商业中的人工智能 (AI) 是什么？

商业中的 AI 定义

商业中的 AI 有助于提升生产力并简化运营，从而提高商业价值。

人工智能技术如机器学习、深度学习和自然语言处理（ natural language processing - NLP ）利用数据的力量，在超越人类能力的规模上增强问题解决和决策制定能力。预测分析等能力 —— 可以利用数据预测未来结果，并根据趋势建模可能性 —— 以切实方式体现了 AI 的优势。从日常生产力到推动创新，AI 也彻底改变了商业。而对于精明的组织来说，AI 能持续将业务运营提升到新高度。

OpenAI 推广了生成式 AI（generative AI） —— 依靠深度学习、神经网络、自然语言处理和大型语言模型（large language models）生成新内容 —— 使其适用于一般商业（以及个人）用途。这一举措让 AI 更加普及，推动了商业领域的AI 采用浪潮。

率先采用的企业已经看到了生成式 AI 的实际好处。根据麦肯锡的数据，平均每家企业都在营销、销售、产品开发和服务开发中使用生成式 AI。各组织相信，这项技术将为全球各行业带来重大或颠覆性变革。

AI 在商业中的应用方式

AI 的多功能性使其能够应用于各类业务职能。从 IT 到战略，AI 的使用场景非常广泛。

AI 在 IT 运营中的应用

IT 运营中的 AI（AIOps）利用机器学习和大数据进行预测分析和异常检测。这提升了 IT 效率并减少停机时间。它通常使用可扩展的数据平台整合各种 IT 数据，如日志、指标、跟踪、性能和事件数据，以及基础设施和网络数据。AI 提高了可观测性实践和整体 IT 效率，能快速分析数据集以进行故障排除和基础设施管理。

通过 Elastic Observability 了解 AIOps

AI 在网络安全中的应用

随着数字环境的扩展，威胁面也在扩大。AI 在网络安全中的应用依赖于机器学习算法来分析大量的安全和运营数据。通过筛选误报、检测真实异常并自动化响应，AI 帮助组织减少处理警报的时间，将更多精力投入到威胁调查和应对中。

了解 Search AI 如何支持网络安全

例如，内容分发网络（ content delivery networks - CDN ）会分析传入流量是否异常。如果某个 IP 在短时间内请求大量数据，它可能会被判定为机器人或爬虫流量，并在一段时间内被封锁。这就是像 Ticketmaster 这样的网站（试图）阻止机器人抢购 Taylor Swift 或 Oasis 门票的方式。

AI 在商业分析中的应用

AI 通过实时处理和分析大型数据集，改变了商业分析方式。就像在 IT 运营中一样，AI 利用业务数据发现隐藏模式、预测趋势，并提供可操作的洞察，支持战略决策。

例如，在节假日期间，AI 可以提醒工厂和超市何时需要订货。根据过往数据，一家商店需要订购多少只火鸡才能满足节日需求？

 通过 Kibana 上的 ES|QL 实现发现、迭代与解决

AI 在商业战略中的应用

AI 通过支持风险管理、监控竞争对手和分析运营来支持商业战略。它能模拟情境、评估风险、识别增长机会，使领导者能够自信地做出数据驱动的决策。

例如，一家公司可能使用生成式 AI 模型快速生成和分析新的产品创意，基于客户偏好、外部市场趋势（如社交情绪和购买行为）和竞争者信息。这使企业能迅速决定开发哪种产品、如何分配预算、以及投入多少员工。传统的产品创意流程将成为过去，因为组织可以使用 AI 快速分析影响产品开发的所有因素。

AI 在营销和销售中的应用

AI 工具帮助营销和销售团队从客户和竞争对手数据中获得可操作的洞察。AI 监测与分析工具也能提供关于客户行为的见解，从而推动更有效的活动。通过提供个性化体验、优化广告投放以及自动化线索评分，AI 正在改变营销和销售格局，也在改变客户的期望。

AI 在客户服务中的应用

由 AI、机器学习和自然语言处理驱动的聊天机器人，通过全天候提供即时准确的回应来提升客户服务体验。通过 RAG 接入专属数据，这些聊天机器人可以回答从电商订单状态到视频门铃安装等问题。它们减少了等待时间，提高满意度，并让支持团队可以专注于复杂问题。

