最近，一家知名銀行的 CEO 給我打電話，讨論了生成式 AI 的前景。我們最初會通過各種場景改善欺詐檢測和客戶服務，但随着最近一系列新聞的不斷發布，很明顯他有更大野心。和許多行業一樣，銀行業也存在勞動力問題：對熟練員工的需求，與願意回到辦公室并遵守疫情前規則的工人供應之間存在着差距。
他認爲生成式 AI 也許能解決這個問題。這些新工具可以通過自動化降本增效，但它們是否也能解決人才短缺問題？簡單地說：AI 多久能取代人類員工？
這個對話呼應了去年 11 月以來我與許多企業高管的談話，這些高管來自保險、制造、制藥，甚至好萊塢的電影公司——他們的編劇和演員現在正在罷工。他們都想知道如何用更少的人力資源創造更大價值。這麽問是因爲，去年秋天 OpenAI 開發的聊天機器人 ChatGPT 突然走紅，展示了 AI 自主生成電子郵件、論文、食譜、财務報告、文章和想法的能力。高盛估計，在未來十年内，3 億工作崗位将會被淘汰或大量減少。
動蕩開始出現。" 提示工程師 "（prompt engineers），即要求 ChatGPT 等系統生成内容的人，這一職位的發布上提供了 30 萬美元或更高的年薪。OpenAI 的 GPT-4 通過了美國律師執照考試，并暗示了在不久的将來，我們可能就不需要律師來處理交易工作了。事實上，沃爾瑪正在制作一個生成式 AI 系統的原型（與 OpenAI 無關）來制定部分供應商合同；另一方面，75% 的合同律師和采購人員表示，比起人類同行，他們現在更喜歡與 AI 談判。谷歌的 Med-PaLM 2 是一種專門訓練醫學知識的模型，現在正以醫生的專家水平回答醫學檢查問題。2023 年夏天，合作夥伴将開始測試可以查看 X 光并自動撰寫乳腺 X 光檢查報告的應用程序，且無需人類醫生參與。
這一領域的發展速度驚人，難怪這麽多高管得出了同樣結論：短短幾年内，強大的 AI 系統将在與人類勞動力相同（甚至更高）的水平上執行認知工作。受到 AI 可能性的誘惑，擔憂尋找和留住合格員工，并因最近的市場調整或未達到分析師預期而感到不自信，商業領袖們設想，未來的工作場所中不會有今天這麽多人。在我看來，這是一個巨大誤判。
首先，現在想明确預測 AI 的未來還爲時過早——特别考慮到生成式 AI 隻是相互關聯領域中的一個小領域，而每個領域都處于不同的開發階段。AI 将會以及何時淘汰哪些工作，還都隻是猜測。對于一個 AI 系統來說，僅僅執行一項任務是不夠的；其成果必須被證明是值得信賴的，集成到現有工作流程中，并針對合規性、風險和監管問題進行了管理。
其次，在技術帶來快速颠覆的時期，領導者會過于關注眼前收益，而不是其價值網絡在未來将如何轉變。随着 AI 的發展，它将需要我們在完全了解未來之前，随時重新構想整個業務領域。還記得公共互聯網和網絡浏覽器的發展初期嗎，那時它們還被視爲娛樂。沒有人能想到這兩個根本性轉變都會大規模爆發。那時根本無法預測它将如何影響總統選舉或世界上第一批萬億美元級别公司的創建。
可以肯定的是，今天的高管必須在自互聯網時代早期以來，我見過的最複雜的運營環境中做出決策。可以理解的是，擔心錯過下一波技術浪潮的領導者，正在不知不覺地對公司的未來進行高風險押注。爲應對生成式 AI 和人力共存、未來将以未知方式發展的不确定世界，領導者可以采取以下步驟。
做好應對準備
這裏有一個悖論：我們需要把勞動力看作是随着生成式 AI 發展，而不是被取代。勞動力需要發展，員工将不得不在多年的時間裏反複學習新技能。領導者必須采取一種新方法，最大限度發揮組織中 AI 的潛力，這需要以不同的方式跟蹤 AI 的關鍵發展，用叠代過程培養出準備就緒的員工隊伍，最重要的是，創造有證據支持的未來情景，挑戰組織内部的傳統思維。
那麽領導者可以怎樣應對這個時期？
