創新勝于發明：評估新技術的價值
在評估新技術的價值時——你會想到什么?評估生成式人工智能的價值因其新穎、獨特的應用以及對商業世界的潛在影響而引起了廣泛關注。“嗡嗡聲”對生成人工智能市場的報告規模做出了貢獻：2021 年為 80 億美元，到 2030 年的復合年增長率為 34.6%。但生成人工智能的真正影響——到目前為止的嗡嗡聲——創造的潛力值，但不是實際值。
公司真正將這 80 億美元花在了哪些方面?
支出是否真正用于AI?還是更多的數據工程加上一點機器學習?現在很難說，因為“生成式AI”的炒作和神秘感抬高了估值并成為許多頭條新聞。
隨著生成式人工智能全神貫注于其自身的炒作周期，公司可能會陷入新發明的興奮之中，沖動地投入大量資金和時間。但就像任何閃亮的新發明一樣，公司不應該在不考慮如何提取實際價值的情況下就急于采用生成式人工智能。這是創新與發明之間的關鍵區別。
口碑不等于價值
生成式AI是人工智能的一種形式，它可以創建全新的內容，包括文本、圖像和語音。想想 ChatGPT，這是一種與用戶進行對話交互以從簡單請求生成新數據的模型。這種生成方面意味著一個變革步驟：以前，人工智能和機器學習 (ML) 只能分析現有數據或根據現有數據采取行動。
新內容的產生
產生凈新內容的承諾讓公司垂涎三尺，希望有機會在他們的流程和系統中應用該技術。我們已經看到生成式AI用于：
開發原創內容(文字、圖片、視頻)。
創建大量合成數據或關于數據的數據，可以訓練其他機器學習模型或測試新產品和服務。
瀏覽大型數據集以突出顯示模式。
在產品體驗或數字化服務中個性化用戶體驗和內容。
自動執行重復性任務，例如數據輸入或圖像注釋。
盡管生成式AI可能會對商業世界產生重大影響，但該技術的具體優勢將因業務、行業和應用而異。
創新超越單純的發明
雖然生成式人工智能激發了集體的想象力，但準備在下一波數字經濟中取得成功的公司不會在不將客戶或業務價值放在首位的情況下追逐最閃亮的新技術。他們明白，創新實際上是以產生價值的新方式做某事——即使新事物是使用舊工具完成的。
例如，將機器學習納入產品推薦引擎以向用戶輸出推薦可能看起來很有吸引力。畢竟，這是更新穎的發明。但是，決策樹可以產生準確的產品推薦，同樣有效，同時構建速度更快，維護成本更低。
生成式AI的生命周期是什么?
生成式AI仍處于其生命周期的早期——閃亮的新發明階段——還沒有太多時間在現實世界中產生重大的商業成功。人們不愿意根據他們無法驗證的數據做出相應的決定。當個人或公司不了解該技術如何生成數據時，這種自然(和健康)的懷疑就會增加。
收集和轉換的數據
如何收集和轉換數據以供AI使用會影響AI可以為企業實現的質量和價值。這種考慮需要大量投資才能計入投資回報率。大多數企業已經在為他們當前的系統而苦苦掙扎，因為他們的系統埋藏在難以處理的堆積如山的寶貴信息之下，因此我們不能忽視這一事實。
2023 年成功的組織將在關注這一現實的同時進行創新。他們不會為了技術而開發技術——他們會理解他們的假設，在進行更大的投資之前進行適度的投資，始終著眼于預期的結果。
發現生成式AI的真正價值
隨著時間的推移，對客戶認為有價值的東西的洞察力將超過酷炫的技術。當客戶放棄他們看重的東西(如金錢或時間)時，他們會要求獲得更多價值作為回報。
成功的公司將通過三管齊下的方法滿足客戶的需求：評估他們的一個或多個目標市場以確定技術背后的“原因”，以精益方法(適度投資)測試他們的假設，并最終了解引人注目的和持久價值在于。
確定技術背后的“原因”
首先考慮您的目標市場以確定技術背后的“原因”。創建一組機會假設。盡可能多地考慮，不要害怕向范圍廣泛的人征求意見——稍后你會篩選出你的清單。這些機會假設應該包括誰將受益、他們如何受益，并且可能包括誰將支付以及為什么。
根據以下標準評估機會列表并對其進行排名：
您的企業在提供這些價值主張方面的定位如何?
