制定一个可靠的生成式 AI 数据策略的 4 个步骤

作者：来自 Elastic Jay Shah

生成式人工智能（GenAI）承诺通过自然语言输出来彻底改变组织及其团队。它承诺提供更快、更智能、更高效的技术，但却从未告诉你如何制定一个有效的策略来最大化 AI 的功能。生成式 AI 成功的关键在于一个能够将你的数据与业务优先级对齐的策略。

虽然生成式 AI 的能力具有革命性，但真正的转变发生在数据、IT 和业务策略协同工作的情况下。没有以数据为中心的业务策略，即使是最先进的 AI 模型也可能无法为你的利润带来真正的价值。你最终只会拥有一堆表现不佳的工具。

那么，如何确保你的企业能够充分利用生成式 AI 呢？

生成式 AI 数据策略的关键作用

生成式 AI 并不是魔法。在 Elastic，我们对生成式 AI 采取的是非常务实的方法。我们知道它的技术能力可以在几秒钟内完成数小时的工作，但要获得真正的成果，生成式 AI 需要坚实的基础。就像任何工作一样，只有在目标明确并具备正确信息的前提下，才能实现效率和生产力。

我们可以把生成式 AI 比作一顿美味的餐食。要提供营养和口味兼具的成果，就需要优质的食材。在将生成式 AI 应用于组织时，数据就是食材，而数据策略就是菜谱。缺了任何一个部分，生成式 AI 都无法为业务带来真正的价值。

秘诀是什么？就是一套高质量的生成式 AI 数据策略 ------ 你需要为你的大语言模型（ large language models - LLMs ）提供高质量、透明且可治理的数据。再多的策略也无法弥补数据质量的缺失。而好数据的标准，是它的相关性以及你获取和使用它的便利程度。

那么，如何制定一个可靠的生成式 AI 数据策略呢？

第 1 步：制定与业务目标一致的生成式 AI 数据策略

实施生成式 AI 要从一个清晰的愿景开始：它的目标是什么？应该解决哪些具体的业务问题？它的应用范围从哪里开始、到哪里结束？设定一个战略性的"生成式 AI 北极星"可以确保最终用户体验关注的是正确的重点，而不仅仅是那些闪亮的新技术。明确你的目标是制定生成式 AI 数据策略的第一步。

你组织中的每个利益相关方都有不同的目标和成功定义。这些目标会在你评估需求、确定成功标准并识别真正能带来影响的用例时变得清晰。目标是减少客户流失？自动化重复任务？提升销售预测能力？一旦业务负责人和 IT 团队在这些目标上达成一致，就可以开始设计支持业务的数据架构。

最终要记住：一顿饭的味道取决于食材的好坏。生成式 AI 也是如此 ------ 它的效果取决于所依赖的数据。投资于数据的质量而不是数量，是成功数据策略的核心。要定义对你团队来说什么是"好数据"，可以从你期望的结果反推，思考你设定的目标，然后问自己：需要哪些数据才能实现这些目标？

在厨房里，你需要合适的工具才能实现你的晚餐构想。实施生成式 AI 也是一样：要执行数据策略，你需要统一的数据模型、明确的数据治理和访问政策、可扩展的基础设施，以及一套监控工具。

为生成式 AI 项目设定明确目标

基本原则：在开发生成式 AI 应用时，要保持 SMART。设定具体的（Specific）、可衡量的（Measurable）、可实现的（Achievable）、相关的（Relevant）、有时限的（Time-bound）目标，以确保你的生成式 AI 项目始终专注于创造价值。例如：

在 6 个月内通过生成式 AI 聊天机器人将客户服务响应速度提升 30%
通过对话式搜索功能将内部文档搜索时间减少 40%
在第 4 季度通过 AI 增强分析将销售预测准确率提升 15%

这些目标能为实施过程提供指导，并建立一个与整体数据策略相关的 ROI 衡量框架。在每个流程步骤中，都不要忘记问：我需要哪些数据来增强我的 LLM 以实现这些目标？这些数据质量够好吗？

阅读案例分析

第 2 步：评估适合你业务的工具和技术

一旦你明确了目标，选择合适的工具就会变得更容易。在评估工具时，可以考虑以下几个方面：

可扩展性：这个解决方案能否随着业务需求增长而扩展？
集成能力：它是否能与现有的 AI 系统无缝连接？
安全性与合规性：它是否符合你组织的标准？
灵活性 ：它能否快速适配新的数据源、LLM 以及像模型上下文协议（ MCP ）这样的新功能？
成本：随着用例的增加，其成本结构是否适合你的组织？
部署时间：你多快需要看到它带来的业务价值？
相关性与准确性：结果是否需要与你的组织紧密相关？

有些挑战可以通过现成的解决方案解决，而有些则可能需要为你的业务环境量身定制的方式。不管选择哪种方式，合适的解决方案应当让你能够将生成式 AI 实际投入使用，而不是彻底替换你现有的技术栈。

