自從 ChatGPT、Midjourney 和 Bing Images 等工具發布後，全球掀起生成式 AI（Generative AI）熱潮，科技巨頭紛紛從「元宇宙」轉向耕耘 AI 技術。

根據 Facebook 母公司 Meta 在 2022 年 Q4 財報，2022 年發展元宇宙的虛擬實境部門（Reality Labs）營運虧損達 137.2 億美元，2023 年決定消減該部門的成本，並在 5 月宣布推出「高效速成套件」，開發多項廣告文案生成工具，在 7 月陸續開放給廣告主使用。路特社 和 The Information 報導則指出，微軟在 2023 年 2 月已解散元宇宙相關部門，並投資 100 億美元給 ChatGPT 母公司 OpenAI。

看到元宇宙浪潮急速消退，科技巨頭們又紛紛轉投生成式 AI 的懷抱，廣大企業主關心的是：這波異軍突起的生成式 AI 熱潮，究竟只是一時的技術炒作，還是真正掌握未來改變產業規則的機會？

顧問公司麥肯錫（McKinsey）認為，相較於過往的新興科技，通常需要電腦工程技術背景者才能接觸，生成式 AI 則相對好上手，即使沒有程式背景，大家只要會問問題，就可以在工作上導入生成式 AI。「它跟個人電腦、手機這類突破性科技產品一樣，一個生成式 AI 平台能替任何年齡、教育水準和網路使用者提供多種應用的可能。」

對 CEO 來說，了解生成式 AI 已成為當前要務，更進一步要做的是與執行團隊合作，思考 AI 技術可以在哪些業務領域發揮作用。目前生成式 AI 最大的應用價值就是把它嵌入在既有的軟體上，提供更好的員工使用體驗。例如，電子郵件軟體能協助撰寫草稿、財務軟體可以自動生成財務報告的摘要、客戶關係管理系統能提供客服人員與顧客的互動建議。

麥肯錫建議企業，與其多點布局，從研發、行銷、銷售到客戶關係等所有作業流程都導入生成式 AI，或是鼓勵員工使用 ChatGPT 輔助任務，不如先以單項業務做重點導入，幫助公司掌握 AI 的效益，之後大規模投資比較能確定報酬率。也可以從最有潛力的應用情境開始導入，例如：該業務導入生成式 AI，可能會提升組織內多數同仁的工作效率，像是軟體開發公司導入自動寫程式的工具，企業內 9 成員工都能使用。

衡量資源與技術能力，選擇 AI 的導入途徑

麥肯錫分析了 4 種大幅顛覆既有作業流程、提升效率的生成式 AI 應用場景，以及它們對應的技術能力、投入資源與導入流程，CEO 可以依據需求與目的，跟技術人員討論，決定以哪種方式導入生成式 AI。

第一種導入途徑：線上購買軟體即服務（SaaS）工具

案例：改變軟體的開發流程
公司向軟體公司購買或訂閱 AI 工具，提升員工的工作效率，例如：AI 程式碼生成器。由於編寫程式碼的過程花時間且容易出錯，AI 程式碼生成器之後，工程師可以根據它的建議生成程式碼內容，可將程式碼的生成速度提高 50%，同時還能減少程式碼錯誤。

第二種導入途徑：嫁接外部的 AI 模型至內部使用

案例：快速閱覽文件
考量特殊的使用環境和需求，像是將 AI 導入員工既有的業務流程與系統中，部分企業會希望建構自己的 AI 使用方式，藉由 API（應用程式介面）將外部的 AI 解決方案（例如開放語言模型）整合到內部系統來使用。

舉例來說，一家大型的銀行發現客戶關係經理經常花費時間審閱大批的文件，才能掌握客戶的狀況，他們決定透過 API 將外部解決方案導入企業內部的系統中。該套工具能夠快速掃瞄文件，抓出關鍵問題，將審閱文件的時間從幾天降為幾個小時，提高同仁的工作滿意度。這種導入方式需要數據工程師、機器學習工程師、前端開發人員的參與，才能順利將外部的生成式 AI 串接至內部介面使用，後續還需要負擔軟體維護費用。

