麥肯錫九項行動的核心是：在戰(zhàn)略上，需明確AI立場并識別高價值用例；在技術(shù)與數(shù)據(jù)上，需升級企業(yè)與數(shù)據(jù)架構(gòu)以支持多模型編排；在組織與人才上，需重塑IT職能、建立集中的AI平臺團隊并進行定制化的技能提升；最后，在風(fēng)險上，需建立新的治理與緩解措施。
幾乎每一天，媒體上都會出現(xiàn)一些與生成式AI相關(guān)的、足以顛覆商業(yè)的進展。這種興奮是理所應(yīng)當(dāng)?shù)摹溈襄a的研究估計，生成式AI每年可能增加相當(dāng)于2.6萬億至4.4萬億美元的價值。
CIO（首席信息官）和CTO（首席技術(shù)官）在捕獲這一價值方面扮演著關(guān)鍵角色，但值得記住的是，我們以前也看過這部電影。新技術(shù)不斷涌現(xiàn)——互聯(lián)網(wǎng)、移動設(shè)備、社交媒體——引發(fā)了一場試驗和試點的混戰(zhàn)，盡管重大的商業(yè)價值往往更難獲得。從那些發(fā)展中學(xué)到的許多教訓(xùn)仍然適用，尤其是在如何超越試點階段以達到規(guī)?；矫?。對于CIO和CTO來說，生成式AI的熱潮提供了一個獨特的機會，可以應(yīng)用這些教訓(xùn)來指導(dǎo)高管層，將生成式AI的承諾轉(zhuǎn)化為企業(yè)的可持續(xù)價值。
通過與數(shù)十位技術(shù)領(lǐng)導(dǎo)者的對話，以及對50多家公司（包括我們自己）的生成式AI項目的分析，我們確定了所有技術(shù)領(lǐng)導(dǎo)者可以采取的九項行動，以創(chuàng)造價值、編排技術(shù)和數(shù)據(jù)、規(guī)?；鉀Q方案并管理生成式AI的風(fēng)險：
迅速行動，確定公司對采納生成式AI的立場，并制定面向員工的實用溝通方式和適當(dāng)?shù)脑L問權(quán)限。
重塑業(yè)務(wù)，識別通過提高生產(chǎn)力、增長和新商業(yè)模式來構(gòu)建價值的用例。發(fā)展一種能夠估算生成式AI真實成本和回報的“金融AI”（FinAI）能力。
重塑技術(shù)職能，專注于在軟件開發(fā)中快速構(gòu)建生成式AI能力，加速減少技術(shù)債務(wù)，并大幅減少IT運營中的手動工作。
利用現(xiàn)有服務(wù)或調(diào)整開源生成式AI模型來發(fā)展專有能力（構(gòu)建和運營自己的生成式AI模型至少在短期內(nèi)可能耗資數(shù)千萬至數(shù)億美元）。
升級您的企業(yè)技術(shù)架構(gòu)，以集成和管理生成式AI模型，并編排它們?nèi)绾蜗嗷f(xié)作以及與現(xiàn)有的AI和機器學(xué)習(xí)（ML）模型、應(yīng)用程序和數(shù)據(jù)源協(xié)同工作。
開發(fā)一個數(shù)據(jù)架構(gòu)，以通過處理結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)源來支持對高質(zhì)量數(shù)據(jù)的訪問。
創(chuàng)建一個集中的、跨職能的生成式AI平臺團隊，按需為產(chǎn)品和應(yīng)用團隊提供經(jīng)批準(zhǔn)的模型。
投資于關(guān)鍵角色的技能提升——軟件開發(fā)人員、數(shù)據(jù)工程師、MLOps工程師和安全專家——以及更廣泛的非技術(shù)員工。但您需要根據(jù)角色和熟練程度定制培訓(xùn)項目，因為生成式AI的影響各不相同。
