作者：Zeya Yang and Kristina Shen
翻譯：阿法兔
生成式AI在B2B場景應用的變化
過去幾年大家見證了大語言模型（LLM）逐步成為主流，並研究了這項技術在B2B領域的應用情況。儘管取得了巨大的技術進步，但我們認為，我們仍處於B2B用例的生成式AI應用的早期——第一波浪潮之中。
隨著各公司逐步開發自己的應用，並且開始尋求圍繞產品建立護城河，我們預計很多業務中的目標和實現方法，將會迭代到“第二波浪潮“之中。
如何理解這裡的“迭代”？
到目前為止，絕大多數生成式AI應用，都集中在信息divergence 之上。也就是說，目前的應用，主要是根據一組指令，來創造新的內容。
而在第二波生成式AI浪潮之中，相信市場會見證更多用於信息匯集的生成式AI應用，這些應用會通過綜合現有信息，向我們展示更精細化、篩選出來的內容（That is, they will show us less content by synthesizing the information available.）為了和第一波生成式AI浪潮進行區分，我們把第二波生成式AI浪潮，稱為合成人工智能（”SynthAI”）。
雖然第一波生成式AI浪潮在應用層創造了一些價值，但第二波生成式AI浪潮將帶來下一步功能變化。
那麼，下一步，生成式人工智能在B2B的解決方案會是什麼走向？
結論是：B2B解決方案之間的PK，將不會把重點放在令人眼花繚亂的AI技術能力，而更關注這些技術層面的能力，將如何幫助企業用戶具備（或重新定義）更有價值的企業工作流程。
第一波生成式AI浪潮：跨越從C端用戶到企業的橋樑
為了分析第一波生成式AI浪潮，首先我們要對B2C和B2B應用進行區分。當我們作為消費者，應用生成式人工智能時，我們的目標是以玩耍、娛樂和分享為導向。在娛樂層面，質量和正確性並不是最重要的：而讓人工智能模型生成藝術或音樂這類功能更為重要，因為我們可以在Discord頻道中分享，當然也會很快就會忘記它。大家通常會有一種心理傾向，認為更多的內容=生產能力=好，所以，用戶通常會被吸引到生成式的、自動創造的AI工具。
舉個例子：ChatGPT的興起，就是很具備說服力的案例：因為用戶真的容忍了這個聊天機器人很多質量上的缺陷，就是因為大家能用它，生成更豐富的內容，並且分享，令人印象深刻。
當涉及到B2B應用時，業務目標就不同了。這裡的目標，主要是圍繞時間和質量的成本效益評估。我們要么希望能夠用同樣的時間產生更高的質量，要么希望產生同樣的質量，但是速度更快。
人們使用B2B應用主要是在工作場所，在這類的場景中，質量更重要。然而，今天人工智能生成的內容，主要是為重複性和低風險的工作提供的，這種業務層面上，要求通常不高。例如，生成式AI很可以為廣告或產品描述撰寫文案，許多這個領域的B2B應用，表現出明顯的增長態勢。
但我們隨後也發現，生成式人工智能在撰寫意見或論據方面確實不可靠（即使AI生成的內容令人信服或有信心，它也往往無法達到我們想要的準確程度）注意，當涉及到B2B生產環境中的創新和合作時，這一點更重要，大模型生成SEO信息也許是可用的。但是，如果讓它為開發者撰寫一篇詳細新產品的博客文章，將會需要不小的人力去完善，以確保這篇文章是準確的，與目標受眾產生共鳴。
另一個常見例子是AI用於編寫銷售的電子郵件，生成式AI對於普通的、冷冰冰的冷啟動郵件是很有用的，但對於準確的個性化郵件來說就不太可靠了。從一個優秀銷售的角度來看，生成式AI有助於在更短的時間內寫出更多的電子郵件，但要寫出能提高回复率，並帶來訂單的電子郵件（這也是對銷售代表的評價），銷售代表還是需要仔細研究，並通過自己判斷，了解潛在客戶想听什麼。
從本質上講，在頭腦風暴和早期，第一波生成式人工智能對於更實質性的寫作是成功的，但最終，越是需要創造力和領域內人專業知識，就越需要人為完善。
重構工作流程，有何代價？有何好處？
即使在生成式AI對較長的博客文章有用的情況下，你的Prompt必須是精確的。也就是說作者必須已經對代表自己博客文章的實質概念，具備清晰認識。然後，為了得到良好的結果，作者必須對AI輸出的結果進行審查，迭代Prompt，不行的話，還要重寫整個章節。
