波士顿咨询：生成式AI大潮来袭，你准备好了么？

以ChatGPT为代表的“生成式AI”（Generative AI）掀起了火爆浪潮，正在全球范围内逐步改写行业规则。

面对机会，中国企业高管提出了一系列问题，我们在此浅聊一下：

• 生成式AI技术生态在国内，离成熟落地应用还差多远？

• 生成式AI有哪些通用应用场景与行业应用场景？

• 企业该如何思考生成式AI带来的机会和挑战？

中国生成式AI离成熟应用还有多远？

首先，让我们了解下生成式AI技术的整体生态。

生成式AI分为三个层面：基建层面、基础大模型层面（含模型共享社区）、前端应用（面向C端用户、B端企业的数字化产品）。三个层面互相作用：基建层面类似能源，提供算力；基础大模型像汽车核心引擎（模型共享社区汇总收集不同引擎，供研发人员开发试验）；前端应用则通过数字化产品/服务等形态，将AI能力包装后呈现给终端用户，实现更好的人机交互。

国内生成式AI技术生态已经初具规模，分布在各个层面：前端应用，如大家熟悉的文心一言等；基础大模型，如百度文心大模型、阿里通义千问等。

根据技术服务供应商对企业的合作开放程度，又可分为三类：

• 内嵌模型端到端应用（End-to-end Application）：数字化产品本身内置专有模型，并未对外公布底层模型代码，也无法通过API接口接入。国内玩家如金山办公、超参数等。此类较难被外部企业直接使用，需要通过战略合作等探索合作可能性。

• 商业基础模型（Commercial/proprietary foundation model）：模型供应商自有模型，源代码未公开，但是企业可通过API等接口接入，同时，供应商通过提供公/私有化部署方案，确保企业数据安全性，并用于闭源大模型的微调。国内闭源模型如百度文心大模型、科大讯飞星火大模型、商汤日日新模型、阿里通义千文大模型等。企业与该类供应商合作，需要提供更多高质量数据进行模型训练和精调，选择合适的部署方案，开发定制化模型。

• 开源基础模型（Open-source foundation model）：源代码对外开放，通过分布式版本控制和源代码管理平台方便更多项目成员参与贡献及维护，国内如ChatGLM-6B（清华发布）、Moss（复旦发布）、昆仑万维天工系列大模型（预计今年开源）、悟道的天鹰、百川智能的baichuan模型。此类模型使用要求较高：除了训练数据需求外，需要企业具备AI算法专业人才，同时考虑选用模型/代码具备的许可证（license）限制范围，如，使用 Apache许可证的模型对商业应用友好，适合企业商业应用开发，而使用GPL许可证的开源模型，针对企业对外商业用途的应用服务有较多限制。

随着国内通用基础模型陆续开放接口、向企业提供服务，预计国内底层技术将愈发成熟；同时，更多面向垂直行业的大模型开发、应用也在积极推进中，如，360聚焦企业信息安全行业、科大讯飞聚焦教育行业。

预计未来两到三年内，行业应用情景将迎来井喷式发展，企业具体采取怎样的合作模式，需要结合应用场景，再根据资金投入、数据情况、人才储备等维度综合判断。

大模型驱动的生成式AI，通用应用场景 vs 行业应用场景

通用型应用场景（与传统生成式AI的差别）

概括来说，大模型一般指参数量远高于亿级别的深度学习模型。

由于大模型驱动的生成式AI是通过大量无标注的数据（达TB级）进行预训练，再用小量人工标注的数据进行微调，因此学习范围更广、文本关系更加深化、建立的模型知识面更广，可理解全领域的复杂问题，不局限于某个垂直领域相关知识。

因此，相较传统生成式AI，大模型驱动的生成式AI更深刻理解人类语言提出的问题、具有较强分辨歧义的能力，并且可以做数理计算和一定程度的逻辑推理；同时，其多模态生成能力很强，可以通过语义理解来生成图片、视频和音频等内容；更重要是，其用户数量及能力培养可指数级增长。

