定制报告-个性化定制-按需专项定制研究报告

行业报告、薪酬报告

联系：400-6363-638

《IBM：2025借助生成式AI重塑电信行业：分辨信号与噪声的7项关键策略研究报告（31页）.pdf》由会员分享，可在线阅读，更多相关《IBM：2025借助生成式AI重塑电信行业：分辨信号与噪声的7项关键策略研究报告（31页）.pdf（31页珍藏版）》请在本站上搜索。

1、IBM 商业价值研究院|研究洞察借助生成式 AI 重塑电信行业 分辨信号与噪声的 7 项关键策略2IBM 通过混合云和 AI 优先的方法，帮助通信服务提供商在整个价值链中推动业务和交付转型，从而释放新的收入潜力。我们的解决方案有助于优化网络运营；在客户、员工、边缘设备等各个领域提供差异化体验；以及加强网络安全。如需了解更多信息，请访问： 如何提供帮助TM Forum 如何提供帮助TM Forum 是一个全球性的电信和技术公司联盟，致力于引领行业重新定义影响深远的新运营模式、新合作伙伴关系以及先进的软件平台。我们帮助合作伙伴更有效地发掘数据价值，促进其在快速发展的通信行业中捕捉新的发展契机并创造

2、价值。在 DTW Ignite、Accelerate 和 Collaboration 活动中，TM Forum 为行业变革者提供了一个分享突破性创新、市场发展、产品发布和业务转型历程的平台。我们是唯一将全球十大通信服务提供商和所有主要超大规模云计算商视为活跃战略成员的行业组织。我们拥有 800 多名合作伙伴，致力于重新塑造电信行业，使其更加灵活、创新、有活力，推动整个数字生态系统发展的重要力量。要了解更多信息，请访问：tmforum.org1序言如今，电信行业在全企业范围内利用生成式 AI 进行转型，通信服务提供商（CSP）应迅速学习如何应对这些变化带来的商业机会与挑战，从而积极影响业务。通信

3、服务提供商迫切希望能够利用生成式 AI 的力量，包括评估多个业务领域的多个用例，以及增加在生成式 AI 技术上的投入。然而，通信服务提供商也意识到需要制定明确的战略，确保安全、负责地使用这项强大的技术，并客观地评估投资回报率（ROI）。IBM 商业价值研究院（IBM IBV）的最新研究表明，通信服务提供商的准备程度与这些期望之间存在较大差距，这是一个令人担忧的问题。只有三分之一的受访电信高管认为其组织能够有效利用生成式 AI。而更令人担忧的是，60%的受访者承认其组织的数据集成能力仍处于不成熟或初级阶段。构建坚实数据基础对生成式 AI 的成功至关重要。正如 TM Forum 现代数据架构行业合

4、作项目所揭示，要想成功大规模采用生成式 AI，不仅需要构建 AI 驱动的自主流程，还需要集成外部数据，开发现代数据架构。通信服务提供商需要优先建立数据基础设施，并采取灵活的治理和监督方法，以确保能够充分发挥生成 AI 的潜力。此外，在生成式 AI 的采用过程中，通信服务提供商需要采取深思熟虑的战略方式，避免草率决策带来的高成本风险。Bharti Airtel 的首席信息官 Pradipt Kapoor 指出，许多关键决策若没有经过深思熟虑，可能会影响企业的长远发展和技术方向，这往往也是通信服务提供商所忽视的。为了降低风险，运营商必须在积极尝试与慎重考虑架构和大语言模型（LLM）选择之间找到平衡

5、，同时坚持技术开放，遵循 TM Forum 的开放 API 和开放数字架构（ODA）等行业标准。最后，成功的关键在于选择最具回报的用例，保持正确的心态，并采取稳健的技术决策和成本管理方法。通信服务提供商可以利用其云计算领域的 FinOps 专业知识和多年的机器学习操作（MLOps）经验来实现大规模、安全可靠的 AI 部署。借助适当的组织文化和技能，通信服务提供商可以创建和部署可带来可观回报的用例。TM Forum 与 IBM IBV 开展合作，提出了在生成式 AI 采用过程中必须谨慎考虑七项关键因素，旨在帮助通信服务提供商更有效地应对这项新技术的实施挑战，并促进行业内合作。通过仔细规划和开展合

6、作，通信服务提供商可以更有效地发挥生成式 AI 的潜力，推动业务的数字化转型与创新。Nik WillettsTM Forum 首席执行官3电信行业对生成式 AI 的潜力表现出极大兴趣。随着众多用例的提出，高管们预计这项技术将在未来三年内为行业内外带来机遇。对准备不足和资源限制的担忧，削弱了高管的期望。只有不到四分之一的受访高管表示已经明确如何通过生成式 AI 打造差异化企业战略。电信高管在推进生成式 AI 过程中必须考虑七个关键因素。着眼于这些因素有助于组织快速且审慎地从实验过渡到富有成效、创造价值的生成式 AI 项目。“徒具速度而无方向，乃是短视。AI 的真正潜力在于将其深思熟虑地融入到业务

