过去几十年来，我们见证了许多数字化和数据驱动的变革，消费者的购买方式、零售商的销售方式以及营销人员触达受众的方式都发生了巨变。如今，我们正面临近年来最重要的一项变革：生成式人工智能（genAI）的发展和普及。
据彭博（Bloomberg）预测，未来10年内，生成式人工智能市场的复合年增长率（CAGR）将飙升到42%。到2032年，该市场价值将达到1.3万亿美元，在此期间，几乎所有行业都会发生改变，零售业也不例外。
目前预测，对于零售业和快消行业的企业，生成式人工智能将促进生产力提升1.2%至2%，创造4000亿至6600亿美元的价值。在零售业，生成式人工智能正在为整个价值链创造难能可贵的机会，例如采用全新方式动态优化产品系列和店铺布局；实现前所未有的个性化购物体验。
然而，随着生成式人工智能的引入和发展，有些职能和角色可能会受到更大影响：
商品经理需要深入了解不同地区的客户需求，制定动态的商品管理策略，不断推动发展，改善购物体验。
零售营销团队需要彻底革新内容的制作、分发和个性化定制，从而实现客户体验和零售品牌及其所售产品营销方式的转型。
客服专员需要以全新的方式与客户互动，赢得宝贵的时间，专注于解决最复杂、最棘手的客户案例。
本白皮书将详细介绍生成式人工智能如何赋能上述角色，探讨如何在上述领域充分利用人工智能的能力，抓住机遇大幅提升效率，赢得竞争优势，创造价值。
生成式人工智能有望加快工作流程，赋能人工团队，并推动现代零售企业的几乎各种职能取得更积极的成果。不过，这些优势不会自动实现，必须有策略地、循序渐进地落实。
为了充分利用生成式人工智能给零售业带来的机遇，建议遵循以下五点建议：
生成式人工智能绝非新的技术孤岛，而是一种新的能力，可以帮助您从现有技术和数据资产中获得最大收益。
生成式人工智能应建立在强大的数据基础之上，并与现有的分析和人工智能/机器学习能力共同发展，覆盖所有描述性和规范性功能，以充分利用生成式人工智能带来的所有机遇。
人工智能的发展离不开数据的支持。因此，在开启人工智能旅程时，需重点关注有大量优质数据支持的生成式人工智能用例。例如，如果已经收集了大量有关客户的数据（客户身份、购物时间和原因），可以利用在营销用例方面的成功经验，将生成式人工智能扩展到其他功能中。
就像人类助手一样，生成式人工智能助手应支持相关团队的工作方式，减轻他们的工作负担，而不是强迫他们做出改变。在确定整个企业的生成式人工智能用例时，请与相关团队协商，发现他们工作流程中真正的阻碍。
当人工智能用于切实解决人类团队面临的挑战时，他们就会更快地采用生成式人工智能助手。这样会激励他们接受新的人工智能助手，并学习如何充分加以利用。如果您想在不同职能部门推动长期业务变革，那么这一点至关重要。
您需确保为助手用户提供相应的培训，以提升技能，否则采用情况会不稳定，各团队的结果也会不一致。
生成式人工智能功能所生成的一切成果都需经过人工验证。近年来，这项技术取得了巨大进步，其中有些功能已经比较成熟。虽然文本生成等领域已变得非常稳定，但如果涉及视频生成等较新用例，相关工具仍然容易产生幻觉甚至发生知识产权问题，结果的可靠性就会降低。
大语言模型自主代理就是典型的例子。如今，即使是最好的GPT-4代理也只能成功执行约15%的任务，而人类的任务成功执行率为92%。目前，如果一家企业完全依赖于大语言模型自主代理，可能会对其业务和客户体验造成灾难性的影响。
通过采用“人机协作”的方法，在生成式人工智能工作流程中执行人工验证，可确保向客户和内部利益相关者展示的结果始终人性化，并与人类团队制作的内容保持一致。
虽然生成式人工智能助手设计得十分直观易用，但在企业开始使用之前，需要掌握一些新技能。您需要一些了解生成内容时可能出现的知识产权问题的专业人员，还需要一些深入了解生成式人工智能输出的分析人员。
为了掌握这些技能，您可以在内部培养相关人才，也可以聘用具备这些技能的新人。无论您采取哪种方式，最好设立一些新职位，负责监督人工智能工作，并最终对向外部分享的人工智能输出负责。
与任何数据驱动型技术一样，在生成式人工智能旅程的各阶段都应考虑安全问题，并将其列为优先事项。生成式人工智能带来的信息安全风险主要分为两大类：信息泄露和漏洞引入。
漏洞引入源于人工智能生成的代码中普遍存在的质量问题。虽然这与零售用例不太相关，但如果相关团队开始使用生成式人工智能来生成新代码，那就需要时刻关注这些安全问题。
Thoughtworks倡导采用以人为本的方法来选择生成式人工智能用例。生成式人工智能的核心是通过各种方法增强人类智力、能力和经验。因此，您的旅程应该从确定您想要改造的功能、流程和体验开始，无论是为您的客户还是为您的员工。
我们在白皮书中提供了用于评估生成式人工智能用例价值的基本框架，扫码或点击「阅读原文」即可下载了解。
