生成式AI蔚為風潮以來，許多公司都忽略了另外一種存在更久的AI：分析式AI。雖然這種AI的能見度比生成式AI還低，但重要性卻不在其下。本文詳細介紹兩種AI的差異，也提出豐富例證說明企業領導人在何種條件下該採用何種AI，才能徹底釋放AI的威力。

GeorgePeters/Getty Images

自從OpenAI公司在2022年11月推出ChatGPT以來，許多企業高階主管就密切關注生成式AI。這項相對較新的科技引發一波AI熱潮，讓許多公司首度注意到它的存在。這個發展有其正面意義，因為這項科技功能強大、非常重要，將催生許多新的商業可能性。

然而，許多公司已經運用AI多年，只是沒有做到眾所矚目。那些最近才發現生成式AI的公司則面臨一項風險：忽略一種推出更久、根基也更穩固的AI，我們稱之為「分析式AI」（analytical AI）。分析式AI絕對不該被貼上過時落伍的標籤，而且至今仍是大多數公司的重要資源。雖然有少部分AI應用同時使用分析式AI與生成式AI，但兩者大致上各行其道。企業必須針對每一個使用案例，選擇最適合的AI。

兩者有何差異？

組織為了判斷生成式AI與分析式AI的相對重要性與價值，首先必須理解兩種科技的差異所在，以及兩者帶來的益處與風險。然後企業可以根據自家的策略、商業模式、風險容忍度以及其他條件，來決定哪一種情況要優先運用哪一種AI。

1. 不同的目的與能力

分析式AI與生成式AI最主要的差異在於兩者的目的、能力、方法、數據。生成式AI的主要目的是利用深度學習神經網絡模型，來生成模仿人類創作的新內容——例如圖像、文字、音樂、程式碼，甚至完整的藝術作品。相較之下，分析式AI是以統計機器學習為基礎的AI系統，設計來執行特定的工作，例如分類、預測、根據結構化數據做成決策。舉例而言，在一項針對顧客進行的行銷活動中，分析式AI可用於決定要將哪一項產品推銷給哪一類顧客；生成式AI則負責製作推銷活動使用的個人化文字與圖像。

生成式AI能夠製作出具原創性、往往與人類創作難以區分的內容。分析式AI則是設計來高效率執行特定的預測工作，例如預測一部機器何時需要維修、預測顧客願意支付的價格、根據使用者偏好來推薦產品——這些全都是建立在預測性統計模型之上。生成式AI無法執行這些工作，因為它不處理這些類型的數據。

2. 不同的演算法

在演算法方面，生成式AI通常會使用複雜的技術來生成內容，這些技術包括轉換器（例如，將輸入的文字序列轉換為意義連貫的輸出）、注意力機制（以先前的文字為脈絡來預測下一個文字）、生成對抗網絡（GANs，兩個網絡相互競爭以獲致目標成果，例如贏得比賽），以及變分自編碼器（VAEs，這些模型在既有數據導出的新數據中，生成與移除雜訊、偵測異常狀態）等等。這些模型會學習理解數據中的模式，來製作這些數據的新實例。模型多半是由供應商打造（並由企業用戶客製化），因為它們規模龐大，需要各式各樣的運算資源與大量的數據。

分析式AI則是使用各種往往較為簡單的機器學習法，包括監督式學習（在已知結果的過往數據中找出模式，並使用該模式來預測未知結果）、非監督式學習（在沒有已知結果的數據中找出模式）、增強式學習（如果模型將特定目標最佳化，就給予獎勵）；此外，它也使用各種為特定任務量身打造的神經網絡架構。公司通常是利用自家過往的數據來訓練模型，並「透過推論」將模型應用於新數據的預測（亦即應用於現實世界的情境）。

nepool／shutterstock

3. 不同類型的數據

兩種類型的AI也使用不同類型的數據。生成式AI使用文字、圖像與其他相對非結構化的數據格式，而且不論何種格式，都以序列的形式輸入，接著再用這個序列預測其他序列。分析式AI則使用結構化的數據，通常是成列成欄的數字。對於最常見的分析式AI形式，也就是監督式學習，用於訓練模型的數據必須具備一個已知、且貼上標籤的結果。舉例來說，對於一個試圖預測病患是否會罹患糖尿病（使用的預測變數包括體重、運動程度、糖尿病親屬等）的監督式模型，進行訓練時會使用我們已知病患是否罹患糖尿病的數據集。

