近年来，大型语言模型（LLM）逐渐成为主流，尤其在B2B应用领域。尽管技术进步显著，LLM在当代文化中占据了一席之地，我们认为B2B领域的生成式AI应用仍处于初步阶段。随着企业不断探索应用场景并围绕其产品构建竞争优势，我们预见AI应用将从当前的“第一波”向更加专注的“第二波”演进。我们所指的“第一波”是生成式AI应用，它们主要侧重于根据指令创造新内容。然而，在即将到来的“第二波”中，我们预计AI将更多地用于整合信息，通过综合现有数据向用户展示更加精炼的内容。我们称这一新阶段为合成AI（"SynthAI"），以区别于第一波的应用。相较于第一波在应用层面创造的价值，我们相信第二波将实现质的飞跃。最终，B2B解决方案的竞争将不再仅仅聚焦于AI功能的多样性，而更关注这些功能如何助力企业拥有或重新定义其核心的商业流程。
第一波：从消费者市场到企业领域的转变
在深入探讨第一波生成式AI应用时，区分B2C（面向消费者）和B2B（面向企业）应用至关重要。在B2C场景中，我们使用生成式AI主要是为了娱乐和创造性分享，如在Discord频道上分享由AI生成的艺术作品或音乐。在这一领域，内容的即时吸引力往往比质量或准确性更为重要，因为这些内容很快就会被新的信息所取代。此外，我们倾向于认为产出越多，价值越大，这使得自动生成的内容特别吸引人，ChatGPT的流行就是这一心理倾向的体现。然而，在B2B应用中，目标截然不同。企业用户更关注时间和质量的成本效益，他们追求的是在不牺牲质量的前提下提高效率，或是在相同时间内产出更高质量的成果。这正是B2C到B2B过渡中常见的挑战所在。
在工作场所，B2B应用程序的使用对内容质量有着严格的要求。当前，人工智能在生成适合重复性任务和低风险工作的文案方面表现出色，如为广告或产品描述撰写简短文本，这一应用领域已经见证了显著的增长。然而，当涉及到撰写需要深入见解或论点的内容时，AI的可靠性有所下降。尽管AI生成的内容可能颇具说服力，但准确性往往不足，这在B2B环境中对于推动创新和协作尤为关键。例如，虽然AI能够生成基本的SEO文案，但针对软件开发人员撰写的新产品公告博客文章，则需要人工介入以确保内容的精确性和吸引力。同样地，生成式AI在撰写通用的冷出站销售电子邮件方面具有实用价值，但在个性化方面则不那么精准。优秀的销售代表可以利用AI在短时间内生成大量邮件，但要提高邮件的回复率并促成会议预约，仍需销售代表进行深入研究，并运用他们对潜在客户需求的洞察力。总体而言，第一波AI应用在辅助头脑风暴和初稿撰写方面取得了进展，但在需要高度创造力和专业知识的领域，人工的精细打磨仍然是不可或缺的。
工作流程中断的成本与效益
尽管生成式AI对于撰写长篇博客文章具有潜在价值，但要获得满意的成果，必须提供精确且规范的提示。这意味着在AI能够生成文章之前，作者需要对文章核心概念有透彻的理解。为了达到可接受的最终输出，作者需要审阅AI生成的内容，调整提示，并在必要时重写部分段落。
以使用ChatGPT生成法律文件为例，这种做法虽然可行，但需要法律专业人士提供详尽的条款。ChatGPT随后可以根据这些条款生成文档草稿。然而，AI无法取代主要当事人之间的谈判过程。尽管AI可以协助起草初步的结案文档，但专业律师的审查和编辑对于确保文档达到可签署的标准是必不可少的。
在B2B环境中，成本效益分析尤为重要。作为知识工作者，我们必须权衡：在工作流程中加入AI驱动的步骤是否值得，或者自行完成是否更为高效。目前，对于第一波AI应用，我们通常认为自行处理更为合适。
权衡AI在工作流程中的应用
生成式AI在撰写长篇博客文章方面显示出其潜在的效益，但要实现理想的成果，必须依赖于精确和规范的输入。这要求作者在AI介入之前，对文章的主题和核心思想有深入的理解。为了确保最终的输出质量，作者需对AI生成的内容进行细致的审核，可能需要反复调整输入提示，并对不满意的部分进行重写。
以ChatGPT生成法律文件为例，尽管技术上可行，但这一过程依然需要法律专家的深度参与，以确保所有必要的法律条款得到准确呈现。AI可以基于这些条款生成初步的文档草稿，但它并不能完全替代律师在谈判和文件定稿中的关键角色。专业律师的审查对于将文档提升到可签署的标准至关重要。
