Marketing With Generative AI: Harvard Business School’s Ayelet Israeli
34:33 Share

作为哈佛商学院的副教授以及该学院数字数据设计研究所客户情报实验室的联合创始人，Ayelet Israeli 的工作重点是如何利用数据和技术为营销策略提供信息，以及生成式AI如何成为消除算法偏差的有用工具。她最近工作成果之一是她与两位微软经济学家和研究人员合著的一篇论文，论文探讨了如何利用生成式AI模拟焦点小组和调查以确定客户偏好。Ayelet 加入 Sam 和 Shervin 的行列，讨论了生成式AI在市场研究中的机遇和局限性。她详细介绍了研究是如何进行的，以及人工智能技术如何帮助营销人员减少与传统客户研究方法相关的時間、成本和复杂性。在此处阅读剧集文字记录。嘉宾简介：Ayelet Israeli 是哈佛商学院市场营销部门的 Marvin Bower 商业管理副教授。她还是该学院数字数据设计研究所客户情报实验室的联合创始人。她的研究重点是数据驱动的营销，尤其强调企业如何利用其内部数据、客户数据和市场数据来改善成果。她的研究兴趣包括零售、定价策略、渠道管理、营销分析和算法偏差。Israeli 拥有西北大学凯洛格管理学院的市场营销博士学位。我和AI 是麻省理工学院斯隆管理评论和波士顿咨询集团合作推出的播客，由 Sam Ransbotham 和 Shervin Khodabandeh 主持。我们的工程师是 David Lishansky，协调制作人是 Allison Ryder 和 Sophie Rüdinger。通过加入我们的 LinkedIn 小组“AI for Leaders”（mitsmr.com/AIforLeaders）或关注 LinkedIn 上的“我和AI”，与我们保持联系。我们鼓励您对我们的节目进行评分和评论。您的评论可能会用于“我和AI”的材料中。</context> <raw_text>0 今天，我们播放的是由我们的朋友 Modern CTO Podcast 制作的一期节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式AI的兴起，在技术方面取得成功的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。您可以在 Apple Podcast、Spotify 或您收听播客的任何地方找到 Modern CTO Podcast。使用生成式AI如何帮助我们了解消费者偏好？

在今天的节目中，我们将听到一位教授讲述她的市场研究。我的名字是 Ayelet Izraeli，来自哈佛商学院，您正在收听《我和AI》。欢迎收听《我和AI》，这是一个关于人工智能和商业的播客。在每一期节目中，我们都会向您介绍一位在人工智能领域进行创新的嘉宾。我是 Sam Ransbotham，波士顿学院分析学教授。我还是麻省理工学院斯隆管理评论的AI和商业战略客座编辑。

我是 Sherwin Kodobande，BCG 的高级合伙人，也是我们AI业务的领导者之一。自2017年以来，麻省理工学院SMR和BCG一直在合作研究和发表关于AI的论文，采访了数百名从业者，并对数千家公司进行了调查，了解构建、部署和扩展AI能力以及真正改变组织运营方式需要什么。

大家好。今天，Shervin 和我很高兴能邀请到 Ayelet Israeli。她是哈佛商学院数据、数字和设计研究所客户情报实验室的副教授兼联合创始人。Ayelet，感谢您抽出时间与我们交谈。让我们开始吧。非常感谢你们的邀请。我们通常会先询问客人的职业，但作为一名教授的好处是，人们对这意味着什么已经有了一些了解。

但我仍然认为听听你的一些背景介绍会很好。你能花一点时间介绍一下自己，并告诉我们你感兴趣的东西吗？当然。我是哈佛商学院的市场营销教授。我非常感兴趣的是，我们如何更好地利用数据和AI来获得更好的结果，无论是对公司、客户还是整个社会的结果。

我正在进行的一些工作是关于生成式AI，以及公司如何利用它来更好地获取消费者信息和偏好。在我做的其他工作中，我思考的是我们如何消除决策中的算法偏差。几个月前我看到了你关于使用生成式AI的演讲。它真的让我觉得很有趣，因为很多人都在谈论生成式AI。

但我们还没有很多证据。证据并不是说它不存在，而只是即将出现。但你开始通过你正在做的这项研究获得一些证据。我们可以在市场研究中用GPT和生成式AI做什么？

我和我在微软的两位同事，Donald Way 和 James Brand，开始思考，我们能否实际使用GPT进行市场研究？我们的想法是，有些人已经证明，你可以复制非常著名的实验，包括著名的米尔格拉姆实验，只需向GPT提问即可。

