☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
在企业试图将genai应用到业务中时，他们面临着许多阻力和令人惊讶的变革管理问题。尽管高层领导可以支持这一举措，但中层管理人员和行业人士却对此持抵制态度。一些人之所以抵制可能是因为他们担心会失业，或者需要重新思考如何更好地完成自己的工作。此外，企业在使用ai工具时也面临着随机答案与确定性答案之间的问题，这进一步增加了阻力的存在
AI的答案是概率性的
GenAI提供了一个概率答案，也就是说，它提供了最可能的答案或下一步，因此，当它撰写信件或书面工作时，它提供了最有可能的下一个单词、短语或想法，然而，最可能的答案与正确的答案是不同的。诚然，这通常是一个正确的答案，而且——由于可以获得大量的培训数据——它很有可能是一个好的答案，但这与正确的答案大相径庭。
使这一问题进一步复杂化的是对如何得出答案的审计跟踪的挑战，GenAI实现中面临的许多挑战来自于需要确定性答案的应用程序，并且需要充分解释答案是如何得出的。在需要或被认为需要答案是确定性的地方，企业和其中的人抵制这些应用，因为它们造成了对结果的有用性或可靠性的怀疑。
事实证明，即使提供AI作为助手，并要求人类成为答案的最终仲裁者，情况也是如此，缺乏解释和围绕援助的不确定性造成了不信任和阻力。
机器智能提供概率性答案并不意味着它没有价值，许多实例表明它是有价值的，然而，如果一家企业将这种答案应用到需要确定性回答的问题上，那么它似乎是在说谎
企业在寻求将GenAI应用于业务时会遇到挫折，因为当他们需要确定性答案时，他们最终会使用概率答案，因此，他们需要在概率开始的情况下进行机器学习(例如，它是一棵树，因为它有绿叶)，然后需要进行测试，以确定是否存在影响答案有效性的问题(例如秋季)。
哪些领域适合AI的概率性模型?
企业应该如何将GenAI引入编程?科技行业做出了一些大胆的预测，即GenAI或AI可以学习编程，并显著提高程序员的熟练程度或效率生产力，这很有趣。
在编码领域，这一点立即生效，例如，测试测试脚本的开发本身就可以通过概率模型来处理，这里重要的是，一家企业可以针对许多条件进行测试，并尽可能广泛和深入地生成脚本。为代码和安全漏洞创建有效的测试本质上是一种概率性练习，因此，GenAI大放异彩，很容易被从业者采用。
另一方面，它不利于实际开发代码，一家企业希望代码100%都是正确的，这需要一个更具确定性的答案，然而，它在支持代码开发的知识管理方面表现突出，还可以创建出色的入门集，显著提高生产率。
GenAI的另一个优点是能够合成和总结知识，因此在知识管理领域，GenAI已经取得了很大的成就
在客户关系管理功能方面，Salesforce通过其Einstein产品和其他产品，成功取得了很大的进展。这些产品旨在从客户需求信息中合成或汇总信息，使销售人员能够更有效地进行知识管理。这正是GenAI的一个非常有效的应用场景
市场营销是一个很棒的领域，例如：对于下一步该采取的最佳措施，可能是什么呢？在通过分类客户数据来确定最佳解决方案时，GenAI可以产生巨大的立竿见影的影响，因此它可能成为一个强大的工具
在索赔处理等过程中，需要得到确定性的答案。例如，针对医疗索赔，我们需要确定如何获得适当的赔偿金额。在大多数情况下，仅仅做对是不够的，我们需要一直保持正确
以下问题有助于使用GenAI作为有效的起点，以减少挫折感和抵抗力：
- 我们可以在哪里立即有效地使用它?
- 它需要在哪里与其他技术结合起来?
- 我们不应该在哪里使用它?
人的因素呢?
尽管概率性答案是一个有用的工具来解决问题，但它通常并不会将人类排除在外。相反，它为人类提供了更加复杂的工具，尤其是当一家企业需要确定性答案时
如果一家企业使用AI工具来帮助企业数据和汇总数据，它可以减少阻力，这很有帮助，但在使用它来做决定时，人们可能会对决定感到不舒服，因为它们并不总是正确的，由于他们不确定AI工具是如何得到答案的，他们也不知道如何检查它。
摆脱这些困境的办法是什么?
解决方案的重点在于全面了解自动化工作的方式，以及它对其他人工任务的影响，并提供指导和帮助，以应对下游工作或其他可能出现的意想不到的后果
这个工具的应用需要更加成熟，用户在决策时必须深思熟虑，并充分考虑其影响。在评估产品的成熟度时，需要考虑个人和企业以及可能出现的意想不到的后果，以免抵制和扼杀该工具的发展
一些需要进行这种思考过程的问题包括：
- 不仅要考虑自动化的任务，还要考虑正在自动化的人的角色的影响。
- 仔细考虑这样一个现实，即任何需要的生产率提高都将导致更少的人从事这项任务。你怎么会考虑到这一点呢?
- 想一想如何测试这个工具，让人们可以信任它。颠覆性的新技术带来的不确定性越大，人们就越不愿信任它。
- 在转向全面变革之前，思考如何试行AI工具，以展示其好处。
最后的一些想法
在对GenAI进行了一年的疯狂试验后，该行业成功地进行了数千次试点，然而，这些试点中的大多数都未能投入生产，因为他们受到资金、变革管理和适应方面的无数挑战的阻碍。
然而，GenAI正在迅速进入生产领域，并取得了令人印象深刻的回报。这些生产用例的成功似乎更多地是由于用例与GenAI的特性完美契合，而不是工具选择或其他因素的影响
此外，似乎对于大多数业务功能来说，GenAI都有一个富有成效的角色，几乎都集中在正确的子功能上。鉴于在实验方面进行了巨大的投资，也许大多数企业能够发现GenAI在哪里对他们有效的最有效的方法是查看GenAI成功地从试点过渡到生产的用例。在这种进展已经大量发生的地方，企业可以相信有一个很好的契合点，并大幅降低浪费努力和资金的风险。