在B2B场景中，进行成本效益分析尤为关键。作为知识工作者，我们需要评估：是否应该在工作流程中引入AI，以期提高效率，还是直接手动处理更为高效。对于当前的AI应用，即所谓的“第一波”，我们倾向于认为手动处理可能是更合理的选择。
人工智能如何改善人类决策？
我们预见，大型语言模型（LLM）的未来发展将侧重于综合和分析信息（SynthAI），目的是提升决策的质量和速度，即便它们本身不直接作出决策。SynthAI的显著应用在于处理和总结人类难以直接消化的庞大数据量。
SynthAI的核心价值在于辅助人类更迅速、更准确地做出决策。我们设想的SynthAI与ChatGPT等现有界面截然不同，它能够从海量数据中提炼出关键信息，而不仅仅是基于简短提示生成长篇文章。这种创新的用户体验设计，旨在高效地传递大量信息。例如，AI驱动的知识库如Mem，通过保存组织会议记录，能够主动推荐决策、项目或关键人员，从而帮助人们在启动新项目时节省大量查阅过往资料的时间。
以销售外呼电子邮件为例，SynthAI的潜在应用包括识别目标客户的兴趣高峰时刻（基于新闻报道、财报电话会议、人才流动等因素），并及时通知销售代表。AI模型将基于深入研究，提出邮件中应提及的最关键的问题和与目标客户最相关的产品特性。这样，虽然最终的邮件撰写可能仍会利用第一波AI技术，但其真正的价值在于前期的信息综合阶段，为销售代表节省了大量研究时间。
为了实现高质量的信息综合，必须从单一的大规模通用模型转变为采用多个模型的架构，特别是那些在特定领域和用例上经过精细训练的模型。例如，开发客户支持应用的公司可能会主要依赖一个以客户支持为中心的模型，该模型能够访问公司的历史支持票据。对于更复杂的情况，则可能需要回退到更通用的模型如GPT。这种针对性的模型和数据集的微调，有可能成为企业在提供服务的速度和质量上的竞争优势。
实施合成AI（SynthAI）
当我们展望第二代AI浪潮（Wave 2）的发展前景时，我们认为最能够从SynthAI中获益的用例将具备以下两个特点：
信息量庞大：手动筛选所有相关信息对于人类来说不现实。
高信噪比：主题和见解清晰明确，一致性强。我们不希望AI模型去处理那些细微且容易出错的差别。
为了将这些理念转化为实际应用，我们在下图中根据这些关键维度对常见的分析和综合示例进行了分类，以指导实施过程。
这有助于我们理解第二代AI应用将带来的成果，以及它们与第一代成果的区别。接下来，我们将提供几个示例来具体说明这些差异，虽然这些例子并不全面。
争夺工作流程的主导权
在AI增强功能的现有记录和工作流解决方案与AI原生的新解决方案之间，竞争日益激烈。我们关注的重点不单是构建人工智能合成能力，更重要的是掌握工作流程。现有解决方案的供应商正通过集成AI来优化和巩固他们的流程，而新兴的挑战者则利用先进的AI实施作为切入点，以期重新定义工作流程。
以产品反馈为例，Sprig利用AI分析开放文本和语音响应，将其归纳为不同主题。Sprig的创始人兼首席执行官Ryan Glasgow对大型语言模型（LLM）提升其合成解决方案的潜力表示乐观：
“借助LLM，我们能为客户节省更多时间。与我们之前的模型相比，现在可以立即展示主题，然后再进行审查。此外，我们现在能够为每个主题添加描述符，提供更具体的信息，使客户的见解更具操作性。”
Glasgow展望未来，认为有机会让用户对特定主题提出深入问题，以挖掘更多细节。他强调，目标是提供端到端的工作流程，从快速数据收集到迅速理解，帮助实时决策。
同时，我们也见证了新兴企业专注于通过与现有平台集成，使用AI总结用户反馈。在销售领域，ZoomInfo宣布将GPT集成到其平台，并发布了演示视频，展示了与第二代AI应用相似的功能。此外，新创公司正尝试通过AI优先的方法，尽可能自动化对外销售流程。
尽管AI改变工作方式的潜力巨大，我们仍处于发展初期。B2B应用中的生成式AI正逐步向综合AI演进，旨在提高我们的工作效率。在B2B应用中，谁能够主导工作流程的竞赛仍在继续，而AI原生应用程序的加入，将使这场竞赛更加激烈。
未画科技是一家以云计算和人工智能技术为基础的企业人工智能解决方案供应商。致力于为企业和组织提供企业级的生成式大模型的开发平台FutherAIflow和高性能的算力云服务Futhercloud。