我们当时在想，你知道，我们作为研究人员和从业者做了很多工作来更好地了解客户的偏好。也许我们可以使用GPT来为我们的客户提取这些偏好。

大型语言模型，其理念是它们会给出最可能的下一个词。这就是语言产生的方式。我们当时在想，如果我们要求GPT做出两种选择，或者诱导它做出选择，那么作为最可能的下一个词的回应，

实际上可能会反映出人口中最可能的回应。从这个意义上说，我们将基本上查询GPT，但会获得我们在人口中看到的偏好潜在分布。我们开始尝试这个想法。我们专注于消费品，因为我们假设，

GPT所了解的数据主要围绕消费品，可能是来自评论网站或类似的东西，看看这个想法是否真的有效。它有效吗？是的。

有点。太棒了。是的，请详细说说。我们最初的想法是，好吧，让我们看看它是否可以生成我们从经济学中期望得到的非常基本的东西。例如，当价格更高时，它是否知道拒绝报价？它是否知道在价格和选择之间进行这种权衡？当我们查询GPT数千次以获得

答案时，我们确实看到了向下倾斜的需求曲线，这正是我们所期望看到的。我们还看到了一些事情，例如，我们可以告诉它一些关于其收入的信息，它会对此做出反应。当它有更高的收入时，它对价格就不那么敏感了，这是有道理的，这也是我们对人们的期望。我们还看到它可以对自身信息做出反应，例如，哦，你上次购买此类商品时，购买的是这个特定品牌。

这使得它在未来更有可能选择这个品牌。所以这些是我们对它是否真的像人类在调查中那样做出反应的测试？然后我们更进一步，我们试图获得对产品或某些属性的支付意愿。然后我们基本上将价格分布与我们在市场上看到的价格分布进行了比较，这

非常一致。对我们来说真正有趣和令人兴奋的事情是能够查看对属性的支付意愿，因为这是我们所有营销人员都想找到的东西。在我们的例子中，它是牙膏，我们试图弄清楚有多少

人愿意为氟化物付费，这是我们很难考虑的事情。如果有人问你这个问题，我不知道。我知道我更喜欢买这种牙膏，但我不知道这个数字是多少。所以这让我们更想知道GPT是否可以像我们询问消费者一样提供这个数字。多年来，研究人员已经证明，提出这些问题的最佳方法是通过联合研究。本质上，你为氟化物提供

人们有10到15种选择。通过他们的不同选择，你可以了解他们正在进行的权衡，并实际量化他们愿意支付的差额。我们基本上就是这样做的。我们对GPT进行了联合类型分析。

我们将结果与即将发表的一篇论文中进行的人类研究进行了比较，并得到了非常相似的结果。所以我们对此非常兴奋。当然，结果并不完全相同。我们需要做更多工作来找出一些问题出在哪里，以及这在多大程度上可以推广。但仅仅因为我们能够做到这一点就令人难以置信地兴奋。所以这对公司来说似乎很令人兴奋，因为……

我猜对很多人进行市场研究的成本要比仅仅通过与ChatGPT进行一些API调用要高得多。这必须是吸引人的地方。还有其他吸引人的地方吗？

基本上，这些类型的研究既费时、费钱又复杂。理想情况下，你会想让人们进行大量的权衡，但你受到人类能力的限制。使用GPT，你可以查询很多次，但是……

在这一点上，我不会告诉任何人，用GPT或其他LLM替换所有的人类研究，因为还有很多工作要做才能弄清楚如何正确地做到这一点。关于GPT的一件事是它是预先训练的。它会给我提供偏好，但这些偏好与它进行预先训练的时间段相关。而公司想知道的是客户的期望。

现在感兴趣的是什么。所以这是一个限制。我们现在正在测试的是，也许我们仍然需要询问人们，但人数比你通常需要的人数要少。因此，通常当你进行这些研究时，你需要数千名用户才能从学术或统计的角度获得可靠且具有统计意义的结果。我们试图看看也许我可以收集

来自更少人类的信息，并通过微调与LLM结合，生成一些有用的东西。但实际上，一个很大的优势是节省成本和时间。当时，这是一个很大的优势。是的。到目前为止，我们谈论的是消费品，但你可以考虑企业对企业类型的调查，这些调查更昂贵，也更难进行。所以也许在那里也有潜力。我们还没有测试过。