7、的方方面面”Dena Almansoori e&集团首席人工智能和数据官摘要4通信服务提供商正处于 十字路口电信行业与大多数商业领域一样，对生成式 AI 的潜力充满期待，认为这项技术能够彻底改变行业未来。在 TM Forum 最近的一份报告中，通信服务提供商确定了 100 多个使用生成式 AI 的用例。1 IBM 商业价值研究院（IBM IBV）对 300 位全球电信行业领导者的调查揭示了他们对生成式 AI 持乐观态度，但也承认在采用过程中会存在担忧。首先是积极方面。通信服务提供商的投资重心正在转向生成式 AI，生成式 AI 在总 AI 支出中所占比例预计将在未来两年内增长 37%。此外，受访

8、高管也在评估和部署多个关键业务领域中的用例（见图 1）。“变革的速度之快，令我们难以有足够的时间进行战略思考，但战略思维是不可或缺的。”Ken Komazawa，NTT IT 战略办公室副总裁5图 1通信服务提供商正在评估和部署生成式 AI 在多个业务领域的用例。问：贵组织在以下职能中采用生成式 AI 的情况如何？客户服务信息技术（包括网络）信息安全财务风险与合规销售营销人力资源评估部署优化47%50%52%44%57%73%70%62%63%73%38%22%22%33%30%21%3%3%3%2%5%1%2%1%6从现有数据中生成新洞察获取额外数据转变组织的行业角色扩大客户覆盖加速产品/服

9、务开发80%现在未来三年82%80%82%72%82%68%82%拓展新市场66%77%在其他行业创造机会66%79%49%75%电信高管对这些用例的潜在业务影响也抱有高预期（见图 2）。然而，经过仔细审视，生成式 AI 也给电信行业领导者带来了挑战。只有不到四分之一的受访高管表示已经明确如何通过生成式 AI 打造差异化企业战略。NTT 的 IT 战略办公室副总裁 Ken Komazawa 强调：“变革的速度之快，令我们难以有足够的时间进行战略思考，但战略思维是不可或缺的。”图 2随着众多用例的提出，高管们预计生成式 AI 将在未来三年内为行业内外带来机遇。问：AI（包括生成式 AI 和基础模

10、型）将在多大程度上通过这些领域支持业务模式创新？百分比表示回答“在很大程度上”和“在一定程度上”的总和。7事实上，大多数高管认为其组织尚未做好充足的准备来采用生成式 AI：45%的受访高管认为准备程度一般，只有三分之一的受访者认为准备程度良好。受访高管认为资源限制（包括人才和技术）是采用生成式 AI 的主要障碍之一（见图 3）。此外，超过半数（56%）的受访者表示其组织没有成熟、明确的方法来采用这项技术。Bharti Airtel 首席信息官 Pradipt Kapoor 担心，通信服务提供商在进行关键决策时缺乏更全面的视野，未能评估不同选择所可能带来的机会和风险。他表示：“大型企业对于所做决

11、策所带来的后果缺乏清晰的认识。”应在何处投资？采购哪些基础设施？使用哪种模型？如何平衡成本与价值？IBM 商业价值研究院与 TM Forum 携手合作，提出了电信高管应谨慎考虑的七项关键因素，旨在帮助电信行业克服在生成式 AI 采用过程中面临的不确定性。理解并解决这些问题可以帮助组织快速且审慎地从实验过渡到富有成效、创造价值的生成式 AI 项目。e&集团首席人工智能和数据官 Dena Almansoori 说道，“徒具速度而无方向，乃是短视。AI 的真正潜力在于将其深思熟虑地融入到业务的方方面面，确保支持我们的长期目标，并在长远发展中增强市场地位。这意味着要采取 AI 优先的方法，对业务进行战

12、略转型。”这意味着要采取 AI 优先的方法，对业务进行战略转型。以下关键因素可以帮助通信服务提供商在采用和部署生成式 AI 时从谨慎转变为自信。财务依据/商业论证不足生成式 AI 专业能力不足技术能力有限用于定制模型的专有数据不足对数据准确性或偏见的担忧39%40%45%41%45%12345图 3高管们在权衡生成式 AI 的价值和可行性。问：贵组织目前采用生成式 AI 面临的最大障碍是什么？采用障碍8采用生成式 AI 的7 项关键因素4制定商业论证5更新 AI 治理2识别和评估数据3选择模型并决定所需的训练7制定监控和调整计划6评估和解决技能需求81选择正确的 AI 用例91.选择正确的 A

13、I 用例通信服务提供商正在探索大量生成式 AI 用例，领先的通信服务提供商则具备战略思维，能够识别快速成效和长期机会（请参见“观点：Bharti Airtel 联合开发生成式 AI 解决方案”）。但是，组织应如何选择最有意义的重点领域？一种方法是：从低风险的实验开始，提升员工效率，例如使用生成式 AI 创建营销活动内容或总结文档。但真正的挑战在于识别和部署那些可变革运营和客户体验的优质用例。对于调研受访者来说，决策始于成功的关键标准（见图 4）。资源限制、合作伙伴能力不足、技术实施的复杂性以及缺乏足够的技术人才是电信企业在实施生成式 AI 时的主要难题。受访者还专注于寻找那些能够根据战略对齐、

