由IBM发布了《CEO生成式AI行动指南：利用生成式AI推动变革》这篇报告。以下是对该报告的部分摘录，完整内容请获取原文查看。我们正迎来生成式 AI 的决定性时刻。在新一轮工业革命中，如果能够正确投资于这项新 兴技术，并为员工赋予适当的技术来高效并负责任地创造性使用生成式 AI，企业将实现 倍增的业务增长。
第 1 章： 人才与技能
生成式 AI 的本质是人才的工作方式。 与仅关注机器能做什么的新技术不同，生成式 AI 增强了人类的能力。 它可以自动处理各种重复性任务，从市场研究、内容创建、数据分析 到代码开发，实际应用比比皆是。 客服人员可以运用生成式 AI 来处理日常问题，这样就腾出时间来开 展销售支持工作。编码人员可以从繁重的日常编程任务中解放出来， 专注于提高代码质量和安全性。人力资源专家可以从日常任务中抽身 出来，专注于真正重要的事情⸺培养人才。 反馈循环变得近乎即时，从而为实现新的、更好的业务成效开辟了道 路。但生成式 AI 的影响并非在抽象的数字环境中发生，竞争优势乃 是源自拓展员工专业知识和扩展组织能力。 所有这一切都应将人力资源置于组织发展的核心位置。然而，60% 的受访高管将人力资源视为纯粹的行政职能，这种风险可能会削弱这 项革命性技术的积极影响。5 了解如何运用生成式 AI 为员工赋能的领导者将实现倍增业务效应。 一半的受访高管表示生成式 AI 将改善其业务的多个方面，从决策、 客户体验到收入增长。
将人才置于生成式 AI 战略的核心，而非 技术。 生成式 AI 不会取代人类，但使用生成式 AI 的人将会取代不使用生 成式 AI 的人。请着手打造与时俱进的人才团队。 – 提升人力资源的战略地位，而不仅仅是行政职能；您的人力资源 团队将在构建 AI 驱动的未来员工团队方面发挥战略作用。首先对 负责领导这项工作的人力资源专员开展技能再培训。 – 制定正式、透明、 以人为中心的变革管理计划，确定生成式 AI 测 试和采用的进展情况，并在整个企业范围内提供有关用例、成功、 失败及经验教训的持续反馈。 – 但首先应避免“买家懊悔”思维。确保建立一个以符合伦理的方 式使用生成式 AI 的模型，设定明确的标准、指南和期望，避免选 择错误或花费过高。并与整个企业的员工共享这些模型。
第 2 章： 客户服务
客户服务已经超越其他职能，成为 CEO 的 第一要务。 在 2023 年初 , 受访 CEO 告诉我们，研究、创新、营销和风险合规是 生成式 AI 最直接且最具价值的应用场景。几个月后，客户服务已经 跃升至生成式 AI 实施清单的首位，获得了更多 CEO 的投票，并且超 过了任何其他组织职能或服务。10 这在一定程度上是由于各方利益相关者施加了压力，要求 CEO 实施 生成式 AI。近一半的受访 CEO 表示，他们感受到来自客户的压力， 要求他们加快采用这项新技术。11 客户希望快速、轻松地获取个性化 解答，这意味着 AI 驱动的客服机器人不仅极其实用，而且必不可少。 高管们认识到生成式 AI 在推动客户服务转型方面的潜力。他们预计 生成式 AI 会带来一系列益处，而缩短响应时间和改善整体客户体验 就位居前列。12 但要实现所有这些益处，首先要从客服开始。近三分之二 (63%) 的 受访高管表示，到 2023 年底，他们将已经投资实施直接应用于客服 领域的生成式 AI 项目，包括部署生成式 AI 来进行客服培训，以及让 客服能够直接与技术应用交互，从而提供更好的即时帮助。1
