企業導入生成式AI，若只仰賴通用模型與外部內容，難以獲得實質報酬。「檢索增強生成」（RAG）是目前最有效整合自家專有知識與大型語言模型的做法，前提是非結構化數據具備足夠品質。本文說明企業該如何準備、清理、評估與維護這類內容，讓AI真正解決業務疑問、發揮價值。
生成式AI威力強大，但也潛藏不少風險。企業在引進生成式AI時，必須妥善評估風險。但問題是：怎麼做？Adobe負責AI倫理的主管現身說法，介紹Adobe評估風險時所依循的4大原則。
過去一年，58％的人轉為透過ChatGPT、Gemini等AI工具尋求消費推薦。品牌能見度的新戰場，不再只是搜尋結果頁，還有顧客與LLM模型的對話結果。比起過往加強SEO或與媒體／網紅合作，品牌現在更需要關注「模型占有率」（SOM），以四象限分類品牌在AI中的能見度，幫助行銷人重新審視品牌策略。
2021年美國核心創意產業貢獻GDP約1.8兆美元。然而，生成式AI公司未經授權使用這些作品來訓練模型，引發超過40件訴訟。這場爭論牽動AI企業的商業發展，也涉及創作者的權益與生計。研究這些訴訟案，我們可以獲得一些啟示，對於權利人與AI公司皆受用。最重要的還是：創作者的原創內容仍是AI價值的核心。
生成式AI導入企業之後，究竟對中階經理人的職位造成什麼影響？研究發現，生成式AI不會完全取代中階經理人，但會減少他們的數量，也會減少他們大量的管理工作，改成更有價值的工作。那麼，企業要如何達成這種扁平化的組織結構，本文提供兩項重要的思考。
談到推動AI轉型，你會先問「這項技術有什麼用」，還是「這項技術如何幫助我們實現使命」？這其中暗藏成功與否的關鍵。2024年的研究指出，僅有26％的企業成功開發出可用的AI產品，只有4％真正獲得顯著投資報酬。如果不想成為失敗的大多數，企業可用「OPEN架構」與「CARE 架構」，兼顧創新機會與風險管控，真正推動有價值的AI轉型。
很多企業最近才開始正視AI，但這只是全面科技變革的一環。AI、先進感測器以及生物科技這三種技術，很快就會融合為「活性智能」（living intelligence），成為能夠感知、學習、適應和進化的系統。如果只專注於AI，而不了解與其他技術的交集，就可能錯過下一波科技革新浪潮。
在當前的網路環境中，後台的AI推薦系統會依賴我們的數位足跡（比如我們的點擊內容、瀏覽頁面、購買等行為）來給予最佳推測，然而這些結果總是沒有真的「摸透使用者的心」。為了打造能更準確預測用戶偏好的演算法，組織可採取一系列有效做法：首先，檢查演算法是否存在人類偏見；其次，改進演算法設計以更好地反映使用者的規範性偏好；此外，應使用多樣化的用戶數據來訓練演算法；最後，確保演算法不僅參考用戶的實際行為，還能直接反映其指定的偏好。
行銷人員在運用生成式AI時，須了解4C良機：客製化（Customization）、創造力（Creativity）、連結性（Connectivity），和認知成本（Cost of Cognition）；與4C風險：編造虛構（Confabulation）、消費者反感（Consumer Reactance）、版權（Copyright），和網路安全（Cybersecurity）。並以「DARE架構」來協助行銷人判斷如何活用這項技術——分解（Decompose）、分析（ Analyze）、實現（Realize）、評估（Evaluate）。
許多業務銷售或行銷人員，仍只是把生成式AI當成一種新鮮的科技工具而已，而忽略它能帶來革新工作型態的能力。若要在銷售環境下運用生成式AI，就必須要有創意和互動，以提升商業敏銳度，以及對顧客的了解，最終提升銷售人員的績效。
流程探勘（process mining）原是在流程效能出問題時用於調查的工具，但現在已經演變發展為一個平台，用於大規模監測和改善營運流程的執行，以提高流程效率，協助實現企業價值。企業領導人如何充分發揮數位探勘的影響力？關鍵在於從取得流程績效的洞見（流程探勘的初衷），發展到採取能持續改善的行動。
PERSONAL PURPOSE AND VALUES
PUBLIC-PRIVATE PARTNERSHIPS
Digital Transformation
為提供您更多優質的內容，本網站使用cookies分析技術。若繼續閱覽本網站內容，即表示您同意我們使用 cookies，關於更多 cookies 資訊請閱讀我們的隱私權政策。