14、财务投资回报率和最终用户收益提供最大价值的用例。图 4高管们根据六项关键标准来评估生成式 AI 用例。问：贵组织优先选择生成式 AI 用例的关键标准是什么？战略对齐生态系统合作伙伴成熟度最终用户获益财务投资回报率实施复杂度技能可用性101223344低高高生成文档汇总大型复杂文档配置聊天机器人增强知识搜索分析客户互动流程自动化生成个性化回复可行性客服辅助价值如前所述，客户服务、IT（包括网络运营）和信息安全已经成为生成式 AI 部署的主要业务领域。在这些业务领域中，受访者正在根据价值和可行性评估用例。例如，在客户服务中，配置聊天机器人和增强知识搜索的排名最高（见图 5）。图 5通信服务提供商正

15、在根据可能带来的价值和实际部署的可行性来确定最具前景的客户服务用例。电信客户服务用例信息来源：IBM IBV 分析11在考虑用例时，组织应选择那些可跨多个部门和业务领域采用的生成式 AI 能力。以增强知识搜索为例，我们的分析表明，这不仅是客户服务、IT/网络运营和信息安全领域的强大用例，也可以应用于人力资源、采购或销售等领域。该用例使用生成式 AI 算法来改进现有知识库的搜索功能。由于算法会根据与用户互动不断学习，因此搜索结果会更加个性化，用户也会更加积极主动。当集成到组织的平台中时，增强型知识搜索可帮助用户更迅速地找到更准确的信息。2在评估用例时，NTT 的 Komazawa 建议，跨职能团

16、队至关重要。他指出，“在业务部门，需要销售和工程部门的参与。在管理部门，则需要治理、法律和知识产权部门的参与。“当然，我们分析的结果可能并不适用于每个组织。例如，Bharti Airtel 的 Kapoor 提醒通信服务提供商不应将客户服务作为唯一的最佳起点，尽管生成式 AI 可以带来长远效益，但并不是所有情况下都能产生预期的成本效益。特别是在考虑企业的规模和地区差异时，必须权衡 AI 的成本与收益。Kapoor 建议，长期价值通常可以通过更好地映射客户和网络数据来实现，然后基于这些数据构建企业的生成式 AI 用例。他说道，“这与数据货币化有关，电信企业一直在努力解决这个问题。他们掌握大量数据

17、，但传统上，聚合商能从中获取更多的利润。电信企业还没有解决如何在没有聚合商的情况下互相共享数据的问题。”您认为生成式 AI 能帮助您解决的主要业务问题是什么？该解决方案如何与您的整体战略对接？请考虑短期、中期和长期目标。如何将用例应用于其他类似的业务问题？需探讨的问题1112观点Bharti Airtel 联合开发生成式 AI 解决方案3 尽管许多运营商倾向于将其 AI 开发和实施的资源和决策集中在一个部门或团队内，Bharti Artel 的首席信息官 Pradipt Kapoor 提出了一种联合的 AI 解决方案开发方法。他说道，“在 Airtel，我们相信 AI 和生成式 AI 的变革力

18、量。与任何新兴技术一样，必须经历一个意识提升、宣传推广和培训的周期。”他指出，他们对 Airtel 的每个部门（供应链、财务、营销、人力资源等）都进行了技术普及，通过演示和亲身体验来介绍生成式 AI 的概念以及可能的应用。他继续说道，“我们还尝试将创意生成过程模板化，通过提出适当的问题来识别具有业务价值的用例。然后，我们与数字（产品和工程）团队合作，看看他们根据我们现有的数据和技术能够做些什么。”该公司目前拥有 28 到 35 个已投入使用或即将投入使用的 AI 用例，通过生成式 AI 在多个领域推动价值创造，聚焦提升客户服务、降低成本和效率改进。这些用例包括：员工聊天机器人允许员工询问诸如“

19、我还有多少假期？”或“育儿政策是什么意思？”等问题。呼叫中心的所有来电都会自动生成通话记录和摘要，并自动上传到客户交互历史记录中。进一步对通话进行情感分析。这些举措显著缩短了平均处理时间，并提升了通话质量。市场营销部门使用通用的大语言模型（LLM）生成超本地化的内容和优惠。一些账单的催收电话现在采用了生成式 AI 驱动的语音机器人呼叫。这项工作已初见成效，将 100 人的团队的未付款账单支付率从 60%提高到语音机器人所处理的 64%。开发人员正在使用生成式 AI 帮助生成测试用例和代码。12132.识别和评估数据可信的高质量数据是生成式 AI 的命脉。这就要求通信服务提供商同时考虑所需的数据