为客服提供生成式 AI 工具，让他们如虎添翼。 让人工客服从繁琐的任务中解放出来，转而专注于更加个性化的客户 互动（这才是最重要的），这是组织为客户提供更高价值、打造差异 化品牌以及将客户服务从成本中心转变为收入引擎的一种立即可行的 方法。 – 优先考虑可改善客服体验的应用场景。显然，组织应自动化繁琐的 手动任务，并让客服能够利用生成式 AI 来回答关于产品和服务的 问题并提供建议。让客服能够快速轻松地访问通话转录和摘要。利 用生成式 AI 进行即时翻译并让客服人员能够根据个人分析，利用 技术工具来获取指导。 – 让生成式 AI 管理标准客户交互，并将更复杂和敏感的问询转给人 工客服。投资精心发展和培养经过严格培训的人才。除了同理心之 外，还要确保他们具备商业头脑，能够提供周到的服务，将不满意 的客户转变为品牌忠实支持者。 – 不要与客户玩“捉迷藏”：明确告知客户他们正在与生成式 AI 机 器人互动，并让他们能够随时要求获取人工帮助，而不需要提供任 何解释、理由或附加条件。
第 3 章 ：客户和员工体验
生成式 AI 是一种令人震撼的体验。 企业不可能始终都让所有人满意。至少在生成式 AI 出现之前是做不 到的。 生成式 AI 打造的高度个性化体验有望彻底变革企业与客户及员工之 间的交互方式。利用来自销售、营销和服务职能的真实 360 度客户 数据，生成式 AI 可以打造定制化体验，并确定“下一步最佳行动”， 从而帮助企业吸引特定客户。 例如，金融服务公司可以使用生成式 AI 来快速分析其客户数据，以 及来自社交来源和合作伙伴组织的数据，以确定哪些客户最有可能采 取各种行动，从开设新的支票账户、投资资产到申请贷款等。然后， 生成式 AI 可以帮助该金融服务企业的高管通过个性化策略和自动化、 即时定制的优惠（翻译成客户的首选语言）实现真正的一对一营销。 在全球范围内，62% 的受访高管表示，生成式 AI 将颠覆其组织设计 体验的方式，而个性化定制则是这一演进的核心。19 事实上，推动组 织利用生成式 AI 重塑体验的两大益处就是更好的内容质量和个性化 体验。20 然而，组织如何实现这一目标仍然有些模糊。虽然 78% 的受访高管 表示其组织可以采用适当的方法将生成式 AI 扩展到客户和员工体验 中，但其中大多数仍在研究如何确保一致的质量。21 超过一半 (56%) 的受访高管表示并未建立适当的流程来审查生成式 AI 的输出并解决 问题。22 控制质量的一种方法是使用专有的生成式 AI 模型，该模型基于经过 许可的材料进行了训练，经过编程以满足特定的性能标准，并且只能 由员工访问。这些模型可以无缝整合到组织的现有基础架构中，从而 提供更加一致的用户体验。
找到并消除摩擦。 虽然所有人都可以使用生成式 AI，但 CEO 如何选择使用此功能可能 将成为一项差异化因素。通过分析大量用户数据，生成式 AI 可以识 别常见的痛点，并设计直观、极具吸引力且独特的体验。将此作为 您的终极目标，以实现非凡成效。 – 鼓励设计师成为内容策展人。利用生成式 AI 增强内容创作，以创 建可根据用户访问和交互方式自动调整的自适应设计。在可发挥 关键作用的细节上加入人性化因素。 – 让一切成为专属。并非所有用户都采用相同的体验交互方式。对 专有数据进行更深入的投资，作为对开放模型的补充，以帮助生 成式 AI 识别客户和员工的特有模式。随着时间的推移，生成式 AI 还可以使用专有数据来定制、完善和改善体验。 – 注重设计思维。利用生成式 AI 使复杂问题简单化，而不是恰恰相 反。将设计融入到您的一切活动中，改变事物的运作方式，而不 仅限于形式。
第 4 章 ：平台、数据和治理
生成式 AI 再次提供了建立平台业务模式的 机会 。全球最具价值的企业都以平台为核心。这些企业的成功很难复制，但 生成式 AI 使新一轮商业模式创新成为可能。事实上，受访高管预计， 2023 年的平台投资回报率将比 2020 年高出 57%。35 更能说明问题 的是，94% 的受访高管表示计划在 2022 年参与平台商业模式，而 2018 年这一比例仅为 46%。36 成功的平台将适当的数据、模型架构、治理和计算基础设施结合在一 起，确保在整个生态系统中创造可靠的价值，覆盖“任何人、任何位 置”。然而，《哈佛商业评论》发现，在过去 20 年中，只有 17% 的 平台取得了成功。37 生成式 AI 或许就是一项缺失的要素。生成式 AI 可以转变组织内部的 各个职能，从而为平台赋予超能力。受访高管预计，生成式 AI 将对 销售 (57%)、研究和创新 (55%)、产品开发 (55%) 和客户服务 (37%) 产生最大的影响。
