هوش مصنوعی مولد و اثرات آن بر بیمه

هوش مصنوعی مولد (Gen AI)[1]، هوش مصنوعی (AI) را با تقویت خلاقیت و تخیل بشر، به سطح جدیدی می‌رساند. این فناوری نوین، توان بالقوه‌ای در ایجاد تحول در صنعت بیمه از طریق فرصت‌های سطوح بالاتر دارد (مانند خدمات جدید، الگوهای کسب و کار و بهره‌وری بهینه در کل زنجیره ارزش بیمه). در عصر نوآوری‌های برافکن، هوش مصنوعی مولد به دلیل توان خود، قادر است بدون برنامه‌نویسی خاص، محتوا تولید نماید. برخلاف دیگر فناوری‌های برافکن (خودکارسازی[2] و یادگیری ماشین[3]) که اساساً بر بهینه‌سازی داده‌ها و رویه‌های فعلی، تکیه دارد، هوش مصنوعی مولد این توان بالقوه را دارد، تا برون‌دادهایی بدیع و خلاق برای افراد، بدون لحاظ مهارت فنی آنها، تولید نماید.

اجازه دهید تا به آینده‌ای نه چندان دور، نظری بیفکنیم؛ یعنی زمانی که یک مشتری برای خرید بیمه اولین خودروی خود اقدام می‌نماید. همین‌که آنها در چتِ مبتنی بر هوش مصنوعی مولد، شروع به نوشتن می‌کنند، نرم‌افزار چت، کلیه اطلاعات لازم را جمع‌آوری می‌نماید و آنها را به یک ربات «گمنام‌ساز»[4] می‌دهد و بدون این‌که اطلاعات قابل‌شناسایی شخصی تولید کند، یک همزاد دیجیتالی[5] از آن می‌سازد. هم‌اکنون، بیمه‌گر می‌تواند از همزاد دیجیتالی استفاده نماید و براساس خصیصه‌های مشتری و مظنه‌ای‌[6] کاملاً سفارشی ارائه نماید. به محض این‌که مشتری انتخاب خود را انجام داد، بیمه‌گر می‌تواند از طریق استخراج بیانیه ارزش (SOV)[7]، تقویت داده‌های طرف ثالث و انگشت‌نگاری ریسک دیجیتال[8]، رویه بیمه‌گری (ارزیابی ریسک)[9] را خودکارسازی نموده و تسریع بخشد. پیشرفت‌های مشابه می‌تواند در پردازش ادعاهای خسارت از طریق هوش مصنوعی سخت‌افزاری[10] به کار گرفته شود. هوش مصنوعی سخت‌افزاری در این حالت، حس‌گرهایِ تعبیه‌شده در خودرو است که می‌توانند حادثه را ارزیابی کنند و داده‌ها را با بیمه‌گر به اشتراک بگذارند. همگی‌ این موارد در پشت‌زمینه اتفاق می‌افتد، درحالی‌که مشتری باید تنها انتخاب کند که آیا می‌خواهد به روند ادعای خسارت ادامه دهد یا خیر.

فرصت

در دوران فعلیِ شکل‌گیری هوش مصنوعی مولد، فرصت‌های برجسته کسب و کار و کاربردهای عملی، هدف کلی است که در سطح صنایع مختلف یا کارکردهای گوناگون، قابل‌اجرا است که گاهی از آنها به عنوان کاربردهای «افقی»[11] یاد می‌شود. نمونه‌های این نوع کاربردها شامل تولید گفتگو برای دستیار مجازی[12]، تولید خودکار کد[13]، بازاریابی و فروش، تولید محتوا و غیره هستند. این کاربردهایِ همگرا در سطح صنایع، سازمان‌ها را قادر می‌سازند تا از قابلیت‌هایی که توسط دیگران به منظور بهبود سرعت عرضه به بازار و تبدیل شدن به پیروان سریع، ایجاد می‌شود، کمال استفاده را ببرند. اما، صنعت بیمه، فرصت‌های خلق ارزش پایدار که خاص یک بخش و مجزا هستند، ارائه می‌کند که به آنها، کاربردهای «عمودی»[14] اطلاق می‌شود. این کاربردها، به دانش در یک حوزه خاص، درک محیطی، تخصص و سرمایه‌گذاری بالقوه در الگوهای فعلی تنظیم و ایجاد الگوهای هدف خاص، نیاز دارند. برای مثال، راهکارهای تک‌بعدی[15] که برای تحلیل داده‌های غیرساختارمند به منظور شناسایی الگوهای ریسک ایجاد می‌شوند. این الگوهای ریسک، در تصمیم‌های مربوط به ارزیابی ریسک[16] یا ارائه اطلاعات فوری به ادعاکنندگان خسارت، هنگامی که اعلام اولیه خسارت[17] خود را تنظیم می‌کنند، کمک می‌نماید. این تحول عظیم در صنعت بیمه، با خود، کاربردهایی متفاوت، به منظور ایجاد یک راهکار همه‌جانبه، بی‌نقص و سرتاسری، در مقیاسی مناسب، به همراه می‌آورد.  

