HBR: Sự khác biệt giữa AI tạo sinh và AI phân tích và lợi ích của từng loại trong doanh nghiệp.

- AI tạo sinh và AI phân tích là hai loại công nghệ trí tuệ nhân tạo quan trọng mà doanh nghiệp cần hiểu rõ để tối ưu hóa hiệu quả hoạt động.

- Kể từ khi OpenAI công bố ChatGPT vào tháng 11 năm 2022, nhiều giám đốc doanh nghiệp đã chú ý đến AI tạo sinh, nhưng không nên bỏ qua AI phân tích.

- AI tạo sinh chủ yếu sử dụng các mô hình học sâu để tạo ra nội dung mới như hình ảnh, văn bản và âm nhạc, trong khi AI phân tích tập trung vào việc phân loại và dự đoán dựa trên dữ liệu có cấu trúc.

- Các phương pháp thuật toán của AI tạo sinh thường phức tạp hơn, bao gồm các mạng đối kháng sinh điều kiện (GAN) và mã hóa tự biến thể (VAE).

- Ngược lại, AI phân tích sử dụng các phương pháp học máy đơn giản hơn như học có giám sát và học không giám sát.

- Dữ liệu mà hai loại AI sử dụng cũng khác nhau: AI tạo sinh làm việc với dữ liệu không có cấu trúc như văn bản và hình ảnh; còn AI phân tích chủ yếu sử dụng dữ liệu có cấu trúc như bảng số liệu.

- Lợi ích kinh tế của hai loại AI cũng khác nhau: AI tạo sinh có khả năng tiết kiệm chi phí thông qua việc tăng năng suất trong việc tạo nội dung, trong khi AI phân tích giúp đưa ra quyết định tốt hơn và tối ưu hóa chi phí.

- Rủi ro liên quan đến hai loại AI cũng khác nhau; ví dụ, AI tạo sinh có thể bị lợi dụng để tạo ra thông tin sai lệch hoặc vi phạm quyền sở hữu trí tuệ.

- Doanh nghiệp cần xác định rõ chiến lược và mô hình kinh doanh của mình để quyết định nên tập trung vào loại AI nào.

- Việc kết hợp cả hai loại AI có thể mang lại lợi ích lớn cho tổ chức, giúp cải thiện quy trình ra quyết định và thúc đẩy đổi mới sáng tạo.

📌 Việc hiểu rõ sự khác biệt giữa AI tạo sinh và AI phân tích là rất quan trọng để doanh nghiệp tối ưu hóa chiến lược công nghệ của mình. Cả hai loại đều mang lại lợi ích riêng biệt và có thể kết hợp để nâng cao hiệu quả hoạt động.

Làm thế nào AI tạo sinh và AI phân tích khác nhau — và khi nào nên sử dụng từng loại

Thomas H. Davenport và Peter High

Ngày 13 tháng 12 năm 2024

Tóm tắt. Các tổ chức mới phát hiện ra AI tạo sinh có nguy cơ bỏ qua một dạng AI cũ hơn và đã được ứng dụng rộng rãi hơn, mà tác giả gọi là “AI phân tích.” Loại AI này không hề lỗi thời và vẫn là một nguồn tài nguyên quan trọng đối với phần lớn các công ty. Mặc dù một vài ứng dụng AI kết hợp cả AI phân tích và AI tạo sinh, 2 phương pháp tiếp cận AI này phần lớn là tách biệt. Để đưa ra quyết định về tầm quan trọng và giá trị tương đối của AI tạo sinh và AI phân tích, các tổ chức cần trước tiên hiểu được sự khác biệt giữa 2 công nghệ này, cũng như những lợi ích và rủi ro khác nhau đi kèm. Sau đó, họ có thể đưa ra quyết định nên ưu tiên loại nào trong hoàn cảnh nào dựa trên chiến lược, mô hình kinh doanh, mức độ chấp nhận rủi ro, và các tình huống khác. Nếu không hiểu được sự khác biệt, các tổ chức có nguy cơ không tận dụng tối đa một trong hai hoặc cả hai loại AI để chuyển đổi doanh nghiệp.

