目前AI 投资率是2013 年以来外部投资增长的 3 倍。麦肯锡发现，自觉采用 AI 技术的公司中，有20％是早期采用者，集中在高科技/电信，汽车/装配和金融服务行业。下图显示了研究小组在分析过程中发现的趋势。

麦肯锡发现，风险投资（VC），私募股权投资（PE）和其他外部资金只占总投资的一小部分（9％）。在所有公开数据的类别中，并购在2013 年至2016 年之间增长最快（85％）。报告引用了许多内部发展案例，包括亚马逊对机器人和语音识别的投资，以及虚拟代理和机器学习方面Salesforce 的案例。宝马、特斯拉和丰田在机器人和机器学习方面投资，以用于其无人驾驶汽车项目。丰田计划投资10 亿美元建立一个致力于机器人和无人驾驶车辆 AI 技术的新型研究机构。

机器人和语音识别是两个最受欢迎的投资领域。投资者最喜欢机器学习初创公司，因为基于代码的初创公司能够快速扩展出新功能。基于软件的机器学习初创公司比成本更高的基于机器的机器人公司更受欢迎。由于这些因素，以及其他一些原因，公司并购在这一领域飙升，从2013 年到2016 年，复合年均增长率（CAGR）达到约80％。下图显示了外部投资的按类别分布情况。

高科技、电信和金融服务是机器学习和AI 技术的早期采用者。这些行业因为愿意投资新技术而获取竞争力和内部高效流程而闻名。许多创业公司也开始关注这个领域。MGI 数字化指数（MGI Digitization Index）是欧洲和美国的国内生产总值加权平均数。麦肯锡还创建了一个总人工智能指数，在下面第一栏中显示，对AI 可做出贡献的 KPI 进行了比较，覆盖了资产、用途和劳动力。接下来的图，按行业和资产、用途及劳动力类别显示了AI 的相对采用水平。

麦肯锡预测，高科技、通信和金融服务将成为未来三年内采用人工智能的主导行业。这三个行业的专利和知识产权（IP）竞争加剧。随着时间的推移，领先科技公司目前的设备、产品和服务的发展路径将展现出其研发实验室今天的创新活动水平。例如，在金融服务方面，经AI 优化的欺诈检测系统的准确性和速度提高带来了明显的益处，预计2020 年市场将达到30 亿。下图概括了今天领先的AI + 产业，以及其中哪些产业打算在未来三年内最大限度地进行投资。

医疗、金融服务和专业服务在采用 AI 技术后，利润取得了最快增长。麦肯锡发现，受益于高级管理人员支持人工智能的公司已经投资基础设施，来支持其规模，并有明确的业务目标，要提高3％至15％的利润率。在接受调查的3000 多名商业领袖中，大多数人预计未来一年的利润率将增长5％。

亚马逊公司7.75 亿美元收购Kiva ，令人印象深刻。Kiva 是一家机器人公司，其机器人产品可以自动取货并打包。人类出货的时间为60 至75 分钟，而Kiva 下降到15 分钟，库存量增加了50％。营业成本估计下降了20％，投资回报率接近40％。

Netflix使用算法为全球1 亿用户进行个性化推荐，成果惊人。Netflix发现，客户平均每搜索一部电影会花90 秒时间，如果搜不到就会放弃。Netflix 估计，取消订阅原本每年可能减少 10 亿美元收入，现在Netflix 可以通过提供更好的搜索结果来避免这种损失。

人工智能将造成下一波数字化颠覆，企业应该为此做好准备。我们已经看到早期采取人工智能技术的几家公司获得了实在的好处，使得其他企业相比任何时候都更迫切地加速数字化转型。麦肯锡的研究报告集中在以下５项AI技术系统：机器人和自动驾驶车辆、计算机视觉、语言、虚拟智能体，以及机器学习，包括深度学习和其他AI技术。