20、和支持数据的基础设施。e&集团的 Almansoori 说道，“电信企业拥有大量的结构化和非结构化数据，是成功利用第三方生成式 AI 模型的理想选择。然而，只有拥有合适的工具和人才，才能真正发挥这种数据优势。”通信服务提供商首先应检查是否拥有与每个用例相关的，准确、完整和最新的数据。这需要收集不同领域的数据并进行整合，如客户互动、网络性能指标和外部数据提供商。这还可能涉及非运营商数据。例如，天气和交通数据可以用于预测网络问题，竞争对手故障的社交媒体数据可以用来推动营销活动。在评估这些数据时，通信服务提供商必须考虑数据隐私和安全法规，这些法规会影响关于如何使用、保护和存储客户数据的决策（例如存储

21、在本地还是云端）。事实上，71%的高管担心数据法律会限制他们在生成式 AI 模型中的数据流动和使用。超过三分之一的受访者（37%）担心网络安全黑客会操控他们的生成式 AI 模型，因此他们还需要关注基本的数据安全原则，以保护模型的输入和输出。4通信服务提供商还必须防范数据中的潜在偏差。这意味着要追踪模型中所使用数据的来源，并确保数据代表了不同的客户、网络和场景。14需探讨的问题最后，通信服务提供商的数据基础设施对于集成来自不同来源的数据至关重要。遗憾的是，这对于许多通信服务提供商都是一个薄弱环节。Bharti Airtel 的 Kapoor 指出：“我认为，大多数电信企业将数据基础设施视为一个简

22、单的数据存储平台。数据平台应当具有更强的能力，不仅仅用于存储和报告数据，更应支持业务决策和技术创新，但很少有电信企业考虑到这点。”我们的数据还表明，只有 30%的受访者预计生成式 AI 将在未来三年显著加速他们与数据和分析平台的合作。60%的受访者承认他们的数据集成能力仍处于不成熟或初级阶段。这些限制可能会使通信服务提供商难以获取最符合其生成式 AI 用例的数据。数据织物架构等先进解决方案可以支持多个数据管道和云环境的端到端集成。5Kapoor 说道，“分类明确、易于理解的高质量数据是生成式 AI 和 AI 成功采用的基础。人们常常忘记这一点。首先应投资数据平台。”您的数据基础设施是否支持集成

23、各种来源的结构化和非结构化数据？您的数据治理政策和程序是否支持在生成式 AI 模型中负责任地使用数据？如何加强数据安全文化？153.选择生成式 AI 模型并了解模型训练要求。生成式 AI 模型迅速发展，为通信服务提供商提供了多种选择。去年，人们的关注点聚焦于多用途的大语言模型（LLM）上，而今年小语言模型（SLM）的发展则更具成本效益和相关性。6 组织可以从大语言模型开始进行实验，然后在细化用例时转向小语言模型。通信服务提供商还可以选择专有模型（如 OpenAI 的 ChatGPT 和 Anthropic 的 Claude），以及开放模型（如 Meta 的 Llama 和 Mistral AI

24、 的 Mixtral）。有些模型是多模态的，能够处理和生成文本、图像甚至音频格式的数据。7 此外，行业特定的基础模型也在开发中（请参见：“观点：网络基础模型提升网络性能潜力”）。NTT 的 Komazawa 表示，模型必须满足日本市场（包括日本组织）的独特需求，事实上，他们已经构建了自己的大语言模型。他说道，“从地缘政治角度来看，日本是一个独特的环境，拥有自己的语言和文化。”但他也预测，日本将使用多种大语言模型。选择一种或多种模型并非易事。最终，通信服务提供商可能需要多种模型，以提供更高的准确性和更多的功能。多模型的选择和部署虽然能提升 AI 应用的多样性，但也会带来更高的成本和复杂性。通信服

25、务提供商需要谨慎管理 AI 技术的投资，避免因过度投入而积累无法有效管理的技术债务。8同时，通信服务提供商在选择 AI 模型和服务供应商时，应避免依赖单一供应商，以便能够灵活应对技术进步的快速变化。16需探讨的问题在通信服务提供商评估其模型选择时，还需要考虑如何根据具体需求精确地调整这些模型的功能和参数，以满足特定需求。使用最广泛的技术包括：提示工程。这一过程包括设计和测试不同的提示或输入，了解模型在特定任务中的表现，以找到能够生成高质量响应的提示。提示工程是一种提升模型在特定任务表现的方法，且成本效益高，但输出结果仅限于模型在初始训练时所学到的内容。这项技术并不会为模型添加更多特定的或新的信

26、息。9 检索增强生成（RAG）。这项技术利用外部数据源提供更多最新的相关信息，但成本高于提示工程，同时需要将模型与持有附加数据的系统进行集成。10 微调模型。这种方法使用少量特定任务的数据来调整预先训练好的语言模型，从而生成更准确的输出。这适用于多种自然语言处理任务（如文本分类、舆情分析、问题解答等），可大幅改善模型的性能。微调需要大量的计算资源和时间，而且需要技术技能和精心整理的数据集。尽管微调比构建定制模型便宜，但依然是一项成本较高的技术。11许多通信服务提供商仍在使用传统技术，如何将生成式 AI 与现有技术有效集成是一项严峻的挑战。e&集团的 Almansoori 指出，“尽管 AI 的