收集您在上次考虑成为平台企业时无法获得的所有平台拼图。 – 像初创公司一样行动。避免仅关注小幅增长的渐进主义。设计一个 生成式 AI 平台业务，使其在未来三年内成为您最大、增长最快、 利润最高的业务部门。 – 采用以结果为导向的设计，适应变化。在构建平台时，以在每个接 触点为平台参与者带来真正增值为核心。建立一种机制，根据不断 增长的数据量持续评估和迭代模型。 – 在投资之前进行测试。在做出重大投资决策之前，测试您的平台所 依赖的新生成式 AI 功能。从面向客户的 AI 计划的进展中吸取经验 教训。
第 5 章 ：开放创新和生态系统
生成式 AI 重塑了创新和生态系统所贡献的 价值。 生成式 AI 不仅仅是创新工具箱中的一项新工具，而是一个完整的工 作坊。 每天，人们都在探索如何以各种创新的方式，运用生成式 AI 来自动 处理任务、制定业务决策以及为未来的变革做好计划。任何企业领导 者都不甘于落后。 大约一半的受访 CEO 表示感受到来自业务合作伙伴的压力，要求他 们加速采用生成式 AI 。三分之二的受访高管表示其组织需要快速采 用生成式 AI 来推动创新。46 然而，目前只有 39% 的受访组织正在实 施或运营生成式 AI 来推动创新和研究。47 走在前面的组织可能会实现巨大的回报。在创新领域表现突出的企业 可实现比其他企业高出 74% 的年收入增长率。48 生成式 AI 有望通过 转变整个工作流程来进一步推动生态系统创新。绝大多数受访高管表 示，生成式 AI 将极大地改善创意构思 (80%)、发现 (82%)、与合作 伙伴携手创新 (77%) 以及创新执行 (74%)。49 为了充分把握这一机会，CEO 可能需要重新思考整个企业的运作方 式。只要立足于高层次的战略视角，并愿意重新审视计划，企业领导 者就可以找到在生态系统合作伙伴关系中创造和获取价值的新方法。
以创新方式开展创新。 运用生成式 AI 激发创造力并加强整个创新周期中的协作。统筹整个 生态系统的专业知识来解决复杂问题，开发极具竞争力的产品，并颠 覆传统的商业模式。 – 将生成式 AI 转变为创新的变革性力量。要充分发挥生成式 AI 在创 新领域的价值，就需要改变整个创新运营模式。将生成式 AI 视为 提高创新效率和成效的变革性机会。 – 通过增强和自动化来提升创新力。在整个创新工作流程中采用生成 式 AI 来提高速度、规模和影响力。运用自动化来解放生产力，让 人才更积极地参与整个企业的创新工作流程。 – 引入大规模试验。针对生成式 AI 如何以受控方式应用于创新进行 假设、试验和调整。衡量生成式 AI 相对于“手动”流程的创新成果， 作为价值证明。
第 6 章 ：应用现代化
生成式 AI 与应用现代化相结合，有助于形 成敏捷性和收入双增的良性循环。 应用现代化（更新传统系统和应用以融入现代技术和架构的过程）是 实现业务敏捷性的前提条件。与其将现代应用程序附加到传统旧式系 统上，导致技术环境变得更加复杂，企业可以利用生成式 AI 来加速 应用现代化，从而实现数字化转型。 借助生成式 AI ，企业可以自动化和简化应用现代化过程的各个环节， 从而更有效地利用资源。生成式 AI 可以生成代码片段和应用组件， 并自动进行测试，以确保应用性能符合预期。 采用敏捷实践的 CEO 实现出众收入增长的比例要比其他组织高出 43%。56 如今，79% 的受访高管表示，在应用现代化项目中使用生 成式 AI 将提高业务敏捷性。57 尽管生成式 AI 在所有这些技术进步中发挥着关键作用，但只有 27% 的受访高管表示其组织已经实现了主要工作流程的现代化。四分之三 的受访高管表示其组织尚未实现现代化，仍然是在分散化的系统中使 用碎片化的技术和工具。58