評估新的風(fēng)險格局并建立持續(xù)的緩解實踐，以應(yīng)對模型、數(shù)據(jù)和策略方面的問題。
1. 確定公司對采納生成式AI的立場
隨著生成式AI的使用日益廣泛，我們看到CIO和CTO通過阻止員工訪問公開可用的應(yīng)用程序來限制風(fēng)險。這樣做，這些公司可能會錯失創(chuàng)新機會，一些員工甚至認(rèn)為這些舉動限制了他們培養(yǎng)重要新技能的能力。
相反，CIO和CTO應(yīng)與風(fēng)險負(fù)責(zé)人合作，在風(fēng)險緩解的實際需求與在業(yè)務(wù)中培養(yǎng)生成式AI技能的重要性之間取得平衡。這需要通過就業(yè)務(wù)能夠接受的風(fēng)險水平以及生成式AI如何融入業(yè)務(wù)整體戰(zhàn)略達成共識，來確立公司對生成式AI的立場。這一步使業(yè)務(wù)能夠迅速確定全公司范圍的政策和指導(dǎo)方針。
一旦政策明確定義，領(lǐng)導(dǎo)者應(yīng)將其傳達給業(yè)務(wù)部門，由CIO和CTO為組織提供適當(dāng)?shù)脑L問權(quán)限和用戶友好的指導(dǎo)方針。一些公司已經(jīng)推出了關(guān)于生成式AI的全公司范圍的通訊，為特定用戶群體提供了廣泛的生成式AI訪問權(quán)限，創(chuàng)建了在用戶將內(nèi)部數(shù)據(jù)輸入模型時發(fā)出警告的彈出窗口，并建立了一個在用戶每次訪問公開可用的生成式AI服務(wù)時出現(xiàn)的指導(dǎo)方針頁面。
2. 識別通過提高生產(chǎn)力、增長和新商業(yè)模式來構(gòu)建價值的用例
CIO和CTO應(yīng)該是我們已在許多公司看到的“死于用例”狂熱的解藥。他們最有幫助的方式是與CEO、CFO和其他業(yè)務(wù)領(lǐng)導(dǎo)者合作，思考生成式AI如何挑戰(zhàn)現(xiàn)有商業(yè)模式，開啟新模式的大門，并創(chuàng)造新的價值來源。憑借對技術(shù)可能性的深刻理解，CIO和CTO應(yīng)識別整個公司中可以從生成式AI中受益的最有價值的機會和問題——以及那些不能的。在某些情況下，生成式AI并不是最佳選擇。
例如，麥肯錫的研究表明，生成式AI可以將某些營銷用例的生產(chǎn)力提升約10%（例如，通過分析非結(jié)構(gòu)化和抽象數(shù)據(jù)以了解客戶偏好），并將客戶支持的生產(chǎn)力提升高達40%（例如，通過智能機器人）。CIO和CTO在就如何最好地按領(lǐng)域（如客戶旅程或業(yè)務(wù)流程）或用例類型（如創(chuàng)意內(nèi)容創(chuàng)作或虛擬代理）對用例進行聚類，以使生成式AI產(chǎn)生最大價值方面，可以提供特別有幫助的見解。識別機會并非最具戰(zhàn)略性的任務(wù)——市面上有很多生成式AI用例——但考慮到人才和能力的初步限制，CIO和CTO將需要提供可行性和資源估算，以幫助業(yè)務(wù)部門確定生成式AI的優(yōu)先順序。
提供這種級別的建議，要求技術(shù)領(lǐng)導(dǎo)者與業(yè)務(wù)部門合作，發(fā)展一種FinAI能力，以估算生成式AI項目的真實成本和回報。成本計算可能特別復(fù)雜，因為單位經(jīng)濟學(xué)必須考慮多個模型和供應(yīng)商的成本、模型間的交互（一個查詢可能需要多個模型的輸入，每個模型都有自己的費用）、持續(xù)的使用費以及人工監(jiān)督成本。