4. 不同的投資報酬

兩種AI科技會為組織帶來不同類型的報酬。整體而言，生成式AI更有可能藉由提升內容製作的生產力來降低成本；分析式AI則是可以做出更優質的決策、降低成本、提升銷量。不過這是一概而論，會有例外狀況。

生成式AI可以藉由內容製作帶來報酬，因為它的成本低於人類的內容製作，而且有潛力生成獨特迷人、能夠吸引與留住顧客的內容。生成式AI可以用來製作個人化、針對個人偏好量身打造的內容，進而強化顧客參與、提升轉換率、增進顧客滿意度，最終推動公司營收成長。在時尚、汽車、產品設計等產業，生成式AI有助於快速而有效率地生成各種設計版本與原型，進而加速創新循環、縮短產品上市時間、降低產品開發成本。更廣泛來看，生成式AI工具能夠幫助創意專業人士，為他們提供靈感、催生構想、或自動化處理重複性的工作；如此一來將提升生產力、創造力、整體產出品質，進而推出更優質的產品與服務。

“生成式AI可以藉由內容製作帶來報酬；分析式AI通常是運用預測模型來預測需求、做成數據驅動決策，以帶來更優異的經濟報酬。

在顧客服務領域，生成式AI聊天機器人可以投入顧客回應的第一線，回答顧客問題，或解決各項疑難雜症。公司的目標多半是以AI取代客服中心員工，藉此降低成本。與先前的自然語言聊天機器人相比，生成式AI聊天機器人能夠提供更好的對話能力。

儘管生成式AI有許多潛在的利益，但它的經濟價值可能難以衡量。若要衡量，往往必須進行對照實驗來比較使用與未使用這項科技的群組，並且仔細衡量生產力。某些群組（例如經驗較淺的員工）績效的受益程度，可能高於或低於其他群組。此外，這些利益有不少也需要公司以獨有內容來訓練生成式AI模型，因此可能會增加成本。

分析式AI如果帶來更優異的經濟報酬，通常是運用預測模型來幫助公司預測需求、最佳化庫存管理、找出市場趨勢、做成數據驅動決策。如此一來，公司將能夠降低成本、改善資源分配、以更優質的決策來提升營收。

分析式AI的模型也能夠分析大量的顧客數據，來發掘見解、偏好與行為。企業可以利用這項資訊來量身打造行銷活動、進行產品推薦、提供個人化的顧客體驗，進而提高顧客滿意度與忠誠度。分析式AI還可以用於動態調整產品與服務的價格，往往因此提升獲利能力。

分析式AI也廣泛用於風險管理與詐欺偵測：AI的演算法能夠即時分析數據以偵測異常現象、發現可能風險、防範詐欺活動。這種做法會將詐欺損失降到最低、改善安全措施、確保法規遵循，進而降低成本。

分析式AI帶來的利益往往比生成式AI更容易衡量，原因在於這些利益是表現在成本、交易系統、顧客購買的產品之中。說到底，生成式AI與分析式AI都能夠藉由提升效率、生產力、創新與顧客滿意度來提供優異的投資報酬，只不過兩者會因為特定的使用案例與產業而有不同的做法。

5. 不同的風險

生成式AI與分析式AI各有不同的應用、能力與潛在風險，因此也引發不同的安全顧慮。以生成式AI為例，它會衍生出以假亂真的「深偽」（deepfakes），用於製造錯誤資訊、盜用身分與詐欺。大型語言模型（LLMs）是藉由現有數據來訓練，因此生成式AI如果生成的內容類似已經有版權的訓練材料，可能會侵犯智慧財產權，引發法律糾紛。訓練的數據或用於客製化模型的公司特有數據如果帶有敏感資訊，生成式AI模型可能也會造成隱私權風險。此外，攻擊者可能也會刻意操弄輸入的數據，誘使生成式AI模型生成意想不到的結果。

