对于 B2B 生成式 AI 应用来说，少即是多吗？
输入“/”快速插入内容
对于 B2B 生成式 AI 应用来说，少即是多吗？
对于 B2B 生成式 AI 应用来说，少即是多吗？
发表时间：2023 年 3 月 30 日
作者：Zeya Yang 、Kristina Shen
译者：通往 AGI 之路，若有瑕疵之处，请在段落评论中斧正，谨此致谢
我们已经观察到，大语言模型（LLMs）在过去几年中已经成为主流，并且我们已经在 B2B 应用的背景下研究了它们的实现。尽管我们取得了一些巨大的技术进步，并且 LLMs 已经出现在大众的时代精神中，但我们相信我们仍然只处在用于 B2B 用例的生成 AI 应用的第一波中。当公司确定用例并寻求围绕其产品建立护城河时，我们预期从当前的“第一波”到更集中的“第二波”将出现方法和目标的转变。
这是我们的意思：迄今为止，生成 AI 应用主要集中在信息的分歧。也就是说，它们根据一组指令创建新内容。在第二波中，我们认为我们将看到 AI 的更多应用是 汇聚信息。也就是说，它们将通过综合可用的信息向我们展示更少的内容。贴切地说，我们将第二波称为综合 AI（“SynthAI”）以与第一波形成对比。虽然第一波在应用层已经创造了一些价值，但我们相信第二波将带来一个阶跃式的变化。
最终，正如我们下面将解释的，B2B 解决方案之间的竞争将更少地关注令人眼花缭乱的 AI 能力，更多地关注这些能力将如何帮助公司拥有（或重新定义）有价值的企业工作流。
第一波：从消费者到企业的过渡
要分析第一波，首先需要明确 B2C 和 B2B 应用之间的区别。当我们作为消费者使用生成式 AI 时，我们的目标主要是为了获得乐趣和有东西分享。在这个领域里，质量或准确性并不是高优先级：使用 AI 模型生成可以在 Discord 频道内分享的艺术品或音乐，然后很快就忘记它，是一件有趣的事。我们也有一种心理倾向，更倾向于相信更多=有益=好，因此我们被自动化创作所吸引。ChatGPT 的兴起就是一个很好的例子：我们容忍质量上的不足，因为分享更长的内容更令人印象深刻。
当涉及到 B2B 应用时，目标就不同了。首要的是围绕时间和质量进行成本效益评估。你要么希望能以相同的时间生成更好的质量，要么希望能更快地生成相同的质量。这就是从 B2C 到 B2B 的最初转换出现问题的地方。
我们在工作场所使用 B2B 应用，这里质量很重要。然而，如今 AI 生成的内容主要适用于重复性较强且风险较低的工作。例如，生成式 AI 适合撰写广告或产品描述的短文案；我们已经看到许多 B2B 应用在这个领域取得了令人印象深刻的增长。但我们随后发现，生成式 AI 在撰写观点或论据（即使 AI 生成的内容具有说服力或自信，但通常是不准确的）方面的可靠性较低，而这在 B2B 环境下的创新和合作中更有价值。一个模型可能能生成可用的 SEO 垃圾邮件，但例如宣布针对软件开发人员的新产品的博客文章，就需要相当多的人工润色，以确保其准确性，并确保信息能与目标受众产生共鸣。
另一个越来越常见的例子是用于编写外发销售电子邮件。生成式 AI 对于一般性的、冷门的外发电子邮件是有用的，但对于准确的个性化则不那么可靠。从一位优秀销售代表的角度看，生成式 AI 可能有助于用更少的时间写更多的邮件，但要写能提高回应率并最终导致预约会议的邮件（这是销售代表的评估标准），销售代表仍需要进行研究，并运用他们的判断力决定潜在客户想听到什么。
从本质上看，第一波已经在构思和起草阶段取得了更实质性的写作成功，但最终，需要的创造性和领域专业知识越多，就需要越多的人工润色。
打破工作流的成本（或益处）是什么？
即使在生成式 AI 对更长的博客文章有用的情况下，提示也必须精确和明确。也就是说，在 AI 能够以长篇形式表达这些概念之前，作者必须已经清楚地理解了代表博客文章实质内容的概念。然后，为了得到一个可接受的最终结果，作者必须审查输出内容，对提示进行迭代，并可能重写整个部分。