文章作者丨麥肯錫公司：Alexander Sukharevsky、Dave Kerr、Klemens Hjartar、Lari H?m?l?inen、Stéphane Bout Vito、Di Leo Guillaume、Dagorret，慎思行采編翻譯

個人微信丨hello_SSX

AI

生成式AI的悖論：

極廣泛的部署，極低的影響效果

要點：

? 在每10家公司里，有將近8家都以某種形式部署了生成式AI，但其中有約八成的公司表示，部署后并沒有對公司盈利產生實質性影響。

? 主要的問題在于“橫向”和“縱向”用例之間的不平衡。前者已被廣泛地部署，例如員工協作機器人和聊天機器人，但帶來的效益卻很分散；而影響更大的縱向用例，或者說針對特定職能的用例，由于技術、組織、數據和文化方面的障礙，又很少能夠走出試驗階段。

? 除非企業解決這些障礙，否則生成式AI的變革性前景在很大程度上仍將無法實現。

生成式AI無處不在

——除了公司損益表外

即使在生成式AI出現之前，AI也早已在企業中占據著重要地位，它能為預測、分類和優化工作提供支持。據估計，這項技術的價值潛力已經十分巨大——在全球約有11萬億至18萬億美元——主要應用于市場營銷（個性化郵件遞送和客戶細分等功能）、銷售（客戶線索評分）和供應鏈（庫存優化和需求預測）等領域。然而，AI過去在很大程度上是專家的領域，普通員工采用AI往往是一個很慢的過程。例如，根據我們的研究（見圖1），從2018年到2022年，AI的應用率是相對停滯的，而且約有50%的公司是僅在其某一項業務職能中部署了AI。

生成式AI在三個突破性的領域擴展了傳統AI的覆蓋范圍：信息綜合、內容生成和用人類語言進行交流。我們估計，在傳統的分析型AI的潛在價值之外，生成式AI技術還能再釋放出2.6萬億至4.4萬億美元的額外價值。

在ChatGPT發布兩年半之后，生成式AI已經重塑了企業與AI的合作關系。它潛在的變革力量不僅在于生成式AI所帶來的新能力，還在于它讓各企業都能大眾化地使用先進的AI技術。這種大眾化的使用導致了人們廣泛地增長了對AI的認識和嘗試：根據我們最新的全球AI調查報告，有超過78%的公司目前正在至少一項業務職能中使用AI的技術（一年前為55%）。

然而，這種熱情尚未轉化為實實在在的經濟成果。有超過80%的公司還在報告中稱，他們的生成式AI計劃對公司盈利沒有做出實質性的貢獻。此外，在我們調查的企業當中，只有1% 的企業認為他們的生成式AI戰略已經比較成熟。我們稱之為“生成式AI的悖論”：盡管圍繞該技術的能量、投資和潛力都十分巨大，但對大多數企業來說，成規模的影響還尚未實現。

“生成式AI悖論”的核心在于

“橫向”和“縱向”用例之間的不平衡

許多企業已經部署了橫向用例，如整個企業內應用的協同機器人和聊天機器人；例如，在《財富》500強企業中，有近70%在使用微軟的365 Copilot。普遍認為，這類工具是提高個人效率的杠桿，可幫助員工節省處理日常工作的時間，更高效地獲取和綜合信息。但是，這種提升盡管是實實在在的，卻往往分散在不同的員工身上。因此，這些改進并不容易從營收或利潤中顯現出成果。

相比之下，縱向用例——嵌入特定的業務職能或流程——盡管具有更高的的經濟潛力，但在大多數公司中的推廣卻很有限（見圖2）。我們的研究顯示，只有不到10%的用例能夠成功通過試驗階段。即使能夠完整地部署，這些用例通常也只是支持業務流程中的個別步驟，并在人工的提示下被動運行，而不是主動或自動地運行。因此，它們對業績表現的影響也很有限。