27、优势显而易见，但采用 AI 需要在前期妥善处理与传统系统的互操作性问题。围绕需求进行战略规划、精简传统基础设施以及切实可行的分阶段集成方法是关键所在。”贵组织将如何处理来自供应商的模型变更（模型版本控制）？生成式 AI 模型的使用是否会改变工作流程？它将如何融入当前的运营框架？模型决策过程的透明度如何？供应商如何处理数据隐私和安全问题？17观点网络基础模型提升网络性能潜力12快速发展的 AI 技术正在改变电信行业解决复杂问题的方法。IBM Research 将基础模型应用于网络数据，利用未标记的大数据集来推动创新。联合领先的通信服务提供商，该团队在优化城市环境中的无线接入网络(RAN)参数方面

28、取得了突破。通过定制和微调基础模型，使其与移动网络数据兼容，电信企业在提高网络性能的同时，也提升了网络的覆盖范围。概念验证显示，这种 AI 驱动方法能够准确预测下行链路吞吐量、提升服务质量，并提高网络性能评分(NPS)。值得注意的是，该模型的效率优于 XGBoost 等传统机器学习方法。经过训练的基础模型可应用于多种用例，包括：识别性能不佳的基站。生成式 AI 能够识别性能不佳的基站，有效优化资源分配，提高整体网络性能。调整最优配置参数。生成式 AI 能够帮助电信企业根据网络状况调整最优配置，确保网络效率最大化。多变量分析。多变量分析能够帮助电信企业评估新特性或新功能对网络性能的影响，从而进行

29、科学决策和优化。网络模拟器。使用基础模型预测配置变化的影响，从而迭代调整参数，优化网络关键绩效指标。这种模拟驱动的方法将彻底改变通信服务提供商优化网络性能的方式，利用数据洞察使得决策更加科学，并在市场中保持竞争优势。17184.制定商业论证生成式 AI 解决方案并不是简单添加到现有系统中的附加组件，这不仅涉及高昂的成本，还需要技术上的深度整合。这项技术要求通信服务提供商考虑整个解决方案生命周期中的成本。13 具体包括：推理成本。推理成本反映了模型生成响应所需的费用。该过程需要大量计算资源。微调成本。微调成本将根据模型的大小和复杂程度、使用的数据量以及迭代次数而变化。云支出。除了托管生成式 AI

30、 应用的成本，还需考虑应用生成数据的额外存储成本。还必须重新审视云计算和传统基础设施战略，以确保它们对生成式 AI 解决方案而言具有成本效益。部署成本。部署成本包括在多个地区部署解决方案的费用，例如服务器托管。人才成本。必须考虑短期和长期的人才计划，包括开发人员、数据管理人员和安全团队的再培训和招聘优先事项；加强安全教育，使员工意识到生成式 AI 带来的风险；以及确定人工反馈在模型训练中的作用。评估成本效益中的间接回报会更加困难。对于电信行业，生成式 AI 可以通过提高生产力、改善风险管理和提供有吸引力的产品/服务来推动业务价值。例如，IBM 的生成式 AI 解决方案试点显示，市场营销内容创作

31、的成本最多可降低 40%，遏制潜在网络威胁的速度最多可提高 8 倍，自动客户服务解决方案提供的答案准确率最高可达 95%。1419信息来源：IBM IBV 对标值项目实现盈利性增长增加收入增加有机收入为了更好地了解解决方案的财务价值，通信服务提供商可以使用价值树来评估该解决方案如何帮助增加收入、管理成本和降低风险。更具体地说，他们需要评估特定指标，如新客户的百分比、新产品收入的百分比、销售周期时间、营销投资回报率以及检测和响应网络安全事件的平均时间等（见图 6）。15 图 6与关键业务绩效指标对齐的价值树有助于识别生成式 AI 解决方案的财务价值。增加客户数量管理现场服务成本管理产品/服务开发

32、成本管理销售成本管理 IT 成本增加客户交易数量管理销售、一般及行政成本(SG&A)管理网络安全管理技术风险管理人员风险管理市场营销成本管理客户服务成本管理成本降低风险管理声誉风险管理运营风险20需探讨的问题通过价值树构建有效的商业论证需要技术团队和财务团队之间的紧密合作。e&集团的 Almansoori 表示，“技术领导者和财务团队之间的紧密合作可以将技术愿景和指标转化为明确的业务效益和投资回报率预测，同时优化投资，确保项目结构合理，最大限度地提高投资回报率。”您希望通过生成式 AI 用例改善哪些关键绩效指标？您期望增加收入还是降低成本？实现目标最具成本效益的训练模型方式是什么？您的技术团队