我喜欢这个想法，对吧？我的意思是，因为当你想到生成式AI的大多数用例时，有很多是关于消除工作的枯燥部分或创建图像和内容以及总结文本。然后还有一些更高级的用例，例如规划和库存管理。但你谈论的那个实际上是用它来代替人类，对吧？我的意思是，基本上就是这样。这是某种可能非常有趣的东西的开始，因为你至少已经证明了

它是有道理的，对吧？我的意思是，你问它所有这些问题，它在经济上，我想，是合理的。但作为你自己也是一名营销人员，并非所有营销策略都是基于理性的。事实上，许多营销策略都是基于完全非理性的愿望。你对此有什么想法……

许多人做出的非理性选择创造了这些大品牌和价值2万美元的手袋等等。你如何利用这一点？在我回答你的问题之前，作为一名学者，我最初担心的是你使用了“证明”这个词。证明？是的。我说的时候笑了。我会说我们展示的证据与证据一致。

那。我们也知道这些模型仍在不断发展，也许一个月前我们展示的东西一个月后就不再相关了，这也是你不能在没有测试的情况下就实施它的原因。所以我想小心一点。是的。所以，你知道，有一种更理性的观点看待什么是产品，但是

品牌创造的价值是我们无法衡量和难以量化的。但那是

就像我用氟化物举的例子一样。就像我们不知道如何量化氟化物一样。如果我问你，哦，你愿意为像高露洁这样的品牌名称支付多少钱，而对于我刚编造的牙膏呢？实际上，同样的联合研究模型将能够推断出这些差异。例如，我们看到人们更喜欢Mac而不是其他类型的电脑。所以它已经嵌入其中了。

以某种方式。现在，它的准确性是一个经验问题。是的，你说得对。因为当我听到你回答这个问题时，我也意识到我的假设是

你所展示的一些证据与已证明的证据并不一定就是理性。它能够概括大多数人或许多人所做的事情，这体现在它所接受训练的内容中。所以我的第二个问题是，你如何让它更细分、更具体或更细致？是的。

因为当你进行焦点小组讨论时，你可能正在寻找特定的口味、特定的细微差别。是的，是的。而且我们已经看到很多用途，你知道，当GPT和其他LLM刚刚推出时，很多兴奋点在于，我是一名工程师，我可以直接问它一个问题。它给了我最常见的东西。这正是我想要的。而我们实际上正在做的则是另一面。我们不想要最常见的东西。我们想要了解分布

这就是为什么当我们查询GPT时，我们会问它很多很多次问题，因为我们想要获得很多很多不同的消费者。在我们的分析中，我们只改变了收入和之前购买的东西，但我们可以同样改变……

性别、种族、任何你想要的其他东西、年龄。我已经看到其他研究人员这样做，哥伦比亚大学和伯克利大学的同事有一篇非常有趣的论文，他们使用GPT创建感知图。

所以两个品牌彼此之间有多接近。他们还展示了围绕汽车的性别和年龄等方面的差异，这是一个我们期望看到这些差异的市场。你当然也可以用类似的方式做到这一点。

它也体现在政治科学的政治方面。我可以给某人一种意识形态，他们的投票行为是有道理的，他们在不同主题上的文本生成是有道理的。对于关心异质性和了解不同消费者之间差异的营销人员来说，这也是非常令人兴奋的。是的，如果我们可以将其用于临床试验就好了。是的。

我看到一些论文是关于LLM相对于医生的更好的床边态度。所以也许那里还有一些东西。也许是GPT-5。是的。当你这么说的时候，想想这些工作的方式是一种对最可能的下一个词、最可能的下一个词的概率估计。你已经细分了，好吧，鉴于你的收入低，收入高，鉴于你具有这个属性，那个属性。

这很有趣。但是我们如何得出怪异之处呢？如果一切都是基于最可能的，特别是来自预定义的，并不是说你对提出一个好的搜索基础不聪明，但我们如何找到我们不知道的东西呢？这难道不是来自市场研究和焦点小组的东西吗？当然。

这就是挑战的一部分。显然，GPT学习某种分布，但有些人，你知道，如果说它学习的所有内容都来自评论，那么可能会有很多非常极端的消费者不会在网上写评论或无法访问互联网，但他们有这些有趣的极端想法。即使我告诉GPT，你知道，我想要尽可能的随机性，非常高的变化，我也无法接触到这些人。所以……