首先，降低對生成式 AI 能夠以及将會爲業務做什麽的期望。從曆史上看，AI 經曆了幾個階段，包括突破、資金激增和主流興趣的短暫時刻，然後是未達到預期和資本減持。
1970 年，有影響力的計算機科學家、AI 的創始人之一馬文 · 明斯基（Marvin Minsky）告訴《生活》（Life）雜志，通用人工智能——一種認知能力與人難分上下的 AI ——再有三年就會出現。20 世紀 70 年代，這種 AI 所需的計算能力還不存在，超級計算機大多是理論上的。個人電腦也是如此。Datapoint2200 及其處理器最終成爲了我們後來所知的個人電腦的重要基礎。明斯基和其同事承諾的宏偉抱負從未實現，資金和興趣也至此枯竭。1987 年，這種情況再次發生，計算機科學家和企業再次對 AI 的時間表做出了大膽承諾，卻依然碰壁。
盡管功能強大，但今天主流的生成式 AI 工具，ChatGPT、Midjourney、DALL-E 2，還不是完成品。很快，人們就會對它們的新穎感到不滿，并意識到雖然 AI 可以創建内容，但還不足以實際應用。同樣，在醫學、氣候和生命科學領域的特定 AI 工具方面，現在還處于早期階段。爲了讓生成式 AI 實現被承諾的奇迹，即規模和成本效益，要做的工作還有很多。記住，這些工具直到最近都還隻是理論上的。
高管需要明确生成式 AI 今天将在其組織中發揮的實際功能。他們還應務實地看待生成式 AI 最終将釋放的機遇和風險，我們才剛踏上一條漫漫長路。根據我的觀察，很少有領導者正在制定一個将今天的運營與明天的願景聯系起來的現實戰略，在管理的團隊中進行社會化，相應修訂績效指标。
最近，我與一家渴望與生成式 AI 公司合作的跨國快消品（CPG）公司的高管見了面。我和他們講了一個很可能出現的場景：聊天工具回答了顧客幾個關于他們偏好和目的的問題，并讓線上購物車自動裝滿了他們一周所需的物品。但是，這個 CPG 的品牌沒有出現在購物車中——或者即使出現，也不在列表的第一位。正如谷歌和亞馬遜等發明了新的機制和規則優化搜索引擎一樣，未來，跨零售商和購物車應用程序等平台的生成式 AI，将爲 CPG 公司帶來新挑戰，這些公司可能會處于涉及關鍵決策的價值鏈的下遊。
其次，評估公司正在生成哪些數據，以及生成式 AI 現在和将來會如何使用這些數據。商業數據是無價的，因爲一旦模型經過訓練，将這些數據轉移到另一個系統就可能非常昂貴，技術上也很麻煩。目前新興的平台間很難互相操作，設計就是如此。生成式 AI 平台正在演變成圍牆花園，在那裏，創造技術的公司控制着他們生态系統的各個方面。最大的 AI 公司正在争奪市場份額，以及使他們的模型最具競争力所需的大量數據。通過向公司推銷他們的平台，他們希望鎖定它們，與他們的數據。
今天 AI 系統的創建，使用的是一種被稱爲強化學習機制（RHLF）的技術。本質上，AI 系統需要持續的人爲反饋，否則就會有學習和記憶錯誤信息的風險。數據輸入越多，需要的注釋、标簽和訓練就越多。今天，在肯尼亞和巴基斯坦等地，這項工作已經實現了自動化。随着 AI 的成熟，對有專家知識專家的需求也在出現。我見過的許多商業領袖都沒有計劃未來包括一個内部 RHLF 部門，負責持續監控、審計和調整 AI 系統和工具。（沒有領導者會希望看到一個無人監督的 AI 系統決定如何自我進化。）
即使有訓練有素的人參與其中，企業也必須不斷制定方案，以暴露與生成式 AI 系統合作的風險，特别是由第三方運營的系統。因爲 AI 系統不是靜态的；随着時間推移，它們正在逐步改進。每有一個新發展，新的潛在風險和機遇都會出現。如果沒有快速淘汰這些預測，就不可能提前排除所有潛在的負面結果。（現在還無法建立一個可以完全準确預測未來的蒙特卡洛模拟。）相反，應該有一個專門團隊負責監控生成式 AI 系統的學習，以及相關的網絡安全挑戰，他們應該開發簡短的 " 假設 " 情景，想象可能會出現的錯誤。