3. 重塑技術(shù)職能
生成式AI有潛力徹底改變技術(shù)職能的工作方式。CIO和CTO需要全面審視生成式AI對技術(shù)所有領(lǐng)域的潛在影響，但迅速采取行動以積累經(jīng)驗和專業(yè)知識非常重要。他們可以集中精力于三個初始領(lǐng)域：
軟件開發(fā)：麥肯錫的研究表明，生成式AI編碼支持可以幫助軟件工程師開發(fā)代碼的速度提高35%至45%，重構(gòu)代碼的速度提高20%至30%，執(zhí)行代碼文檔工作的速度提高45%至50%。生成式AI還可以自動化測試過程并模擬邊緣案例，使團隊能夠在發(fā)布前開發(fā)出更具韌性的軟件，并加速新開發(fā)人員的入職過程（例如，通過向生成式AI提問關(guān)于代碼庫的問題）。要獲得這些好處，將需要大量的培訓(xùn)（詳見行動8）以及通過DevSecOps實踐自動化集成和部署管道，以管理代碼量激增。
技術(shù)債務(wù)：技術(shù)債務(wù)可能占到技術(shù)預(yù)算的20%至40%，并顯著減慢開發(fā)速度。CIO和CTO應(yīng)審視他們的技術(shù)債務(wù)資產(chǎn)負(fù)債表，以確定生成式AI的能力，如代碼重構(gòu)、代碼翻譯和自動測試用例生成，如何能加速減少技術(shù)債務(wù)。
IT運營（ITOps）：CIO和CTO將需要審視他們的ITOps生產(chǎn)力工作，以確定生成式AI如何能加速流程。生成式AI的能力在自動化諸如通過自助服務(wù)代理進行密碼重置、狀態(tài)請求或基本診斷等任務(wù)方面特別有幫助；通過改進路由加速分類和解決；浮現(xiàn)有用上下文，如主題或優(yōu)先級，并生成建議的響應(yīng)；通過分析大量日志流來提高可觀測性，以識別真正需要關(guān)注的事件；以及開發(fā)文檔，如標(biāo)準(zhǔn)操作程序、事件事后分析報告或性能報告。
4. 利用現(xiàn)有服務(wù)或調(diào)整開源生成式AI模型
在發(fā)展生成式AI能力方面，存在著經(jīng)典的“租用、購買或構(gòu)建”決策的變體?；疽?guī)則仍然適用：公司應(yīng)在能夠為業(yè)務(wù)創(chuàng)造專有優(yōu)勢的地方投資生成式AI能力，并為那些更像商品的能力訪問現(xiàn)有服務(wù)。
CIO和CTO可以從三個原型來思考這些選項的影響：
使用者（Taker）——通過聊天界面或API使用公開可用的模型，幾乎沒有或沒有定制。好的例子包括用于生成代碼的現(xiàn)成解決方案（如GitHub Copilot）或協(xié)助設(shè)計師進行圖像生成和編輯的解決方案（如Adobe Firefly）。就工程和基礎(chǔ)設(shè)施需求而言，這是最簡單的原型，通常也是最快上手的。這些模型本質(zhì)上是商品，依賴于以提示的形式向公共模型提供數(shù)據(jù)。
塑造者（Shaper）——將模型與內(nèi)部數(shù)據(jù)和系統(tǒng)集成，以生成更定制化的結(jié)果。一個例子是通過將生成式AI工具連接到客戶關(guān)系管理（CRM）和財務(wù)系統(tǒng)，以整合客戶之前的銷售和互動歷史，從而支持銷售交易的模型。另一個例子是用公司內(nèi)部文件和聊天記錄對模型進行微調(diào)，以充當(dāng)客戶支持代理的助手。對于希望規(guī)模化生成式AI能力、發(fā)展更多專有能力或滿足更高安全或合規(guī)需求的公司來說，“塑造者”原型是合適的。