AI投资正在快速增长，主要的主导者是一些数字巨头公司，例如谷歌和百度。在全球范围，麦肯锡估计科技巨头们在2016年投资AI的金额约200亿美元至300亿美元，其中90%用于研发和部署，10%用于AI并购。风险投资（VC）和私募股权投资（PE），投资捐赠和种子投资也在迅速增长，从非常小的基数迅速增长到总共60亿美元至90亿美元的规模。机器学习作为一种支持基数，在内部和外部投资中都占据了最大份额。

在科技公司之外的AI采用处于早期阶段，大部分是实验性阶段。很少有企业大规模地部署AI。麦肯锡对3000多名高级管理者的调查显示，跨越10个国家的14个行业中，只有20%的受访者表示企业目前正在大规模部署AI，或在核心业务利用AI相关技术。许多企业表示他们不确定针对AI的商业案例或投资回报。对160个使用案例的回顾显示，只有13%的案例中AI被商业化部署。

这些模式显示出早期采用AI技术的企业和其他企业之间的差距日益扩大。在麦肯锡的产业数字指标中，排名前列的均是AI的主要采用者，例如高科技行业、电信以及金融服务业。这些行业也最具积极的AI投资意向。其中领军者对AI的采用是广泛而深入的：在多种职能中利用多种技术，并在核心业务中部署。例如，汽车制造商使用AI技术开发自动驾驶车辆并改善运营，金融服务企业更倾向于在与客户体验相关的业务中使用AI技术。

早期的证据表明，AI可以为其重度采用者提供真正的价值，并且具有强大的破坏性力量。在麦肯锡的调查中，早期的AI采用者将强大的数字能力与前瞻性的策略相结合，实现了较高的利润率，并将在未来拉大与其他公司的业绩差距。本报告在零售业、电力公司、制造业、医疗保健和教育方面的案例凸显了AI在改进预测和渠道，优化和自动化运营，发展有针对性的市场营销和定价，以及改善用户体验方面的潜力。

AI依赖于数字基础，并且通常必须使用独特的数据进行训练，这意味着企业没法走捷径。企业不能拖延它们的数字化进程，包括AI。早期采用者已经在创造竞争优势，它们与落后者的差距将会越来越大。一个成功的项目要求企业解决数字化和分析转型的许多要素：认识业务案例，建立正确的数据生态系统，构建或购买适当的AI工具，以及适应工作流程、能力和文化。麦肯锡的调查显示，顶层的领导、管理和技术能力，以及无缝访问数据的能力是关键的推动因素。

AI承诺带来益处，同时也对企业、开发者、政府和员工提出紧迫的挑战。劳动力需要学习新技能，利用AI而不是与AI竞争；认真考虑将本地建成全球AI发展的中心的城市和国家将需要加入全球竞争，以吸引AI人才和投资；道德、法律和监管方面的挑战也需取得进展，否则可能阻碍AI的发展。

关于人工智能的前景和危险，现在有大量的说法，并且越来越多。让机器能展示与人类相似的认知的AI能够驾驶汽车，也会盗取隐私；能推动企业的生产力也能加强企业的侦查能力。人工智能可以将工人从重复的或者危险的劳动中解放出来，也可能影响到他们的生计。相比2015年，2016年提到人工智能的文章翻了一番，是2014年的4倍。人们对AI 抱有相当高的期望。此前，AI 也曾出现过，它的历史与繁荣和萧条紧紧相连，充满动力夸张的承诺和令人沮丧的失败。这次会和之前的有什么不一样吗？分析师给出的答案是肯定的：AI 终于开始带来现实的商业利益了。

能促成突破的要素已经就位。计算力获得了显著的增长，算法变得更加成熟，并且，可能最重要的一点是，整个世界不断地生成大量的能源来驱动AI的发展，这些能源便是——数据。现在全世界每天产出的数字是几百万 Gigabytes 。身处数字化前线的公司，比如线上公司和数字原生公司，比如谷歌和百度，正在将大量的资金投入到 AI 中。我们预计，2016年它们在AI上的投入在200亿到300亿美元之间，其中包括一些重大的兼并活动。私人投资者也在纷纷涌入，麦肯锡预计，2016年，注入AI 的风险投资额在40亿到50亿美元之间，私人股权投资公司投入的钱在10亿到30亿美元之间。这些投入是2013年的3倍还多。此外，2016年，政府补助和种子轮的投资额大概在10亿美元左右。