Kể từ khi OpenAI ra mắt ChatGPT vào tháng 11 năm 2022, nhiều nhà lãnh đạo doanh nghiệp đã chuyển sự chú ý của họ sang AI tạo sinh. Công nghệ tương đối mới này đã gây ra một làn sóng quan tâm về AI và khiến các công ty lần đầu tiên chú ý đến nó. Đây là một sự phát triển tích cực, bởi công nghệ này mạnh mẽ và quan trọng, đồng thời cho phép nhiều khả năng kinh doanh mới.

Tuy nhiên, nhiều công ty đã sử dụng AI trong nhiều năm qua nhưng lại ít được chú ý hơn. Những công ty vừa mới phát hiện ra AI tạo sinh có nguy cơ bỏ qua một dạng AI cũ hơn và được ứng dụng rộng rãi hơn, mà chúng tôi gọi là “AI phân tích.” Loại AI này không hề lỗi thời và vẫn là một nguồn tài nguyên quan trọng đối với phần lớn các công ty. Mặc dù một vài ứng dụng AI kết hợp cả AI phân tích và AI tạo sinh, 2 phương pháp tiếp cận AI này phần lớn là tách biệt. Các công ty cần phải quyết định loại nào phù hợp nhất với từng trường hợp sử dụng cụ thể.

Để đưa ra quyết định về tầm quan trọng và giá trị tương đối của AI tạo sinh và AI phân tích, các tổ chức cần trước tiên hiểu được sự khác biệt giữa 2 công nghệ này, cũng như những lợi ích và rủi ro khác nhau đi kèm. Sau đó, họ có thể đưa ra quyết định nên ưu tiên loại nào trong hoàn cảnh nào dựa trên chiến lược, mô hình kinh doanh, mức độ chấp nhận rủi ro, và các tình huống khác.

AI tạo sinh và AI phân tích khác nhau như thế nào?

Mục đích và khả năng khác nhau
AI phân tích và AI tạo sinh khác nhau chủ yếu ở mục đích, khả năng, phương pháp, và dữ liệu. Mục đích chính của AI tạo sinh là sử dụng các mô hình mạng thần kinh học sâu để tạo ra nội dung mới — chẳng hạn như hình ảnh, văn bản, âm nhạc, mã lập trình, hoặc thậm chí các tác phẩm nghệ thuật hoàn chỉnh — mô phỏng sự sáng tạo của con người. Trong khi đó, AI phân tích đề cập đến các hệ thống AI dựa trên học máy thống kê, được thiết kế cho các nhiệm vụ cụ thể như phân loại, dự đoán, hoặc ra quyết định dựa trên dữ liệu có cấu trúc. Ví dụ, trong một chương trình tiếp thị quảng bá đến khách hàng, AI phân tích sẽ được sử dụng để quyết định nên quảng bá sản phẩm nào đến khách hàng nào, còn AI tạo sinh sẽ tạo ra ngôn ngữ và hình ảnh cá nhân hóa được sử dụng trong chương trình quảng bá.

AI tạo sinh có khả năng tạo ra nội dung nguyên bản và thường khó phân biệt với nội dung được con người tạo ra. AI phân tích được thiết kế để thực hiện hiệu quả các nhiệm vụ dự đoán cụ thể, chẳng hạn như dự đoán khi nào một máy móc cần được bảo dưỡng, dự đoán mức giá mà khách hàng sẽ trả, hoặc gợi ý sản phẩm dựa trên sở thích của người dùng — tất cả đều dựa trên các mô hình dự đoán thống kê. AI tạo sinh không thể thực hiện những việc này vì không xử lý các loại dữ liệu này.

