利用生成式人工智能驾驭不断变化的客户关系
一个人不能两次踏进同一条河流。2000 多年前，希腊哲学家赫拉克利特说出了这句话，将变化视为唯一不变的东西。
今天，随着生成式人工智能的出现，这一点比以往任何时候都更加真实。生成式人工智能对当今企业产生了深远的影响，商业领袖面对着一项快速变化的技术，他们需要掌握这项技术来满足不断变化的消费者期望。
业务流程管理公司 WNS global Services 旗下的 WNS Triange 执行副总裁兼人工智能、分析、数据和研究实践全球主管阿希莱什·艾耶尔（Akhilesh Ayer）表示：“在所有行业中，客户都是核心，挖掘他们的潜在需求是维持和发展业务的最重要因素之一。生成式人工智能是企业实现这一需求的新方式。”
战略上的当务之急
生成式人工智能可以以高度复杂的方式利用客户数据，这意味着企业需要加快制定投资和利用该技术能力的计划。
在一项名为“企业数据与人工智能的未来”的研究中，Corinium Intelligence 和 WNS Triange 调查了 100 位专门从事人工智能、分析和数据的全球高管和决策者。
76% 的受访者表示，他们的组织已经在使用或计划使用生成式人工智能。
麦肯锡表示，尽管生成式人工智能将影响大多数业务功能，但“其中四项可能占其年总价值的 75%。”其中包括营销、销售和客户运营。
然而，尽管这项技术有好处，但许多领导人不知道如何采取正确的方法，也不确定大额投资的风险。
绘制生成式人工智能路径
组织需要克服的首要挑战之一是高层领导的一致性。艾耶尔说：“你需要必要的策略，你需要有能力获得必要的支持，你需要确保有正确的商业用例和案例。”
换句话说，明确定义好的路线图和精确的商业目标，与判断流程是否适合使用生成式人工智能一样至关重要。
实施生成式人工智能的策略可能需要时间。艾耶尔认为，商业领袖应该对制定战略所需的时间保持现实的看法，对各个团队和职能部门进行必要的培训，并确定增加价值的领域。
为了使任何生成式人工智能部署能在一起无缝工作，必须建立正确的数据生态系统。
艾耶尔引用了 WNS Triange 与一家保险公司的合作，一个利用生成式人工智能创建索赔流程的案例。
得益于这项新技术，保险公司可以立即评估事故造成的车损严重程度，并根据客户提供的非结构化数据提出索赔建议。
艾耶尔解释道：“因为这可以立即由一名人类评估师进行评估，他们可以迅速得出结论，这会立即提高保险公司满足投保人要求的能力，并缩短索赔处理时间。”
然而，如果没有过去索赔历史、维修成本、交易数据、其他必要的数据集，以及从生成的人工智能分析中提取明确的价值，所有这些努力都是不可能的。
艾耶尔说：“要非常清楚数据的充分性。不要跳到一个你意识到自己没有所需数据的项目中。”
第三方体验的好处
企业越来越意识到，它们必须接受生成式人工智能，但知道从哪里开始是另一回事。艾耶尔说：“你一开始就想确保自己不会重蹈别人的覆辙。”
第三方提供商可以帮助组织避免这些错误，并利用最佳实践和框架来测试并定义投资回报率的可解释性和基准。
外部合作伙伴使用预先构建的解决方案，可以加快正式投入使用的时间，并增加生成式人工智能程序的价值。
这些解决方案可以利用预先构建的、特定于行业的生成式人工智能平台来加速部署。
艾耶尔指出：“生成式人工智能程序可能极其复杂，有很多基础设施要求、与客户的接触以及内部法规要考虑。
组织还必须考虑使用预先构建的解决方案来加快实现价值的速度。第三方服务提供商可以将专业知识应用于所有这些要素。”
艾耶尔提到了 WNS Triange 的例子，帮助旅行中介使用生成式人工智能处理客户关于航空公司改期、取消和其他复杂行程的询问。
他说：“我们的解决方案能够立即查询一千份政策文件，找出相关的政策……然后快速返回，响应的速度不仅很快，而且是质量高、总结式、人性化的响应。”
在另一个例子中，艾耶尔分享说，他的公司帮助一家全球零售商为个性化礼品卡创造了人工智能驱动的生成设计。“客户体验大大提升。”他说。
生成式人工智能的障碍
然而，与任何新兴技术一样，在采用生成式人工智能技术时，也存在组织、技术和实施方面的障碍需要克服。
对于组织和企业而言，人是可能面临的主要障碍之一。艾耶尔说：“采用生成式人工智能往往会立即受到阻力，因为它会影响人们的日常工作方式。”
因此，必须确保所有团队的内部支持，并注意技能差距。此外，为投资创建商业案例的能力，以及获得管理层的支持，将有助于加快技术采用的进程。
技术的障碍与大型语言模型（LLM，large language models）和减少幻觉和偏见并确保数据质量的机制有关。
艾耶尔解释道：“公司需要弄清楚生成式人工智能是否可以解决整个问题，或者他们是否仍然需要人工输入来验证大模型的输出。”
与此同时，组织必须知道，自己所使用的生成式人工智能模型，是否在客户环境中或根据企业自己的数据和见解进行了适当的训练。
如果没有，则很有可能产生不正确的回答。另一个挑战是偏见：如果训练数据存在某些偏见，最终的大模型可能是不公平的。
“必须有机制来解决这个问题。”艾耶尔说。其他问题，如数据质量、输出真实性和可解释性，也必须得到解决。
最后一组挑战与实际执行有关。艾耶尔说，该技术的实施成本可能很高，尤其是如果公司无法制定可行的解决方案。
此外，必须有适当的基础设施和人员，以避免被资源限制。用户必须确信输出具有相关性和高质量，以便获得他们对项目实施的认可。
最后，必须解决隐私和道德问题。Corinium Intelligence 和 WNS Triange 的调查显示，近 72% 的受访者对人工智能的道德决策感到担忧。
未来投资的重点
生成式人工智能的整个生态系统正在迅速发展。企业必须践行敏捷策略并快速适应变化，以确保满足客户的期望并保持竞争优势。
对于这样一种新的快速发展的技术而言，我们几乎不可能预测它的下一步会发生什么，但艾耶尔表示，希望利用生成式人工智能潜力的组织可能会在三个领域增加投资：
数据现代化、数据管理、数据质量和治理，以确保底层训练数据的正确性和可利用性。
足够多的人才和劳动力来满足需求，需要引入培训、学徒制和注入新人才，或利用第三方服务商的人才。
遵守数据隐私解决方案和机制。为了确保隐私得到保护，高层领导人还必须遵守相关司法管辖区的相关法律法规。
然而，这个过程不应该是把所有选择都尝试一遍，然后找到那些好用的。艾耶尔建议组织从向客户提供的服务或产品的有效性来检查投资回报率。
商业领袖必须使用基于生成式人工智能的干预措施，清楚地证明和衡量客户满意度具有显著提高。
艾耶尔说：“除了明确的生成式人工智能战略外，公司还需要了解如何应用和构建用例，如何以足够的规模和速度将其推向市场，以及如何衡量其是否成功。”
利用生成式人工智能与客户互动，通常是一种多阶段的方法，成功的合作关系可以在每个阶段都有所帮助。
支持：Ren