生成式AI和分析式AI有何不同？
美國貝伯森學院（Babson College）資訊科技與管理校聘傑出教授湯瑪斯．戴文波特（Thomas H. Davenport）等人，於2024年12月13號《哈佛商業評論》數位版發表了一篇〈生成式AI和分析式AI有何不同？〉（How Gen AI and Analytical AI Differ－and When to Use Each）的文章。
該文章提到，自生成式AI興起後，企業紛紛關注其潛力，特別是自ChatGPT於2022年問世以來。然而，許多公司忽略了另一種存在已久且同樣重要的AI — 分析式AI（Analytical AI）。
分析式AI早已廣泛應用，並非過時技術，仍是企業決策與數據分析的關鍵資源。相比之下，生成式AI擅長創建新內容，而分析式AI則專注於數據解析與預測。
儘管部分應用結合兩者，但企業應根據業務需求、策略與風險承受度，選擇最適合的AI類型，以充分發揮其價值。理解兩者的差異與優勢，將有助於企業領導者精準部署AI，提升競爭力並掌握未來商機。
以下簡單說明兩者的不同：
1.不同的目的與能力
分析式AI與生成式AI的核心差異在於目的與能力。生成式AI透過深度學習模型創建新內容，如文字、圖像與音樂，適用於行銷、設計與內容生成。分析式AI則基於機器學習與統計分析，專注於數據處理、預測與決策，如顧客分類、需求預測與風險管理。
在應用上，分析式AI可用於判斷適合的行銷對象，而生成式AI則用於產生個人化的行銷素材。生成式AI擅長創造新穎內容，而分析式AI則專注於準確預測，兩者各有其價值，企業應依需求選擇適合的AI，以發揮最大效益。
2.不同的演算法
生成式AI依賴深度學習技術，如轉換器（Transformer）、生成對抗網絡（GANs）與變分自編碼器（VAEs），來創建新內容。這些模型需大量數據與算力支援，通常由供應商開發後企業進行微調。
分析式AI則採用監督式學習、非監督式學習與增強式學習，透過標籤數據訓練，應用於預測與決策。由於分析式AI通常使用企業自身的結構化數據，其訓練成本相對較低，適合於業務優化與數據驅動決策。
企業應根據應用需求，選擇合適的演算法，以確保AI技術的最佳效益。
3.不同類型的數據
生成式AI處理非結構化數據，如文字、圖像與音訊，並透過模式學習來生成新內容。分析式AI則以結構化數據為主，例如數字、表格與標籤數據，適用於預測與決策支援。
舉例而言，生成式AI可創建產品廣告文案，而分析式AI則透過歷史數據預測顧客購買行為。
由於兩者數據類型不同，因此企業應根據需求選擇合適的AI技術，以充分發揮數據價值。
4.不同的投資報酬
生成式AI主要透過提升內容生產力來降低成本，如自動生成行銷素材、設計方案與顧客服務對話，提高轉換率與品牌吸引力。
分析式AI則透過數據驅動決策，提升預測準確度、優化資源分配，從而降低成本並提高營收。例如，分析式AI可預測庫存需求、最佳化訂價策略，確保供需平衡。
相較之下，生成式AI的經濟效益較難量化，需透過對照實驗評估生產力提升，而分析式AI的影響則較為直接，能清楚計算投資回報率（ROI）。
5.不同的風險
生成式AI與分析式AI的風險來源不同。生成式AI可能產生虛假內容（如deepfakes深偽技術）、侵犯智慧財產權，或因數據偏差導致不準確資訊。其訓練數據若包含敏感資訊，還可能引發隱私風險。此外，惡意攻擊者可能透過操控輸入數據，讓AI生成錯誤結果。
分析式AI則需防範數據偏見、模型不公與網路安全威脅，如詐欺偵測與網路攻擊。企業應透過適當的數據治理與風險管理機制，確保AI應用的可靠性與安全性，降低潛在風險影響。
簡單來說，企業在分配管理心力、投資與人才時，需平衡生成式AI與分析式AI的應用。生成式AI門檻較低，能吸引非技術背景的高層關注，成為推動AI發展的切入點；分析式AI則需專業數據知識，主要由數據科學家與量化人員使用。在擁有大量結構化數據的產業，如金融、零售、電信，企業對分析式AI較為熟悉。
另外，該文章也提出，生成式AI提升了高層對AI的認識，進而推動整體AI策略。企業應建立跨部門學習與協作機制，確保兩種AI發揮最大效益，以驅動長期成長與競爭優勢。
至於企業該如何決定要為分析式AI與生成式AI各自投入多少心力？以下是該文章提出的幾點考量：
1.考量公司的策略與商業模式
若企業業務涉及內容創作與傳播，應優先採用生成式AI。例如，必治妥施貴寶（Bristol Myers Squibb）利用生成式AI設計新蛋白質，加速新藥研發與臨床試驗；同時，分析式AI則負責需求預測與試驗規劃。
然而，生成式AI的機率性預測可能導致錯誤，特別是在法律等精確性要求極高的領域。A&O Shearman的AI主管強調，生成式AI雖能提升律師生產力，但仍需專業審查，以確保法律工作的準確性。因此，企業應根據核心業務需求，平衡兩種AI的應用，以提升效率並確保決策正確性。
2.考量公司專有與獨特的數據資產格式
企業應根據數據類型選擇AI應用方向。若數據主要為非結構化內容，如文字、圖像、影片，則適合生成式AI，例如環球音樂（Universal Music）利用AI創作音樂與模仿歌手聲音。
若數據以結構化數據為主，則應偏重分析式AI，如信諾（Cigna）透過分析式AI預測病患需求、提升醫療管理與營運效率，同時運用生成式AI創建訓練數據與個人化顧客體驗。企業應根據數據特性選擇適合的AI技術，以優化營運與提升競爭力。
此外，企業選擇主要AI類型時，需考量數據科學人才的經驗、風險容忍度及對生成式AI高不確定性的接受度。多數企業認為生成式AI風險較高，但許多應用場景實際上結合兩者，以發揮最大效益。
AT&T便是成功案例之一，其「請問數據」（Ask Data）工具利用生成式AI作為前端介面，讓非技術人員透過簡單語言建立統計分析與模型，進一步運用分析式AI做決策。生成式AI在此擔任橋樑，提升分析式AI的可及性。戴文波特教授預期，未來將有更多企業採用類似策略，以充分發揮兩種AI的優勢，提升決策效率與企業競爭力。
最後，對多數企業而言，生成式AI與分析式AI同樣重要，但生成式AI更能普及先進工具的使用。畢竟生成式AI賦能非技術人員，使全員都能熟練運用AI。生成式AI降低了分析式AI的使用門檻，擴大了受眾範圍。而種普及化也提升了企業決策效率與創新能力。
此外，該文章還提及，AI技術還能提高員工滿意度與留任率，獲得足夠AI訓練的員工更可能對工作滿意，並選擇長期留任。因此，企業應善用兩種AI，以驅動數據文化、提升生產力、強化決策，否則可能錯失技術帶來的競爭優勢。
作者：羅凱揚（台科大企管系博士）、鍾皓軒（臺灣行銷研究有限公司創辦人）