Các phương pháp thuật toán khác nhau

Về phương pháp thuật toán, AI tạo sinh thường sử dụng các kỹ thuật phức tạp như transformers (biến các đầu vào tuần tự, chẳng hạn như văn bản, thành đầu ra có tính liên kết), attention mechanisms (dự đoán từ tiếp theo dựa trên ngữ cảnh của các từ trước đó), mạng đối kháng tạo sinh (GANs, cạnh tranh với nhau để đạt được kết quả mong muốn, chẳng hạn như thắng một trò chơi), và autoencoder biến phân (VAEs, là các mô hình tạo nội dung, loại bỏ nhiễu và phát hiện bất thường trong dữ liệu mới dựa trên dữ liệu hiện có) để tạo ra nội dung. Các mô hình này học cách hiểu các mẫu trong dữ liệu để tạo ra các dữ liệu mới. Các mô hình thường được tạo bởi nhà cung cấp (và được tùy chỉnh bởi các công ty sử dụng) vì chúng có kích thước lớn, yêu cầu tài nguyên tính toán rộng rãi, và cần một lượng lớn dữ liệu.

AI phân tích sử dụng một loạt các phương pháp học máy nói chung đơn giản hơn, bao gồm học có giám sát (sử dụng các mẫu trong dữ liệu quá khứ với kết quả đã biết để dự đoán kết quả chưa biết), học không giám sát (xác định các mẫu trong dữ liệu mà không có kết quả đã biết), và học tăng cường (thưởng cho mô hình khi tối ưu hóa một mục tiêu cụ thể), cũng như các kiến trúc mạng thần kinh khác nhau được điều chỉnh cho các nhiệm vụ cụ thể. Các mô hình thường được huấn luyện trên dữ liệu quá khứ và được áp dụng "trong suy luận" để dự đoán dữ liệu mới (nghĩa là áp dụng vào các tình huống thực tế) bởi chính các công ty bằng dữ liệu của họ.

Các loại dữ liệu khác nhau

Hai loại AI này cũng khác nhau về loại dữ liệu chúng sử dụng. AI tạo sinh sử dụng văn bản, hình ảnh và các định dạng dữ liệu tương đối không có cấu trúc khác, tất cả theo một chuỗi có thể được sử dụng để dự đoán các chuỗi khác. AI phân tích sử dụng dữ liệu có cấu trúc — thường là các hàng và cột số liệu. Dạng phổ biến nhất của AI phân tích, học có giám sát, yêu cầu dữ liệu được sử dụng để huấn luyện mô hình phải có kết quả đã biết và được gắn nhãn. Ví dụ, một mô hình có giám sát cố gắng dự đoán liệu một bệnh nhân có mắc bệnh tiểu đường hay không (sử dụng các biến dự đoán như cân nặng, mức độ vận động, hoặc người thân có mắc bệnh tiểu đường) sẽ được huấn luyện trên một tập dữ liệu mà chúng ta biết liệu bệnh nhân có mắc bệnh hay không.

Các loại lợi tức đầu tư khác nhau

Hai công nghệ AI này cũng khác nhau về loại lợi tức chúng có thể mang lại cho các tổ chức. Nói chung, AI tạo sinh có khả năng mang lại tiết kiệm chi phí từ việc tăng năng suất trong việc tạo nội dung, trong khi AI phân tích có thể mang lại quyết định tốt hơn, tiết kiệm chi phí và tăng doanh thu — mặc dù vẫn có những ngoại lệ đối với sự tổng quát này.

