人工智能是伴随着计算机技术的发展推动了人类文明和生产力的不断进步。过去企业使用特定的算法、机器学习等人工智能技术大幅度提升了特定行业特定领域的生产效率。如今随着新型的AI技术（例如大语言模型）的诞生，企业使用人工智能的门槛和成本变得越来越低。许多行业和企业曾经未曾受惠于人工智能技术的，如今都在思考使用AI来提升企业的核心竞争力。
当下围绕AI的讨论大部分都有OpenAI的GPT推动的，但企业实际的业务流程中能够使用AI来实现降本增效的场景远不止这一种AI技术。通常，在企业实际业务场景中可以用到三类人工智能技术：

• 预测性人工智能
  预测人工智能可以使用从流程实例收集的数据来改进模型和整体流程。
• 生成式人工智能
  生成式人工智能可用于创建新流程、完善现有流程或从自然语言命令生成代码。
• 增强智能
  这种类型的人工智能可以使用机器学习来协助或自动化任务完成和决策。

这是最常用的人工智能模型之一。它利用历史数据来预测未来。业务分析师和算法科学家利用特定的历史数据训练模型，以便实现输入现有数据预测未来流程可能的走势。场景的场景有通过订单中的一个变量预测订单执行的耗时，预测保单可能发生的风险，识别影响材料中是否存在风险，例如安保合规要求、汽车油漆涂装的质检等

主要挑战

许多企业使用预测性人工智能的应用主要依靠外采软件。这些软件经过行业通用数据的训练能够满足特定场景的需求。但当需要使用企业自身数据来实现预测性人工智能时企业往往缺乏企业业务流程的历史数据。这可能是由于企业信息化建设的情况，或是应用架构导致信息孤岛等导致的。相关预测性人工智能的内部项目常常会因为没有足够的数据导致效果不佳或是失败。有数据分析显示预测性人工智能项目的实施有80%的时间都耗费在数据的准备上。

实施建议

要克服此类挑战，企业在实施数字化转型时，应该选择一个合适的流程编排平台，将企业所有业务过程跨部门跨领域的串联起来。这样做业务执行数据将可以被自动化的聚合收集起来并可以非常方便的应用到后续的业务持续改进中，预测性人工智能的应用所需投入的数据准备时间也将大大减少，数据质量也将得到保障。

生成式人工智能是当下最热的话题，其快速迭代的步骤让很多企业感到兴奋的同时又因为不知道如何落地应用而感到焦虑。根据Gartner报告称，70%的公司目前对对生成式AI仍处于探索阶段。
目前常见的生成式人工智能可以通过上下文识别意图并根据提示词生成响应的内容。使用生成式人工智能供应商提供的API企业可以开发出人工任务智能助理，例如帮助用户根据客户需求创建订单，生成确认邮件并发送，自动检查供应商合规信息并判断有无风险甚至是根据用户需求提示编写高质量的程序代码。

图示：企业重点关注的生成式AI应用投资领域（来源：Gartner）

主要挑战

虽然生成式人工智能给了企业无尽的想象空间，但是目前实际生产使用仍旧面临诸多挑战，例如AI的幻觉，网络信息安全，知识的时效性等等：

实施建议

使用提示词管理，检索增强生成RAG可以有效的提升生成式人工智能的准确性和可靠性。同时企业还需要一个编排工具，将生成式人工智能服务、提示词、RAG串联起来并将其融入到实际的业务运作中，并实现对生成式人工智能运行的可视化监督。

增强智能在这里指代那些帮助人类快速执行基本能力的人工智能，例如图像识别并填写表单、视频分析、计算机视觉、自动翻译、语音识别转录、知识挖掘等等。这些能力已被广泛的应用于各行各业中，我们可以轻易的从云市场获取到这类服务并集成到我们的应用中去。合理使用增强智能服务不仅可以提升业务执行效率，也能提高业务过程的自动化正确性，从而降低运营成本。

主要挑战

和生成式人工智能类似，企业使用增强智能很多依赖于第三方应用的API。数据安全合规是起页面领的重要挑战。此外、企业仍需要关注所增强人工智能执行的结果正确性、可解释性、可监督性

实施建议

在使用增强智能时，使用流程编排工具将其和业务流程的过程集成。始终确保“人”作为关键要素能够参与到业务流程的监督、有效性验证的过程中。使用编排工具同时可以通过排列不同增强智能实现更多创新可能性并探索实现更多的降本增效通道。