这绝对是一个问题。我已经知道一些初创公司正在试图解决这个问题，并识别这些极端的消费者，然后通过

使用LLM来预测他们在另一种情况下会做什么，将他们提升到一个新的水平。但与此同时，也有一些关于GPT创造力的工作，它创造了非常有创意的想法，你知道，这并不完全是你所要求的。其中一些有创意的想法不受现实的约束。我认为我们都看到过一些，它下棋的方式以及它认为这个规则有点太局限了。对。

对。所以这也是幻觉的问题，应该在不同的环境中进行测试。但我认为我们诱导它做出选择的方式不太容易出现幻觉问题，因为它提供了一种选择，你并没有要求事实或类似的东西。我并不是说GPT会胜过任何客户调查或类似的东西。我只想看看它是否和人类一样好。

即使是我们与之交谈的人类客户，我们也必须非常努力地找到人来做这些调查。有时我们会错过他们。我们也许能够获得一些人的分布，但在没有AI的情况下，只是通过人类对话，仍然必须努力处理极端情况。

我发现这里真正有趣的是你说了一些类似于它不如消费者调查好的话。现在我想挑战这一点，因为我发现你提出的这个想法很有趣，那就是当你想到其他AI或生成式AI用例时，有一种证明责任，你说，好吧，就像我是一个人，我是一名工程师，我有一个任务，对吧？

让我们问问GPT或任何生成式AI系统，它是否是一个知识型工作，对吧？它是否能像人类一样做好。好吧，太好了。或者它能否比人类更好地编写代码？或者它能否创建一段视频或文档或你阅读后会说，“哇，这很好”的东西。所以你可以做到。我不需要做了，对吧？所以这种证明责任非常明确。

在这个问题上，我不确定你是否甚至需要承担证明责任，因为在许多方面，我们假设一个由500人或1000人组成的焦点小组或任何调查，我的意思是，我不知道有任何那么大的焦点小组，但像这样的调查在某种程度上是金科玉律，或者像GPT或任何东西一样。你能和我们论文的审稿人谈谈吗？不，因为现实情况是，如果你考虑一下，那就是……

如果唯一知道的方法是，回到过去，因为看，我的意思是，你在这里的前提是，我们将通过用它来增强这一点来节省大量市场研究的资金，这是一个真实的前提，而且肯定是的。但是，我也发现负担较轻。即使你没有停止单个市场，

基于人类的市场研究或调查，你仍然通过扩大回应和选择的范围增加了大量价值。因为我认为，你怎么知道1000人或2000人具有代表性？或者他们拥有所有这些细微差别。所以这实际上带来了你确切知道存在的信号，否则它就不会存在。我发现这对营销人员来说实际上非常鼓舞人心。

我很乐意与你的审稿人交谈。我认为作为学者，我们习惯于某种程度的严谨性和稳健性以及能够说，“哦，实际上证明事情”。而这个工具能够提供某种模拟的事实很好，但它是否能够真正取代人类是一个更高的负担，因为这个问题是，

它是否真的给了我具有意义的、最新的回应？它会匹配某些东西吗？你说，好吧，也许人类一开始就不那么好了。所以我们为什么要尝试……不，我实际上是在阐述一个不同的观点。我接受过科学家的训练，我知道在科学中的证明责任比在学术界要高得多。我并不是想说你已经证明了这可以取代人类。我认为它不能取代人类，但是……

我想说的是，它的价值在于它极大地增强了营销人员可以获得的信号、见解和想法。因为没有哪个调查或焦点小组不是有限制的，

而这个不受限制，因为它拥有所有存在的东西。所以我的观点很简单，不是说已经满足了证明责任，而是我不知道是否应该有这种证明责任，因为它正在解决焦点小组和传统研究的局限性。

所以它不一定需要取代它。它们一开始就不完美。没有人会反对这一点。是的，我认为至少我可以放心地说，我们证明它可以提供关于偏好和正在发生的事情的非常有用的信息，至少在其接受训练的数据范围内是这样。鉴于市场研究的类型以及市场研究和接触人类的所有问题，这已经可以改变很多公司的情况，当然了。

是的，所以这里有多个不同的信号。我认为我们首先从这个想法出发，即这个信号是否取代了焦点小组的另一个信号？但是这里的因变量可能是人们是否真的购买了产品？人们是否购买了氟化物？他们是否购买了非产品？如果这个信号……