AI tạo sinh có thể mang lại lợi ích từ việc tạo nội dung nhờ giảm chi phí so với việc tạo nội dung bởi con người, cũng như tiềm năng tạo ra nội dung độc đáo và hấp dẫn để thu hút và giữ chân khách hàng. Nó có thể được sử dụng để tạo nội dung cá nhân hóa phù hợp với sở thích của từng cá nhân. Điều này có thể dẫn đến tăng mức độ tương tác của khách hàng, tăng tỷ lệ chuyển đổi và cải thiện sự hài lòng của khách hàng, cuối cùng thúc đẩy tăng trưởng doanh thu. Trong các ngành như thời trang, ô tô, hoặc thiết kế sản phẩm, AI tạo sinh có thể hỗ trợ tạo ra các biến thể thiết kế và nguyên mẫu một cách nhanh chóng và hiệu quả. Điều này có thể dẫn đến các chu kỳ đổi mới nhanh hơn, giảm thời gian đưa sản phẩm ra thị trường, và tiết kiệm chi phí trong phát triển sản phẩm. Rộng hơn, các công cụ AI tạo sinh có thể hỗ trợ các chuyên gia sáng tạo bằng cách cung cấp cảm hứng, tạo ý tưởng, hoặc tự động hóa các nhiệm vụ lặp đi lặp lại. Điều này có thể cải thiện năng suất, sự sáng tạo, và chất lượng đầu ra tổng thể, dẫn đến các sản phẩm và dịch vụ tốt hơn.

Trong dịch vụ khách hàng, chatbot AI tạo sinh có thể được sử dụng để trả lời câu hỏi của khách hàng hoặc giải quyết các vấn đề như là tuyến đầu trong việc phản hồi khách hàng. Tiết kiệm chi phí thông qua việc thay thế nhân viên trung tâm cuộc gọi bằng AI thường là mục tiêu chính. Chatbot dựa trên AI tạo sinh thường mang lại khả năng hội thoại tốt hơn so với các chatbot xử lý ngôn ngữ tự nhiên trước đây.

Mặc dù có nhiều lợi ích tiềm năng của AI tạo sinh, giá trị kinh tế của nó có thể khó đo lường — điều này thường yêu cầu các thí nghiệm kiểm soát giữa các nhóm sử dụng và không sử dụng công nghệ, cùng với các phép đo chi tiết về năng suất. Hiệu suất của một số nhóm (ví dụ: nhân viên ít kinh nghiệm) có thể được hưởng lợi nhiều hoặc ít hơn so với các nhóm khác. Nhiều lợi ích nêu trên cũng yêu cầu huấn luyện các mô hình AI tạo sinh trên nội dung cụ thể của công ty, điều này có thể làm tăng chi phí.

AI phân tích thường mang lại lợi nhuận kinh tế tốt hơn thông qua các mô hình dự đoán giúp doanh nghiệp dự báo nhu cầu, tối ưu hóa quản lý hàng tồn kho, xác định xu hướng thị trường, và đưa ra các quyết định dựa trên dữ liệu. Điều này có thể dẫn đến giảm chi phí, cải thiện phân bổ nguồn lực, và tăng doanh thu nhờ các quyết định chính xác hơn.

Các mô hình AI phân tích cũng có thể phân tích một lượng lớn dữ liệu khách hàng để khám phá thông tin chi tiết, sở thích, và hành vi. Các doanh nghiệp có thể sử dụng thông tin này để cá nhân hóa các chiến dịch tiếp thị, tạo các đề xuất sản phẩm và cung cấp các trải nghiệm khách hàng tùy chỉnh, dẫn đến tăng sự hài lòng và lòng trung thành của khách hàng. AI phân tích cũng có thể được sử dụng để định giá động các sản phẩm và dịch vụ, thường cải thiện lợi nhuận.

AI phân tích cũng được sử dụng rộng rãi trong quản lý rủi ro và phát hiện gian lận: các thuật toán AI có thể phân tích dữ liệu theo thời gian thực để phát hiện các bất thường, xác định các rủi ro tiềm năng và ngăn chặn các hoạt động gian lận. Điều này có thể dẫn đến tiết kiệm chi phí nhờ giảm thiểu tổn thất do gian lận, cải thiện các biện pháp an ninh, và duy trì tuân thủ các quy định pháp luật.