敏感數據可能會有網路安全漏洞與駭客攻擊的風險，分析式AI的訓練數據也不例外。此外，AI模型如果是以有偏見或不完整的數據集來訓練，還可能延續既有偏見或歧視特定群體。分析式AI科技可能遭到惡意使用，例如發起自動化網路攻擊、散布錯誤資訊、進行社交工程詐欺。公司必須採取安全措施，來降低這類風險、防範AI造成的威脅。

生成式AI與分析式AI都會帶來與數據隱私、偏見、對抗式攻擊相關的風險與安全顧慮，但是基於兩種類型AI各自的特性與應用，這些安全顧慮的本質也不相同。目前分析式AI的風險程度似乎較低，部分原因在於它已經在企業界使用了數十年。

MMD Creative／shutterstock

如何平衡兼顧兩種AI

公司必須決定如何將管理心力、投資與人才分配到這兩個不同的AI領域。一個主要的考量因素是看重要利害關係人對於兩種類型AI的熟悉程度。大體上，生成式AI可以做為敲門磚，引發非科技背景的高階主管與專業人士對AI的熱情，使用上的障礙也不多。分析式AI需要較多的統計入門引導，才能夠有效運用，因此它的主要受眾是數據科學家或量化人員。這些人可能永遠會少於生成式AI的受眾，雖然生成式AI的介面可以幫助非科技人員製作簡單的分析模型。然而在擁有大量結構化數據的公司，例如金融服務業、零售業與電信業，高階主管應該會熟悉分析式AI。

有幾家公司告訴我們，生成式AI帶來的主要利益之一，是讓高階領導人對整體AI有更清楚的意識。美國教師退休基金會（TIAA）科技、資訊與客戶服務主管薩斯垂．德瓦蘇拉（Sastry Durvasula）表示：「ChatGPT是一個重要的催化劑，促使我們轉向AI優先策略，將我們的AI計畫升級為公司策略的核心支柱。」TIAA的董事會與執行委員會接納AI優先策略，體認到AI在強化客戶服務、增進營運效率、全面推動組織創新等方面的潛力。

大都會人壽（MetLife）全球科技與營運主管比爾．帕帕斯（Bill Pappas）則指出：「鼓勵跨部門、跨職能的協作與持續學習，對於消除各自為政、催生新構想與新思考方式發揮了關鍵作用。創新並不只是IT部門的工作。最卓越的領導人都知道，創新取決於整個組織是否全力追求成長。」

以下列舉的因素可以做為指導原則，協助公司與產業決定要為分析式AI與生成式AI各自投入多少心力。

1.考量公司的策略與商業模式。公司的主要業務是否涉及內容的製作、銷售與傳播？如果是，公司應該把焦點放在生成式AI。不過「內容」涵蓋幾個不同的領域，必治妥施貴寶（Bristol Myers Squibb）數位與科技長葛瑞格．梅爾斯（Greg Meyers）表示：「生成式AI在涉及大量文件的產業特別有用，也特別適合製作新的內容——例如利用計算生物學生成新的蛋白質。」這種應用讓臨床試驗得以加速進行，新藥研發的效率得以提升。必治妥施貴寶也運用分析式AI，來執行預測、需求規畫、臨床試驗場所招募狀況預測等工作。

然而，就連內容製作產業的公司，可能也發現生成式AI使用的機率式文字預測會造成問題。大型律師事務所A&O Shearman的AI諮詢事業群國際主管大衛．威克林（David Wakeling）在訪談中告訴我們，以今日的科技而言，他並不會將生成式AI視為生存威脅，而且相信它可以提高律師的生產力與效率，「然而生成式AI的基本特質就是會犯錯，你必須讓人類專家參與其中，否則會做出糟糕的法律業務。」