增加了对该预测的一些信息，那么我们就有了新的信息来源。如果它完全取代了它，那么我们就有了不同的东西。对。现在我们谈到了陈述偏好与实际基于人们行为的揭示偏好的问题。现在，我认为GPT可能比人类的问题更少，因为

它不受实验者偏差或试图取悦我的影响。所以它可能给我的东西更接近，但如果它从评论网站或市场研究中获取数据，而不是人们实际会购买的东西，它仍然更可能给出更接近陈述偏好的东西。但这对于焦点小组和调查也是如此。所以我们将此视为一个新的信号来源。

你知道，那里有很多不同的信号，它可能与一个信号有一些重叠。我认为这本身就很有趣，但它也可能包含新的信号。是的，是的。我发现这里另一件令人着迷的事情是，AI解决方案已经接受了数据的训练。然后当它们投入生产时，它们就会接受数据的训练，或者从生产中的数据中获得反馈，并且它们会变得更好。

对于生成式AI来说，很多这样的反馈也需要由人为驱动而不是由数据驱动，对吧？就像，这就是它告诉你要做的事情。你是否认同？是，否，等等。所以它也感觉像是这种技术，其中生成式AI可以成为另一个生成式AI输出的用户，对吧？

所以让我们来看一下这种模式，看，它正在取代焦点小组中的人类。但我们也可以取代公司中处理生成式AI回应的营销人员，例如，你如何为此设计一个活动？所以这个想法可能是多个生成式AI代理相互作用以提高整体质量，你对此有何看法？

我认为这是一个有趣的想法，但我认为到目前为止的证据表明，你仍然需要至少一个人参与其中。当然。因为所有这些幻觉，不切实际的事情都会出现。

但当然，如果这些模型越来越好、更高效、质量更高，那么为什么不呢？但是当我们在我们的组织中实施这些类型的事情时，我们也需要考虑如何，我不知道这个词是否准确，但我们如何确保这个过程仍然有意义，并且我们没有仅仅浪费每个人的时间来使用这些模型？

代理相互交谈。不，当然。你说得对极了。你需要人类参与其中，而且可能至少需要几十年。但是如果你有一些应该帮助，比如说，2万名客户服务代表的输出，你可能不需要那么多人。对。

它将根据反馈、根据他们在试点项目中的使用情况（例如三个月）而变得更好。也许你不需要将这个试点项目推广给5000人。也许你可以将其试点推广给100人加上两三个不同的生成式AI代理，这样你就可以极大地加快采用时间。是的，这很酷。

尽管我必须说，Shervin，当我听到你说这句话时，它让我想起了当人们将麦克风靠得太靠近扬声器时，我们会得到这些反馈回路，放大反馈回路。你确实担心，如果两个数据来源过于一致，我们会受到压制。我们不会得到疯狂。跳到本章的后面。给我们答案。如果人们正在收听这个节目，并且他们在公司工作并且可以使用这些工具，

现在，而不是20年后，就像你作为一名学者所想的那样。人们现在应该用这些工具做什么？玩弄它们。弄清楚你想了解你的客户的什么？

我们在论文中提供了一个完整的提示列表，说明如何提示这些类型的事情并开始获取这些信息。就像Shervin之前说的那样，它到底是什么？我们不确定，但它是一个信号。那里有一些我们可以开始发现的信息。对。所以通过玩弄它，这有助于人们发现那里有什么信息。

我认为是测试和发现，但从一个具体的问题开始真的很有帮助，因为你会陷入很多兔子洞。你可以永远进行这些对话。Ayelet Izraeli，你是我们唯一一位

拥有AI首字母的嘉宾，这很好地符合了我自己和Ayelet Israeli，也就是我自己和我自己。但请告诉我们更多关于你自己和你的背景的信息，以及你最终是如何到达你现在的这个位置的，以及是什么让你对所有这些事情感兴趣的。当然。我最初，正如我的姓氏可能表明的那样，我最初来自以色列。以色列被称为创业国。

当我开始思考，你知道，我想在大学里学习什么时，有一个专门的项目旨在通过向人们提供管理工具来改善创业国。所以这是一个计算机科学学士学位和MBA相结合的项目，大约五年时间。我开始做这个。

我喜欢计算机科学。我实际上主修的是金融和市场营销，但我尤其对市场营销感兴趣，特别是根据大量数据来理解这个如此有趣和应用的背景。然后我决定攻读市场营销和研究方面的博士学位。