了解 AI 如何改变客户服务

AI 在内容生成中的应用

生成式 AI 可以为博客、社交媒体和营销活动创建内容。从写作到生成图像或视频，生成式 AI 是创意团队的有用工具，可以节省时间并激发灵感。

最终，AI 能帮助品牌更快、更持续地以新颖的方式与受众互动。然而，为了防止组织发布误导性或虚假内容而不标明其为 AI 创作，各类监管正在出台。组织应标明哪些内容是由 AI 生成的，以防止信息误导。

AI 在搜索中的应用

搜索应用可以结合机器学习和自然语言处理增强，提供语义搜索或对话式搜索体验。因此，AI 提供了更直观的搜索体验，帮助用户更快地找到所需信息。对于面向客户的场景，AI 通过地理位置、历史搜索等因素提供更相关、更准确的结果，从而改善搜索功能。

了解更多关于 AI 搜索应用的内容

AI 在商业运营中的好处

AI 正在重塑企业的运营方式，为组织提供了大量关于效率、决策和增长的好处。

• 更快地访问洞察：AI 改善了组织内部的知识共享。AI 的数据处理能力也意味着增强的分析功能，从而实现更快速的信息访问 —— 以及更快速地获取可操作的洞察。
• 提高生产力：通过自动化工作流程，AI 可以简化运营，接管重复和耗时的任务。员工可以专注于更具增值性的活动，从而推动创新和增长。事实上，83% 的 IT 领导者认为使用 AI 获取数据驱动的洞察将提高生产力。
• 提升客户满意度：通过实现个性化和相关性调优，AI 可以帮助提高客户满意度，通过在客户需要时提供他们所需的内容。如果品牌能高效解决问题并创造一种让客户感到被重视的个性化体验，这将自然地提升品牌忠诚度。
• 竞争优势：通过提高生产力、减少人为错误、加快洞察访问和提升客户满意度，AI 在技术栈中早期高效集成时，具有推动竞争优势的潜力。

AI 在商业中的挑战和风险

在商业中使用 AI 的承诺也伴随着挑战和风险——特别是在 AI 集成方面。

• 技术障碍：并非所有组织都具备将 AI 技术纳入其技术栈的能力。换句话说，那些未达到数据成熟度的组织，或没有访问必要的数据架构和基础设施的组织，可能会在实施 AI 技术时遇到困难。
• 技能差距：虽然 AI 应该弥补组织面临的技术技能差距 —— 通常是由于日益复杂的数字环境 —— 但 AI 技能本身需求量大。由于该技术本身发展迅速，AI 专家稀缺。因此，正确的实施和执行可能会具有挑战性。而且，为了充分利用这项技术，组织必须对团队进行新技术和新流程的再培训。随着更新的出现，这一循环将持续。
• AI 扩散与技术债务：当组织实施多个 AI 解决方案且涉及多个供应商时，长期成本将远远超过最初的预算 —— 导致技术债务 —— 并且无法随着工具的扩展而进行规模化。当组织及其数据增长时，这些点解决方案无法满足新的需求。使用 AI 解决方案的员工将被系统维护要求、数据验证和对账、以及数据孤岛所困扰。
• 工作岗位流失：尽管 AI 被认为是补充人类能力的工具，但它可能意味着跨行业的许多工作职能将自动化 —— 从分析到创意再到制造。因此，AI 有可能取代工作岗位并对许多领域的员工产生负面影响。
• 数据安全：许多组织由于缺乏对数据安全的信任而不愿采用 AI，尤其是生成式 AI。AI 模型的运行方式像黑匣子，因此确保合规性并保护专有数据是首要关注点。尽管像检索增强生成（retrieval augmented generation - RAG）这样的新技术已经出现，专为私人或专有数据源设计，但组织仍然担心其数据可能会暴露于安全威胁之下。
• 缺乏治理：快速的 AI 采用导致了缺乏适当的治理。由于 AI 的存在，国际或地区法规的导航比以往任何时候都更加复杂。大型组织可能会对实施广泛的流程变革感到犹豫，因为潜在的 AI 法律措施可能会影响到它们。