33、和财务团队之间是否建立合作，以指导业务案例开发？若没有，如何加强合作？215.更新 AI 治理生成式 AI 的成功不仅依赖于技术本身，还取决于企业对其治理的重视。有效的治理能够确保 AI 安全运行且合乎伦理。AI 的治理框架必须能够识别和防范技术带来的风险，例如算法偏见、歧视以及对个人隐私的侵犯。同时，AI 的决策过程需要具备可解释性，以增强用户的信任和接受度。16e&集团的 Almansoori 表示，“数据准确性和偏见问题不容小觑。由于电信企业拥有对用户的个人数字信息流的独特访问权限，并充当网络监管角色，我们观察到监管机构和客户，对数据主权、隐私和模型可解释性问题的关注不断增加。”NTT

34、的 Komazawa 同样强调了治理的重要性。他说道，“曾经有些技术极具变革潜力，饱受期待。但由于治理问题，我们未能做出部署决策。”高管们对传统的 AI 治理充满信心，78%的受访者表示他们已经建立了明确的组织结构、政策和流程。例如，为保护知识产权，组织需要为员工如何使用生成式 AI 制定准则，并且治理框架应当解决使用基于大量数据预训练模型可能出现的问题，尤其是在组织对这些数据控制较少的情况下。22需探讨的问题通信服务提供商不断推进生成式 AI 用例，e&集团的Almansoori 建议更新现有的传统 AI 治理框架，以应对以下问题：加大对可解释性和透明度的关注。生成式 AI 需要对模型生成内

35、容（如文本、代码或其他媒体）的方式有清晰的理解。通信服务提供商需要展示生成式 AI 创作背后的推理过程，并减少训练数据中的偏见。生成式 AI 相关的独特风险。监管框架和标准不断发展，以预测恶意用途的深度伪造和其他形式的合成媒体所带来的风险（请参见“观点：应对 AI 法规迷宫”）。随着 AI 技术的发展，将会出台更多的功能限制和监管要求，通信服务提供商必须确保其 AI 技术符合最新的法规和监管标准。人机协作。随着 AI 与人类协作的性质不断演变，通信服务提供商需要制定指导方针，管理人类与 AI 的互动，明确 AI 协助时决策责任的归属，并在关键任务中保留人类监督。数据隐私和完整性。生成式 AI

36、依赖大量训练数据，这引发了对偏见以及无意中使用版权数据的担忧。17 在选择数据和模型用于特定用例时，通信服务提供商需要评估风险，并明确其在数据隐私方面的责任。遵循负责任的 AI 原则不仅符合道德和法律要求，还有助于提升企业的市场竞争力。Almansoori 表示，“若电信企业从一开始就将透明度、可解释性、安全性和公平性作为核心，就可以轻而易举地适应未来的政策变化，并比那些迟迟未采用更合乎道伦理实践的竞争对手更具优势。夯实基础是关键。”您现有的 AI 治理发展得如何？您的解决方案将部署在哪些国家？这些国家有哪些 AI 相关的法规？您将如何确保生成式 AI 输出的透明度？23观点应对 AI 法规迷

37、宫欧盟的人工智能法作为全球首部全面的 AI 法规，将对通信服务提供商更新其治理框架产生重大影响。该法案要求各组织确保被视为“高风险”的 AI 应用是安全、透明的，并严格遵守隐私法律。18 但除了欧盟的人工智能法，通信服务提供商还必须管理复杂的 AI 法规网络，这些法规正在全球范围内逐步建立，涉及从美国州级法律到国家层面。19 例如，加拿大正在推进人工智能和数据法案，印度提出了数字印度法案，中国推出了多个治理倡议，而澳大利亚则强调现有的 AI 监管结构。20e&集团的 Almansoori 举例说明了法规将如何适用于通信服务提供商：展示聊天机器人如何生成其响应，避免生成具有欺骗性或误导性的营销信

38、息或利用用户数据，并能够解释 AI 系统如何预测网络流量模式和分配资源。通信服务提供商需要建立法律团队，跟踪 AI 法规的演变和影响。技术公司也在将治理和自动化集成到生成式 AI 解决方案中，以帮助组织减轻负担。23246.评估和解决技能需求受访高管认为，专业知识不足是采用生成式 AI 的最大障碍之一，但在 e&集团的 Almansoori 看来，这是一个更为深层的问题。她指出，“战略性的人才招聘和技能提升是一大挑战，那些行业领先的公司正在积极培养内部卓越的 AI 中心，而不仅仅依赖招聘。他们正在投资于人才的再培训。”e&通过建立 AI 能力中心和 Citizen X 项目，确保员工在这些项目

39、中获得广泛的培训机会。除了理论学习，e&还注重实践经验的积累。通过结合实际项目，员工能够更加深入地理解 AI 技术，并具备解决实际问题的能力。e&在 2021 年推出了 AI 毕业生项目，确保所有新招聘的毕业生都能熟练掌握 AI 基础知识，无论其工作安排或背景如何。同样，NTT 的 Komazawa 表示，为了激发人们对 AI 的兴趣，他们成立了一个 AI 工作委员会，讨论生成式 AI 用例、治理和安全问题。与以往的技术（如云或网络基础设施）一样，通信服务提供商可以依靠业务合作伙伴来弥补 AI 技能方面的差距。事实上，我们的受访者正寄希望于此：74%的受访者表示当前的生态系统合作伙伴对他们的生