خلق ارزش از طریق سرمایه‌گذاری

بیمه‌گران، فرصت چشم‌گیری در خلق ارزش معتنابه و شناسایی توان بالقوه هوش مصنوعی مولد دارند. آنها می‌توانند این کار را از طریق سرمایه‌گذاری‌های متفکرانه، به همراه راهبردهای تجاری مرتبط، به انجام برسانند. بیمه‌گران می‌توانند از طریق تمرکز بر سه بعد از ارزش‌ کلیدی یعنی «سودآوری و رشد»، «پس‌انداز هزینه و کارایی»، و «هوش عملیاتی و اثربخشی»، نتایج تحول‌آمیزی را رقم بزنند.

۱. سودآوری و رشد: سرمایه‌گذاری‌های راهبردی مستقیم می‌تواند بیمه‌گران را در شناسایی فرصت‌های دست‌نخورده رشد، بهبود ارائه محصول و توسعه دسترسی بازار [به مشتریان] و در نهایت تحریک سودآوری، توانمند سازد. درحالی‌که بسیاری از بیمه‌گران، همچنان کاربردهای هوش مصنوعی مولد را برای تولید جریان‌های عوایدی جدید، لحاظ می‌کنند، این موضوع در بخش فناوری، سال‌هاست، محقق شده است. برای مثال، نرم‌‎افزار همراه گوگل بارد[18] با قابلیت‌های پیشرفته خود، جریان‌های درآمدی جدیدی ایجاد نموده است و به عنوان فناوری بنیادین، انقلاب هوش مصنوعی مولد را رقم می‌زند.

۲. پس‌انداز هزینه و کارایی: بیمه‌گران قادر خواهند بود تا از طریق سرمایه‌گذاری در راهکارهای مبتنی بر هوش مصنوعی مولد، در رابطه با خلق محتوا برای کاربردهای کم‌ریسک، مخارج مرتبط با حوزه‌های عملیاتی کم‌ریسک را کاهش دهند و تخصیصِ کارایی برای هزینه‌ها، رقم بزنند. این امر به پس‌انداز چشم‌گیر هزینه‌ها و نتایج مطلوب در کارایی عملیاتی منتهی می‌شود. نمونه‌های این حوزه شامل بازاریابی (فروش و برند‌سازی[19])، منابع انسانی (آگهی استخدام) و حقوقی (تولید قرارداد) می‌شود.

۳. هوش عملیاتی و اثربخشی: در وحله اول، بکارگیری هوش مصنوعی مولد در برنامه‌نویسی خودکار[20]، چرخه حیات توسعه نرم‌افزار را تسریع می‌نماید و منجر به نتایج مطلوبی در بهره‌‎وری و کاهش زمان آموزش می‌شود. این امر می‌تواند بهره‌وری نیروی کار را بهبود بخشد. پیشرفت‌های اخیر همچون تفسیرگر کد[21] برای چت جی.پی.تی[22] می‌تواند گروه‌های فروش و حامی را در خودکارسازی تحلیل اسناد (نویسه‌خوانی بهینه)[23] و اجرای بصری‌سازی داده‌ها، کمک نماید.