但是，现在大多数的新闻都是关于AI 技术提供商。并且许多新用户都还处于实验阶段。市场上几乎没有能够即刻采用并获得大范围欢迎的产品，目前看来也没有可能会很快出现。因此，分析师们对AI发展的潜力仍然存在分歧：一些人对AI的潜力形成了一个乐观的共识，而其他人对AI 能带来的真正经济利益保持谨慎。目前的市场预测出现巨大差异，以2025年为时间点，低增长的预期是6.44亿美元，高增长的预期则达到了1260亿美元。鉴于对AI 投资规模非常大，数字较低的预测可能显示了这样一个信号：我们将迎来下一个繁荣与萧条的交替期。以麦肯锡在AI商业上的经验来看，这种泡沫的景象不太可能会出现。

为了提供一个更有启示意义的视角，他们决定研究用户是如何采纳AI 技术的。麦肯锡的研究提供了对当下迅速发展的AI产业的一张快照，通过镜头，我们可以看到供应商和用户的实际情况，进而总结出关于AI 潜力的一个更加可信的观点。首先，研究投资环境，包括公司在研发和部署方面的内部投资，大型企业并购以及风险投资（VC）和私募股权（PE）公司的融资。然后，再看看需求方面，结合使用案例分析和对3,000多家公司的C级管理人员的调查，了解公司如何使用AI技术，是什么在推动他们采用人工智能，部署的过程中有什么障碍，AI对市场，财务和机构的影响。

AI 一般指的是机器表现出和人一样的智能的能力，比如，在不使用包含了各种细节指导的手写编码程序的情况下能够接近问题。对于AI 技术的分类，目前有很多方法，但是，现在很难有一个互相排斥和共同穷举的列表，因为人们经常混合和匹配多种技术来创建个别问题的解决方案。这种创建方式有时会被看成是一个独立的技术，有时则是其他技术的附属，有时又变成了应用。有一些框架将AI 技术通过基本的功能进行划分，比如文本、语音、图像识别；其他则使用商业应用进行区分，比如商业或者网络安全。

试图更精确地定义这个术语的原因有以下几个：AI涵盖了广泛的技术和应用，其中一些仅仅是早期技术的扩展，而另一些则是全新的。此外，正在人们习惯于以前的进步时，当前并没有一个被普遍接受的“智能”理论和机器“智能”的定义。

计算机科学家拉里·特斯勒（Larry Tesler）的定理，断言“人工智能还没有完成。”我们在本文中谈及的人工智能技术是所谓的“狭义”人工智能，它执行一个狭义的任务，其反面是通用人工智能或AGI，旨在能够执行人类可以做的任何智力任务。我们专注于狭义AI，因为它具有短期的商业潜力，而AGI尚未到达。

在本报告中，我们聚焦于解决商业问题的一系列AI技术系统。我们将这些分为五个技术系统，这些系统是AI开发的关键领域：机器人和自动驾驶车辆，计算机视觉，语言，虚拟代理和机器学习。一些与外部世界的信息处理有关，如计算机视觉和语言（包括自然语言处理，文本分析，语音识别和语义技术）;一些是关于从信息进行学习，如机器学习；其他则与信息本身有关，例如机器人，自驾车辆和虚拟代理。机器学习和一个称为深度学习的子领域是人工智能应用中许多最新进展的核心，并且吸引了大量注意力和大量投入到AI领域的资金，2016年，几乎占所有投资的60％。

在本次调查中，受访者亦比三年前明显更加关注BEPS。随着各国政府制定并实施与全球标准接轨的新政策，BEPS将对全球税务格局带来重大影响，这一点已成为普遍共识。跨国企业正通过转变业务模式或调整利用资源等多种渠道为迫在眉睫的变革做好充分准备，以期满足全面升级的申报要求。这可被视作为亚太区税制发展的积极信号。