2.考慮公司專有與獨特數據資產的格式。如果公司的數據資產主要是文字、圖像或影片之類的非結構化內容，就應該優先採用生成式AI。以環球音樂（Universal Music）為例，這家公司對生成式AI興致勃勃，因為它可以創作音樂、寫作歌詞、模仿歌手的聲音。該公司全球數據與分析部門主管納拉斯．伊謙巴迪（Naras Eechambadi）表示，公司與客戶對於生成式AI很有興趣。他認為這項科技會慢慢壯大，最終來到一個轉捩點，「我們會突然發現，生成式AI已經大大影響」產業和公司。

“如果公司的數據資產主要是文字、圖像或影片之類的非結構化內容，就應該優先採用生成式AI。如果公司的數據大部分都是結構化、數字化，就應該偏重分析式AI。

另一方面，如果公司的數據大部分都是結構化、數字化，就應該偏重分析式AI。醫療保險公司信諾（Cigna）數位與分析長凱蒂亞．安卓森（Katya Andresen）告訴我們，公司的使命在於提供更好的醫療成果，「分析式AI幫助我們預測病人的需求、增進醫療管理、提升營運效率。」對於改善醫療成果與降低成本，分析式AI的運用不可或缺。信諾目前也嘗試運用生成式AI來製作內容（包括訓練用的合成數據）以及個人化的顧客體驗。

公司該選擇哪一種AI為主要焦點，還會受到其他因素影響，包括數據科學人才的經驗、公司的風險容忍度（大部分組織認為生成式AI的風險較高）、是否願意容忍生成式AI偏高的利益不確定性。

說到底，我們認為許多AI使用案例會結合兩種類型的AI。以AT&T為例，它近幾年來致力於AI普及化，運用生成式AI來推進分析式AI。AT&T的應用工具「請問數據」（Ask Data）幫助非科技使用者，運用生成式AI以簡單的英文提示來建立統計分析與模型——也就是分析式AI。生成式AI充當分析式AI的前端與對話介面，以撰寫程式碼來執行該類型的統計分析。我們期待會有更多組織最終建立類似的結合應用。

Anton Vierietin／shutterstock

AI普及化

對大部分組織而言，兩種類型的AI都很重要，然而只有生成式AI有助於先進工具的使用普及化。TIAA的德瓦蘇拉指出：「生成式AI將為原本沒有能力的使用者帶來能力，提升他們運用AI功能的成效。我們的目標是協助公司的每一位成員熟練AI。」TIAA的AI互助網絡是這種做法的實際例證，為不同職能的員工提供訓練與資源。

必治妥施貴寶的梅爾斯肯定生成式AI有可能讓人們更容易使用先進的科技，「生成式AI正在降低使用分析式AI的門檻。任何人只要能讀能寫，都可以和生成式AI互動，也就擴大了這些科技的使用者範圍。」

信諾的安卓森頗有同感，補充說：「生成式AI讓取得複雜工具與見解的管道普及化，更多員工因此能夠與數據和AI科技互動。這種轉變非常關鍵，能夠為全組織推動創新、改進決策過程。」

大都會人壽的帕帕斯指出，公司曾經進行一項調查，發現員工如果認為公司提供適量的AI訓練與資訊，他們更有可能滿意自己的工作，在未來一年也更有可能規畫留在公司。「公司之間的競爭日益激烈，組織必須思考如何善用這項破壞式的科技，來留住與吸引人才，」帕帕斯如此強調：「接納新興科技能夠為公司帶來更為正面的成果。」

了解分析式AI與生成式AI，根據它們各自的強項運用於使用案例；這種做法相當重要，前文提到的公司都是實證。兩種AI兼容並蓄，能夠激發新的策略與商業模式、營造更為數據驅動的企業文化、將生產力提高到另一個層級、引導出更優質的決策。然而組織如果不能認清兩種AI的差異，恐怕就會無法充分善用兩者或其中之一，來讓公司的業務脫胎換骨。

文章來源：哈佛商業評論 2月號