在此原型中，有兩種常見的數(shù)據(jù)與生成式AI模型集成方法。一種是“將模型帶到數(shù)據(jù)所在地”，即模型托管在組織的內(nèi)部設(shè)施上，無論是在本地還是在云環(huán)境中。例如，Cohere在其客戶的云基礎(chǔ)設(shè)施上部署基礎(chǔ)模型，減少了數(shù)據(jù)傳輸?shù)男枰Ａ硪环N方法是“將數(shù)據(jù)帶到模型所在地”，即組織可以聚合其數(shù)據(jù)并在云基礎(chǔ)設(shè)施上部署一個大型模型的副本。兩種方法都實現(xiàn)了提供對基礎(chǔ)模型訪問的目標(biāo)，選擇哪種將取決于組織的工作負(fù)載足跡。
創(chuàng)造者（Maker）——構(gòu)建一個基礎(chǔ)模型以解決離散的業(yè)務(wù)案例。構(gòu)建一個基礎(chǔ)模型是昂貴且復(fù)雜的，需要海量數(shù)據(jù)、深厚的專業(yè)知識和巨大的計算能力。這個選項需要一次性的大量投資——數(shù)千萬甚至數(shù)億美元——來構(gòu)建模型并進行訓(xùn)練。成本取決于多種因素，如訓(xùn)練基礎(chǔ)設(shè)施、模型架構(gòu)選擇、模型參數(shù)數(shù)量、數(shù)據(jù)大小和專家資源。
每個原型都有其自身的成本，技術(shù)領(lǐng)導(dǎo)者需要考慮（圖表1）。雖然新的發(fā)展，如高效的模型訓(xùn)練方法和GPU計算成本隨時間的降低，正在推動成本下降，但“創(chuàng)造者”原型固有的復(fù)雜性意味著短期內(nèi)很少有組織會采納它。相反，大多數(shù)將轉(zhuǎn)向“使用者”和“塑造者”的某種組合，以快速訪問商品化服務(wù)，并在基礎(chǔ)模型之上構(gòu)建專有能力。
圖表1
（睿觀：相比2023年7月的麥肯錫研究，2025年7月的國內(nèi)技術(shù)棧性能和價格更優(yōu)）
5. 升級您的企業(yè)技術(shù)架構(gòu)以集成和管理生成式AI模型
組織將使用許多大小、復(fù)雜性和能力各異的生成式AI模型。為了產(chǎn)生價值，這些模型需要能夠相互協(xié)作，并與企業(yè)的現(xiàn)有系統(tǒng)或應(yīng)用程序協(xié)同工作。因此，為生成式AI構(gòu)建一個獨立的技術(shù)棧所帶來的復(fù)雜性，遠比它解決的問題要多。例如，我們可以看一個消費者在一家旅游公司向客戶服務(wù)查詢以解決預(yù)訂問題的情況（圖表2）。在與客戶互動時，生成式AI模型需要訪問多個應(yīng)用程序和數(shù)據(jù)源。
圖表2
對于“使用者”原型，這種級別的協(xié)調(diào)并非必要。但對于希望作為“塑造者”或“創(chuàng)造者”規(guī)?；瘧?yīng)用生成式AI優(yōu)勢的公司來說，CIO和CTO需要升級他們的技術(shù)架構(gòu)。主要目標(biāo)是將生成式AI模型集成到內(nèi)部系統(tǒng)和企業(yè)應(yīng)用程序中，并構(gòu)建通往各種數(shù)據(jù)源的管道。最終，是企業(yè)技術(shù)架構(gòu)的成熟度，使其能夠集成和規(guī)?；渖墒紸I能力。