بیمه‌گران، از طریق هم‌سوسازی سرمایه‌گذاری‌ها با راهبردهای کسب و کار خود در این سطوح، می‌توانند ارزش ملموسی را کشف کنند و خود را در فضای پویای بیمه، برای مدتی طولانی، در جایگاه موفقیت‌آمیزی قرار دهند.

فرصت‌های خلق ارزش در زیربخش‌های بیمه

فرصت‌های خلق ارزش هوش مصنوعی در سطح زنجیره ارزش بیمه، رشد می‌نماید. اما، ازآنجائی‌که هوش مصنوعی مولد در مراحل اولیه رشد خود قرار دارد، بیمه‌گران تلاش می‌کنند، تا تعادلی مناسب بین کسب ارزش از فناوری نوظهور و مدیریت متناسب ریسک‌ها، برقرار نمایند. با این ملاحظات، کاربردهای ذیل، بیشترین محبوبیت را در زیربخش‌های بیمه پیدا کرده‌اند:

اموال و حوادث (P&C)[24]

هوش مصنوعی مولد می‌تواند به تسهیل در رویه‌های ادعای خسارات و بهینه‌‌سازی مدیریت ریسک برای بیمه‌گران اموال و حوادث، کمک نماید.

· تسهیل در پردازش خسارات (محرک‌های ارزش: بهبود بهره‌وری نیروی کار و امکان پس‌انداز و کارایی): ربات‌های گفتگوی (چت‌بات)[25] مبتنی بر هوش مصنوعی قادر هستند تا اعلام اولیه خسارت را ثبت و به آن پاسخ دهند و به مشتریان، بلادرنگ[26]، درباره خدمات اولویت‌بندی[27] و تعمیر، اطلاعات ارائه نمایند و با این کار، زمانِ انجام خدمات و تجربه مشتری را بهبود بخشند.

· کنترل و پیشگیری از زیان پیشرفته (محرک‌های ارزش: بهبود بهره‌وری نیروی کار و تولید جریان‌های درآمدی جدید): هوش مصنوعی مولد، می‌تواند نقش حیاتی در شناسایی و کاهش ریسک، بازی کند. الگوهای هوش مصنوعی مولد، از طریق تحلیل داده‌های مربوط به ادعای خسارت، از منابع گوناگون و اشکال مختلف (مانند اینترنت اشیاء[28]، ویدئو، متن) سوابق ادعای خسارت، عوامل بیرونی (مانند الگوهای آب و هوایی)، می‌توانند به بیمه‌گران اموال و حوادث کمک نمایند تا حوزه‌هایِ در معرض زیان را شناسایی نمایند که در نهایت در توسعه طرح‌ها و راهبردهای کاهش ریسک (مانند پیشنهاد برای بهبود امنیت و تغییر سیاست‌ها به منظور کاهش زیان‌های آتی)، مورد استفاده قرار ‌می‌گیرند.

عمر و مستمری (L&A)[29]

برای بیمه‌گران عمر و مستمری، تصور غلط و فقدان دانش درباره بیمه، مانع کلیدی برای خرید محسوب می‌شود (برای مثال، از هر ۱۰ نفر از نسل هزاره، ۸ نفر هزینه بیمه عمر را گزاف می‌بینند. همچنین از این نسل، از هر سه نفر، یک نفر، بیمه عمر ندارد، چراکه فکر می‌کنند که حائز شرایط آن نیستند یا این‌که کسی به آنها در این‌‌باره مراجعه ننموده است). بیمه‌‌گران می‌توانند از قابلیت‌های هوش مصنوعی مولد، برای دسترسی به افراد بیمه‌نشده و فروش به‌صرفه محصولات به آنها، بهره‌برداری نمایند.

شخصی‌سازی[30] محصول (محرک‌ ارزش: تولید جریان‌های درآمدی جدید): هوش مصنوعی می‌تواند به صورت مؤثری در جذب مشتریان[31]، استفاده شود. چراکه مشتریان درپی محصولات بیمه‌ای برخط هستند. هوش مصنوعی مولد را می‌توان برای تجزیه و تحلیل داده‌های مشتری در کل نقاط تماس[32] بیمه‌گران و دیگر منابع داده ثالث (مانند داده‌های خسارات، سوابق بیمه‌نامه، رسانه‌های اجتماعی، کمبود پوشش بیمه و غیره) به کار بست. با این کار، می‌توان نیاز مشتریان را برای محصولات سفارشی و شخصی یا پیشنهادهای مربوط به پوشش، استنباط نمود. این طرح‌های بیمه سفارشی، فرصت‌های چشم‌گیرتری برای تحقق نیاز و سلایق مشتریان، به همراه دارد.

