今天小编分享的互联网经验：投资大模型，预期很高？先算清这笔账，欢迎阅读。
图片系 AI 生成
进入到下半年，AI 大模型领網域焦虑氛围倍增。成熟的应用场景还未诞生，国内 AI 大模型 " 六小虎 " 也在近期被传进入困境，虽然后期公司层面有回应消息不实，但也映射出技术发展到一定阶段市场对变现急迫且带有悲观情绪。与此同时，OpenAI 虽获得 464 亿融资，但核心技术高层频繁离职，使其饱受争议。
都说 2024 是 AI 大模型产业应用元年，但是否也已经快速进入 " 挤泡沫 " 时刻？
大模型落地，没那么简单
以 AI 编程为例，通过代码生成提效赋能开发者的场景其实比较明确，并已得到实践验证。但伴随的问题是，除了写 prompt 的时间，低质量的代码导致开发者还要花时间审查 AI 生成的代码。公开信息显示，企业将 AI 编程工具 GitHub CoPilot 集成到軟體开发平台后，编码时间可减少 50%，但随后一项数据则指出，开发者用上 GitHub CoPilot 的同时也导致 Bug 增加了 41%。这与 AI 预期带来对生产力的提升相悖。
德勤报告指出：企业对生成式 AI 长期乐观，但短期内想要付费很难。Gartner 甚至预测，未来 18 个月内生成式 AI 将出现谷底。到 2025 年底，至少 30% 的生成式 AI 项目将在概念验证后被放弃。这种担忧有迹可循——数据质量差、风险控制不达标、成本持续上升、无法证明投入回报等等问题一直没有解决。
而在大模型浪潮之前 AI 发展阶段中，就有研究指出曾经 70-85% 的 AI 项目未能达到预期结果。2019 年，麻省理工学院指出，70% 的 AI 项目在部署后几乎没有产生任何影响，这一数字远远高于常规 IT 项目 25-50% 的失败率。
如图展示了不同大模型部署方案下的成本差异：
由于 AI 大模型现阶段仍需要大量前期投入和经常性成本，Gartner 报告指出，企业采用大模型最大的挑战是评估和证明业务价值。
但不同于广告投放、电商行业，大模型的投资回报并非可以直接计算，这是一个复杂过程，涉及成本节约、创收和总拥有成本等环节。与此同时，这些实施成本还要与具体落地场景相结合，挑战是复杂且多方面的，如图：
长期潜力往往取决于短期价值表现，这意味着大模型项目试点在启动前应明确一些标准，比如降低运营成本，增加业务销售额，提升客户满意度，加快新品上市时间。
哪些地方已经有回报？
" 制造业和汽车行业的生成式 AI 早期采用者已经从实践中获得投资回报。" 这是谷歌最新报告《制造和汽车行业中的人工智能的投资回报率》的重要发现之一。该报告对全球 364 名企业高管进行调研，并对生成式 AI 对企业业绩影响进行评估。该报告深入探讨了企业成功的关键要素，强调了构建稳健的数据基础设施、实现企业系统现代化以及高层管理人员之间战略一致性的必要性。
以报告中制造业和汽车业为例，生成式 AI 的作用主要体现在三个层面：一是优化生产和供应链效率；二是提供消费者个性化体验；三是增强企业安全。
企业想要充分利用生成式 AI 构建创新解决方案，前提是建立在可靠的系统和准确的数据上。过去，企业存在大量数据孤岛，分散到各个复杂的遗留系统和应用中，想要深度应用 AI，就需要将 AI 模型接入企业工作流中，如主数据和 ERP 系统，以不断获取实时运营数据提升模型推理精准性。典型的场景如：通过搜集产品文档和手册，提供更多解决产品问题和故障排除的建议；根据订单状态、库存水平和运输承运人信息分析出精准的产品交货时间。
整体来看，报告的受访企业中，60% 的制造和车企厂商已经将生成式 AI 投入生产，32% 仍在测试和评估阶段；8% 尚未进行任何实践或评估；作为生成式 AI 的早期采用者，86% 的制造和车企厂商还指出，AI 已为公司带来超过 6% 的收入增长。这表明，生成式 AI 不仅是效率工具，更是成为商业增长动力。
