核心观点与关键数据
过去三十年，共享服务中心（SSO）和全球业务服务（GBS）通过整合业务功能提升了效率、标准化流程并确保了业务一致性，已成为许多全球组织的常用模式。根据SSON Research & Analytics数据，截至2023年第四季度，近50%的组织认为其SSO/GBS成熟度为中等，22%为高/先进水平，显示该模式近年来持续被采纳和扩展。下一阶段将是技术驱动，特别是生成式AI的应用。
生成式AI被定义为一种使机器能够生成新内容或数据的AI，如文本、图像或应用程序。2023年，生成式AI开始被广泛采用，超过95%的SSO/GBS组织认为其“高度关键”，但实际实施仍处于早期阶段。数据显示，近50%的SSO/GBS尚未完成任何生成式AI项目，30%仅完成1-3个项目。
生成式AI的潜在应用
生成式AI在共享服务中心的潜在应用广泛，包括：
- 客户体验：通过排序客户数据、提供更有效的自助服务、理解客户反馈等方式提升客户体验。例如，西门子利用Bionic Customer Service Agent处理客户查询，提高效率并释放员工时间。
- 财务：自动化数据处理、发票处理、财务报告和费用报告，加速流程并减少错误。例如，Mars利用AI技术优化发票到付款流程，提高准确性和效率。
- 人力资源和招聘：通过简历处理、生成职位描述、候选人沟通等方式支持招聘流程。例如，Kelly Services利用生成式AI辅助招聘，提高效率和候选人体验。
实施生成式AI的注意事项
实施生成式AI时需考虑以下风险和挑战：
- 变革管理：由于生成式AI的早期采用阶段，组织需克服对变革的抵制，强调技术与人力的结合，逐步实施以避免短期成功和长期失败。
- 数据隐私：生成式AI模型处理大量数据，需建立明确的数据治理框架和最小化数据收集原则，确保数据安全和合规。
- 输出一致性：生成式AI模型的输出可能不一致，需通过提示工程和职业怀疑态度来减少这一问题。
实施步骤
实施生成式AI的三个关键步骤：
- 识别潜在用例：根据组织目标、数据可用性、项目复杂性和资源评估最合适的用例。
- 供应商选择：评估模型的兼容性、可扩展性、投资回报率、用户友好性和数据安全措施。
- 概念验证：在全面实施前进行小规模应用，验证技术效果并减少风险。
案例研究
瑞士再保险利用生成式AI和高级分析技术，开发了农业保险管理平台（AIRMP），通过分析大量数据源（如温度、土壤湿度等）进行实时风险评估，提高了效率和灵活性。
结论
生成式AI对SSO/GBS的未来至关重要，但成功实施需谨慎考虑挑战。通过有效的变革管理、数据治理和逐步实施，组织可以充分利用生成式AI的潜力，实现长期和可扩展的成功。
