创新胜于发明：评估新技术的价值
在评估新技术的价值时——你会想到什么?评估生成式人工智能的价值因其新颖、独特的应用以及对商业世界的潜在影响而引起了广泛关注。“嗡嗡声”对生成人工智能市场的报告规模做出了贡献：2021 年为 80 亿美元，到 2030 年的复合年增长率为 34.6%。但生成人工智能的真正影响——到目前为止的嗡嗡声——创造的潜力值，但不是实际值。
公司真正将这 80 亿美元花在了哪些方面?
支出是否真正用于AI?还是更多的数据工程加上一点机器学习?现在很难说，因为“生成式AI”的炒作和神秘感抬高了估值并成为许多头条新闻。
随着生成式人工智能全神贯注于其自身的炒作周期，公司可能会陷入新发明的兴奋之中，冲动地投入大量资金和时间。但就像任何闪亮的新发明一样，公司不应该在不考虑如何提取实际价值的情况下就急于采用生成式人工智能。这是创新与发明之间的关键区别。
口碑不等于价值
生成式AI是人工智能的一种形式，它可以创建全新的内容，包括文本、图像和语音。想想 ChatGPT，这是一种与用户进行对话交互以从简单请求生成新数据的模型。这种生成方面意味着一个变革步骤：以前，人工智能和机器学习 (ML) 只能分析现有数据或根据现有数据采取行动。
新内容的产生
产生净新内容的承诺让公司垂涎三尺，希望有机会在他们的流程和系统中应用该技术。我们已经看到生成式AI用于：
开发原创内容(文字、图片、视频)。
创建大量合成数据或关于数据的数据，可以训练其他机器学习模型或测试新产品和服务。
浏览大型数据集以突出显示模式。
在产品体验或数字化服务中个性化用户体验和内容。
自动执行重复性任务，例如数据输入或图像注释。
尽管生成式AI可能会对商业世界产生重大影响，但该技术的具体优势将因业务、行业和应用而异。
创新超越单纯的发明
虽然生成式人工智能激发了集体的想象力，但准备在下一波数字经济中取得成功的公司不会在不将客户或业务价值放在首位的情况下追逐最闪亮的新技术。他们明白，创新实际上是以产生价值的新方式做某事——即使新事物是使用旧工具完成的。
例如，将机器学习纳入产品推荐引擎以向用户输出推荐可能看起来很有吸引力。毕竟，这是更新颖的发明。但是，决策树可以产生准确的产品推荐，同样有效，同时构建速度更快，维护成本更低。
生成式AI的生命周期是什么?
生成式AI仍处于其生命周期的早期——闪亮的新发明阶段——还没有太多时间在现实世界中产生重大的商业成功。人们不愿意根据他们无法验证的数据做出相应的决定。当个人或公司不了解该技术如何生成数据时，这种自然(和健康)的怀疑就会增加。
收集和转换的数据
如何收集和转换数据以供AI使用会影响AI可以为企业实现的质量和价值。这种考虑需要大量投资才能计入投资回报率。大多数企业已经在为他们当前的系统而苦苦挣扎，因为他们的系统埋藏在难以处理的堆积如山的宝贵信息之下，因此我们不能忽视这一事实。
2023 年成功的组织将在关注这一现实的同时进行创新。他们不会为了技术而开发技术——他们会理解他们的假设，在进行更大的投资之前进行适度的投资，始终着眼于预期的结果。
发现生成式AI的真正价值
随着时间的推移，对客户认为有价值的东西的洞察力将超过酷炫的技术。当客户放弃他们看重的东西(如金钱或时间)时，他们会要求获得更多价值作为回报。
成功的公司将通过三管齐下的方法满足客户的需求：评估他们的一个或多个目标市场以确定技术背后的“原因”，以精益方法(适度投资)测试他们的假设，并最终了解引人注目的和持久价值在于。
确定技术背后的“原因”
首先考虑您的目标市场以确定技术背后的“原因”。创建一组机会假设。尽可能多地考虑，不要害怕向范围广泛的人征求意见——稍后你会筛选出你的清单。这些机会假设应该包括谁将受益、他们如何受益，并且可能包括谁将支付以及为什么。
根据以下标准评估机会列表并对其进行排名：
您的企业在提供这些价值主张方面的定位如何?
