2024 年诞生式 AI(GenAI) 与岗场 ： 知悉及用情况汇报(英文版)

核心观点与关键数据

• 知识差距显著影响 GenAI 应用： 自我报告的 GenAI 知识水平是影响受访者对 GenAI 态度和使用方式的最重要因素。了解 GenAI 的人更积极、更频繁地使用 GenAI 工具，并预期从中节省更多时间。
• GenAI 热情普遍，但存在差距： 大多数受访者对 GenAI 表现出热情，但认为自身知识水平高的人比其他人更热情，且更相信企业领导层对 GenAI 的热情。
• 使用 GenAI 工具付费意愿高： 超过四分之三的受访者在工作中使用 GenAI 工具，其中近五分之一的人自费购买使用权限。
• GenAI 应用广泛，但存在认知偏差： 受访者认为 GenAI 可用于多种场景（内容创作、编程、测试等），但普遍高估了他人实际使用 GenAI 的程度。
• 指导需求强烈： 超过一半的受访者希望获得更多关于负责任使用 GenAI 的指导。
• 支持信息披露： 绝大多数受访者支持在使用 GenAI 时进行披露，以保持透明度和诚实。
• 集成与控制偏好： 大多数受访者倾向于将 GenAI 能力集成到现有工具中，并希望可以随时开启和关闭这些功能。
• 定制 LLM 浪潮兴起： 超过三分之二的受访者的组织正在考虑或已经实施定制大型语言模型（LLM）的计划。

研究结论

• 企业应确保所有员工都能访问 GenAI 工具并获得适当指导，以充分发挥 GenAI 的潜力。
• 鼓励员工尝试使用 GenAI 并进行实验，有助于发现有用应用场景和潜在问题。
• 企业领导者需要提供明确的指导方针，允许员工在无惩罚风险的情况下进行实验。
• 个人专业人士应积极寻找学习 GenAI 的机会，为未来做好准备。
• 定制 LLM 具有广泛的应用潜力，企业应积极探索和投资。

附录：方法论和人口统计

• 调查样本存在一定偏差，自我感觉了解 GenAI 的人更有可能参与调查。
• 样本涵盖了不同行业、公司规模和年龄段的受访者，但性别比例略偏向男性。
• 调查方法：通过电子邮件联系自愿研究面板的受访者完成在线调查，并按国家设置响应配额。
• 数据分析：使用 Decipher 分析数据，并使用 ChatGPT 3.5 进行开放式响应的翻译和分类。