کمک به نمایندگان (محرک ارزش: بهبود بهره‌وری نیروی کار): از طریق الحاق هوش مصنوعی مولد به ابزارهای مدیریت ارتباط با مشتری (CRM)[33]، نمایندگان و تولیدکنندگان، اطلاعاتی غنی و کاملاً شخصی‌سازی‌شده درباره مشتریان خواهند داشت که به فروش مؤثر آنها کمک خواهد نمود. هوش مصنوعی مولد می‌تواند متن و چکیده‌های تصویری از محصول[34]، تولید کند، مقایسه پوشش ارائه دهد، پوشش سفارشی پیشنهاد دهد و آنها را تصویرسازی نماید و به نمایندگان کمک کند تا اطلاعات مرتبط ارائه دهند و هنگام تعامل با مشتری، به پرسش‌ها، بلادرنگ پاسخ دهند.

بیمه‌گری و قیمت‌گذاری بهینه (محرک‌های ارزش: بهبود بهره‌وری نیروی کار و امکان پس‌انداز و کارایی): الگوهای هوش مصنوعی مولد می‌تواند، مجموعه گسترده‌ای از داده‌های تاریخی را برای ارزیابی ریسک‌های بالقوه، تخمین امکان ادعای خسارت، تصمیم‌گیری مؤثر درباره بیمه‌گری و تعیین قیمت مناسب برای مشتری، تحلیل نماید. این داده‌ها شامل داده‌های ساختاریافته (مانند داده‌های مربوط به ادعای خسارات، داده‌های مربوط به محل، داده‌های پزشکی و غیره) و داده‌های ساختارنیافته (مانند داده‌ها و تصاویر استخراج‌شده از رسانه‌های اجتماعی) می‌شود.

گروه

بیمه‌گران گروهی[35] می‌توانند از هوش مصنوعی مولد، کمال استفاده را برای ارائه ارزش بیشتر به کارفرمایان و کارکنان، از طریق بینش‌ها و پیشنهادهای سفارشی ارائه نمایند.

طرح‌های گروهی سفارشی (محرک‌های ارزش: تولید جریان‌های درآمدی جدید و بهبود بهره‌وری نیروی کار): هوش مصنوعی مولد می‌تواند داده‌ها را از منابع مختلف، تحلیل نماید (مانند اطلاعات جمعیتی، تاریخچه سلامت و سوابق تاریخی خسارات اعضای گروه) تا از آن طریق، بینش‌ تولید کند، به طراحی طرح‌های سفارشی بیمه گروهی و گزینه‌ها و بسته‌های سفارشی مزایا، شکل بخشد و به کارفرما کمک کند تا پیشنهاد ارزش[36] مربوط به بسته مزایا را بهبود بخشد.

مشارکت بهینه اعضا (محرک‌های ارزش: تولید جریان‌های درآمدی جدید و بهبود بهره‌وری نیروی کار): الگوهای هوش مصنوعی مولد می‌توانند از طریق بهره‌برداری حداکثری و تحلیل داده‌های اعضا (مانند سلایق، تاریخچه خرید، داده‌های مربوط به رسانه‌های اجتماعی و غیره)، نکته‌هایی کاملاً‌ شخصی درباره سلامت، تولید کنند و پیشنهاد مالی ارائه دهند و از این طریق، اعضا را با بینش‌هایی آگاهانه، مجهز نمایند و رفاه کلی افراد را بهبود بخشند.

فرصت‌های کلیدی زیست‌بوم

بازیگران مختلف فناوری، به صورت فعال، قابلیت‌های هوش مصنوعی مولد را در سطوحِ زیرساختی یا سطوحِ الگوهای بنیادین یا از طریق توسعه نرم‌افزار به منظور کشف و ثبت ارزش، ایجاد می‌کنند. هر لایه توسط عوامل رقابتی مختلف مانند مقیاس، دسترسی به داده‌، نام تجاری و پایگاه مشتریان شیفته[37] تحریک می‌شوند.