AI 在各行业的应用

我们已经在各行业看到 AI 带来的变革性影响。在我们的家庭中，流媒体服务提供定制化推荐，智能家居设备通过语音命令帮助我们调节温度和照明。商业中的 AI 则更多是在幕后工作，改变了工作方式。

金融服务

在金融服务中，AI 提升了分析能力，改善了欺诈检测、安全风险管理和客户体验。AI 可以简化贷款审批，个性化财务建议，并改善合规流程。基于 AI 算法运行的机器人顾问为投资者提供低门槛的个性化自动投资组合。

技术

在技术领域，AI 驱动产品创新、优化运营、减轻安全风险，并推动自然语言处理、计算机视觉和自主系统等领域的进步。它使组织能够构建提供卓越个性化以及跨行业全面可见性的解决方案。

零售

在零售业，AI 帮助公司个性化购物体验、管理库存和预测需求。零售商可以利用 AI 驱动的推荐和动态定价来最大化收入和客户满意度。

电信

AI 增强了网络优化、预测服务中断并改善了客户支持。电信提供商使用 AI 分析使用模式，并通过相关性引擎为客户提供个性化体验。

公共部门

政府和公共部门组织可以利用 AI 分析进行城市规划、公共安全和市民参与。AI 驱动的工具可以帮助简化操作，支持政府工作人员，改善资源分配，并简化公共服务。

如何在商业中实施 AI

尽管在商业中实施 AI 并没有一刀切的解决方案，但总体来说，它需要一个战略性的方法，遵循一个关键规则：从小处开始。

第一步：识别问题

AI 有很多好处，但并非每个业务环节都需要 AI。通过审计你的操作，聚焦于你希望 AI 解决的问题。这将确保你最大化资源使用，获得最大的价值。

第二步：确定成功标准

要成功实施 AI，您需要建立一组 KPI 来帮助衡量什么是 “好” 的标准。了解 AI 如何提高组织的生产力只是众多绩效指标中的一个。其他指标可能包括通过客户支持反馈来衡量客户满意度、减少支持票据或更快的解决时间。

第三步：选择模型

许多因素将影响你选择的 AI 模型。成本、语言、你的 IT 生态系统、部署能力和时间线、数据隐私法规和治理等都会发挥作用。你需要决定是预训练一个 LLM、微调模型，还是使用 RAG。这将成为你 AI 架构的基础。

第四步：快速尝试，快速失败

一旦你将 AI 模型调整到合适的规格，就可以开始部署了。此阶段的关键是积极监控 —— 你需要确保 AI 在实时环境中按照训练的方式运行，检查其准确性、速度和相关性（取决于用例）。在这一阶段，你需要建立反馈回路，丰富你的 LLM，微调用户体验，并建立一个可以扩展的参考架构。

第五步：设定护栏

AI 项目带来一系列挑战 —— 从数据隐私和合规性到伦理问题、质量控制和风险管理。你需要预见潜在的障碍，并确保你的项目与商业目标一致。你需要考虑全球法规，同时监控响应情感和幻觉的出现频率等问题。

通过此网络研讨会深入了解生成式 AI 的实施

第六步：设定时间表

概述一个时间框架 —— 可以尝试一个季度。在这个时间框架内，在第 30 天和第 90 天设定目标。利用这个季度证明 AI 提升的用例的价值。公司特定的需求、团队的组成以及他们正在使用或添加到技术栈中的技术将影响你部署第一个用例并收集洞察的速度。这将给你一个明确的时间点，帮助你根据第二步中设定的 KPI 看到结果的预期时间。

使用 Elastic 的企业 AI 解决方案

Elastic 提供强大的 AI 驱动的企业解决方案，以增强搜索、可观察性和安全性功能。通过集成 Elastic 搜索 AI 平台，企业可以释放数据的全部潜力，推动创新，并在竞争激烈的市场中保持领先。

Stack Overflow 使用 Elastic 搜索平台弥合 AI 信任差距，赋能开发者。通过 Elastic 的语义搜索和生成式 AI，OverflowAI 平台将 Stack Overflow 的公共内容与私有企业实例结合，为开发者提供相关的、具有上下文的信息。

使用 Elastic 的搜索 AI 平台，我们提供向量数据库、开箱即用的语义搜索、先进的相关性和数据检索，以及灵活的配置，以构建有效且创新的客户和员工体验。