最近在集成和編排框架（如LangChain和LlamaIndex）方面的進展，已顯著減少了將不同生成式AI模型與其他應(yīng)用程序和數(shù)據(jù)源連接所需的工作量。一些集成模式也正在出現(xiàn)，包括那些使模型能夠在響應(yīng)用戶查詢時調(diào)用API的模式——例如，GPT-4可以調(diào)用函數(shù)——以及作為用戶查詢的一部分，從外部數(shù)據(jù)集提供上下文數(shù)據(jù)，這種技術(shù)被稱為檢索增強生成（RAG）。技術(shù)領(lǐng)導(dǎo)者將需要為他們的組織定義參考架構(gòu)和標(biāo)準(zhǔn)集成模式（如標(biāo)準(zhǔn)的API格式和參數(shù)，用于識別用戶和調(diào)用API的模型）。
要有效地集成生成式AI，需要將五個關(guān)鍵元素納入技術(shù)架構(gòu)（圖表3）：
上下文管理和緩存，以便從企業(yè)數(shù)據(jù)源向模型提供相關(guān)信息。在正確的時間訪問相關(guān)數(shù)據(jù)是模型理解上下文并產(chǎn)生引人注目輸出的關(guān)鍵。緩存存儲對常見問題的結(jié)果，以實現(xiàn)更快、更便宜的響應(yīng)。
策略管理，以確保對企業(yè)數(shù)據(jù)資產(chǎn)的適當(dāng)訪問。這種控制確保了包含員工薪酬細節(jié)的人力資源生成式AI模型，例如，不能被組織的其他部分訪問。
模型中心，包含經(jīng)過訓(xùn)練和批準(zhǔn)的模型，可以按需提供，并作為模型檢查點、權(quán)重和參數(shù)的存儲庫。
提示詞庫，包含為生成式AI模型優(yōu)化的指令，包括隨著模型更新而進行的提示詞版本控制。
MLOps平臺，包括升級的MLOps能力，以應(yīng)對生成式AI模型的復(fù)雜性。例如，MLOps管道將需要包含用于衡量特定任務(wù)性能的工具，例如衡量模型檢索正確知識的能力。
圖表3
在演進架構(gòu)時，CIO和CTO將需要在快速增長的生成式AI提供商和工具生態(tài)系統(tǒng)中導(dǎo)航。云提供商提供對規(guī)?；布突A(chǔ)模型的廣泛訪問，以及不斷增多的服務(wù)。與此同時，MLOps和模型中心提供商提供工具、技術(shù)和實踐，以調(diào)整基礎(chǔ)模型并將其部署到生產(chǎn)中，而其他公司則提供直接由用戶訪問的、構(gòu)建在基礎(chǔ)模型之上以執(zhí)行特定任務(wù)的應(yīng)用程序。CIO和CTO將需要評估如何組裝和集成這些不同的能力，以部署和運營生成式AI模型。
6. 開發(fā)一個數(shù)據(jù)架構(gòu)以支持對高質(zhì)量數(shù)據(jù)的訪問
企業(yè)從生成式AI模型中產(chǎn)生和規(guī)模化價值（包括降低成本和改善數(shù)據(jù)與知識保護）的能力，將取決于它如何很好地利用自己的數(shù)據(jù)。創(chuàng)造這種優(yōu)勢依賴于一個將生成式AI模型連接到內(nèi)部數(shù)據(jù)源的數(shù)據(jù)架構(gòu)，這些數(shù)據(jù)源提供上下文或幫助微調(diào)模型以創(chuàng)造更相關(guān)的輸出。
在此背景下，CIO、CTO和首席數(shù)據(jù)官需要密切合作，完成以下工作：