人工智能坐着过山车走到了今天

作为一个idea，人工智能的第一次出现是在电子化的数字计算机被造出后不久。并且，和数字技术一样，人工智能或者说AI，经历了大起大落，但是有一个例外——人工智能还没有经历大规模的商业部署。

这可能在改变。由AI提供动力的机器今天可以执行许多任务，例如，识别复杂的模式，合成信息，得出结论和进行预测，这些不久以前还被认为需要人类认知参与才能实现。

而且AI的能力已经被大大扩展，因此其在越来越多的领域中得到应用。同时，值得记住的是机器学习有局限性。例如，由于系统是针对特定数据集进行培训的，所以它们容易受到偏见;为了避免这种情况，用户必须确保使用综合性的数据集训练他们。总的来说，我们看到了很大的进步。

这些进步使得机器学习自2000年以来就能够被扩大化，并用于推动深度学习算法等等的发展。通过大量和多样化的数据集，不断强化的算法可以在数据海洋中找到模式，增加研发融资和强大的图形处理单元（GPU）不断提高了数学计算能力的新水平。

GPU是最初为视频游戏开发的专用集成电路，可以将图像处理速度比2013年的最快版本快40到80倍。GPU速度的提升使得深度学习系统的训练速度在过去2年中的每一年提高5到6倍。

更多的数据：世界每天创建约2.2 E字节，即22亿GB，这意味着更多的洞见和更高的准确性，因为它能将算法暴露给更多可用于识别正确和拒绝错误答案的案例。这些数据源启用的机器学习系统在某些应用中减少了计算机错误率，例如图像识别，已经降到与人类大致相同的错误率。

科技巨头带头，AI投资迅速增长，但是商业化滞后

科技巨头和原生数字公司亚马逊，苹果，百度和谷歌等正在这些统称为人工智能的各种技术上进行大力投入，投资总额超过了数十亿美元。他们认为，这些投资将能使AI最终能达到预期，因为功能强大的计算机硬件，日益复杂的算法模型以及庞大且快速增长的数据库存 -已经到位。事实上，其中，大公司的内部投资占主导地位：估计这一数字2016年将达到180亿美元至270亿美元；外部投资（来自风险投资，私人公司，并购，赠款和种子基金）约为80亿至120亿美元。

但是，对于近期的所有投资来说，AI部署的范围是受到了限制的。这有一部分原因是因为，这些投资的很大部分是内部的R&D研究，很大程度上是着眼于提升公司自己的表现。不过同样正确的是，商业上对人工智能的应用的需求，只能算是温热（tepid），这一部分是因为数字化和分析对经济的变革步伐很缓慢。麦肯锡调查了超过3000项商业项目，发现许多公司的领导并不清楚AI 能为他们做什么，在哪里能获得AI驱动的应用，大多数人也不知道如何把AI技术融入到公司中，如何评估对AI投资的回报。

AI的投资中，大多数的投资都集中在内部投资，也就是R&D 和发展，由现金流充沛的数字化原生公司进行。那么，来大公司的AI投资会聚焦于什么？

大公司，如苹果，百度和谷歌，正在内部开展成套的技术研发，但AI投资的广度和重点不同。亚马逊正在致力于机器人和语音识别；Salesforce对虚拟代理和机器学习很感兴趣。宝马，特斯拉和丰田是工业机器人和使用机器学习进行自动驾驶相当大的制造商。例如，丰田公司拨出10亿美元建立一个致力于机器人和无人驾驶车辆的新AI研究机构。博世，GE和西门子等工业巨头也在内部投资，通常在机器学习和机器人领域寻求开发与其核心业务有关的具体技术。

IBM承诺投资30亿美元，使其沃森认知计算服务成为互联网上的主要力量。百度在过去的二年半中投入了15亿美元进行人工智能研究。此外，百度还投入2亿美元，成立了一个新的内部风险投资基金。同时，大型科技公司一直在积极购买AI创业公司，不仅仅是为了获得技术或客户，而是为了获得优质的人才。该领域的真正专家池很小，阿里巴巴，亚马逊，Facebook，谷歌等科技巨头都聘请了很多专家。

