生成性人工智能降低了初始输出的成本，但真正的开销现在在于评估。根据麻省理工学院斯隆管理评论，只有18%的公司能够有效地从这些互动中学习。这一疏忽可能在未来几年内定义竞争优势。
最重要的是什么
- 如果没有反馈循环，公司将错失从生成性人工智能中积累价值的机会。
- 只有18%的组织在捕捉和应用人工智能输出的教训。
- 评估成本现在超过了输出生成的成本。
- 微软和谷歌在人工智能创新方面领先，但不一定在学习循环上。
- 制定系统化的方法来评估人工智能输出，以保持领先地位。
微软最近扩展了其Azure AI套件，将生成性人工智能整合到企业工作流程中。谷歌在Bard AI方面的进展显示了人工智能驱动工具的激烈竞争。然而，许多公司仍然专注于输出生成，而没有建立强大的评估框架。随着生成性人工智能的普及，从其输出中学习将使赢家与输家分开。
组织通常认为最大化人工智能输出是最具成本效益的策略。虽然生成性人工智能可以廉价地生成草稿和设计，但真正的挑战在于评估这些输出的质量。人工智能输出需要上下文理解和人类监督才能具有价值。仅专注于生成的公司可能最终得到不可用的内容，浪费资源并抑制创新。
如何采取行动
第一步 - 建立反馈循环
定期评估人工智能输出。进行每周审查，以识别成功和不成功的输出。
第二步 - 记录学习成果
鼓励记录人工智能评估中的见解，以建立知识库。
第三步 - 将学习整合到未来的互动中
将反馈纳入后续的人工智能互动中，以实现复合价值。
第四步 - 投资培训
培训员工批判性地评估人工智能输出。这将提升整体内容质量。
第五步 - 衡量影响
跟踪参与率或转化率等指标，以评估人工智能输出随时间的有效性。
快速检查清单
- 您是否建立了定期评估人工智能输出的机制？
- 是否有集中记录学习成果的系统？
- 评估中的见解是否被整合到未来的人工智能互动中？
- 团队成员是否接受了评估人工智能生成内容的培训？
- 您是否在跟踪指标以衡量人工智能对结果的影响？
本周要做的事情
打开您最新的人工智能生成报告或输出。安排下周的会议，讨论成功、失败，以及如何将这些见解应用于未来的人工智能互动。将此作为常规实践，以确保您正在构建一个更智能的系统。
大多数人错误的看法
许多人认为生成性人工智能的主要价值在于快速内容生产，而忽视了严格评估的必要性。低成本生成等于价值的假设是误导性的。证据表明，优先从人工智能输出中学习的组织显著优于那些不这样做的组织。
证据实际上说了什么
- 根据麻省理工学院斯隆管理评论，定期评估人工智能输出的组织平均有效性提高了25%。
- 只有18%的公司有系统来捕捉生成性人工智能的见解，这导致剩余82%的资源浪费。
- 微软的Azure AI整合了反馈机制， reportedly 提高了客户满意度30%。
- 谷歌的Bard AI根据用户互动优化输出，提供更个性化的体验。
来源说明：来自麻省理工学院斯隆管理评论的数据突显了从人工智能输出中有效学习的差距。关于微软和谷歌的统计数据基于公开报告和用户反馈。