分類和組織數(shù)據(jù)，以便生成式AI模型可以使用。技術(shù)領(lǐng)導(dǎo)者將需要開發(fā)一個全面的數(shù)據(jù)架構(gòu)，涵蓋結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)源。這需要制定標(biāo)準(zhǔn)和指導(dǎo)方針來優(yōu)化數(shù)據(jù)以供生成式AI使用——例如，通過用合成樣本增強訓(xùn)練數(shù)據(jù)以提高多樣性和規(guī)模；將媒體類型轉(zhuǎn)換為標(biāo)準(zhǔn)化的數(shù)據(jù)格式；添加元數(shù)據(jù)以提高可追溯性和數(shù)據(jù)質(zhì)量；以及更新數(shù)據(jù)。
確保現(xiàn)有基礎(chǔ)設(shè)施或云服務(wù)能夠支持存儲和處理生成式AI應(yīng)用所需的大量數(shù)據(jù)。
優(yōu)先發(fā)展數(shù)據(jù)管道，將生成式AI模型連接到提供“上下文理解”的相關(guān)數(shù)據(jù)源。新興的方法包括使用向量數(shù)據(jù)庫來存儲和檢索嵌入（特殊格式的知識）作為生成式AI模型的輸入，以及情境學(xué)習(xí)方法，如“少樣本提示”（few shot prompting），即向模型提供好答案的示例。
7. 創(chuàng)建一個集中的、跨職能的生成式AI平臺團隊
大多數(shù)技術(shù)組織正在向產(chǎn)品與平臺運營模式轉(zhuǎn)型。CIO和CTO需要將生成式AI能力集成到這個運營模式中，以在現(xiàn)有基礎(chǔ)設(shè)施上構(gòu)建，并幫助快速規(guī)模化生成式AI的采納。第一步是建立一個生成式AI平臺團隊，其核心重點是開發(fā)和維護一個平臺服務(wù)，在該服務(wù)中，經(jīng)批準(zhǔn)的生成式AI模型可以按需提供給產(chǎn)品和應(yīng)用團隊使用。平臺團隊還定義了生成式AI模型如何與內(nèi)部系統(tǒng)、企業(yè)應(yīng)用程序和工具集成的協(xié)議，并開發(fā)和實施標(biāo)準(zhǔn)化方法來管理風(fēng)險，例如負(fù)責(zé)任的AI框架。
CIO和CTO需要確保平臺團隊配備了具備正確技能的人員。這個團隊需要一位擔(dān)任總經(jīng)理的高級技術(shù)領(lǐng)導(dǎo)者。關(guān)鍵角色包括：軟件工程師，將生成式AI模型集成到現(xiàn)有系統(tǒng)、應(yīng)用程序和工具中；數(shù)據(jù)工程師，構(gòu)建將模型連接到各種記錄系統(tǒng)和數(shù)據(jù)源的管道；數(shù)據(jù)科學(xué)家，選擇模型和設(shè)計提示詞；MLOps工程師，管理多個模型和模型版本的部署與監(jiān)控；ML工程師，用新的數(shù)據(jù)源微調(diào)模型；以及風(fēng)險專家，管理諸如數(shù)據(jù)泄露、訪問控制、輸出準(zhǔn)確性和偏見等安全問題。平臺團隊的確切構(gòu)成將取決于整個企業(yè)所服務(wù)的用例。在某些情況下，例如創(chuàng)建一個面向客戶的聊天機器人，將需要強大的產(chǎn)品管理和用戶體驗（UX）資源。
實際上，平臺團隊最初將需要在一個狹窄的優(yōu)先用例集上工作，隨著他們構(gòu)建可重用能力并了解什么最有效，逐漸擴大工作范圍。技術(shù)領(lǐng)導(dǎo)者應(yīng)與業(yè)務(wù)負(fù)責(zé)人密切合作，評估哪些業(yè)務(wù)案例值得資助和支持。
8. 根據(jù)角色和熟練程度定制技能提升項目