许多公司采用并购的方式来绑定顶尖人才，这种做法被称为“收购式招聘”，通常创业公司中每人的价值通常能达到500万美元到1000万美元。最近的一份报告强调，由于人才短缺和成本上涨，整个行业的AI相关人才缺口在10000以上，用于这些人才的薪资预达到了6.5亿美元。总的来说，兼并对于AI公司来说是增长最快的外部资源，根据麦肯锡的估计，2013年至2016年，这些公司的价值复合年增长率将超过80％。自2010年以来，领先的高科技企业和先进制造商已经完成了100多项并购交易。

谷歌去年完成了24笔收购交易，包括8项计算机视觉和7项语言处理。苹果是第2大活跃的收购方，已经结束了九9 个，平均分配在计算机视觉，机器学习和自然语言处理之间。这些公司也在扩大对国外人才的追求，例如，Facebook在巴黎开设AI实验室，将补充纽约和硅谷的类似设施，使公司更容易在欧洲招聘高级研究人员。谷歌最近在蒙特利尔大学投资了450万美元 ;英特尔捐赠了150万美元，在佐治亚理工大学建立机器学习和网络安全研究中心；而NVIDIA正在与台湾大学合作，在台北设立AI实验室。

AI的喧哗声足够大，已经达到足以鼓励风投和私人进入的地步。其他的外部投资，比如天使轮基金和种子孵化者，也都被激活了。麦肯锡估计2016年的年度外部投资总额为80亿美元至120亿美元。机器学习吸引了近60％的投资，这很可能是因为它是许多其他技术和应用的推动者，如机器人和语音识别。另外，投资者也被机器学习所吸引，因为像以前一样，安装新代码比重建运行该软件的机器人或其他机器更快更容易。这一领域的企业并购也快速增长，2013至2016年的复合年增长率约为80％。

与数字革命的其他投资相比，AI 的投资仍处于初期阶段。例如，人工智能在 2016 年吸引了所有 VC 风险投资的2％至3％，而信息技术普遍上涨了60%。 AI在2016年的PE公司投资总额中所占比例只有小部分：1％至3％。但AI投资增长较快，从2013年到2016年，AI技术的外部投资年复合增长率达到近40％。而2010年至2013年则为30％。不仅交易规模越来越大，而且需要较少的参与者来完成融资。

这表明投资者对该行业的信心越来越大，对技术和潜力有更好的了解。

根据PitchBook的说法，大部分投资者仍然没有拿到投资回报。将机器学习作为核心业务的创业公司只有10％表示已经产生收入，其中只有一半报告了超过5000万美元的收入。此外，外部投资在地理上高度集中，主要由美国和中国的几个技术中心主导，欧洲落后。我们在第3章进一步探讨这些问题。

处在数字化前线的公司和行业已经开始采纳AI，但是其他人还在犹豫

基于期望 AI 采用者的市场能够快速发展，并愿意支付AI基础设施，平台和服务，投资者正在向 AI 公司投入数十亿美元。

显然，亚马逊，谷歌和其他公司正在为自己的应用程序进行投资，例如优化搜索和个性化营销。但是了解传统医疗保健，零售和电信公司在 AI 上所花费的成本并不容易。

为此，我们进行了一次调查，以更深入地了解这一情况。一般来说，很少有公司将 AI 大规模地纳入其价值链；大多数具有 AI 技术意识的公司仍处于实验阶段或试点阶段。事实上，在3,073个受访者中，只有20％的受访者表示他们在规模上或核心部分采用了一种或多种 AI 相关技术。10％的受访者表示采用两种以上的技术，只有9％的受访者表示采用机器学习。