Lợi ích của AI phân tích thường dễ đo lường hơn so với AI tạo sinh bởi chúng được ghi nhận trong các hệ thống giao dịch, những gì khách hàng mua và các chi phí. Cuối cùng, cả AI tạo sinh và AI phân tích đều có thể mang lại lợi tức đầu tư đáng kể thông qua việc tăng hiệu quả, năng suất, đổi mới và sự hài lòng của khách hàng, mặc dù theo những cách khác nhau tùy thuộc vào trường hợp sử dụng và ngành công nghiệp cụ thể.

Các rủi ro khác nhau

Các mối lo ngại về bảo mật liên quan đến AI tạo sinh và AI phân tích có thể khác nhau tùy theo ứng dụng, khả năng và rủi ro tiềm ẩn của từng loại AI. Ví dụ, AI tạo sinh có thể tạo ra các “deepfake” rất thuyết phục, có thể được sử dụng để phát tán thông tin sai lệch, đánh cắp danh tính, và thực hiện hành vi gian lận. Vì các mô hình ngôn ngữ lớn được huấn luyện trên dữ liệu hiện có, AI tạo sinh cũng có khả năng vi phạm quyền sở hữu trí tuệ bằng cách tạo ra nội dung tương tự như các tài liệu có bản quyền, điều này có thể dẫn đến các tranh chấp pháp lý. Các mô hình AI tạo sinh cũng có thể gây ra rủi ro về quyền riêng tư từ thông tin nhạy cảm có trong dữ liệu huấn luyện hoặc dữ liệu cụ thể của công ty được sử dụng để tùy chỉnh mô hình. Ngoài ra, kẻ tấn công có thể thao túng dữ liệu đầu vào để khiến các mô hình tạo sinh tạo ra những đầu ra không mong muốn.

Dữ liệu huấn luyện của AI phân tích phải đối mặt với các rủi ro tương tự từ các vi phạm an ninh mạng và tấn công như các dữ liệu nhạy cảm khác. Ngoài ra, các mô hình AI được huấn luyện trên các bộ dữ liệu thiên lệch hoặc không đầy đủ có thể tiếp tục duy trì các định kiến hiện có hoặc phân biệt đối xử với một số nhóm người. Công nghệ AI phân tích cũng có thể bị lợi dụng cho các mục đích xấu, chẳng hạn như thực hiện các cuộc tấn công mạng tự động, phát tán thông tin sai lệch hoặc thực hiện các hành vi lừa đảo thông qua kỹ thuật xã hội. Các biện pháp bảo mật cần được thực thi để giảm thiểu những rủi ro này và ngăn chặn các mối đe dọa từ AI.

Mặc dù cả AI tạo sinh và AI phân tích đều có các lo ngại về rủi ro và bảo mật liên quan đến quyền riêng tư dữ liệu, thiên lệch và các cuộc tấn công đối kháng, bản chất của những mối lo ngại này có thể khác nhau dựa trên đặc điểm cụ thể và ứng dụng của từng loại AI. Hiện tại, AI phân tích dường như liên quan đến mức độ rủi ro thấp hơn, một phần vì nó đã được sử dụng trong các công ty qua nhiều thập kỷ.

Làm thế nào các công ty có thể cân bằng giữa AI phân tích và AI tạo sinh

Các công ty cần xác định cách phân bổ sự chú ý của ban lãnh đạo, nguồn đầu tư và nhân sự cho 2 lĩnh vực AI khác nhau này. Một yếu tố chính cần xem xét là mức độ quen thuộc của các bên liên quan với 2 loại AI này. Nhìn chung, AI tạo sinh là “cánh cửa mở đầu.” Nó khơi dậy sự hứng thú với AI ở các nhà điều hành không chuyên về kỹ thuật và các chuyên gia khác, đồng thời có ít rào cản trong việc sử dụng. Trong khi đó, AI phân tích đòi hỏi nhiều kiến thức thống kê hơn để sử dụng hiệu quả, vì vậy đối tượng chính của nó là các nhà khoa học dữ liệu hoặc những người có tư duy định lượng. Điều này có thể khiến số lượng người sử dụng AI phân tích luôn ít hơn so với AI tạo sinh, mặc dù các giao diện AI tạo sinh có thể giúp những người không chuyên về kỹ thuật dễ dàng thực hiện các mô hình phân tích đơn giản.