将生成式 AI 应用于已经实现现代化的应用， 以实现易于把握的成果。 所有人都希望能够快速取得成果。将生成式 AI 应用于已经实现现代 化的应用，以展示其潜力，并克服让某些现代化项目饱受困扰的阻力。 – 注重低风险、高可见度的机会。利用生成式 AI 来进一步提升特定 业务系统和应用的现代化水平，例如已经实现现代化的生产制造系 统或服务交付运营系统。 – 跟踪和衡量生成式 AI 对开发者效率的影响。利用这些数据向其他 业务部门的领导者展示生成式 AI 的价值，并争取支持。 – 引入经验丰富的人才来组建新团队，充当跨职能指导和倡导者的角 色。在整个企业中探索生成式 AI 现代化的机会，从而更加广泛地 创造价值。
第 7 章： 负责任 AI 与伦理
CEO 不能在 AI 伦理问题上推卸责任。 生成式 AI 就像是“狂野西部的淘金热”。对财富的追逐已经超过了 规则和法规，早期的探矿者有机会一夜暴富。 但是，这是以什么为代价呢？如果组织太急于求成，而未考虑复杂的 AI 伦理和数据完整性问题，就可能会因短期利益而损害长期声誉。 高管们了解其中的风险： 58% 受访高管认为采用生成式 AI 存在重大 伦理风险，如果没有新的治理结构或者至少更加成熟的治理结构，就 无法管理这种风险。67 然而，许多高管都难以将原则付诸实践。尽管 79% 的受访高管表示 AI 伦理对其企业级 AI 方法很重要，但只有不 到 25% 的受访高管实施了 AI 伦理的共同原则。68 正是因此，CEO 必须掌控全局并为其他人开辟道路。直接向 CEO 寻 求 AI 伦理指导的高管人数要比向董事会、总法律顾问、隐私官或风 险与合规官寻 求 AI 伦理指导的高管人数多出大约 2 倍。69 80% 的受 访高管表示，企业领导者（而不是技术领导者）应当对人工智能伦理 负主要责任。70 除了决策以外，CEO 还必须负责向其他领导者普及关于新兴伦理问 题的知识。通过将关于可信 AI 的对话提升到其他高级管理层和董事 会的层面，CEO 可以确保这些关键利益相关者不会被边缘化。采取 积极主动、包容性的方法有助于确保每个人都了解风险以及管理这些 风险的明确行动计划。这样一来，组织可以加快行动速度，同时保持 领导层协同一致。
让伦理团队在决策中占有一席之地⸺而不 是仅给予口头上的支持。 采取行动，将意图付诸实践。为伦理团队、政策和监测流程提供支持。 适时向董事会和外部报告进展情况。 – 即使超出了自己的舒适区，也应做到掌控一切。考虑任命一位首 席 AI 伦理官或其他领导者来负责整个企业的 AI 实践，并明确当 前高管角色的责任。确保各个业务部门和职能部门的高管遵循共 同的 AI 伦理目标。确保在决策中纳入合适的人员，包括风险与信 息安全主管。 – 创建有效的人机偕行关系。设定基调并在自动化与增强之间取得 适当的平衡。建议创建并采用 AI 设计指南，并将有关算法责任的 具体部分纳入企业的商业道德准则。积极制定培训、 AI 和数据素 养以及变革管理议程。以尊重和关怀的方式对待受影响的员工。 – 建立“伦理互操作性”。发现并吸引注重 AI 的关键技术合作伙伴、 学者、初创公司和其他业务合作伙伴，增强您的创新生态系统。 确认价值观是企业形象和文化的一部分，并确保所有合作伙伴的 价值观相一致。
第 8 章： 技术支出
