IDC武连峰：加速生成式AI落地的六大策略

今天非常高兴来到金蝶云苍穹峰会，跟大家分享IDC的观点《加速生成式AI落地 发展新质生产力》。

首先，整体来看发展新质生产力变成了国家政策的核心。发展新质生产力总的来讲有三大驱动因素：第一个，技术大变革时代来临，不管是AI技术或者基因、生物制药、能源技术等等，这些技术大变革其实是发展生产力非常重要的底层驱动因素；第二个，需要生产要素资源创新配置；第三个，整个所有产业，特别是中国产业需要转型升级。这三个是发展新质生产力的核心要素。

同时，新质生产力的特征——高科技、高效能、高质量大家可以很好地理解。我们也可以看到有三大方法来发展新质生产力：一是更高素质的劳动者，每一个人在技术来临的时候都需要再培训，否则的话有可能就会被使用新技术的人所淘汰；二是更高技术含量的劳动资料，包括生成式AI等；三是更广范围的劳动对象，特别是数据要素这个劳动对象如何利用好。

最后，新质生产力有三大核心产出：第一方面是推动产业链、供应链的优化升级，这对中国来说是最重要的一个方面；第二方面是积极培育新兴产业和未来产业，2009年中国提出战略性新兴产业之后，今年又首次提出未来产业，所以像氢能、新材料、生物制造、低空经济、航天等对未来整个中国产业链发展，在全球的竞争中也会起到非常重大的作用；第三方面就是深入推进数字经济的创新发展。当然对在座的各位嘉宾来讲，一方面通过这个大的趋势可能会找到新的赛道，新的机会点。另一方面国家发展新质生产力有非常多的政策支持，我们可以获得这种支持，更好地支持企业未来低成本或者更加高效的创新。

本身ICT产业已经进入AI无处不在的大转型时代。当下，大模型时代来了之后，如何利用生成式AI，利用大模型在平台、社区的基础上支持企业更广泛的可持续、规模化创新就会变得非常关键。

ICT产业技术不断转型，至少有三点：其一，从用户角度来讲的支出转型，我们预测到2025年，全球2000强企业至少将40%的核心IT支出用于AI相关的领域，开始往AI转型；其二，从ICT厂商角度来讲的投资转型。到2026年，全球技术提供商将会把50%的研发资本分配给AI、自动化等；其三，服务转型，未来整个服务经济AI一定会加持。所以从支出到投资到服务，都意味着ICT已经进入到AI无处不在的大转型时代。

通过数字商业模式重塑行业和业务；通过数字业务平台规模化运营数字业务；利用生成式AI释放数据要素的力量，这是所有企业都要迎接AI无处不在的数字化三大趋势，所有企业都需要认真思考。

首先，通过数字商业模式重塑行业与业务。任何一个企业做的业务都离不开收入、成本、伙伴、活动、资源、价值主张、客户等九大方面的内容。数字化商业模式的核心不仅仅是收入结构，这九个方面都可以用数字化重新做一遍。IDC对全球和亚太区调研的时候，我们问企业的高管团队优先考虑什么样的商业模式，其中排名前五的分别是D2C模式、行业数字生态系统、API货币化、即服务模式和数据货币化，这都是数字化商业模式。

其次，有了数字化商业模式之后，毫无疑问还需要重新构造自己的数字业务平台，规模化运营数字业务。底层可能是技术基础层，核心是要把大模型和AI嵌入其中；接下来是创新加速层和业务韧性层，这两层更好地支持企业可持续创新；最后通过组织模式、商业模式和运营模式的创新支持企业可持续创新。

如果要加速生成式AI落地，我们应该有哪些策略：第一，认知要到位；第二，阶段要清晰；第三，场景要规划；第四，案例要借鉴；第五，预算要充足；第六，伙伴要合适。接下来我简单展开跟大家分享一下。