即使这样可能夸大了 AI 的商业需求。我们对各种行业的160多个全球用例的审查发现，只有12％的发展超出了实验阶段。商业兼并可以解释为什么一些公司可能不愿意采取行动。在我们的调查中，不良或不确定的回报是企业，特别是较小的公司不采纳AI技术的主要原因。第3章进一步探讨的监管问题也变得更为重要。与每一个新的技术浪潮一样，我们期望看到行业和企业之间早期和晚期采用者的不同模式。我们发现了AI采用早期模式的六个特征，这与公司采用和使用最新的数字技术的方式大致相符。不巧的是，在早期的数字化潮流中领先的同样的玩家正在AI ，下一波浪潮中也居于领先地位。

第一个特点是，早期的AI采用者来自已经在相关技术上进行大量投入的部门，如云服务和大数据，这些行业也处于数字资产和使用的前沿。这是一个至关重要的发现，因为它表明，谈到数字化，行业外的公司和机构正在追赶的证据并不明显，因为每一代新技术都建立在前一代的。第二，独立于部门，大型企业往往更快投入AI。这又是典型的数字采用，中小型企业在投资新技术的决定中通常落后。第三，早期采用者不是专门从事一种技术。它们更广泛，因为它们同时采用多种AI工具来解决许多不同的用例。第四，投资规模大的企业靠近核心业务。第五，早期采用者倾向于通过人工智能的上升潜力来削减成本。 AI不仅涉及过程自动化，也被公司用作主要产品和服务创新的一部分。

报告接下来讨论的话题包括：

• 早期采纳AI 技术的领域与数字化前线非常接近

• 谈到对AI技术的采纳，越大的公司，越勇敢

• 早期的采纳者成为连续采纳者

人工智能技术近年来取得了显着的进步。然而，其采纳仍处于初步阶段。这使得评估AI对企业和业务真正的潜在影响不容易。我们知道许多没有采用AI的企业说，他们在做AI投资的业务方面有困难，但是采用了AI的那些公司呢？通过案例研究和调查，麦肯锡发现早期规模化采用AI的企业实现了有吸引力的回报。这些案例展示了AI将如何重塑整个价值链以及各领域的不同职能。这些案例对许多利益相关者，包括跨国公司、初创公司、政府以及社会机构都有着广泛的影响。

结合强大的数字能力、稳健的AI采用，以及前瞻性的AI战略的企业，将实现巨大的财务业绩。

数字土著（digital native）型的公司在AI方面进行了最重要、也是最早期的投资，为AI的潜在投资回报提供了测试性的使用案例。例如，亚马逊公司在2012年以7.75亿美元收购机器人仓储技术公司Kiva，将“从下单到发货”的时间从人工操作的60~75分钟减少到15分钟，库存量得以增加50%，经营成本估计降低了20%，原始投资回报率接近40%。

大规模采用，或在核心业务部门采用AI技术的公司已经看到了技术的潜力，实施前瞻性的AI战略的公司的预期收益则更大。麦肯锡的调查比较了不同程度采用AI的企业的利润率、数字化成熟度（体现在大数据和云服务的使用），以及公司战略性立场（图表5）。调查显示AI的重度采用者的预期利润相比非重度采用者高得多。

图5 具有前瞻性策略的AI采用者具有显著更高的利润率

说明：当前利润率来自受访者的自我报告。橙色线表示具有“前瞻性策略”的AI采用者；蓝色线表示部分采用AI或实验性地采用AI的企业；灰色线表示非AI采用者。

这表明AI能够为企业提供显著的竞争优势，但仅限于完全致力于AI的企业。技术是一种工具，它本身并不提供竞争力。

在分析预期的未来利润率时，也可以见到同样的模式。在大多数行业中，不仅采用前瞻性AI策略的企业所汇报的当前利润率相比同行业平均水平高3%到15%，而且由于投资变得成熟，开始提供大量红利，这一优势预计在未来将大大增长。在未来3年，这些AI领军者的预期利润率将比行业平均水平高多达5%。

麦肯锡的研究报告把AI创造价值的方式分成4类：使公司更好地预测需求、优化研究和改进采购（Project）；提高公司以更低的成本和更高的质量生产产品和提供服务的能力（Produce）；以恰当的价格、恰当的信息和正确的目标客户促进产品销售（Promote）；以及提供丰富、个性化和方便的用户体验（Provide）。如下表所示：

