值得借鉴的5个麦肯锡生成式AI项目经验教训

Brian Eastwood

/

Tyde

当生成式人工智能（gen AI）在2022年底显现出强劲势头时，它迅速成为了热点。麦肯锡也受到了启发，不仅在这一领域大量发布文章，还意识到可以利用生成式人工智能来整合公司庞大但分散的知识资源。

请欢迎“莉莉”的到来，这个生成式人工智能工具于2023年8月推出。它以1945年麦肯锡首位专业女性雇员莉莉安·东布洛斯基命名，我们的目标是将麦肯锡40多个知识来源和能力整合到一个平台上。这将使全球团队能够轻松访问麦肯锡的知识，生成洞察，从而帮助客户。

这是我们的初衷，我们实现了它，但过程并不轻松。整个过程充满了技术障碍。举个例子，麦肯锡的大量知识都以PowerPoint的形式存在，而莉莉起初并不能很好地读取这些文件。最初我们只能解析大约15%的PowerPoint文件，后来我们不得不开发自己的工具，最终能够读取超过85%的各种文件。面对诸多挑战和全新的工作方式，我们形容自己在“痛苦之旅”中前行。

技术变革本质上是困难的。对于任何组织来说，采用生成式人工智能可能都会面临这些困难。尽管如此，还是有可能从经验中获益。回顾我们11个月的努力，这里有五条我们学到的（有时是通过艰难的方式）原则。

明确共同愿景

在开始构建之前，明确组织目标的清晰愿景是至关重要的。麦肯锡希望扩展洞察力并提高生产力。我们希望我们的广泛资源，包括文档、文章和网络研讨会，更加易于访问，从而帮助我们的同事生成独特的见解。许多人不知道可用的资源或不知道如何找到它们。现在，他们只需向莉莉询问，花费更少的时间搜索，更多时间解决客户问题。

组建跨部门团队

生成式人工智能影响组织的许多方面，因此多样化的专业知识是至关重要的。最初，我们专注于用一个精简、技术导向的团队构建一个最小可行产品。随着莉莉的发展，团队扩大到包括法律、采纳、沟通和领域专家。莉莉不仅要在技术上强大，还要负责任、安全，符合麦肯锡的价值观，并得到我们的专家验证。我们学到，仅仅定义工作流是不够的，管理它们的相互依赖性也很重要。

以用户为中心

生成式人工智能可能很时髦，但时髦不是重点。重点是改进我们的工作方式。为此，我们不断收集来自全公司的反馈。刚开始，人们对莉莉非常兴奋。几乎同样迅速地，我们听到它更新不够快或使用起来令人困惑。我们在每一个决策中都以用户需求为中心，通过这些反馈不懈地解决实际的业务和人类问题。我们建立了一个测试新功能的beta用户计划，确保在正式推出前获得实际用户的反馈。

培训与学习迭代

莉莉的发布是一个重要的里程碑，但只是开始。为了持续成功，它需要适应不断变化的需求。我们在莉莉的开发中嵌入了持续学习循环，利用数据、分析和反馈来增强平台。生成式人工智能的快速发展需要对不确定性和一些低效率（如反复重写代码）有一定的适应能力。采纳和教育至关重要，因此我们组织了巡回演讲、学习计划、午餐学习会和办公时间来展示莉莉如何帮助大家。IT团队被培训来教其他人，确保有效的采纳。只有通过改变任务的执行方式或减少活动的时间和成本，才能实现显著的影响。

测量和管理

我们不得不为生成式人工智能重建现有的知识库。实施检索增强生成操作（RAGOps）是关键。诸如答案质量等指标帮助RAGOps不断改进莉莉的能力，测量相关性、全面性和正确性。仪表板使开发人员和内容专家能够监控和改进莉莉的性能。

不到一年时间，莉莉已成为不可或缺的工具。我们近四分之三的同事都是活跃用户，截至5月初，它已处理了超过三百万条提示。

无法用具体的金额来衡量莉莉的价值，但我们看到两个明显的影响。首先，莉莉通过简化信息收集和综合，平均节省了顾问多达30%的时间：不再需要在成千上万的文档中寻找一个关键的幻灯片。其次，他们的洞察质量显著提高。

我们对其他组织的建议是：痛苦之旅正在等待，别犹豫，上车吧。