您的品牌和客户期望是什么?
机会有多大?
在您测试这些假设之前，请讨论要达到的阈值，这将说服您对任何单一机会或组合进行更多投资。这是抵制确认偏差诱惑的关键——只看到证实你想要为真的假设的结果。因为这是一种探索，你可能会得到非常意想不到的结果。意想不到的结果可能会带来意想不到的洞察力，从而带来更大的机会。
以低保真、精益的方式测试你的假设
我们如何在不构建概念的情况下测试我们的概念?什么样的小额测试投资会说服我们想要进行另一轮投资?
这些问题的答案取决于您的客户，而不是您的会议室。你必须离开大楼来检验你的假设。
我强烈建议在此阶段使用用户研究人员。他们提出开放性问题而不会让受访者感觉到您希望得到的答案的技巧对于获得可验证和可重复的结果非常宝贵。
纸质原型制作和远程用户测试
我也是纸质原型制作和远程用户测试的忠实拥护者。支持这些方法的工具已经取得了长足的进步。这些选项大大降低了假设检验的成本，可以实时记录或观察，并允许您快速调整测试脚本或假设。
当大多数领导者听到“用户研究”时，他们设想的是一个漫长、昂贵且模糊的过程。最好的用户研究人员完成小批量测试(5-8 个用户)并在进行下一轮之前与其他人一起解释结果。
如果做得好，这种类型的测试是利益相关者的协作和参与。对后来的投资者对话的潜在影响是巨大的，因为高管们可以举出潜在客户的具体例子来谈论他们的背景以及他们看重和愿意支付的东西。
了解价值所在
完成测试后，就该解释结果了。我经常听到领导者说他们想要“数据驱动”——而我就是其中一位领导者。当我开始观察用户测试时，我首先注意到反馈是定性的和不确定的，感觉不够。但后来我意识到，模式很快就会从这些结果中浮现出来。
我了解到，解释对于这个过程至关重要，而且确认偏见、不言而喻的假设和由一个人在等级制度中的位置加权的意见的时机已经成熟。我现在寻求成为“数据知情者”，而这个过程本身就是“寻找客户洞察力”。
那么什么才能在测试中产生真正有价值的结果呢?
有多种可能性。一个清楚地确认客户会重视您的公司并为您草拟的解决方案或近似变体支付费用。这些很少见，你应该留意那些试图告诉你他们认为你想听的东西的团队。
一个更有可能和更好的结果是，您的测试表明客户通常会在解决方案中发现价值，并且您可以深入了解他们重视的原因和价值。这种额外的颜色对所有未来的决策都至关重要，并为您的公司提供更显着的竞争优势，即使其他人也在寻求相同的解决方案。
如果您发现更好或更便宜的替代方法来提供相同或更丰富的价值，这些额外的意见见解还提供了调整的选择。
如果企业想要构建具有真正商业价值的数字产品并积极推进数字化转型，那么完成这三个阶段至关重要。
利用真正的商业价值而不是炒作
需要成为先行者的时代已经名誉扫地。我们距离生成式人工智能的广泛采用还有数年的时间——我们需要时间来培养能够推动增值采用的人才。成本将下降——人才库将加深，生成人工智能将从炒作走向实用。
与此同时，我们将看到许多公司声称使用人工智能——利用炒作——而实际采用仍然是其产品/服务核心的外围。随着市场的成熟，追赶潮流的诱惑将会增强。
但那些决定如何利用生成式AI等技术创造真正价值的人将使自己脱颖而出，并成为下一波数字经济浪潮的最佳人选。