是什么造成了這種不平衡？首先，像微軟的Copilot或谷歌的AI Workspace等橫向部署的協作AI助手都是現成的解決方案，實施起來相對容易。(在許多情況下，啟用微軟Copilot就像激活Office 365的擴展包一樣簡單，不需要重新設計工作流，或對管理工作進行重大變更。）企業部署聊天機器人則是出于降低風險的考慮。隨著員工越來越多地嘗試使用ChatGPT等外部大語言模型(LLMs)，許多企業實施了內部的、安全的替代方案，以規避數據泄漏，確保符合企業的安全策略。

而縱向用例的部署有限、范圍狹窄，則可歸因于以下六個主要因素：

—計劃方案太碎片化。在許多公司，縱向用例都是通過自下而上、高度細化的方式先在各個職能部門內部確定的。只有不到30%的公司CEO會直接從企業層面力推AI議程。這就會導致各種微觀的方案數量激增、互不關聯，各部門對AI的投資很分散，而企業層面的協調十分有限。

—缺乏成熟的整套解決方案。與現成的橫向應用（如協作AI助手）不同，縱向的用例往往需要定制開發。因此，開發團隊經常被迫從零開始，使用新興的、快速發展的，同時也是他們經驗有限的技術。雖然許多公司已經投資招募了數據科學家來開發AI模型，但他們往往缺乏MLOps（機器學習運維）工程師，而MLOps工程師對于生產中的工業化、部署和維護模型而言都至關重要。

—LLM的技術局限性。盡管第一代LLM的能力令人印象深刻，但它們也面臨著一些限制，顯著地制約了它們在企業級規模的部署。首先，LLM可能會產生不準確的輸出結果，這就使得它們在對精確性和可重復性要求極高的場景中難以得到信任。此外，盡管LLM功能強大，但從根本上來說它們畢竟是被動的；沒有提示詞，它們就無法采取行動，也無法在沒有人去啟動的情況下獨立地推動工作流或做決策。LLM在處理涉及多個步驟、決策點或發散邏輯的復雜工作時也很吃力。最后一點，目前許多LLM的持續記憶能力也很有限，因此難以長期追蹤上下文，也就難以在時間長跨度的交互中連貫運行。

—孤立開來的AI團隊。AI精英中心在提升對AI的認識和試驗水平上發揮了至關重要的作用。然而，在許多情況下，這些團隊都是各自為政，獨立于核心IT部門、數據或業務部門之外開發AI模型。這種自主性雖然有利于快速開發原型樣品，但由于和整個企業系統配合不佳、數據管線碎片化或缺乏運營協調，往往導致做出的解決方案難以擴展開來。

—數據的可訪問性和質量的差距問題。結構化數據和非結構化數據往往都存在這些差距，在大多數組織中，尤其是非結構化的數據，在很大程度上仍然不受管理。

—文化憂慮和組織惰性。在許多組織中，AI的部署都遭遇了來自業務團隊和中層管理者的隱性阻力，原因在于害怕擾亂工作、會給工作帶來不確定性，以及對技術的不熟悉等等。

迄今為止，盡管生成式AI對企業利潤的影響有限，但這第一波浪潮的努力遠非徒勞。它豐富了員工的個人能力，促進了廣泛的試驗和試點，加快了各職能部門對AI的熟悉程度，并且幫助企業在提示詞工程、模型評估和管理等方面建立起了關鍵能力。所有這一切都為更具綜合性和變革性的第二階段——正在到來的AI智能體時代——奠定了基礎。

未完待續......

編輯 | Noah

進一步交流

進入專業社群展開深度討論

慎思行通過微信等平臺覆蓋超過10萬戰略人、咨詢人等各類專業人士。我們也構建了專業社群，推動戰略與咨詢領域的問題討論、信息交流和機會分享，社群已有超過5年歷史，并成為了頂尖專業人士感知市場前沿，獲得實踐經驗的首要選擇。入群請添加慎思君微信，并提供名片。

現在微信公眾號更改規則，如果你不特地點進來，很可能看不到我們的推送了。希望喜歡【慎思行】的讀者朋友們將本號【設為星標★】，方便找到我們；也歡迎點擊右下角的【在看】。