需要注意很多问题。如果把这项技术当作附加组件来处理，组织就可能陷入 "旋转椅" 困境 ------ 用户需要在不同的 AI 工具之间频繁切换。此外，你也不希望工具数量失控，最终难以管理。可持续成功的关键，是将生成式 AI 直接嵌入到现有系统和工作流中。

可以将生成式 AI 视为一个增强层，使你现有的工具更智能、更快速、更以用户为中心。例如，将生成式 AI 嵌入 CRM 可以自动生成账户状态摘要，并为销售人员推荐下一步最佳行动；将其整合进员工知识库，可以简化整个员工的信息检索过程。

一旦完成初始集成，就建立一个反馈循环来不断优化和扩展其使用。可以从一个最小可行产品（ minimum viable product - MVP ）开始，收集真实用户的反馈，并快速迭代。这不仅可以积累推动力，还能确保 AI 解决方案能根据真实业务需求不断进化。在整个过程中，你的"AI 北极星"始终指引着前进的方向。

第 3 步：弥合技术与业务成果之间的鸿沟

IT 的角色正在经历重大转变。从后台支持部门转变为业务创新的核心推动者，如今，生成式 AI 已将 IT 提升为战略职能。

IT 领导者处于独特的位置，可以弥合技术与业务成果之间的差距。在当今以数据为驱动的组织中，IT 领导者不仅仅是管理基础设施，他们还在塑造数据流程。确保数据的相关性，从 IT 开始。通过与业务团队的紧密合作，IT 可以将企业数据转化为可操作的洞察，同时构建和定制工具，帮助团队更高效地工作。无论是开发自助式生成式 AI 工具、启用对可信数据的安全访问，还是确保系统具备可扩展性和合规性，IT 现在是推动整个业务转型的关键力量。

需要注意的是，实施 AI 不仅仅是技术问题，它还需要思维方式、文化和工作流程的转变。员工需要感到被赋能，而不是被取代。领导者必须优先考虑透明度、培训和包容性。可以提供实践培训和 AI 训练营来提升员工技能。要认可并奖励以 AI 为主导的创新，并鼓励就 AI 的伦理和影响展开对话。

第 4 步：衡量生成式 AI 应用的业务价值

AI 是一项投资，因此确保它解决了真实的业务问题，是证明成本和投入合理性的关键。仅仅部署 AI 不够，它必须无缝集成到工作流程中，以实现可衡量的成果。这需要建立反馈循环和持续监控，并明确成功的关键绩效指标（ KPIs ）。

构建有效的 AI 解决方案需要从一开始就进行周密、负责任的规划，包括伦理考量、负责任的数据使用、严格的测试和各阶段的评估。回顾你在启动该项目时设定的目标，并问自己：

它是否解决了优先级最高的业务问题？
是否可以有效衡量？
是否具有可扩展性和可持续性？
是否安全且符合合规要求？

将这些原则从战略阶段就融入你的 AI 策略，能够确保你的解决方案值得信赖且符合核心业务价值。

生成式 AI 的真实业务影响

聊天机器人、助理、代理、摘要和对话式搜索只是生成式 AI 可能带来高影响力的一部分用例。战略性实施时，生成式 AI 可以带来显著的成果，包括节省时间、提升生产力、创造新的收入机会，甚至带来文化变革。

举个例子，我们内部的生成式 AI 助手 ElasticGPT。我们从一个想解决的问题开始------帮助员工找到所需信息------并设定了主要的 KPI 以及衡量方式。发布后的第一阶段，员工们开始使用生成式 AI 体验来查找相关信息。

发布 90 天内，成功回答了 1 万个查询，开发者满意率达 99%。我们证明了它的业务影响，这激励了组织内包括法律、市场和产品团队使用 ElasticGPT 来提升效率。

了解更多关于我们在 ElasticGPT 案例研究中的生成式 AI 成功。

探索更多生成式 AI 和数据资源

本帖中描述的任何功能或特性的发布及时间均由 Elastic 全权决定。当前不可用的功能或特性可能不会按时或根本不会发布。

在本博客文章中，我们可能使用或提及了第三方生成式 AI 工具，这些工具由其各自所有者拥有和运营。Elastic 对第三方工具没有任何控制权，也不对其内容、操作或使用负责，也不对你使用此类工具可能导致的任何损失或损害承担责任。使用含有个人、敏感或机密信息的 AI 工具时请谨慎。你提交的任何数据可能被用于 AI 训练或其他目的。无法保证你提供的信息会被安全或保密。使用任何生成式 AI 工具前，你应熟悉其隐私政策和使用条款。

Elastic、Elasticsearch 及相关标识是 Elasticsearch N.V. 在美国及其他国家的商标、标识或注册商标。所有其他公司和产品名称均为其各自所有者的商标、标识或注册商标。

原文：A Comprehensive AI in Business Guide | Elastic