درون لایه زیرساختی، فراتوسعه‌دهندگان[38] (مانند گوگل، مایکروسافت، آمازون و غیره)، بازار را از طریق توان محاسباتی مقیاس‌پذیر خود، قبضه کرده‌اند و چسبندگی‌های اضافی[39] از طریق تنظیم تعهدات با ارائه‌کنندگان الگوهای پایه (همچون قرارداد آژور[40] با اوپن ای.آی[41]، گوگل با آنثروپ[42] و غیره) حجم کارهای آتی را تضمین کرده‌اند.

در لایه الگوی پایه، پایه‌ریزان الگو (مانند اوپن ای.آی، استیبیلتی ای.آی[43]، گوگل، آمازون بِدْراک[44]) در حال جذب افراد بااستعداد در حوزه هوش مصنوعی هستند تا حفاظ[45] و سازوکارهای یادگیری را طراحی نمایند و بدین وسیله، از استحکام و اعتبار الگوها، اطمینان حاصل نمایند. به منظور جبران سرمایه‌گذاری‌ها، آنها کارمزد تعیین می‌کنند یا با محصولات پولی‌شده ادغام می‌شوند (مانند جی.پی.تی ۳.۵[46] با اج[47]، لامدا[48] با گوگل سرچ، استفاده از پلاگین‌هایی همچون تفسیرگر کد[49] در جی.پی.تی ۴[50]).

در نهایت، برای لایه نرم‌افزاری، بسیاری از شرکت‌های نوپا در حال تولید نرم‌‎افزارهای خاص صنعت بیمه به منظور تحقق نیازهای روزافزون هستند. نمونه این نرم‌افزارها عبارتند از:

سیکسفولد[51]: اولین ابزار مبتنی بر هوش مصنوعی مولد را به منظور ساده‌سازی و تسهیل در رویه بیمه‌گری و ارزیابی ریسک، راه‌اندازی نمود. این هدف از طریق جمع‌آوری میلیون‌ها داده از منابع ثالث گوناگون، تشخیص الگوها و تخلیص آنها به شکلِ گزارش بیمه‌گری برای بیمه‌گران موردنظر، محقق می‌شود.

فناوری دِیس[52]: با همکاری با گروه پالادین[53]، یک ابزار بیمه‌گری مبتنی بر الگوی زبانی بزرگ (LLM)[54] و هوش مصنوعی مولد با نام بیمه‌گری جی.پی.تی[55] راه‌اندازی نمود تا به رویه ارزیابی ریسک و مدیریت ریسک، سرعت بخشد و قیمت‌گذاری و پوشش بهتری برای بیمه‌گزاران، ارائه نماید.

بیمه جی.پی.تی[56]: یک پردازنده است که توسط بن‌سازه خودکارسازی بیمه روتس[57]، توسعه یافت و دارای یک الگوی زبانی بزرگ تنظیم‌شده است که بر بازار بیمه تمرکز دارد و داده‌ها را از میان اسناد ساختاریافته (مانند اکورد[58]، فرم‌های ادعای خسارت پزشکی) و ساختارنیافته (مانند مظنه‌ها، اعلام اولیه خسارت (FNOL)[59]، ثبت بیمه و ارتباطات) خوانده و استخراج می‌کند. این پردازنده از مجموعه عمیقی از داده‌ها و اسناد خاص بیمه و نیز سامانه‌ها و علم رویه‌ها، به منظور بهبود چشم‌گیر دقت، سرعت و اعتبار در استخراج و تفسیر داده‌ها در عین کاهش مثبتِ کاذب[60]، بهره‌برداری می‌نماید.