Các giám đốc tại các công ty có lượng lớn dữ liệu có cấu trúc, chẳng hạn như các doanh nghiệp trong lĩnh vực dịch vụ tài chính, bán lẻ và viễn thông, thường có xu hướng quen thuộc hơn với AI phân tích.

Một số công ty đã chia sẻ rằng lợi ích chính của AI tạo sinh là nâng cao nhận thức của các lãnh đạo cấp cao về AI nói chung. Sastry Durvasula, giám đốc công nghệ, dữ liệu và dịch vụ khách hàng tại TIAA, cho biết: “ChatGPT đã là một chất xúc tác lớn cho sự chuyển đổi sang chiến lược AI-first của chúng tôi. Nó đã nâng tầm các sáng kiến AI của chúng tôi thành một trụ cột nền tảng trong chiến lược doanh nghiệp.” Ban lãnh đạo và ủy ban điều hành của TIAA đã áp dụng cách tiếp cận AI-first, nhận thấy tiềm năng của AI trong việc nâng cao dịch vụ khách hàng, cải thiện hiệu quả vận hành và thúc đẩy đổi mới trên toàn tổ chức.

Bill Pappas, giám đốc toàn cầu về công nghệ và vận hành tại MetLife, nhận xét: “Khuyến khích sự hợp tác và học hỏi liên tục giữa các phòng ban và chức năng đóng vai trò quan trọng trong việc xóa bỏ các rào cản và thúc đẩy những ý tưởng mới cũng như cách tư duy mới. Đổi mới không chỉ là nhiệm vụ của bộ phận CNTT. Thay vào đó, các nhà lãnh đạo giỏi nhất hiểu rằng đổi mới phụ thuộc vào sự cam kết của toàn tổ chức đối với sự phát triển.”

Các yếu tố được mô tả dưới đây có thể cung cấp hướng dẫn về mức độ ưu tiên tương đối giữa AI phân tích và AI tạo sinh trong một công ty và ngành công nghiệp.

Xem xét chiến lược và mô hình kinh doanh  
Doanh nghiệp có hoạt động chính liên quan đến việc tạo, bán hoặc phân phối nội dung không? Nếu có, AI tạo sinh nên là trọng tâm chính. Tuy nhiên, “nội dung” bao gồm nhiều lĩnh vực khác nhau. Tại Bristol Myers Squibb, giám đốc kỹ thuật số và công nghệ Greg Meyers nhận xét: “AI tạo sinh đặc biệt hữu ích trong các ngành công nghiệp có khối lượng lớn tài liệu và để tạo ra nội dung mới, chẳng hạn như tạo ra protein mới trong sinh học tính toán.” Ứng dụng này giúp đẩy nhanh các thử nghiệm lâm sàng và cải thiện hiệu quả trong phát triển thuốc. Công ty sử dụng AI phân tích cho các nhiệm vụ như dự báo, lập kế hoạch nhu cầu và dự đoán số lượng người tham gia tại các địa điểm thử nghiệm lâm sàng.

