麻省理工学院斯隆管理评论该主题的作者包括学者，研究人员和从业人员。

以我们的专栏作家Rama Ramakrishnan，MIT Sloan管理学院实践教授。他写道，许多使用Genai奇迹的执行学生对典型的用例：如果将文件包含在提示的一部分中，是否有办法确保LLM在产生响应时仅使用提供的文档？他的回答：不

``虽然仔细提示和诸如抹布（检索声明的一代）可以鼓励AI模型优先考虑一组提供的文档，但标准LLMS不能仅被迫仅使用该内容，” Ramakrishnan解释说。``该模型仍然可以访问其在培训期间学到的模式和事实，并可能将知识融入其响应中 - 尤其是在培训数据包含相似内容的情况下。

直接问题；直接答案。在下面，您会发现Ramakrishnan的文章以及其他七个文章，因为它们同样直接。使用它们来帮助您在技术景观的这一复杂部分中发生的事情。

1。LLM的工作方式：前10个执行级问题

Rama Ramakrishnan

``在我在麻省理工学院管理学院的工作中，我教授了过去两年中许多高管的大型语言模型（LLM）的基础知识。

有些人认为，企业领导者既不想要也不需要知道LLM和生成的AI工具，并且只能对结果工具可以提供。那不是我的经验。…

``在本专栏中，我分享了我经常被问到的10个经常被问到的主题以及他们的答案的问题。…

[例如] LLM何时决定为用户提供问题的最终答案？停止生成的决定取决于LLM预测的内容和运行它的软件系统设定的规则。这不是LLM独自做出的选择。阅读全文``»»

2。如何在工作场所缩放Genai

迈克尔·韦德（Michael Wade），康斯坦蒂诺斯·特兰托普洛斯（Konstantinos Trantopoulos），马克·纳瓦斯（Mark Navas）和安德斯·罗马（Anders Romare）

``随着公司从实验转变为企业范围的采用，许多人不与工具本身挣扎，而要与组织转型一起将它们有意义地整合到人们的日常工作中。工具将不断发展：决定Genai计划是否真正成功的是方程式的人类方面。

我们研究了迄今为止在跨国制药公司Novo Nordisk的最大的现实世界中的AI部署之一。它的经验表明，成功不仅取决于基础架构，而且取决于人们的思维，适应和与AI的合作。一个关键的教训：虽然Genai采用和更广泛的数字转型具有共同的根源，但生成的AI具有独特的破坏性，以前所未有的方式重塑了工作本身。…

一旦他们开始使用该工具，每个员工平均每周节省2.17个小时。但是也发生了一些意外的事情：那些时间是员工最重视的。员工对Copilot的满意度与随着时间的流逝，与感知的工作质量的改善相关三倍。有趣的是，许多员工将节省的时间重新投资到人们的互动，战略计划和创造性工作中。阅读全文``»»

3。从Genai产生价值，带有小型变换

梅利莎·韦伯斯特（Melissa Webster）和乔治·韦斯特曼（George Westerman）

业务领导者正在寻找从大语言模型（LLM）中获得实际价值的方法，而无需完全替代现有业务流程。他们重新追求小型转型，即使他们为即将发生的更大转型奠定了基础。…

我们的项目团队采访了21家大公司的各种职能的高级管理人员，包括人工智能，数据科学，创新，运营和销售。我们专注于了解采用相对较早和广泛的组织的组织以及原因。…

`我们的研究表明，大多数公司都采用了更有针对性的方法来使用生成AI进行转化。尽管Genai可能会提高许多任务的速度和质量，但它也围绕着准确性，安全性和知识产权管理的各种风险。我们采访的领导者在做出决定时倾向于运用风险坡度的逻辑，将面向客户的流程带来更高的风险。阅读全文``»»

4. Genai的焦点转向高露洁 - 帕尔莫尔维的创新

Thomas H. Davenport和Randy Bean

``大型语言模型（LLMS）的使用团队使用的大型语言模型已被增强，并随着公司进行的各种专有研究的检索式生成（RAG）内容，Google搜索趋势，联合数据源等各种专有研究。基于抹布的系统比公共互联网材料更多地利用了公司特定的内容，因此幻觉的可能性较低。

生成的AI可以迅速浏览此类材料，并描述市场趋势和未满足的消费者需求。这意味着，当他们想要消费者洞察力时，没有下载，阅读并注明广泛的市场研究报告，而是可以在提示中写下他们想要回答的问题并立即得到答复。…

高露洁 - 帕尔莫利维（Colgate-Palmolive）的团队发现，他们可以将一个未满足的消费者需求的AI系统与另一个专有的AI系统相结合，该系统将开发新产品概念以满足这些需求。在几分钟之内，在人类的指导下，它可以为新概念（例如新的牙膏风味）生成复制和图像。虽然循环中总是有人类来指导工作流程，但使用Genai增强系统比通过市场研究材料页面页面页面要高得多。产生的思想的广度也为公司供公司创造了更广泛的产品渠道。阅读全文``»»