生成式 AI 的热潮正在导致超出预期的支出。 生成式 AI 正在揭示传统资金分配实践中存在的问题。与任何新兴技 术一样，这本质上是一个动态的过程。项目需求和创造价值的方式日 新月异，给传统的预算流程带来了巨大的困扰。 如果企业高管无法确定哪些生成式 AI 项目在下个季度最重要（更不 用说下个财年了），他们将无法行之有效地分配资金。这项创新技术 势必会颠覆 IT 预算模式。而且，我们的数据表明，基础结构已经在 发生变化。 目前，受访 IT 高管提高了 2023 年生成式 AI 预算的估值，达到四个 月前的 3.4 倍。81 对于一家年收入 200 亿美元的组织来说，这相当于 在一个季度多一点的时间里，预计支出将增加 500 万美元。我们预计， 随着生成式 AI 的成熟和应用场景的落地，高管对预算的预计值将继 续增长。 不过，只有 15% 的受访 IT 高管预计会通过增加支出来为生成式 AI 的预算增长提供资金支持。相比之下，许多高管预计从其他 IT 投资 中腾出资金来分配给生成式 AI 项目。33% 的受访高管表示，这笔资 金将以牺牲非人工智能 IT 支出为代价。较大比例 (37%) 的受访高管 预计将从更广泛的 AI 投资组合中抽调生成式 AI 支出，这反映了对传 统 AI 与生成式 AI 项目之间的协同效应的期望，以及 / 或者针对整体 AI 项目组合的调整。82 这种重新分配预算的方法是合理的，但是否现实呢？随着生成式 AI 在整个行业中普及，它将产生全面的成本影响。尤其是，随着对生成 式 AI 解决方案的需求不断增长，人力支出和云计算支出也将同步增 长。总而言之，影响将是广泛而深远的⸺对于一家领先企业来说， 增加 500 万美元的预算可能不会有太大作用。
切勿让不断增长的 IT 预算成为负担。 CEO 需要清楚了解高影响力项目将如何利用人力资源和技术资源来 为相关成本准确分配预算。 – 洞悉支出全景。基于期望从生成式 AI 中获得的影响，分析整个 IT 成本网络。全面分析 IT、云计算和人员的整个成本网络，确保跨 所有投资创造更大的业务价值。 – 在整个企业范围内扩展财务运营 (FinOps) 功能，以全面了解所有 AI、混合云和应用现代化投资的成本与支出。了解员工当前所从 事的工作，其成本是多少，并回溯到具体的项目、应用和计划， 从而优化支出。 – 将图形处理单元 (GPU) 纳入视野。生成式 AI 需要 GPU 芯片的超 强处理能力，而这种芯片非常短缺。GPU 的市场价格将推高构建 和交付生成式 AI 服务的成本，并且很可能会体现在企业的云计算 成本中。
第 9 章 ：供应链
实时数据终于成为现实。 随着全球供应链持续动荡，企业高管们迫切需要建立单一可信的信 息源。事实上，实时响应需求波动是未来三年内的首要运营优先事 项 (51%)。90 而生成式 AI 让这一目标成为现实。生成式 AI 可以帮助企业高管从整 个供应链中收集实时数据，并避免不同观点导致的混乱。团队不必再 争论哪一项数据是正确的，而是通过同一个信息视图来迅速做出决策， 并增强创新能力。 近三分之二 (62%) 的高管预计生成式 AI 将加快发现速度，从而创造 新的产品和服务创新来源。91 那些正确运用生成式 AI 的企业可以建 立关键优势：生成式 AI 领先者组织在创新方面的成效要比其他组织 高出 53%。92 当然，实时数据不会一夜之间就出现在仪表盘中。为了充分利用这一 宝贵资产，首席执行官需要解决一系列实际而务实的数据问题，从数 据细分和清理到确定如何在整个组织中使用结构化和非结构化数据。
