生成式AI在B2B场景应用的变化

过去几年大家见证了大语言模型（LLM）逐步成为主流，并研究了这项技术在B2B领域的应用情况。尽管取得了巨大的技术进步，但我们认为，我们仍处于B2B用例的生成式AI应用的早期——第一波浪潮之中。随着各公司逐步开发自己的应用，并且开始寻求围绕产品建立护城河，我们预计很多业务中的目标和实现方法，将会迭代到“第二波浪潮“之中。

如何理解这里的“迭代”？

到目前为止，绝大多数生成式AI应用，都集中在信息 divergence 之上。也就是说，目前的应用，主要是根据一组指令，来创造新的内容。

而在第二波生成式AI浪潮之中，相信市场会见证更多用于信息汇集的生成式AI应用，这些应用会通过综合现有信息，向我们展示更精细化、筛选出来的内容（That is, they will show us less content by synthesizing the information available.）为了和第一波生成式AI浪潮进行区分，我们把第二波生成式AI浪潮，称为合成人工智能（"SynthAI"）。

虽然第一波生成式AI浪潮在应用层创造了一些价值，但第二波生成式AI浪潮将带来下一步功能变化。

那么，下一步，生成式人工智能在B2B的解决方案会是什么走向？

结论是：B2B解决方案之间的PK，将不会把重点放在令人眼花缭乱的AI技术能力，而更关注这些技术层面的能力，将如何帮助企业用户具备（或重新定义）更有价值的企业工作流程。

第一波生成式AI浪潮：跨越从C端用户到企业的桥梁

为了分析第一波生成式AI浪潮，首先我们要对B2C和B2B应用进行区分。当我们作为消费者，应用生成式人工智能时，我们的目标是以玩耍、娱乐和分享为导向。在娱乐层面，质量和正确性并不是最重要的：而让人工智能模型生成艺术或音乐这类功能更为重要，因为我们可以在Discord频道中分享，当然也会很快就会忘记它。大家通常会有一种心理倾向，认为更多的内容=生产能力=好，所以，用户通常会被吸引到生成式的、自动创造的AI工具。

举个例子：ChatGPT的兴起，就是很具备说服力的案例：因为用户真的容忍了这个聊天机器人很多质量上的缺陷，就是因为大家能用它，生成更丰富的内容，并且分享，令人印象深刻。

当涉及到B2B应用时，业务目标就不同了。这里的目标，主要是围绕时间和质量的成本效益评估。我们要么希望能够用同样的时间产生更高的质量，要么希望产生同样的质量，但是速度更快。

人们使用B2B应用主要是在工作场所，在这类的场景中，质量更重要。然而，今天人工智能生成的内容，主要是为重复性和低风险的工作提供的，这种业务层面上，要求通常不高。例如，生成式AI很可以为广告或产品描述撰写文案，许多这个领域的B2B应用，表现出明显的增长态势。

但我们随后也发现，生成式人工智能在撰写意见或论据方面确实不可靠（即使AI生成的内容令人信服或有信心，它也往往无法达到我们想要的准确程度）注意，当涉及到B2B生产环境中的创新和合作时，这一点更重要，大模型生成SEO信息也许是可用的。但是，如果让它为开发者撰写一篇详细新产品的博客文章，将会需要不小的人力去完善，以确保这篇文章是准确的，与目标受众产生共鸣。

另一个常见例子是AI用于编写销售的电子邮件，生成式AI对于普通的、冷冰冰的冷启动邮件是很有用的，但对于准确的个性化邮件来说就不太可靠了。从一个优秀销售的角度来看，生成式AI有助于在更短的时间内写出更多的电子邮件，但要写出能提高回复率，并带来订单的电子邮件（这也是对销售代表的评价），销售代表还是需要仔细研究，并通过自己判断，了解潜在客户想听什么。

从本质上讲，在头脑风暴和早期，第一波生成式人工智能对于更实质性的写作是成功的，但最终，越是需要创造力和领域内人专业知识，就越需要人为完善。

重构工作流程，有何代价？有何好处？

即使在生成式AI对较长的博客文章有用的情况下，你的Prompt必须是精确的。也就是说作者必须已经对代表自己博客文章的实质概念，具备清晰认识。然后，为了得到良好的结果，作者必须对AI输出的结果进行审查，迭代Prompt，不行的话，还要重写整个章节。