5。带上自己的AI：如何平衡风险和创新

尼克·范·德·穆伦（Nick van Der Meulen）和芭芭拉·H·威克斯（Barbara H. Wixom）

``随着Genai的这种兴起，对组织领导者来说是一个新的挑战：带您自己的AI（BYOAI）的现象，这是在员工使用未经审查的，公开可用的Genai工具进行工作的情况下发生的。

尽管这些工具有助于提高生产力和创造力，但它们还带来了组织安全和治理风险，包括数据丢失，知识产权泄漏，侵犯版权和安全漏洞。…

鉴于与BYOAI相关的风险，领导者考虑直接禁止未经审查的Genai工具似乎是合乎逻辑的。可以理解的是，不受控制的Genai使用的前景以及法律和监管暴露的不确定性可以使领导者谨慎。但是，我们采访的高管说，Baning Byoai既不是实际也不有效。员工尤其是那些已经觉得瘦弱的人 - 经常转向Genai工具来提高他们的个人生产力。限制访问只会促使他们找到非正式的解决方法，并有可能绕过既定的治理框架。”阅读全文``»»

6。停止部署AI。开始设计智能

迈克尔·施拉奇（Michael Schrage）和戴维·基隆

作为我们正在进行的哲学的一部分。…

他的一生现在为理解和应用AI应用于现实世界提供了关键的框架。他的见解蓬勃发展。他们必须构建有效运作的情报环境。…

与Wolfram一起，我们探讨了AI领导必须从更好地采用和集成AI工具到设计情报环境，人类和人工代理人主动互动以创造战略价值的组织体系结构。从他的哲学方法到计算的三个见解是对这一设计挑战的基础，提供了有关为什么采用AI采用的传统方法的新观点，什么必须取代它们。”阅读全文``»»

7。用生成AI编码的隐性成本

爱德华·安德森（Edward Anderson），杰弗里·帕克（Geoffrey Parker）和伯尔库（Burcu）

采用这些工具的组织预计会有重大收益。早期的研究支持他们的乐观：GitHub报告说，使用副副词的程序员的生产力高达55％，麦肯锡发现，开发人员可以通过生成的AI援助快速完成任务的两倍。

但是这些积极的指标带有一个主要的警告。这些研究是在程序员完成孤立任务的受控环境中进行的。“不是在现实的现有设置中，必须在复杂的现有系统上构建软件。当使用AI生成的代码的使用迅速缩放或应用于Brownfield（Legacy）环境时，风险更大，更难管理。…

当组织迅速将新软件引入现有系统时，它可以无意间创建依赖性的纠结，使其复杂化技术债务也就是说，将来将需要的其他技术工作的成本来解决开发过程中所采取的快捷方式和快速修复。…

组织必须将增加技术债务增加作为战略风险的趋势，而不仅仅是一种战略风险。阅读全文``»»

8。何时使用Genai与预测性AI

Rama Ramakrishnan

虽然生成的AI承诺将革新从客户服务到产品开发的一切，但其最佳作用与预测性AI工具（即机器学习和深度学习工具）以及正在进行的工作。这常常使领导者问解决特定问题的正确方法。…

要有效地将传统的机器学习与非结构化数据一起使用，数据必须是手动结构化的 - 一项昂贵的任务，它使机器学习对输入数据没有表格的业务用例没有吸引力。…

â€通常非结构化的生成AI系统的输入和输出。最常见的是，它们包括文本和/或图像数据以及最近的视频。请注意，由生成AI工具分析和创建的文本包括令人惊讶的类型范围，例如软件代码，蛋白质序列，音乐符号，数学表达式和化学公式。…

让我们从简单的情况开始。如果您有一个一代问题要解决，那么镇上只有一场游戏：生成的AI。根据您要生成的输出的种类，您可能需要使用多模式LLM，例如Openai的GPT-4，Anthropic的Claude 3.7十四行诗或Google的Gemini 1.5；文本到图像模型，例如Dall-E；或专门为音频和其他域而构建的专用模型。

但是，如果您有一个预测问题，那么事情就会变得更加复杂。阅读全文``»»

其他资源：与您的团队一起应用AI课程

Genai：战略 +治理工具包

麻省理工学院斯隆管理评论developed its Generative AI Strategy + Governance Toolkit with five of the world’s foremost experts on generative AI leadership: Ethan Mollick (University of Pennsylvania’s Wharton School), John Sviokla (Harvard Business School and GAI Insights), John K. Thompson (Hackett Group and the University of Michigan), George Westerman (MIT Sloan School of Management), and David A. Wood（Brigham Young University的万豪商学院）。

该套件包括与韦斯特曼（Westerman）的视频课程，一位Genai战略策划者，Genai战略清单，Genai治理计划者，文章等等。