第一，认知到位。大模型应用已经开始在每一个领域把人的能力做延伸。生成式AI其实已经在听、说、读、写、画、创意、思考、行动方面，几乎达到了人类的平均水平，甚至有些水平比人类都高了，所以我们如何利用好它就变得特别关键。我们在对全球企业用户调研的过程中，37.4%的全球各行业企业认为生成式AI将会颠覆它们的竞争地位，我们可以看到整个行业用户对这一块是非常认可的。所以如果您今天还在犹豫，我觉得一定要提前布局。

第二，阶段要清晰。生成式AI在不同发展阶段对企业来讲应该做哪些准备。我总结下来，从用户视角来看，可能有四个点：一个是刚开始的时候它是一个聪明的实习生；接下来两三年变成您的个人数字助理，一周用三四次，它可以提供大量的信息甚至框架来支持我写报告；再强一点变成个人咨询顾问；最后就变成组织的绩优员工。

从应用视角来看，首先是2C的对话应用；然后把已有的应用嵌入进Copilot结合起来，开始嵌入企业的各种应用中；第三是AI Agent应用，未来可能独立完成一个功能，可以单独应用，也可以跟其他应用编排、协调，帮助企业完成任务；最后就到了创新的AI原生应用以及相关的设备。

那从企业价值角度来讲有三个大的阶段：第一个阶段，更好地提升生产力，提升每个人的工作效率；第二个阶段，提升用户体验；第三个阶段，实现增长的红利。

第三，场景要规划。究竟有哪些应用场景需要落地？优先级如何？我们从商业模式上或者企业实现价值的角度来讲，大体上会有艺术设计、知识管理、数字员工、市场营销、代码生成、客户服务这六个大的方面。我们也在做调研，生成式AI集成到业务流程中，企业高管最希望用在哪个领域？第一便是面向客户的应用程序，次选是HR和员工的应用，接下来是财务运营、制造和供应链的应用。 

第四，案例要借鉴。哪些同行可以借鉴或跨行业借鉴，数字化原生企业实践是否对我们有一些启示。我个人印象很深的案例是蒙牛，其整体数字化转型已经进入到数智化战略3.0阶段，其核心叫做“AI驱动双飞轮”——智慧左脑和智慧右脑。左脑包括研发、智慧工厂、经销商管理，右脑包括消费者互动、营销、敏捷履约、终端管理。左脑是企业内部，右脑是企业外部跟客户之间的关系。截止到2024年4月30日，蒙牛内部认证提示词工程师有370人，活跃账户数1215人，月均C端应用健康服务有8000次，总图片生成数量有9万张，模型API调用数量超过了20万，在行业内非常领先，非常全面。还有南方电网把整个大模型用到标准化查询里，包括标准编写，提升效率有50%左右。某个汽车集团用生成式AI 24小时不间断地生成营销内容，分发给上千个媒体矩阵，这是以前无法想象的事情。建发地产也是用金蝶的财务大模型，大大提升了合同文本、合同引进、审批整个全业务流程的效率。

第五，预算要充足。IDC数据显示，从2024年到2027年，全球生成式AI支出规模会增长55%。2023年生成式AI支出比较高的行业是互联网、金融、运营商和汽车。从未来几年综合来看，运营商、汽车、交通运输、零售、教育行业可能还会有更好的增长。

第六，伙伴要合适。构建生成式AI能力方面还要考虑哪些需要自建，哪些需要外部购买。但不管是自建还是购买，首先要把数据的安全隐私，包括知识产权、数据治理这一块一定要做好。然后从基础设施、数据、模型、应用，生成式AI的能力层次至少有这四层。刚开始如果整个企业内部的技术构建度比较弱，就直接购买独立的就可以了，直接满足业务需求；技术能力处于中等水平的时候，可以考虑一部分购买，一部分在模型层开源或者闭源模型，整体来讲还需要跟合作伙伴一起建设模型的调优；如果技术能力非常好的，可以开始定义自己的模型BYOM（自带模型），但极少数企业才会有这种能力。