40、成式 AI 创新工作至关重要。76%的受访者在重新评估生态系统合作伙伴关系，以从生成式 AI 中获得更多创新价值。技术合作伙伴可以提供专业的 AI 解决方案，无需通信服务提供商彻底改造其传统基础设施。然而，Almansoori 再次提醒不要过度依赖合作伙伴。她说道，“过度依赖特定供应商的专有技术和解决方案，会限制组织在动态市场中的长期战略灵活性和市场竞争力。此外，如果没有协调一致的内部 AI 能力建设，电信企业可能难以实现所需的规模。”25需探讨的问题一家亚洲移动运营商的董事指出，建设内部专业能力至关重要。他说道，“组织内部的技术能力至关重要。即使我们要求业务合作伙伴完成实际工作，我们也必须具

41、备足够的技术能力，以理解和管理合作伙伴完成的任务。”电信领导者也认识到，员工对 AI 的担忧可能会对实施造成挑战。Almansoori 说道，“组织惰性、缺乏优先级划分以及对变革的抵触情绪，可能会严重阻碍 AI 的采用。这不仅包括技术转型，还包括改变公司文化，接受数据驱动的决策，重新定义工作角色，并解决员工的期望和对工作流失的担忧。”Almansoori 指出，e&的目标是“确保负责任的过渡，利用生成式 AI 创造新机会，并重塑现有角色。与其将其视为人类与 AI 之间的对立，将其视为互补力量，增强彼此的能力更为准确。”您需要在内部培养哪些能力（如 AI、机器学习、数据科学、提示工程等）？您可以

42、建立哪些类型的再培训计划？如何创造一种有利于生成式 AI 发展的文化，让员工从担忧转变为热情？21业务合作伙伴可以在短期和长期内发挥什么作用，帮助启动和确保生成式 AI 项目？2526需探讨的问题最后，通信服务提供商如何评估其 AI 解决方案是否达到了预期效果？在推进采用生成式 AI 时，通信服务提供商不能忽视这一规划点。他们需要定期监测业务案例中的关键指标，以评估生成式 AI 解决方案的效果。领导者需要对生成式 AI 项目进行回顾性评估，分析项目中的成功和不足，优化未来的实施方案。最重要的是，鉴于生成式 AI 发展迅速，通信服务提供商必须关注技术的前沿进展，及时更新其技术应用，并了解这些进展

43、如何影响当前和未来的用例。NTT 公司的 Komazawa 表示，这对于成功采用生成式 AI 至关重要。他说道，“应该仔细监控生成式 AI 领域中的服务。仔细观察市场，了解新服务是否安全，并且符合相关的法律和监管要求。”与此同时，他鼓励采取积极开放的心态，勇于接受挑战。他表示，“只有接受新技术带来的挑战，电信企业才能真正提供创新的服务，并在市场中获得竞争优势。”7.制定监控和调整计划您的训练数据质量是否足够高？您选择的生成式 AI 模型是否提供了所需的输出精度和准确性？您可以建立哪些系统或委员会，以保持对最新生成式 AI 进展、安全风险和法律法规的关注？27Rahul KumarIBM Con

44、sulting 高级合伙人兼副总裁，全球电信和媒体行业负责人 CoughlanIBM 全球电信、媒体和娱乐行业首席技术官 Entertainment industry,IBM Kurien全球电信，媒体和娱乐行业负责人IBM 商业价值研究院 商业价值研究院联合牛津经济研究院，针对来自全球 24 个国家的 300 名电信行业高管开展了一项访谈式调研。对象为首席执行官、首席信息官、首席技术官、首席战略官、首席信息安全官、首席数据官和首席 AI 官。受访者被要求分别评估各个职能领域中生成式 AI 用例的价值和可行性。IBM IBV 分析了受访者的回答，并将其映射到两个维度，从而得出每个职能领域的四象

45、限视图。本报告采用 IBM 生成式 AI 工具进行分析。访谈2024 年 4 月，我们精心挑选了电信行业领先企业的部分高管，与他们进行了一对一访谈，以更深入地验证和分析调研结果。他们的专业知识反映在本报告中，本报告也引用了他们的观点。2728相关报告Telecom 2030:Dial in for a decade of opportunity.In partnership with GSMA.January 2024.https:/ibm.co/telecom-2030电信运营商的盲点：挖掘隐藏商机，推动收入增长。与 GSMA Intelligence 联合出品。2023 年 9 月 htt

46、ps:/ibm.co/telecoms-revenue-opportunitiesSecuring generative AI:What matters now.In partnership with Amazon Web Services.May 2024.https:/ibm.co/securing-generative-aiIBM 商业价值研究院IBM 商业价值研究院(IBM IBV)成立二十年来，凭借 IBM 在商业、技术和社会交叉领域的独特地位，每年都会针对成千上万高管、消费者和专家展开调研、访谈和互动，将他们的观点综合成可信赖的、振奋人心和切实可行的洞察。需要 IBV 最新研究成果