报告显示，生成式 AI 在制造业的应用涉及产品研发 / 生产、销售 & 营销、电商 & 体验增强、个人生产力、客户 & 现场服务、新品 & 服务、后端 / 业务流程、工程 / 开发者生产力等方面。其商业价值体现在五个关键领網域：产品上市时间、投资回报率（ROI）、生产力、安全性和用户体验。
81% 的受访企业在应用生成式 AI 后，其产品时间缩短到 6 个月以内。
这意味着，当快速变化的消费者市场导致企业需要加快扩充产品丰富度以及与消费者关系的重塑时，先一步采纳先进技术的企业会更快启动对生成式 AI 的实践。
72% 的受访企业表示，已经在至少一项生成式 AI 的实践项目中获得投资回报。
目前企业聚焦于能推动核心运营实现采用和投资回报的高价值项目。例如，生成式 AI 能迅速在整个产品生命周期中快速筛选文档，提取和总结销售与技术人员所需的信息。
43% 的受访企业指出，组织生产力至少提高一倍。
在业务创新与数字化转型能力方面，受访企业表示有了重大改进。例如，AI 助理可协助维修人员完成车辆维修、零件订购，同时可提供全面、详细且经过验证的源信息，提高人员完成维修工单效率。
87% 的受访企业指出，生成式 AI 对企业识别安全威胁有了极大的帮助。
生成式 AI 可用于分析大量数据，报告安全异常，自动化常规安全功能如规则创建，并辅助人员处理警报。
89% 的受访企业提高了用户参与度（包括参与度评分、流量或点击率 ( CTR ) 、网站停留时间）；75% 提高了用户满意度 /NPS 数值。
制造业包括车企厂商在内，正积极建立与消费者更深层次的数据连接。这些关系的建立有助于针对不断变化的用户需求进行预测和响应，提升个性化体验，培养客户忠诚度并推动业务增长。比如生成式 AI 可以通过接入消费级应用，通过学习消费者互動行为以更好地定制客户体验。
报告也显示，" 一把手 " 的支持至关重要，企业将更有可能在技术与业务目标之间实现组织一致性。70% 与 AI 有强相关性的企业组织已经在至少一个项目上获得投资回报，相比之下，未构建 AI 业务目标的企业组织这一数字为 65%。
不过，74% 的受访企业表示，在生成式 AI 布局上，他们没有获得 CXO 级别全方位的支持。
48% 的受访者计划将其未来 AI 预算的至少一半投资于生成式 AI。
其中，49% 左右的受访者希望利用生成式 AI 的收益用于新品开发，提高利润率，提高差异化竞争；40% 左右的受访者则关注于销售增长，提升品牌认知，识别新的收入来源，客户满意度等等。
而未来两到三年，54% 受访企业也计划利用生成式 AI 提高员工生产力，此外，改善客户体验（52%），提高运营效率（50%），提高竞争力和市场份额（48%）也是主流目标。
结语
虽然当前 AI 大模型产业组成已经相对清晰，算法层有大量开源模型、框架、工具平台，算力层有英伟达、英特尔等确定性供应商，数据层无非就是从公开数据集、企业私網域、仿真系统获取，而场景层是可以从业务端自上而下去分门别类。但好的场景往往是隐性，隐含在业务的小细节，数据也需要熟悉业务的专家知识，算力和算法的组合优化也需要长期深耕，对技术创新和商业变现也要有足够敏锐度。这都导致 AI 大模型依旧处于 " 围墙之内 "，外界只能从现实测评来判断一二。
为此，上述谷歌报告还指出了几点建议，以帮助企业更好地利用 AI，提升生产效率、降低成本、增强企业竞争力：
一是构建系统化的实践框架，按照生产流程或功能区網域进行划分；
二是争取高层领导的支持，确保资源的有效配置和项目的顺利推进；
三是关注知识转化与决策优化，提升决策科学性；
四是数据管理，这一点非常重要，也是确保训练结果可靠性的关键。此外还有建议制造业首先实现无纸化，平衡转型与优化投资，资源配置，以及企业安全和 AI 专业人才的建设。
当技术理念已经被充分证明之后，大模型在产业落地还有许多坑，长期投入必不可少，对产出的高预期也需要理性回落。（本文首发于钛媒体 APP，作者 | 杨丽，编辑 | 盖虹达）