這裡有個例子是用ChatGPT來生成法律文件，需要熟悉法律prompt的人提供所有需要的條款，然後ChatGPT可以用這些條款來生成草案。注意，AI不能執行當事方之間的談判過程，但一旦所有關鍵條款都確定下來，生成式AI就可以出品較長的法律類文件草稿。不過，這些工作仍需要職業律師對它進行審查，編輯輸出，以使這項文件達到可以簽署的出品樣本。
這也是為什麼這類成本+效益評估模式，會在B2B背景下打破。
知識工作者正在評估如何工作流程中增加一個額外的AI功能的步驟是否值得花時間？是否應該還是由我們自己做？
第二波生成式AI浪潮：匯聚信息，從而改善決策
當我們進入第二波生成式AI浪潮的時候，焦點會從信息生成轉向信息綜合。注意，在知識工作中，決策能力具備巨大價值，而員工的報酬是根據不完善信息做出決定，而不一定是單純執行或解釋這些決定而產生的內容數量而決定的。在許多情況下，更長的時間並不意味著更好。
許多常識和公理都支持下列觀點：
1.代碼行數不是衡量工程生產力的好方法
2.更長的產品內容，不一定就能起到更清楚的說明作用
3.更長幻燈片，也不一定能提供更多見解
Hex公司創始人Barry McCardel認為，人機可以共生，比如說LLM如何能夠改善我們的工作方式？
“AI在這裡是為了增強和改善人類的能力，而不是取代人類。
因為當涉及到理解世界和做出決策時，人類一定要參與其中。人工智能能做的是幫助人類將更多的腦電波，應用於有價值的、創造性的工作，這樣我們不僅能在一天中花更多的時間來做重要的工作，而且還能解放自己，從事最有價值的工作。 “
那麼，AI如何改善人類的決策？法律專家需要專注於綜合和分析，提高決策的質量和/或速度（上面的B2B圖），明顯的應用是，去總結人類自己永遠無法直接消化的大量信息。
SynthAI在未來的真正價值是，幫助人類更快地做出更好的決定。
這裡的設想幾乎與ChatGPT的用戶界面相反：與其根據簡明的Prompt寫出長篇大論的回复，如果我們能從海量數據中，逆向設計出總結的簡明提示，會怎麼樣？ （Instead of writing long-form responses based on a concise prompt, what if we could reverse engineer from massive amounts of data the concise prompt that summarizes it? ）
這將有機會，讓我們重新思考用戶體驗，使其盡可能有效地傳達大量的信息。例如，像Mem這樣由AI技術驅動的知識庫，保存著某個組織中的所有會議筆記，可以主動對相關的決策、項目或人發起建議，當組織中的角色開始一個新項目時，應該參考這些決策、項目或人，從而節省了他們瀏覽先前機構沉澱知識的數個小時（甚至幾天）的時間。
回到上面一個對外發送營銷郵件的例子，一個潛在的表現是，AI可以識別目標客戶，究竟在何時會處於最高水平的購買意圖（基於新聞報導、人才遷移等），並提醒相關銷售代表。然後，人工智能模型將根據綜合研究，建議在電子郵件中提一兩個最重要的問題，以及與想要銷售的目標客戶最相關的產品功能。
這些輸入，可以被輸入到第一波生成式AI帶來的解決方案中，但其價值來自於綜合階段，並為銷售人員，節約了對單一潛在客戶的研究時間。
確保這種綜合信息質量足夠高的根本轉變是，從大規模的通用模型轉向能夠應用多種模型的架構，包括在特定領域和特定用途的數據集上訓練的更精細模型。例如，某個構建客戶支持應用的公司，會使用以支持為中心的模型，該模型可以訪問公司的歷史支持票據，但在其他情況下又會回到GPT。在建設專有微調模型和數據集壁壘，這些組件會成為公司速度和質量的護城河。
SynthAI的部署
當我們思考，第二波生成式AI浪潮可能是什麼樣的時候，我們相信從SynthAI中，受益最大的應用場景將是以下兩種情況：
1.存在大量信息的場景，人類很難手動篩選所有的信息。
2.高信噪比場景，主題或抽像出來的觀點必須具備準確性
人工智能對工作流的改造，會帶我們走向一個新的生產力時代。