您的品牌和客戶期望是什么?
機會有多大?
在您測試這些假設之前，請討論要達到的閾值，這將說服您對任何單一機會或組合進行更多投資。這是抵制確認偏差誘惑的關鍵——只看到證實你想要為真的假設的結果。因為這是一種探索，你可能會得到非常意想不到的結果。意想不到的結果可能會帶來意想不到的洞察力，從而帶來更大的機會。
以低保真、精益的方式測試你的假設
我們如何在不構建概念的情況下測試我們的概念?什么樣的小額測試投資會說服我們想要進行另一輪投資?
這些問題的答案取決于您的客戶，而不是您的會議室。你必須離開大樓來檢驗你的假設。
我強烈建議在此階段使用用戶研究人員。他們提出開放性問題而不會讓受訪者感覺到您希望得到的答案的技巧對于獲得可驗證和可重復的結果非常寶貴。
紙質原型制作和遠程用戶測試
我也是紙質原型制作和遠程用戶測試的忠實擁護者。支持這些方法的工具已經取得了長足的進步。這些選項大大降低了假設檢驗的成本，可以實時記錄或觀察，并允許您快速調整測試腳本或假設。
當大多數領導者聽到“用戶研究”時，他們設想的是一個漫長、昂貴且模糊的過程。最好的用戶研究人員完成小批量測試(5-8 個用戶)并在進行下一輪之前與其他人一起解釋結果。
如果做得好，這種類型的測試是利益相關者的協作和參與。對后來的投資者對話的潛在影響是巨大的，因為高管們可以舉出潛在客戶的具體例子來談論他們的背景以及他們看重和愿意支付的東西。
了解價值所在
完成測試后，就該解釋結果了。我經常聽到領導者說他們想要“數據驅動”——而我就是其中一位領導者。當我開始觀察用戶測試時，我首先注意到反饋是定性的和不確定的，感覺不夠。但后來我意識到，模式很快就會從這些結果中浮現出來。
我了解到，解釋對于這個過程至關重要，而且確認偏見、不言而喻的假設和由一個人在等級制度中的位置加權的意見的時機已經成熟。我現在尋求成為“數據知情者”，而這個過程本身就是“尋找客戶洞察力”。
那么什么才能在測試中產生真正有價值的結果呢?
有多種可能性。一個清楚地確認客戶會重視您的公司并為您草擬的解決方案或近似變體支付費用。這些很少見，你應該留意那些試圖告訴你他們認為你想聽的東西的團隊。
一個更有可能和更好的結果是，您的測試表明客戶通常會在解決方案中發現價值，并且您可以深入了解他們重視的原因和價值。這種額外的顏色對所有未來的決策都至關重要，并為您的公司提供更顯著的競爭優勢，即使其他人也在尋求相同的解決方案。
如果您發現更好或更便宜的替代方法來提供相同或更豐富的價值，這些額外的意見見解還提供了調整的選擇。
如果企業想要構建具有真正商業價值的數字產品并積極推進數字化轉型，那么完成這三個階段至關重要。
利用真正的商業價值而不是炒作
需要成為先行者的時代已經名譽掃地。我們距離生成式人工智能的廣泛采用還有數年的時間——我們需要時間來培養能夠推動增值采用的人才。成本將下降——人才庫將加深，生成人工智能將從炒作走向實用。
與此同時，我們將看到許多公司聲稱使用人工智能——利用炒作——而實際采用仍然是其產品/服務核心的外圍。隨著市場的成熟，追趕潮流的誘惑將會增強。
但那些決定如何利用生成式AI等技術創造真正價值的人將使自己脫穎而出，并成為下一波數字經濟浪潮的最佳人選。