图6：AI可以通过4种方式在价值链中创造价值

这4个创造价值的方式基于正在探索的或已被部署在企业中的用例。此外，虽然机器学习可以为各个行业带来非常有价值的利益，但有些技术特别适用于特定行业的商业应用，例如机器人应用于零售和制造业，计算机视觉技术应用于医疗保健行业，自然语言处理技术应用于教育行业。

例如，在零售业，AI应用于需求预测带来的好处令人印象深刻。在某些情况下，基于AI的需求预测方法比传统方法的预测误差减少30%~70%（表格7）。由于产品无效性导致的销售损失可以降低达65%。与运输、仓储和供应链管理相关的成本预计可以分别降低5%~10%和25%~40%，库存总量可以减少20%~50%。

图7：AI可以帮助在整个价值链中获取收益

早期采用者和早期案例研究表明，AI有潜力改变业务流程，重组整个行业，增加利润并创造新的价值来源。AI的应用已经开始成熟，而认真采取前瞻性策略的公司将得到显著的竞争优势。此外，机器学习和深度学习虽然是大多数机会的支撑技术，但企业需要确定哪些是能为它们带来最大收益的AI技术，然后尽早建设基础设施、人才、和知识，以赶上学习和采用的曲线。本部分介绍了AI创造价值的4个方面，但是，这样的收益不是一夜间可以实现的。下一部分将讨论企业、AI厂商、以及政府应该如何抓住这个机会。

虽然AI有潜力从根本上重塑社会，但技术发展仍然存在着重大的不确定性。对于企业、政府和从业者来说，这可能意味着“等待并观望”的做法。但是，麦肯锡的报告认为有必要采取立即、并且明确的行动来应对已经很显见的机会和风险。

企业需要关注AI使用案例，最大限度增加价值并确保它们有正确的数字加持者。

尽管在当前，许多行业中AI的整体影响比较小，但其破坏性的潜力很大。正如Uber和Lyft对出租车行业所造成的冲击那样，以AI为驱动力的新进入者能够压制性地取得胜利。AI不仅改变业务流程，还将改变整个业务模式，获得全面的竞争优势，而那些等待风险消解的企业将被遗弃。

因此，现在就应采取行动。企业应该对最具价值的AI使用案例进行清晰的分析，并建立配套的数字资产和能力。实际上，AI转型成功的核心要素与一般性的数据和分析的要素是一致的（图表8）。包括：建立数据生态系统、采用正确的技术和工具、将技术整合到工作流程、以及在重新培训员工技能时采用开放、合作的文化。

图8：成功的AI转型需要与成功的数字和分析转型相似的要素

历经了几十年的期望和失望，AI重新回来了，并且可能将推动全球经济发生深刻的变化。针对AI的投资自2013年以来一直在快速增长，科技巨头们在AI技术的开发上发挥了巨大作用，并已经将其部署在业务上。我们已经看到早期采用AI的企业获得商业利益的例子。

但是，AI技术的采用仍处于试验阶段。早期采用者与其他观望者之间的差距将会越来越大。早期的AI采用者往往是具有成熟的数字战略的大型公司，并且采用的模式较为广泛。它们对于AI的关注是由增加收入、降低成本的愿望驱动的，并得到公司高层管理者的支持。

取得收益永远是重中之重。对于企业而言，这意味着要加快数字化转型，需要有适当的数字资产和技能才能有效部署AI。

来源： mckinsey.com（新智元编译：弗格森 张易  刘小芹）

整理：走出去智库（CGGT）

机构简介

麦肯锡公司是一家全球性管理咨询公司，1926年创立于美国，为企业和公共机构提供有关战略、组织、运营和技术方面的咨询。麦肯锡的大中华区三十余年来，一直致力于帮助本土领先企业改善管理技能和提升全球竞争力，并为寻求在本地区扩大业务的跨国企业提供咨询，同时也积极参与中国公共政策咨询和公共事业建设。