大模型驱动的生成式AI可为企业带来广泛价值：

01对内：企业内部流程优化，如

• 内部提高工作效率，服务于各个部门：如智能搜索与知识管理助手，生成会议摘要、报告文件等，自动生成知识管理，处理电子邮件，时间管理等；

• 技术服务：生成、检测、补全代码，文档化等；

• 人力资源：虚拟培训辅助、个性化员工辅导、虚拟招聘员工、入职流程介绍等；

• 法务：法务文档摘要、审查合同、法律术语翻译、法务翻译；

• 财务：基于NLP的欺诈检测、财务数据风险处理，创建财务报表和预算草案等；

• 客户服务部门：客服中心管理、客户互动、客户经理赋能、客户预测性维护等；

• 作业流程管理 ：自动化产品设计（如，电路板设计）、流程自动化、维护预测，安全管控等。

02 对外：优化客户体验，如

• 极度的个性化，创意内容自动化生成，包括广告文案、产品设计、图片生成等，同时也包括消费者购买建议等；

• 更具情感化的智能客服，可以大幅提升单个客服的覆盖用户范围；

• 客户管理转化助手，辅助客户经理/居间人，包括医药销售、保险经纪、地产经纪等；

• 丰富的虚拟服务场景及体验，包括线上虚拟空间及服务、游戏化互动空间等。

03甚至带来颠覆性的创新，如

• 媒体行业：内容生成门槛大幅度降低；

• 软件行业：软件开发过程中代码开发门槛下降，效率提升；

• 生物制药行业：探索新的研发方向、缩短研发时间。

行业应用场景

生成式AI对各个行业都有很大影响，贯穿价值链。

消费品行业

国内消费品行业目前应用情景都在试点阶段，集中在市场营销、电商销售运营、直播电商等场景，达到创意生产提效、客户满意度提升的效果。如：

• 市场营销：品牌商通过大模型产出多模态（视频、图片等）、客群专属化、风格化的营销素材，每年可节省大量制作费用（如，模特线下外拍、创拍的平面及视频内容制作）。如，现有解决方案已经可以根据品牌方的创意，在很短的时间自动化生成适用不同营销渠道的图文、视频等内容和广告创意，甚至可以帮助优化素材，提高投放效果。

• 电商销售运营：通过生成式AI工具，快速生成产品说明等，提升运营效率。

• 直播电商拟人化：借助互联网+平台的AI数字人能力、自动生成直播脚本及内容，实现7*24小时AI数字人直播宣传、直播带货等，降低人力成本，提升运营效率。

• 智能客服：电商平台驱动的虚拟客服，24小时及时解决客户问题。

除了营销和商品销售外，消费品行业也在产品智能研发、产品描述包装设计、制造环节等价值链中探索应用场景。

我们预期随着生成式AI解决方案的成熟，消费品行业的应用，将主要集中在三个方面：

• 极致个性化营销，提升营销效率，优化渠道投放转化：更加自动化、智能生成的、个性化的营销内容。我们通常说的个性化，指的是千人千面的内容推荐和分发，而生成式AI带来的个性化，是指在素材创意生成的时候，就已经个性化了（迎合不同客群、偏好、不同营销渠道风格）。

• 产品创新和设计，提升产品的购买率：基于市场趋势预测、用户洞察，设计新产品定位、包装等。如，运用DALL-E设计新玩具。

• 交互性更强、甚至创新的购物体验：如，与生成式智能助手进行更加自然的语言交流和商品推荐。例如，现在用户输入自己要什么商品。未来，智能助手直接在用户询问“这条粉色短裙比较适合搭配什么款式、什么颜色的上衣和鞋子”时，根据跟踪和分析用户购买历史、偏好等信息，提供更合适的答案。

