2024生成型人工智能重塑电信领域分析报告7个关键点区分正确信号和错误干扰英文版-IBM_32页_1mb

IBM Institute for Business Value与TM Forum联合研究指出，电信行业在推进生成式AI（gen AI）应用过程中面临战略准备不足和数据整合能力薄弱等挑战。尽管运营商对AI技术充满期待，认为其将在未来三年内带来跨行业机遇，但仅1/4受访者明确制定了利用AI区分企业战略的路径，且60%认为数据整合能力不成熟。研究提出以下七项关键要点：

1. 选择高ROI的用例：运营商需优先考虑能提升效率、优化客户体验或创造长期价值的场景（如客户服务、IT运营及网络安全），通过低风险实验（如营销内容生成）逐步推进。
2. 构建数据基础：高质量数据是AI应用的核心，需确保数据准确、完整且与业务场景匹配，同时整合内外部数据源（如天气、交通数据预测网络问题）并解决隐私及安全合规问题。
3. 模型选择与训练：需评估大型语言模型（LLM）和小型语言模型（SLM）的适用性，优先选择符合行业需求的模型，并通过RAG（检索增强生成）或微调技术提升效果。此外，警惕多模型采用可能带来的成本与技术债务。
4. 制定财务论证：分析AI用例的全生命周期成本（如推理成本、云费用、人才投入），结合收入增长、成本优化及风险管理指标（如营销投资回报率、网络安全响应效率）构建价值树。
5. 更新AI治理：需建立符合监管要求的治理框架，涵盖数据透明性、模型可解释性、版权风险及人机协作责任划分，以确保技术安全与合规。
6. 评估技能需求：内部需培养AI、机器学习及数据科学人才，同时通过合作伙伴弥补技术缺口。需平衡技术依赖与自主能力，避免过度依赖单一供应商。
7. 制定监控与适应计划：持续跟踪AI应用效果，定期评估模型性能及合规性变化，确保技术演进与业务目标同步。

研究表明，成功采用AI的关键在于策略性思维与数据管理能力。运营商需避免盲目投入，优先解决数据基础设施和治理问题，并通过跨部门协作与行业合作推动创新。同时，AI的长期价值需与数据 monetization 结合，例如通过深化客户与网络数据分析创造差异化优势。