هوش مصنوعی کولیشن[61]: توسط شرکت بیمه کولیشن[62] راه‌اندازی شد. این سامانه از هوش مصنوعی مولد و الگوی زبانی بزرگ برای کارگزاران و کسب و کارها با هدف حفاظت از آنها دربرابر ریسک سایبری[63] بهره‌برداری می‌نماید. قابلیت‌هایی همچون ربات‌های گفتگو به منظور آموزش کارگزاران آمریکایی درباره برترین عملکردها و جزئیات بیمه‌نامه‌‌های مربوط به حوزه امنیت سایبری[64] و یک بن‌سازه کنترل برای رصد و ارزیابی ریسک سایبری[65] در این بن‌سازه، تعبیه شده است.

سیمپلیفای[66]: از بیمه جی.پی.تی[67] رونمایی کرد. این سامانه، اولین الگوی زبانی بزرگ است که به صورت خاص برای داده‌های مرتبط با بیمه، آموزش دیده است و قدرت خود را از بن‌سازه بدون کدِ هوش مصنوعی[68] گرفته است.

بیمه‌گران باید راهبردهایی به منظور حفظ ارتباط با موتور نوآوری در سطح کل بازیگران، تدوین نمایند. آنها می‌توانند از این زیست‌بوم[69] برای بهبود سرعت خود برای ورود محصول به بازار و استفاده از قابلیت‌های هوش مصنوعی در بازار، بهره‌برداری نمایند.

ریسک‌های بالقوه و پیامدهای تنظیم‌مقرراتی

هوش مصنوعی مولد، ریسک‌های بالقوه‌ای به همراه دارد. بنابراین، بهره‌برداری از آن ممکن است، درصورتی که موارد ذیل هنگام توسعه آن لحاظ نشود، آهسته صورت پذیرد:

· هزیان‌گویی مغرضانه و جعل عمیق[70]، تله‌گذاری[71] و ورود متن[72] و عاملین متناقض[73] می‌توانند فضا را برای حمله سایبری آماده سازند و اعتماد مشتریان را سلب کنند.

· هوش مصنوعی مولد، اگر بدون حفاظ و رصد مستمر، اجرا شود، ممکن است در معرض تقلید از سوگیری‌ها و تشویق به رفتارهای تبعیض‌آمیز قرار گیرد.

· الگوها بر پایه مجموعه‌ای از داده‌های انحصاری و اغلب خصوصی، آموزش دیده‌ شده‌اند و نیازمند تطبیق مقرراتی، مجزا کردن گره[74] و قابلیت ‌ردیابی منبع، هستند.

· مشارکت و خدمات‌رسانی به مشتریان شرکت‌های بیمه به حس والایی از هم‌دلی و مهارت‌های نرم[75] مرتبط با تعاملات انسانی، به ويژه در بخش پردازش ادعاهای خسارت نیاز دارد. تأکید بیش از حد بر خودکارسازی مبتنی بر هوش مصنوعی ممکن است به فقدان حس انسانی، منجر شود و به صورت بالقوه‌ای، به کاهش وفاداری و رضایت مشتری، منتهی گردد.

· نهادهای تنظیم‌مقررات بیمه، می‌خواهند بر الگوهای هوش مصنوعی بیمه‌گران، نظارت داشته باشند و از بیمه‌گران انتظار دارند تا ریسک هوش مصنوعی را مدیریت کنند. فعالیت نظارت بر هوش مصنوعی از پیش، در سطح کشور آمریکا، در حال توسعه است و قوانینی در حال حاضر برای آن وجود دارد و برخی نیز در حال، بررسی هستند. در عین حال بعضی دستورالعمل‌ها برای مقامات عالی نظارت بیمه[76] در سرتاسر آمریکا ارسال شده است، تا تطبیق با قوانین را در این شرکت‌ها، بررسی نمایند.

به منظور کاهش این چالش‌ها، شرکت‌های بیمه باید، توسعه هوش مصنوعی اخلاقی را در اولویت کار خود قرار دهند، از آموزش داده‌های متنوع و معرف[77] بهره‌برداری نمایند و سامانه‌های هوش مصنوعی خود را ارزش‌گذاری کنند و بر یک پایه ثابت و از طریق الگوی حاکمیت[78] قوی، آنها را ‌بررسی و شفافیت را در تصمیم‌سازی، حفظ نمایند.

· از قانون‌گذاری مستمر و چارچوب‌های راهنما در تطبیق با قانون، آگاه باشند و بمانند.