摒弃“救火”思维，开始重新思考供应链。 通过实时、数据驱动的见解推动创新。结合运用这些见解与业务知 识来建立差异化优势。确定哪些数据应集中管理，而哪些数据应保 留在边缘或由第三方进行处理，以实现价值最大化。 – 通过高级建模打造现代化供应链。利用生成式 AI 的独特优势来推 动供应链应用和架构现代化。运用量子计算工具和方法充分发挥 扩展建模和优化功能的优势。 – 识别隐藏痛点，作为有针对性的候选创新目标。鼓励在需求波动、 采购、生产和分销领域开展端到端实验。积极开展供应链社区整合， 并利用生成式 AI 和海量数据来推动预测性和前瞻性分析。 – 用实时供应链大语言模型 (LLM) 查询替换传统仪表盘。将全面的 供应链指标和事务数据输入到生成式 AI 模型中。利用大语言模型 的即时洞察来实时做出决策。基于差距分析和相互关联点来构想 新实践。运用这些建议来做出预测性和前瞻性的决策与行动。
第 10 章 ：营销
营销团队是企业级生成式 AI 的引领者。 如果所有日常重复性任务均实现自动化，人类的时间应当投入到哪些 领域？超过四分之一 (27%) 的受访高管预计，在采用生成式 AI 之后， 营销角色将实现自动化。104 尽管这对营销专业人士来说听起来很可怕， 但全球大型广告组织 WPP 的首席执行官 Mark Read 指出，这其中蕴藏 着巨大的机遇。 “我们知道 [ 生成式 AI] 会颠覆哪些工作，但我们不知道 AI 会创造哪 些工作。我确信它将创造很多、很多的就业机会。比如说，WPP 内 部可能有一半的工作岗位在 20 年前是不存在的。我们没有社交媒体 经理，没有程序化媒体经理，没有搜索引擎优化师。还有很多。”105 为了充分发挥其价值，生成式 AI 模型需要访问从营销、销售到服务 的整个互动链的客户数据。这意味着，营销团队面临着巨大的增长机 会，但也需要拓宽数据隐私与治理视野，以管理品牌风险并维持客户 信任。然而，只有 24% 的受访 CMO 表示其营销部门正在与销售部门 和客户服务部门合作实施生成式 AI。106 重新思考营销运营模式，实现更有效的人机偕行关系，让人类专注于 更高价值的工作。增强创造力、创新力、战略思维、决策力、产品定 位和营销能力可帮助营销团队提升技能并加速学习曲线。当营销团队 取得进展之后，CEO 就可以将从中学习到的知识和经验提炼成路线 图，以帮助其他职 能部门在整个企业中更有效地整合这项技术。
将营销团队树立为 AI 驱动的劳动力转型的 模范。 让 CMO 重新定义营销人员的工作职责，以及他们不应承担的工作。 将所学习到的经验与教训应用到企业中其他职能部门的转型中。 – 让 CMO 成为 360 度客户视图的倡导者。 将营销团队打造为品牌的 客户体验和生命周期的负责人。为营销团队赋予影响整个企业客户 价值链的职责和权力。充分利用生成式 AI 创造的全新互动机会， 同时认识到并解决品牌风险。 – 注重创造更高价值的角色。与 CMO 合作打造具备生成式 AI 时代所 需技能的营销团队。与客户服务一样，将从营销重塑中吸取的经验 与教训应用到其他职能中。 – 将担忧转化为期待。鼓励 CMO 实施目标驱动、有针对性、正式的 变革管理方法，以帮助营销人员理解并接受其角色的新价值主张。 自上而下且自下而上地推动开放、透明和真实的沟通。
第 11 章 ：网络安全
生成式 AI 引入全新的风险与威胁。 生成式 AI 为网络攻击者提供了全新的武器库。当今的黑客不再仅仅 是伪造电子邮件，而是可以模仿声音、面孔，甚至个性来诱骗受害者。 而这还只是开始。 随着生成式 AI 在未来半年到一年内持续普及，专家们预计新型入侵 攻击将达到前所未有的规模、速度、复杂性和精密性，各种新的威胁 形式也会不断涌现。从可能性和潜在影响的角度来看，大规模发起的 自主攻击将成为最重大的风险。不过，受访高管们预计，黑客伪造或 冒充可信用户将对业务产生最大的影响，其次是创建恶意代码。112 组织实施生成式 AI 的方式也可能会带来新的风险。事实上，47% 的 受访高管担心在运营中采用生成式 AI 会引发针对其组织自主 AI 模 型、数据或服务的新型攻击。113 几乎所有受访高管 (96%) 表示，采 用生成式 AI 可能会在未来三年内导致其组织出现安全漏洞。114 全球数据泄露的平均成本为 445 万美元，美国更是高达 948 万美 元。在此形势下，许多企业正在加大投资力度，以应对新兴网络安 全风险。115 受访高管表示，其组织 2023 年的 AI 网络安全预算相比 2021 年增加了 51%。而且，他们预计到 2025 年，这一预算将再增 加 43%。