同樣，随着 AI 的發展，釋放新增長的機會也會随之而來。這意味着企業還應該有一個專門的内部業務開發團隊，爲新興工具提高生産力和效率、促進産品開發、刺激創新等多種方式，開發近期和長期情景。
再次，涉及 AI 時，領導者的關注點必須從一線轉移到高層。這似乎違反直覺，因爲許多人都認爲生成式 AI 是降低運營成本的方法。今天的智能聊天機器人很快就會讓位于多模态系統，這些人工智能可以同時解決不同問題，并實現不同的目标。想象一下，一家财産保險公司中，每個承保人會都與 AI 溝通。最初，承保人可能會要求 AI 評估與保險财産相關的風險；在對文本進行初步分析後，她可能會要求它使用檢查報告的圖像或與潛在投保人的音頻訪談來完善結果。她可能會來回使用不同的數據源，直到收到保險公司和客戶的最佳報價。
高效利用多模态 AI 的關鍵在于理解如何以及将什麽委托給機器，這樣人類和 AI 就可以通過協作完成更多工作。然而，委派是專業人士經常遇到的問題：要麽分配太多，要麽分配不足，要麽分配的任務不對。與多模态 AI 一起工作，需要員工掌握委派的藝術。
一旦員工了解如何正确對其委派任務，它将成爲組織内的力量倍增器。通過構思和模拟新的收入來源、尋找和獲取新客戶，以及尋求公司整體運營的各種改進，團隊對于增加公司收入可以有更大雄心。
這預示着，我們未來需要一種不同的技能提升方法。大多數員工不需要學習如何編碼或如何編寫基本提示。相反，他們需要學習如何利用多模态 AI 做更多、更好的工作。可以參考每天被 7.5 億知識工作者使用的 Excel。這個軟件包括 500 多個功能，但絕大多數人隻會使用幾十個，因爲他們不完全理解如何将 Excel 提供的大量功能與日常認知任務匹配起來。想象一下，未來，AI，一種更加複雜的軟件，将會無處不在。僅僅因爲商業領袖過于狹隘地處理技能提升，留下的效用還會有多少？
掌握不斷變化的 AI 勞動力的框架
勞動力變化是技術發展帶來的不可避免的副作用，領導者需要一種系統化的方式看待組織在生成式 AI 發展後的樣子。爲此，這個簡單的框架可以幫助領導者預測勞動力需要如何以及何時進行變革，才能發揮 AI 的杠杆作用。這裏的目标不是做出長期預測，而是讓組織在 AI 不斷進化的過程中做好準備（見 "IDEA 框架 " 圖）。
在這個充滿變革和不确定的時期，組織能做的最好的事情，就是有條不紊地規劃未來。這就需要我們了解生成式 AI 的局限和優勢，并采取持續評估和改進的文化。領導者應該抵制減少員工的誘惑，利用戰略遠見創造未來。在這個未來中，高技能的員工可以利用 AI，人類和 AI 團隊合作會比各自單獨工作，有更高的生産力、創造力和效率。
作者簡介：
艾米 · 韋伯是量化未來學家、Future Today Institute 的 CEO、紐約大學斯特恩商學院戰略前瞻教授。她是《信号在說話：爲什麽今天的邊緣是明天的主流》（The Signals Are Talking: Why Today ’ s Fringe Is Tomorrow ’ s Mainstream）《九巨頭：科技巨頭及其思維機器如何扭曲人類》（The Big Nine: How the Tech Titans and Their Thinking Machines Could Warp Humanity）和《創世紀機器：我們在合成生物學時代重寫生活的探索》（The Genesis Machine: Our Quest to Rewrite Life in the Age of Synthetic Biology）的作者。
本文來自微信公衆号 " 哈佛商業評論 "，作者：艾米 · 韋伯（Amy Webb），編輯：孫燕，36 氪經授權發布。