47、，请在 上注册以接收 IBV 的电子邮件通讯。您可以在 Twitter 上关注 IBMIBV，或 通 过 https:/ibm.co/ibv-linkedin 在 LinkedIn 上联系我们。访问 IBM 商业价值研究院中国官网，免费下载研究报告：https:/ IBM，我们积极与客户协作，运用业务洞察和先进的研究方法与技术，帮助他们在瞬息万变的商业环境中保持独特的竞争优势。关于研究洞察研究洞察致力于为业务主管就公共和私营领域的关键问题提供基于事实的战略洞察。洞察根据对自身主要研究调查的分析结果得出。要了解更多信息，请联系 IBM 商业价值研究院：.29备注和参考资料 1 Building

48、an AI strategy:Telcos put the foundations in place.TM Forum Knowledge Benchmark.March 2024.https:/inform.tmforum.org/research-and-analysis/reports/building-an-ai-strategy-telcos-put-the-foundations-in-place2 Garay,Caroline,Jaden Sibrian,and Victor Alamillo.“Scale knowledge management use cases with

49、generative AI.”IBM Think Blog.July 27,2023.https:/ Interview with Bharti Airtel CIO,Pradipt Kapoor.April 19,2024.4 Rodgers,Clark,Moumita Saha,Dimple Ahluwalia,Kevin Skapinetz,and Gerald Parham.Securing generative AI:What matters now.IBM Institute for Business Value in partnership with Amazon Web Ser

50、vices.May 2024.https:/ibm.co/securing-generative-ai5“What is a data fabric?”IBM website.Accessed May 9,2024.https:/ 6“Generative AI.”AI Business.October 10,2023.https:/ Rouse,Margaret.“Multimodal AI(Multimodal Artificial Intelligence).”Techopedia.July 4,2023.https:/ Building an AI strategy:Telcos pu

51、t the foundations in place.TM Forum Knowledge Benchmark.March 2024.https:/inform.tmforum.org/research-and-analysis/reports/building-an-ai-strategy-telcos-put-the-foundations-in-place9“Prompt Engineering vs Finetuning vs RAG.”MYSCALE.March 26,2024.https:/ Ibid.11 Ibid.12 Based on an interview with IB

52、M Research,April 2024.13 Huang,Hugo.“What CEOs Need to Know About the Costs of Adopting GenAI.”Harvard Business Review.November 15,2023.https:/hbr.org/2023/11/what-ceos-need-to-know-about-the-costs-of-adopting-genai14 Based on IBM internal benchmarks.15 Telecommunications industry value tree.IBM Ins

53、titute for Business Value Benchmark Program.16“What is AI governance?”IBM website.Accessed May 9,2024.https:/ AI Governance.”Centraleyes.Accessed May 9,2024.https:/ The EU Artificial Intelligence Act website.Accessed May 8,2024.https:/artificialintelligenceact.eu/19 Ponomarov,Kostiantyn.“Global AI R

54、egulations Tracker:Europe,Americas&Asia-Pacific Overview.”Legal Nodes.March 20,2024.https:/ and David Strauss.“A look at proposed US state private sector AI legislation.”IAPP.February 28,2024.https:/iapp.org/news/a/a-look-at-proposed-u-s-state-private-sector-ai-legislation/20 Ponomarov,Kostiantyn.“G

55、lobal AI Regulations Tracker:Europe,Americas&Asia-Pacific Overview.”Legal Nodes.March 20,2024.https:/ Bowin,David,Andi Britt,Robert Enright,and Dr.Surlina Yin.HR champions generative AI:Embrace experimentation,empower people.IBM Institute for Business Value.March 2024.https:/ibm.co/hr-generative-ai

56、Copyright IBM Corporation 2024国际商业机器（中国）有限公司 北京市朝阳区金和东路 20 号院 3 号楼 正大中心南塔 12 层 邮编：100020美国出品|2025 年 1 月IBM、IBM 徽 标、 和 IBM Research 是 International Business Machines Corporation 在世界各地司法辖区的注册商标。其他产品和服务名称可能是 IBM 或其他公司的商标。以下 Web 站点上的“Copyright and trademark information”部分中包含了 IBM 商标的最新列表： 可能随时对其进行更改。IBM

57、 并不一定在开展业务的所有国家或地区提供所有产品或服务。本文档内的信息“按现状”提供，不附有任何种类的（无论是明示的还是默示的）保证，包括不附有关于适销性、适用于某种特定用途的任何保证以及非侵权的任何保证或条件。IBM 产品根据其提供时所依据的协议条款和条件获得保证。本报告的目的仅为提供通用指南。它并不旨在代替详尽的研究或专业判断依据。由于使用本出版物对任何企业或个人所造成的损失，IBM 概不负责。本报告中使用的数据可能源自第三方，IBM 并未对其进行独立核实、验证或审查。此类数据的使用结果均为“按现状”提供，IBM 不作出任何明示或默示的声明或保证。MLKALPYQ-ZHCN-01扫码关注 IBM 商业价值研究院官网微博微信公众号