Tuy nhiên, ngay cả các doanh nghiệp trong ngành công nghiệp tạo nội dung cũng có thể thấy khía cạnh dự đoán văn bản mang tính xác suất của AI tạo sinh là một vấn đề. David Wakeling, trưởng nhóm AI toàn cầu tại công ty luật lớn A&O Shearman, chia sẻ trong một cuộc phỏng vấn rằng ông không coi AI tạo sinh là một mối đe dọa mang tính tồn tại với công nghệ hiện tại. Ông tin rằng công nghệ này có thể làm cho các luật sư làm việc hiệu quả hơn, nhưng “bản chất cơ bản của AI tạo sinh là mắc lỗi. Cần phải có chuyên gia giám sát, nếu không kết quả sẽ là luật không đúng,” ông nói.

Xem xét định dạng của các tài sản dữ liệu độc quyền và duy nhất  
Nếu tài sản dữ liệu của công ty chủ yếu là nội dung không có cấu trúc như văn bản, hình ảnh hoặc video, AI tạo sinh nên được ưu tiên. Tại Universal Music, ví dụ, có sự quan tâm rất lớn đến AI tạo sinh vì công nghệ này có thể sáng tác nhạc, viết lời bài hát và bắt chước giọng hát của các nghệ sĩ. Naras Eechambadi, giám đốc toàn cầu về dữ liệu và phân tích của công ty, cho biết rằng công ty và khách hàng của họ rất quan tâm đến AI tạo sinh. Ông cho rằng công nghệ này sẽ phát triển dần dần, và cuối cùng sẽ có một điểm bùng phát. “Chúng ta sẽ đột nhiên nhận ra rằng công nghệ này đã có tác động to lớn” đến ngành công nghiệp và công ty.

Ngược lại, nếu hầu hết dữ liệu của công ty là dữ liệu có cấu trúc và số liệu, công ty nên hướng tới AI phân tích. Katya Andresen, Giám đốc Kỹ thuật số và Phân tích tại Cigna, cho biết sứ mệnh của công ty là mang lại kết quả chăm sóc sức khỏe tốt hơn. “AI phân tích,” bà nhận xét, “cho phép chúng tôi dự đoán nhu cầu của bệnh nhân, cải thiện quản lý chăm sóc và nâng cao hiệu quả hoạt động.” Việc sử dụng AI này đóng vai trò quan trọng trong việc cải thiện kết quả chăm sóc sức khỏe và giảm chi phí. Cigna cũng đang nghiên cứu AI tạo sinh để tạo nội dung (bao gồm dữ liệu tổng hợp để đào tạo) và mang lại trải nghiệm khách hàng cá nhân hóa.

Có những lý do khác để nghiêng về một hướng hoặc hướng khác trong việc tập trung vào AI chính của một công ty, bao gồm kinh nghiệm của tài năng khoa học dữ liệu, mức độ chấp nhận rủi ro của công ty (AI tạo sinh được coi là công nghệ rủi ro hơn bởi hầu hết các tổ chức), và sự sẵn lòng chịu đựng mức độ không chắc chắn về lợi ích cao hơn từ AI tạo sinh.

Cuối cùng, chúng tôi tin rằng nhiều trường hợp sử dụng AI sẽ kết hợp cả hai cách tiếp cận. Ví dụ, AT&T, một công ty đã áp dụng các cách tiếp cận dân chủ hóa AI trong nhiều năm, đang sử dụng AI tạo sinh để hỗ trợ AI phân tích. Ứng dụng “Ask Data” của công ty cho phép những người không có chuyên môn kỹ thuật tạo ra các phân tích thống kê và mô hình — nói cách khác, AI phân tích — chỉ với các yêu cầu đơn giản bằng tiếng Anh nhờ AI tạo sinh. AI tạo sinh đang hoạt động như một giao diện trò chuyện trực quan cho AI phân tích bằng cách viết mã để thực hiện loại phân tích thống kê đó. Chúng tôi kỳ vọng rằng nhiều tổ chức hơn nữa sẽ dần dần phát triển các sự kết hợp tương tự.