· از مراقبت منظم و حاکمیت سامانه‌های هوش مصنوعی (به صورت داخلی) و در کنار خرده‌فروشان، اطمینان حاصل نمایند. نظارت و ارتباط قوی با خرده‌فروشان ثالث، هنگام استفاده از برون‌داده‌ها و الگوهای هوش مصنوعی آنها، داشته باشند.

· برای به‌اشتراک‌‌گذاری اطلاعات با مشتریان به روشی شفاف، هنگام گرفتن یک تصمیم مغایر (مانند نرخ بالا، عدم‌صدور بیمه‌نامه و غیره)، آماده باشند و به شکایات مشتری پاسخ دهند و سوگیری را هنگامی‌که شناسایی کردند، کاهش و به آن، رسیدگی کنند.

· از طریق سازمان‌دهی به کاربرد هوش مصنوعی مولد، یک رژیم آموزشی تدوین و تنظیم نمایند.

· از منعطف بودن سامانه‌ها نسبت به اجرای احکام تنظیم‌مقرراتی جدید هم‌زمان با تدوین آنها، اطمینان حاصل کنند.

· هنگام اجرای فرصت‌های هوش مصنوعی مولد، ریسک نام تجاری[79] را از طریق حصول اطمینان از این‌که مدیران اجرائی مجرب در حوزه ارتباطات و بازاریابی، قرار دارند، مدیریت کنند.

چگونه آغاز نماییم

· هنگامی‌که فناوری تحول‌آفرین ظهور می‌کند، برخی سازمان‌ها، تحریک می‌شوند تا به دلیل بدیع بودن، آن را در بوته آزمایش قرار دهند که منجر به «عملکرد دیجیتالی اتفاقی» می‌شود که بازده پیش‌بینی‌شده را در پی ندارد. کسب نتایج تجاری با هوش مصنوعی مولد، نیازمند راهبرد و همکاری از طرف گروه‌های چندرشته‌ای است. علاوه بر این، با فناوری که به سرعتِ هوش مصنوعی مولد، در حال پیشرفت و تکامل است، از این وسوسه که به تنهایی، پیشرفت کنید، درگذرید و به جای آن، از شرکا، همکاران و سازمان‌های ثالثی که در این حوزه‌‌ها کار می‌کنند، حمایت و دانش، دریافت نمایید.

· گروه‌های راهبری اجرائی خود را نسبت به توان بالقوه و ریسک‌های هوش مصنوعی مولد، آموزش دهید و از درک مشترک و هماهنگی در مسیر اجرا، اطمینان حاصل نمایید.

· یک گروه ذی‌نفعان چندرشته‌ای دارای کارکردهای گوناگون، در سازمان خود ایجاد کنید که در بین آنها، راهبران کسب و کار و مدیران اجرائی مرتبط، حضور داشته باشند تا [در صورت نیاز]  پاسخی مناسب به بازار، تدوین نمایند.

· مجموعه‌ای از کاربردها را اولویت‌بندی نمایید که به صورت خاص هدفشان حوزه‌های کاری سازمان باشد که از خودکارسازی، بیشترین بهره را می‌برند. در کاربردهایی سرمایه‌گذاری کنید که بازده سرمایه‌گذاری مشخص و روشنی داشته باشند.

· یک راهبرد فناوریِ روشن تنظیم کنید که مهندسی داده و خطوط تجاری، ابزارهای عملیات‌های یادگیری ماشین (MLOs)[80] و نیروهای بااستعداد هوش مصنوعی را شامل شود.

· منابع مزایای رقابتی به ویژه داده‌های انحصاری را تعیین نمایید و آنها را برای موج بعدیِ کاربردهای هوش مصنوعی مولد، سازمان‌دهی کنید.

· به صورت فعالانه‌ای در زیست‌بوم مشاوران و شرکا به منظور کسب مزیتِ اولین نفری، مشارکت نمایید و راهکارهای جدید را آزمایش کنید.

· به صورت مستمر، فضای تنظیم‌مقرراتی را رصد کنید و حفاظ‌هایی برای مدیریت امنیت و ریسک، ایجاد و اجرا نمایید.