生成式AI有潛力極大地提升員工的生產(chǎn)力并增強他們的能力。但根據(jù)角色和技能水平，收益的分布是不均的，這要求領(lǐng)導(dǎo)者重新思考如何培養(yǎng)人們實際需要的技能。
例如，我們最新的實證研究使用生成式AI工具GitHub Copilot，幫助軟件工程師編寫代碼的速度提高了35%至45%。然而，收益各不相同。高技能開發(fā)人員的收益高達50%至80%，而初級開發(fā)人員的速度則下降了7%至10%。這是因為生成式AI工具的輸出需要工程師進行批判、驗證和改進代碼，而經(jīng)驗不足的軟件工程師難以做到。相反，在一項研究中，在技術(shù)性較低的角色，如客戶服務(wù)中，生成式AI顯著幫助了低技能員工，生產(chǎn)力提高了14%，員工流失率也下降了。
這些差異凸顯了技術(shù)領(lǐng)導(dǎo)者與首席人力資源官（CHRO）合作，重新思考他們的人才管理戰(zhàn)略以構(gòu)建未來勞動力的必要性。招聘一批頂尖的生成式AI核心人才將很重要，并且，鑒于該人才日益稀缺和戰(zhàn)略重要性，技術(shù)領(lǐng)導(dǎo)者應(yīng)建立保留機制，如具有競爭力的薪水和參與重要業(yè)務(wù)戰(zhàn)略工作的機會。
然而，技術(shù)領(lǐng)導(dǎo)者不能止步于招聘。因為幾乎每一個現(xiàn)有角色都會受到生成式AI的影響，一個關(guān)鍵的重點應(yīng)該是根據(jù)角色、熟練程度和業(yè)務(wù)目標(biāo)所需的技能，對人員進行技能提升。讓我們以軟件開發(fā)人員為例。對新手的培訓(xùn)需要強調(diào)加速他們成為頂尖代碼審查者的路徑，而不僅僅是代碼生成者。類似于寫作和編輯的區(qū)別，代碼審查需要不同的技能集。軟件工程師將需要理解好的代碼是什么樣的；審查由生成式AI創(chuàng)建的代碼的功能性、復(fù)雜性、質(zhì)量和可讀性；并掃描漏洞，同時確保他們自己不在代碼中引入質(zhì)量或安全問題。此外，軟件開發(fā)人員將需要學(xué)習(xí)在編碼時以不同的方式思考，通過更好地理解用戶意圖，以便他們可以創(chuàng)建幫助生成式AI工具提供更好答案的提示詞和定義上下文數(shù)據(jù)。
除了培訓(xùn)技術(shù)人才，CIO和CTO在培養(yǎng)非技術(shù)人才的生成式AI技能方面也可以發(fā)揮重要作用。除了理解如何使用生成式AI工具完成諸如郵件生成和任務(wù)管理等基本任務(wù)外，整個業(yè)務(wù)部門的人員將需要熟練使用一系列能力來提高性能和產(chǎn)出。CIO和CTO可以調(diào)整學(xué)院模式來提供這種培訓(xùn)和相應(yīng)的認(rèn)證。
經(jīng)驗不足的工程師價值下降，應(yīng)加速從經(jīng)典的人才金字塔結(jié)構(gòu)（大多數(shù)人在初級水平）向更像鉆石的結(jié)構(gòu)轉(zhuǎn)變，即技術(shù)勞動力的主體由經(jīng)驗豐富的人員組成。實際上，這將意味著盡快培養(yǎng)初級員工的技能，同時減少致力于低復(fù)雜度手動任務(wù)（如編寫單元測試）的角色。
9. 評估新的風(fēng)險格局并建立持續(xù)的緩解實踐
生成式AI帶來了一系列新的道德問題和風(fēng)險，包括“幻覺”，即生成式AI模型基于最高概率響應(yīng)而呈現(xiàn)不正確的回答；意外泄露機密的個人身份信息；模型使用的大數(shù)據(jù)集中固有的偏見；以及與知識產(chǎn)權(quán)（IP）相關(guān)的高度不確定性。CIO和CTO將需要精通道德、人道主義和合規(guī)問題，不僅要遵守法律條文（各國法律各不相同），還要遵守負(fù)責(zé)任地管理其業(yè)務(wù)聲譽的精神。