工业品行业（以汽车行业为例）

目前，国内整车厂均在探索研发、营销及售后服务环节的应用，通过生成式 AI自动产出设计模型，如：

• 强化场景挖掘，提升研发效率：通过大模型等更好地进行设计元素生成、场景挖掘，以及对应的仿真测试、道路测试、VOC反馈、早期缺陷检测，甚至加速自动驾驶的研发和测试进程。

• 驾车体验升级：将生成式AI引入整车的语音助理中，更便捷、高效地满足客户用车、行车需求。

同时，我们预期随着生成式AI发展，将给汽车行业在采购、研发、生产运营等方面带来更大的价值，包括：

• 智能采购系统：根据库存管理数据，自动生成最优供应商选择、供应链风险预警等，减少车企决策与采购成本。

• 研发环节：运用生成式AI输入编程语言及大模型数据，自动生成CAD设计模型、预警研发设计缺陷等，提升研发效率与准确率。

• 生产运营环节：根据生成式AI模型算法，规划工厂生产所需零部件种类、数量等，减少人工决策流程、甚至进行智能质检。

• 营销及销售：运用生成式AI提供客户定制化、个性化选车建议，根据海量素材积累自动生成营销广告创意、文案及内容，定期向目标客群推送营销文案，降低人力成本。

• 驾车自助服务：如，拟真驾驶教练，用生成式AI提供语音和虚拟指导；驾车智能问答系统，为驾车者的查询提供更加简洁、可靠的服务；利用大模型技术升级驾车助理系统智能水平，为全球多家家汽车制造商开发解决方案。

这些都将对行业带来更加深远、甚至颠覆性的影响：

设计、生产和测试效率大幅提升：汽车行业产品研发周期长、投入重，生成式AI工具被更广泛应用、提高生产研发效率及准确率，降低人工成本。

辅助客户购车决策，提升客户体验价值：通过生成式AI的应用为客户提供个性化、定制化推荐选择，帮助客户更好地做出选择决策，提升客户体验价值。

驾车体验发生颠覆性地变化：更多智能辅助、交互产生。

医疗健康行业（以制药行业为例）

虽然中国在制药领域的生成式AI应用尚处早期，但是从国际发展看，生成式AI对提升药物研发周期及药物可应用领域推荐有重要作用，包括：

• 药物研究与研发：通过大模型数据，运用生成式AI输入大量实验数据，加速药物研发效率、减少药物研发周期。如，已有公司将生成式AI应用于药物发现领域，成功赋能多款抗肿瘤候选药物的发现和设计。生成式AI让他们只用1/3的时间和1/10的成本就能识别出一种临床前候选药物。