将生成式 AI 视为迫切需要加以保护的重要 平台。 敦促网络安全领导者紧急行动，即刻着手应对生成式 AI 的风险，而 不是采取分步措施。 – 理解当前的 AI 风险状况。举办董事会级会议，召集网络安全、技术、 数据和运营领导者共同讨论不断演化的风险，包括生成式 AI 的哪 些使用方式有可能暴露敏感数据，并允许以未经授权的形式访问系 统。让每个人都了解新兴的“对抗性”人工智能⸺即便是在核心 数据集中引入几乎察觉不到的细微变化也可能会导致恶意结果。 – 确保整个 AI 管道安全无虞。专注于对用于训练和调优 AI 模型的 数据进行保护和加密。在模型开发过程中持续扫描漏洞、恶意软 件和损坏。在模型部署后监控特定于 AI 的攻击（例如数据污染和 模型盗窃）。 – 投资部署专为保护 AI 而设计的新型防御措施。尽管可以通过扩 展现有的安全控制和专业知识来保护支持 AI 系统的基础架构和数 据，但检测和阻止针对 AI 的对抗性攻击就需要采用全新的方法。
第 12 章 ：可持续发展
生成式 AI 可以让理想成为现实。 如何才能弥合可持续发展愿景与行动之间的差距？数十年来，由于财务压力阻碍了许多可持续发展目标的推 进，CEO 一直深受这个问题的困扰。即使在今天，尽管 86% 的受访高管表示其组织制定了可持续发展战略， 但只有 35% 的受访高管表示已将可持续发展计划落实到行动上。124 长期以来，将可持续发展原则融入核心业务就一直是一项严峻挑战。根据 IBM 商业价值研究院最近开展的一 项调研，72% 的受访高管将可持续发展视为收入引擎，而不是成本中心。125 而 64% 受访高管认为他们必须要 继续在财务绩效和可持续发展之间做出权衡。126 不过现在，生成式 AI 以全新的视角诠释了可持续发展的前景。 可持续发展和盈利目标不再是天堑之隔，而是开始融合。基于透明数据的生成式 AI 可以帮助领导者比以往更 快地将信息转化为洞察，从而助力企业在统一的战略中同步推动可持续发展目标和财务目标。例如，生成式 AI 可以分析历史销售数据、市场趋势等因素，从而更准确地预测未来需求，帮助企业优化生产水平、减少库 存积压以及尽可能减少浪费。
当然，生成式 AI 无法仅凭一己之力完成这一切，而是必须作为传统 AI 、物联网和其他新兴技术的补充。我 们确定了成功的四大支柱：数据与生态系统、数字技术、流程与业务整合以及技能与决策。在这些领域成熟 度较高的组织实现出众盈利能力的比例要比其他组织高出 43%，而认为其可持续发展工作有助于推动盈利能 力的比例要比其他组织高出 52%。并非巧合的是，此类组织将 AI 应用于可持续发展报告和绩效的比例也要 比其他组织高出 33%。127 这些数据反映了生成式 AI 的潜力。如今，61% 的受访高管表示，生成式 AI 对于其可持续发展议程非常重要， 69% 的受访组织计划增加对生成式 AI 的投资以推动可持续发展。128 但这些投资是否能实现成效？或者企业领导者只是在追逐海市蜃楼？这一切都取决于数据。大约四分之三的 受访高管表示，手动数据处理流程阻碍了其可持续发展报告和绩效工作，而数据不足则是推动可持续发展总 体进展面临的最大障碍。129 此外，83% 的受访高管认为高质量的数据和透明度对于实现可持续发展目标必不 可少。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