應(yīng)對這一新格局需要對網(wǎng)絡(luò)實踐進行重大審查，并更新軟件開發(fā)流程，以便在模型開發(fā)開始前評估風(fēng)險并確定緩解措施，這既能減少問題，又能確保流程不被減慢。經(jīng)過驗證的針對幻覺的風(fēng)險緩解措施可以包括：在模型生成響應(yīng)時調(diào)整其創(chuàng)造力水平（稱為“溫度”）；用相關(guān)的內(nèi)部數(shù)據(jù)增強模型以提供更多上下文；使用對可生成內(nèi)容施加護欄的庫；使用“審核”模型來檢查輸出；以及添加明確的免責(zé)聲明。早期的生成式AI用例應(yīng)專注于錯誤成本低的領(lǐng)域，以使組織能夠處理不可避免的挫折并吸取教案。
為了保護數(shù)據(jù)隱私，建立和執(zhí)行敏感數(shù)據(jù)標(biāo)記協(xié)議、在不同領(lǐng)域（如人力資源薪酬數(shù)據(jù)）設(shè)置數(shù)據(jù)訪問控制、在數(shù)據(jù)被外部使用時添加額外保護，以及包含隱私保障措施將至關(guān)重要。例如，為減輕訪問控制風(fēng)險，一些組織建立了一個策略管理層，一旦向模型給出提示，就按角色限制訪問。為減輕知識產(chǎn)權(quán)風(fēng)險，CIO和CTO應(yīng)堅持要求基礎(chǔ)模型的提供商對其使用的數(shù)據(jù)集的IP（數(shù)據(jù)源、許可和所有權(quán)）保持透明。
生成式AI有望成為我們見過的增長最快的技術(shù)類別之一。技術(shù)領(lǐng)導(dǎo)者在定義和塑造生成式AI戰(zhàn)略方面，不能有不必要的拖延。雖然這個領(lǐng)域?qū)⒗^續(xù)快速發(fā)展，但這九項行動可以幫助CIO和CTO負(fù)責(zé)任地、有效地在規(guī)?；瘧?yīng)用中駕馭生成式AI的力量。
睿觀：
【核心挑戰(zhàn)】
為避免重蹈以往技術(shù)浪潮（如互聯(lián)網(wǎng)、移動）中“試驗混戰(zhàn)多，規(guī)?；瘍r值少”的覆轍，CIO（首席信息官）和CTO（首席技術(shù)官）必須為生成式AI（GenAI）的采納提供關(guān)鍵的戰(zhàn)略引導(dǎo)。
【九步劇本】
麥肯錫為此提出了一個包含九項行動的綜合性“劇本”。其核心是：在戰(zhàn)略上，需明確AI立場并識別高價值用例；在技術(shù)與數(shù)據(jù)上，需升級企業(yè)與數(shù)據(jù)架構(gòu)以支持多模型編排；在組織與人才上，需重塑IT職能、建立集中的AI平臺團隊并進行定制化的技能提升；最后，在風(fēng)險上，需建立新的治理與緩解措施。
【結(jié)論】
因此，成功駕馭生成式AI并非單一的技術(shù)挑戰(zhàn)，而是一項涉及戰(zhàn)略、技術(shù)、組織和風(fēng)險管理的系統(tǒng)工程。CIO/CTO必須運用這一整體框架，將AI的承諾，轉(zhuǎn)化為企業(yè)可持續(xù)的、規(guī)?；母偁巸?yōu)勢。
成功的AI轉(zhuǎn)型，需要的不是零敲碎打的“實驗游擊戰(zhàn)”，而是一場涵蓋戰(zhàn)略、技術(shù)、組織和風(fēng)控的“一體化總體戰(zhàn)”。