• 生产与运营：运用生成式AI规划最佳生产规划、环境，智能预警供应链风险，提高药品生产质量、降低风险发生可能性。

• 在商业化方面，通过机器人自动生成建议方案，为客户推荐适应药品，定制化用药分析，智能跟踪监测药品效果，以获得更多用户反馈。

如何思考生成式AI带来的机会和挑战？

企业首先需明确自己在生成式AI所处的位置：防守反击、寻找时机、蓄势待发、还是创新先行？

BCG企业建议从四大维度思考自己的生成式AI策略：

POTENTIAL潜力：

哪些应用场景可以为企业带来差异性优势？

评估生成式AI对当前产品的影响

识别高潜力、低风险的应用场景

考虑生成式AI来增强或辅助员工的创造力，强化与消费者间的关系

PLATFORM平台：

如何通过流程和技术最大限度发挥潜力？

选择最合适的途径落地应用场景，如：自建、收购、合作

选择最优的技术和基础设施，如：选择合作方是谁

了解基础设施情况，适度平衡成熟度、时间、成本和所需资源

POLICIES政策：

如何确保合规到位？ 

完善应对的公关风险，如：知识产权保护

明确企业行为准则、边界，赢得消费者和创作者的信任

减少合规风险，包括数据隐私、责任归属

PEOPLE人才：

应该做哪些准备，帮助企业员工接纳并适应生成式AI技术？

通过最佳实践举例，培训员工，提升生成式AI的影响

明确组织层面的影响，如：变革管理、人员以及运营模式

重新定义不同岗位、角色和职责边界，利用生成式AI提高生产力

同时，BCG可以通过一系列方式，帮助企业踏上生成式AI之旅：

1 帮助企业进行生成式AI培训，战略规划和探索用例：

关于生成式AI技术及用例的沉浸式学习课程，生成式AI技术/潜力研讨会

明确企业生成式AI的关键战略问题、企业成熟度评估

帮助企业探索潜在机会与应用场景，确定优先级并规划路线图

根据目标、能力及资源对用例进行评估

2应用场景构思和概念验证：

针对与增长相关、或者成本节降相关的应用场景，进行快速构思和概念验证。

3并购与合作机会扫描：

针对特定生成式AI标的扫描和尽调，包括分析投资主题，确定标的企业长名单，评估最具相关性的标的等。

4生成式AI的部署/实施，技术转型：

从概念验证开始的端到端旅程，全面的解决方案

构建、迭代生成式AI模型落地应用场景

优化现有技术，集成生成式AI技术；打造必要的基础设施能力，支持生成式AI模型

考虑生成式AI解决方案的可扩展性，实现交叉应用

5组织赋能：

优化员工结构，强化组织赋能，如设立创新中心

案例

BCG可以帮助企业开展生成式AI大师班研讨会，进行战略规划和探索用例，包括：

开展技术宣传教育，探索该领域内的相似案例，了解生成式AI功能。

评估生成式AI对组织的战略影响、 以及企业在该领域的成熟就绪度，制定实施路径以弥合差距、明确用例机会/长名单。

针对产品和运营优化领域，识别生成式AI的最佳价值机会。

构建、部署和扩展生成式AI解决方案，在整个组织中推出用例。

除了用例规划外，BCG还可以帮助企业技术落地生成式AI——根据企业用例需求、数据基础及安全要求、人才储备、资金投入等匹配合适的技术部署策略、落地支持：

策略一

企业直接使用AI产品及服务（如，调用API接口），需要持续迭代的实验和反馈调优产品，BCG数字化团队可提供：

从设计到构建生成式AI应用所需的核心能力

由2,000多名数字化专家组成的团队支持，覆盖从用户研究到全栈工程的各环节

策略二

企业通过行业/自身数据训练和验证AI模型（ 如，训练和精调模型），BCG数字化团队可以提供：

访问专有数据库，供AI模型训练和精调

数据科学家团队为客户准备高质量标注数据提供支持

策略三

企业在已有基础大模型上二次开发，或者建立基建设施等：类似于Bloomberg自己搭建模型，以及相关基础设施。事实上，由于投入资金、数据量要求极高，大部分机构较难采取该策略，但BCG数字化团队仍可为企业提供合适的战略合作方案建议，以及对市场玩家的全面客观看法。

关于作者

魏杰鸿（Jeff Walters）是波士顿咨询公司（BCG）董事总经理，全球资深合伙人，BCG X中国区负责人。如需联络，请致信Walters.Jeff@bcg.com。

严慎予是波士顿咨询公司（BCG）董事总经理，全球合伙人，BCG X中国区核心领导。如需联络，请致信Yan.Shenyu@bcg.com。

窦德景是波士顿咨询公司（BCG）合伙人兼董事，BCG中国区首席数据科学家。

夏菲是波士顿咨询公司（BCG）合伙人，BCG X中国区核心成员。

张振鑫是波士顿咨询公司（BCG）AI总工程师，BCG X中国区核心成员。

孔繁嘉是波士顿咨询公司（BCG）高级商业架构设计师，BCG X中国区核心成员。

曹一迪是波士顿咨询公司（BCG）数据科学家，BCG X中国区核心成员。