Dân chủ hóa AI

Mặc dù cả hai loại AI đều quan trọng đối với hầu hết các tổ chức, AI tạo sinh lại là công cụ giúp dân chủ hóa quyền truy cập vào các công cụ tiên tiến. Durvasula của TIAA nhận định: “AI tạo sinh sẽ giúp những người dùng không chuyên sâu có thể tận dụng các khả năng AI một cách hiệu quả hơn. Chúng tôi đặt mục tiêu giúp tất cả mọi người trong doanh nghiệp trở nên thành thạo với AI.” Mạng lưới nhóm chuyên gia AI của công ty minh họa cho cách tiếp cận này, cung cấp các khóa đào tạo và tài nguyên cho nhân viên trên nhiều chức năng khác nhau.

Meyers của Bristol Myers Squibb công nhận tiềm năng của AI tạo sinh trong việc làm cho các công nghệ tiên tiến trở nên dễ tiếp cận hơn. Ông cho biết: “AI tạo sinh đang hạ thấp rào cản để tương tác với AI phân tích. Bất kỳ ai biết đọc và viết đều có thể tương tác với AI tạo sinh, mở rộng nhóm người có thể sử dụng các công nghệ này.”

Andresen của Cigna đồng tình, bổ sung rằng: “AI tạo sinh đang dân chủ hóa quyền truy cập vào các công cụ và hiểu biết phức tạp, cho phép nhiều nhân viên tham gia vào dữ liệu và công nghệ AI hơn. Sự thay đổi này rất quan trọng trong việc thúc đẩy đổi mới và cải thiện khả năng ra quyết định trên toàn tổ chức.”

Pappas của MetLife chia sẻ rằng MetLife đã thực hiện một khảo sát, trong đó phát hiện ra rằng những nhân viên cho rằng công ty cung cấp đủ đào tạo và thông tin về AI có xu hướng hài lòng hơn với công việc và có ý định gắn bó với công ty trong 12 tháng tiếp theo. Ông nhấn mạnh: “Khi thị trường lao động trở nên cạnh tranh hơn, điều quan trọng là các tổ chức phải xem xét cách họ tận dụng công nghệ đột phá như một công cụ để giữ chân và thu hút nhân tài. Việc áp dụng các công nghệ mới có thể mang lại kết quả tích cực hơn cho nhà tuyển dụng.”

Các tổ chức mà chúng tôi đã mô tả là bằng chứng cho thấy việc hiểu rõ cả AI phân tích và AI tạo sinh, cũng như áp dụng từng loại vào đúng thế mạnh của chúng trong từng trường hợp sử dụng, là điều quan trọng. Khi kết hợp, chúng có thể thúc đẩy các chiến lược và mô hình kinh doanh mới, tạo ra văn hóa dựa trên dữ liệu, nâng cao năng suất và hỗ trợ ra quyết định tốt hơn. Tuy nhiên, nếu không hiểu được sự khác biệt giữa chúng, các tổ chức sẽ có nguy cơ không tận dụng hết tiềm năng của một hoặc cả hai loại AI để chuyển đổi doanh nghiệp.

Thomas H. Davenport là Giáo sư Công nghệ Thông tin Xuất sắc của Chủ tịch tại Babson College, Giáo sư Phân tích Dữ liệu Bodily Bicentennial tại Trường Kinh doanh Darden của Đại học Virginia, một học giả thỉnh giảng tại MIT Initiative on the Digital Economy và là cố vấn cấp cao cho Chương trình Giám đốc Dữ liệu và Phân tích của Deloitte.

Peter High là người sáng lập và chủ tịch của Metis Strategy, một công ty tư vấn về công nghệ, kỹ thuật số và đổi mới, và ông tư vấn cho hàng chục giám đốc công nghệ và kỹ thuật số của các công ty Fortune 500 hàng năm. Ông cũng là tác giả của 3 cuốn sách, bao gồm cuốn mới nhất Getting to Nimble, và dẫn chương trình podcast Technovation.