多年来，你知道，我认为围绕客户和交易的消费品或事情对我来说很有趣。这是一个迷人的世界。你有很多关于这方面的数据，因为随着我们越来越多地转向在线和数字，我们可以看到越来越多的数据。然后问题是，我们如何才能更有效率地利用这些数据，以及以负责任的方式利用这些数据，这也是我研究的一部分。

我们有一个环节，我们会问你一系列快速的问题。但为了让你当场回答，只需回答你脑海中第一个想到的东西即可。好的。目前人工智能最大的机遇是什么？最大的机遇。这并不快。下一个问题。是的，下一个问题。我会考虑一下。你认为人们对人工智能最大的误解是什么？

我倾向于与在这个领域工作并理解这一点的人在一起，它只是一个模型，但很多人仍然没有理解，仍然设想机器人和发生的这种神奇的事情。这就是为什么我喜欢非常清楚地解释，哦，它是在预测下一个词的可能性并在分布中进行选择。这就是正在发生的一切。所以我认为我们现在可能不像10年前那样糟糕了，但是它仍然是这种像魔法一样的人工事物。

它不是。它仍然很神奇，我想。它非常令人惊奇。或者它可以是。你想要的第一份职业是什么？我不知道。你知道，在以色列，你会去军队。我在军队服役。我是一名情报中尉。我不认为这 necessarily是我想要的一份职业。这是我做过的事情。好的。

关于人工智能，有很多讨论和兴奋。人们在哪里过度使用它？人们在哪些不适用的地方使用它？我认为我看到的一个挑战是实际上用它来问事实问题，因为这不是它的目的。它不是一个寻找真相的机制。这只是错误的使用方式。

好的，你希望人工智能现在能做到但做不到的事情是什么？下一个令人兴奋的事情是什么？明天有什么公告会让你高兴？

我会稍微不同地回答这个问题。我认为，就我对负责任的数据使用和算法偏差的研究而言，让我兴奋的是，是的，很多人已经证明人工智能可以产生有偏差的结果。我们也多年来知道，人类会产生有偏差的结果。让我对人工智能感到兴奋的是，修复

机器的有偏差结果以及生成消除偏差的过程要容易得多。而对于人类来说，这要困难得多。而这正是我真正感到兴奋的事情。我喜欢这一点，因为我们这个世界充满了偏见和厌女症，这并不是机器造成的。机器并不是首先将我们置于这种情况的人。而且事实上，他们

也许在一开始在我们训练他们之前会做一些这样的事情，我们不应该仅仅因为他们走上了这条道路就抛弃他们，因为我们可以调整权重和模型。我们可以向模型提供反馈以改进这些。

以我们无法与数十亿人一起做到的方式。对。所以我认为这是一个巨大的突破。我们已经看到了 Gen AI 图像的第一个模型。如果你说医生，我们只有男性的照片或类似的东西。随着时间的推移，这有了很大的改进。所以这真的很令人兴奋，对吧？我们可以尝试思考如何利用这些东西来解决一些社会问题，因为是的，机器比人类更容易操纵。当然，这是一个风险，但这属于一些科幻播客，而不是这个。是的。

医生图像的例子非常贴切，因为我认为很多人对这些模型的准确性感到着迷，因为它们感觉是对的。它们证实了我们的刻板印象。你要求这张图片，它会给你 exactly 你认为的那张图片。但这只是再次助长了这个问题。如果我们不这样做，这将继续下去。但就像你说的，那里已经有了改进。

Ayelet，非常感谢你。这非常有见地，而且非常有趣。感谢你参加节目。非常感谢你邀请我。这很有趣。感谢你今天加入我们。在下一集中，Shervin 和我将与 Shopify 首席产品官 Mictad Jaffer 谈谈。在你进行假日购物之前，请加入我们，了解更多关于到处都是少量人工智能如何为我们所有人创造巨大价值的信息。

感谢收听《我和 AI》。我们相信，就像你一样，关于 AI 实施的对话不会仅限于此播客。这就是为什么我们在 LinkedIn 上专门为像你这样的听众创建了一个小组。它被称为 AI for Leaders。如果你加入我们，你可以与节目创建者和主持人聊天，提出你自己的问题，分享你的见解，并了解更多关于 AI 的信息。

并获得来自 MIT SMR 和 BCG 关于 AI 实施的宝贵资源，你可以访问 mitsmr.com/AIforLeaders 来访问它。我们将把链接放在节目说明中，我们希望在那里见到你。