AIGC下的数据战略，助力还是阻力？

前言

数据已经成为企业的核心资产，而在生成式 AI 时代，数据的重要性更是被提升到了一个新的高度。如何利用好数据，制定出适合企业发展的数据战略，成为了每个企业都必须面对的问题。

从埃森哲的调研中我们可以看到，全球大部分商业领袖高管都计划增加在数据和 AI 方面的投入，这充分说明了企业对这一领域的重视。然而，生成式 AI 的发展并非一帆风顺，它带来了一系列的问题，比如数据安全、数据质量、应用方向等等。

在接下来的内容中，我们将一起深入探讨生成式 AI 时代下企业数据战略的各个方面。分析企业面临的机遇和挑战，探讨如何把握关键要点，制定出有效的数据战略。同时，还会分享一些企业的实践案例，看看他们是如何在这个新时代中探索前行的…

一、生成式AI的崛起与影响

生成式AI的发展可谓是日新月异。从ChatGPT的爆火，到各种类似的工具如文心一言、通义千问等的相继出现，我们不难看出这一技术的巨大影响力。埃森哲的调研显示，全球大部分商业领袖高管都计划增加在数据和AI方面的投入，这其中生成式AI更是备受关注。

生成式AI为何如此受青睐呢？首先，它具有强大的语言处理能力。以大语言模型为例，它能够处理大规模数据集，“掌握”企业的各种信息，从发展历程到业务细节，无所不包。这使得它可以在很多领域发挥作用，比如在咨询建议、内容创建、运营助手等多个方面。

我们来看一些实际的应用场景。在零售行业，生成式AI可以根据客户的行为和偏好，创建个性化的优惠和推广活动，提高销售额。在金融领域，它可以协助顾问生成文档，提高工作效率，还能更好地了解客户需求，提供个性化的财富咨询。在软件开发方面，像Amazon CodeWhisperer这样的工具可以根据开发者的评论和现有代码，实时生成代码建议，大大提升了开发效率。

然而，生成式AI的发展也带来了一系列挑战。一方面，技术本身存在一些限制。例如，基础模型可能无法处理某些特定类型的数据，而且模型的训练和微调需要大量的计算资源和成本。另一方面，数据的质量和安全性也成为了关键问题。如果数据存在偏差，可能会导致模型输出错误的信息；而数据的泄露或滥用，则会给企业带来严重的损失。

二、企业数据战略的关键要点

在生成式AI时代，企业的数据战略需要重新审视和调整。这里有四个关键要点需要把握。

（一）找准应用方向，激发创新价值

企业要根据自身的行业特点和业务需求，选择合适的应用方向。可以先在一些低风险领域进行试点，探索生成式AI的潜力。比如，某在线旅行代理商通过部署智能客服插件，为用户提供个性化的旅游建议，解决了用户的行程安排问题，提高了用户满意度。

不同行业的应用方向各有侧重。在零售行业，侧重于个性化销售和内容生成；在金融行业，注重客户服务和风险评估；在高科技行业，则更多地用于辅助设计和代码开发等。企业需要深入了解自身的业务流程，找到能够提升效率、创造价值的应用点。

（二）准备专有数据，确保数据安全

数据是生成式AI的核心。企业需要准备好高质量的专有数据，并且要确保数据的安全性。大多数企业会购买“模型即服务”，但为了更好地满足自身需求，往往需要使用自身的数据对模型进行定制或微调。

在准备数据的过程中，企业要采用规范的方法，包括评估数据的可用性、质量、安全性和隐私要求等。同时，要依托云环境构建现代化的数据平台，将数据存储在云端仓库或数据湖当中，以便更好地管理和使用数据。

数据安全是至关重要的。随着生成式AI的应用，数据面临着更多的风险，比如隐私泄露和数据被篡改等。企业需要采取一系列措施来保护数据，如实施安全密钥管理、访问控制，以及在数据的存储、使用和传输过程中进行加密等。

（三）驱动数据管理，打造最佳实践

生成式AI可以帮助企业自动化数据管理流程，提高数据的准确性和可用性。通过将智能嵌入数据治理，企业可以提高数据使用者的整体生产力。

在数据管理方面，企业可以通过生成式AI实现多个目标。例如，主动元数据管理可以加速数据目录的开发，提高数据的查找和解释能力；数据质量可信可以识别和纠正数据质量问题；主数据管理可以创建数据质量规则，优化数据匹配；运营模型可以定义数据治理角色和责任；政策与工作流程可以提供数据治理最佳实践建议。

（四）重构基础设施，实现高效运营

为了充分利用生成式AI，企业需要重构基础设施，考虑成本和可持续能源消耗等因素。云平台提供了弹性计算能力和无限扩展性，可以满足企业对数据处理的需求，同时打破数据孤岛，实现自动化的数据集成和自助式的数据访问服务。

例如，亚马逊云科技为生成式AI大模型训练提供了高性能计算基础架构，如Amazon EC2 P4d/P4de实例，由NVIDIA H100 Tensor Core GPU提供动力，与上一代基于GPU的实例相比，速度快6倍，训练成本节省40%。同时，企业还可以利用一些专门的工具和技术，如检索增强生成（RAG），需要向量数据库的支持，以提高输出的相关性和准确性。

三、企业的实践案例与探索

在实际应用中，许多企业已经开始积极探索生成式AI的应用，并取得了一些成果。

海尔创新设计中心打造了中国首个AIGC工业设计解决方案。通过与亚马逊云科技和Nolibox协作，该方案提供了符合品牌调性的设计品类绘画大模型、“AIGC无限画板”等功能，将AIGC应用于工业设计的概念创意阶段，涵盖了新品设计、改款升级等多个业务场景。

西门子携手亚马逊云科技构建了企业级智能知识库应用。针对企业内部资源检索和调用存在的问题，开发了智能聊天机器人“小禹”。通过“RAG架构 + 向量实验室”的设计，该机器人具有自然语言处理、知识库检索等能力，提高了知识库的可用性，上线首周就有超过4000位内部用户参与使用，超过12000个问题被提出并解答。

科思创基于Amazon CodeWhisperer提升了代码开发效率。针对项目框架搭建和存量代码优化等核心任务，利用该工具解决了重复性范式生成、惯用算法引用和企业级API接口定制等问题，相较于手动查询API文档，效率提升高至50%，同时在开源代码引用方面能即刻获得来自开源项目平台Github的引用参考。

全球知名跨国银行通过生成式AI减少了交易后电子邮件数量，提高了效率和客户满意度。该银行采用生成式AI解决方案，将电子邮件准确分发至相关团队，并草拟回复，减轻了员工的工作负担，使他们能够专注于更有价值的工作，同时降低了处理成本。

四、未来展望与思考

生成式AI时代为企业带来了巨大的机遇，但也伴随着诸多挑战。企业需要不断地调整和优化数据战略，以适应技术的发展和市场的变化。

在未来，我们可以期待生成式AI技术的进一步完善和创新。随着算法的不断优化和数据的不断积累，模型的性能将不断提高，应用场景也将更加广泛。同时，企业需要更加注重数据的质量和安全，加强数据治理和管理，以确保生成式AI的可靠应用。

此外，企业之间的合作也将变得更加重要。像埃森哲和亚马逊云科技这样的合作模式，为企业提供了技术支持和解决方案，帮助企业更好地应用生成式AI技术。通过合作，企业可以共享资源和经验，加速技术的应用和创新。

希望今天的分享能够给大家带来一些启发和思考，让我们一起在生成式AI的浪潮中共同前行！