第三種導入途徑：調整既有的生成式 AI 模型

案例：優化客服系統
使用市面上已開發的生成式 AI 是比較省力的方式，不過如果涉及比較專業領域的用法，像是法律、醫學、房地產或金融業之間的服務用詞會不同，或是想要做出跟競爭者不同的應用情境，企業會考慮以既有的 AI 語言模型基礎為主，做部分的調整。

例如：一家企業導入生成式 AI 客服機器人回應客戶的需求，但他們希望針對客戶的喜好和專業背景提供不同的應答內容，而且回覆語氣要符合公司的品牌調性，所以他們選擇微調客服機器人的 AI 模型來符合需求。

這種用法需要 DataOps（數據營運）和 MLOps（機器學習、開發和營運）專家協助，生成新的模型後，還需應用部門協助測試，確認沒有問題。企業還要在軟體、雲端設備上投資，而微調模型的成本是使用模型成本的 2 至 3 倍左右。

第四種導入途徑：自行訓練模型，開發專用的生成式 AI

案例：加速藥物的發現
當市場上沒有合適的 AI 模型符合企業的需求，就需要自行訓練 AI 模型，比較容易出現在特殊、專業的應用場景，例如：開發新藥，它訓練 AI 需要的資料比較難以取得。舉例來說，製藥公司希望透過 AI 辨識顯微鏡中圖像的細胞特徵，並與藥物的活性、化學成分等特徵比對，提供藥物開發與實驗的建議，加速研發工作。他們就需要自行蒐集大量顯微鏡照片、藥物影響細胞活性的數據，訓練 AI 模型。從頭開始訓練模型的成本是嫁接 API 至內部系統的 10 至 20 倍，組織內部必須有大型、專門的團隊負責，也需要更高效的運算和雲端存取空間。

麥肯錫表示，依據使用方式與目的，不同企業在生成式 AI 投資成本的差異很大，CEO 必須謹慎評估投資報酬率與風險。此外，不是每家企業都有能力導入生成式 AI，除了直接跟軟體公司購買軟體的途徑、使用免費的生成式 AI 工具外，上列表格提及的第二至第四種都需要數據工程師或機器學習相關領域的技術人員協助導入，有的還需要硬體或雲端設備的投資。

CEO 應該跟技術長討論，確認組織內部設備的運算能力、數據系統、人才能力，是否能夠滿足企業在生成式 AI 的導入需求，針對弱項進行投資、補強。在資源、技術能力缺乏下，企業可考慮與合適公司合作降低開發的成本。例如：製造業與 AI 開發商合作，提供機台維修數據讓他們開發對應的維修客服模型，自己也能率先採用，增加業界的競爭優勢。

籌設跨職能小組導入生成式 AI，適當管控應用風險

當 CEO 決定了企業在生成式 AI 的應用策略，組織管理面也要跟著調整。麥肯錫建議，籌組跨職能小組來協助 AI 的導入專案，小組成員包括：數據科學家、資訊工程師、法務人員、網路安全管理者即相關的業務人員。小組的功能是確認 AI 導入目的、任務執行的優先順序，並釐清導入的風險、訂立企業使用 AI 的道德指南。

為了在生成式 AI 創造的機會與風險間取得平衡，企業應該從風險比較低的使用情境開始導入。以 AI 撰寫宣傳信件為例，可以先從 AI 撰寫信件後，由行銷人員決定是否寄給顧客的應用開始，再進階至 AI 撰寫宣傳信件後直接寄出。後者需要風險管理，包括：追蹤寄出的信件內容，確保寄出的內容符合道德、法律規範。CEO 還需要留意生成式 AI 相關的法律監管措施，特別關注消費者的隱私保護、智慧財產權相關的規定。

參考資料：McKinsey、Meta（1）、Meta（2）、The Information、Reuters