这里有个例子是用ChatGPT来生成法律文件，需要熟悉法律prompt的人提供所有需要的条款，然后ChatGPT可以用这些条款来生成草案。注意，AI不能执行当事方之间的谈判过程，但一旦所有关键条款都确定下来，生成式AI就可以出品较长的法律类文件草稿。不过，这些工作仍需要职业律师对它进行审查，编辑输出，以使这项文件达到可以签署的出品样本。

这也是为什么这类成本+效益评估模式，会在B2B背景下打破。

知识工作者正在评估如何工作流程中增加一个额外的AI功能的步骤是否值得花时间？是否应该还是由我们自己做？

第二波生成式AI浪潮：

汇聚信息，从而改善决策

当我们进入第二波生成式AI浪潮的时候，焦点会从信息生成转向信息综合。注意，在知识工作中，决策能力具备巨大价值，而员工的报酬是根据不完善信息做出决定，而不一定是单纯执行或解释这些决定而产生的内容数量而决定的。在许多情况下，更长的时间并不意味着更好。

许多常识和公理都支持下列观点：

1.代码行数不是衡量工程生产力的好方法2.更长的产品内容，不一定就能起到更清楚的说明作用3.更长幻灯片，也不一定能提供更多见解

Hex公司创始人Barry McCardel认为，人机可以共生，比如说LLM如何能够改善我们的工作方式？

"AI在这里是为了增强和改善人类的能力，而不是取代人类。

因为当涉及到理解世界和做出决策时，人类一定要参与其中。人工智能能做的是帮助人类将更多的脑电波，应用于有价值的、创造性的工作，这样我们不仅能在一天中花更多的时间来做重要的工作，而且还能解放自己，从事最有价值的工作。"

那么，AI如何改善人类的决策？法律专家需要专注于综合和分析，提高决策的质量和/或速度（上面的B2B图），明显的应用是，去总结人类自己永远无法直接消化的大量信息。

SynthAI在未来的真正价值是，帮助人类更快地做出更好的决定。

这里的设想几乎与ChatGPT的用户界面相反：与其根据简明的Prompt写出长篇大论的回复，如果我们能从海量数据中，逆向设计出总结的简明提示，会怎么样？（Instead of writing long-form responses based on a concise prompt, what if we could reverse engineer from massive amounts of data the concise prompt that summarizes it? ）

这将有机会，让我们重新思考用户体验，使其尽可能有效地传达大量的信息。例如，像Mem这样由AI技术驱动的知识库，保存着某个组织中的所有会议笔记，可以主动对相关的决策、项目或人发起建议，当组织中的角色开始一个新项目时，应该参考这些决策、项目或人，从而节省了他们浏览先前机构沉淀知识的数个小时（甚至几天）的时间。

回到上面一个对外发送营销邮件的例子，一个潜在的表现是，AI可以识别目标客户，究竟在何时会处于最高水平的购买意图（基于新闻报道、人才迁移等），并提醒相关销售代表。然后，人工智能模型将根据综合研究，建议在电子邮件中提一两个最重要的问题，以及与想要销售的目标客户最相关的产品功能。

这些输入，可以被输入到第一波生成式AI带来的解决方案中，但其价值来自于综合阶段，并为销售人员，节约了对单一潜在客户的研究时间。

确保这种综合信息质量足够高的根本转变是，从大规模的通用模型转向能够应用多种模型的架构，包括在特定领域和特定用途的数据集上训练的更精细模型。例如，某个构建客户支持应用的公司，会使用以支持为中心的模型，该模型可以访问公司的历史支持票据，但在其他情况下又会回到GPT。在建设专有微调模型和数据集壁垒，这些组件会成为公司速度和质量的护城河。

SynthAI的部署

当我们思考，第二波生成式AI浪潮可能是什么样的时候，我们相信从SynthAI中，受益最大的应用场景将是以下两种情况：

1.存在大量信息的场景，人类很难手动筛选所有的信息。2.高信噪比场景，主题或抽象出来的观点必须具备准确性

人工智能对工作流的改造，会带我们走向一个新的生产力时代。