作者：Alex Singla、Alexander Sukharevsky、Lareina Yee、Michael Chui、Bryce Hall
生成式人工智能的发展，正推动企业着手构建相应的组织架构与业务流程，以充分释放其潜在价值。尽管AI部署尚处于早期，但更多企业已开始重塑工作流程、加强治理机制，并积极应对相关风险。
企业纷纷开启组织变革，期望借力生成式AI挖掘未来价值，其中大型企业动作更快、力度更大。麦肯锡最新全球人工智能调查显示，许多企业已采取实质性举措，以推动AI部署带来切实的财务回报。比如，在部署生成式AI的同时重构工作流程，以及安排高管出任AI治理官等关键职位。调查还发现，企业正积极应对生成式AI引发的新风险，增设AI相关岗位，并开展员工再培训，让更多员工参与AI部署。相较之下，年收入超过5亿美元的大型企业转型速度更快。总体而言，无论是生成式AI还是分析型AI，应用热度依旧高涨：逾四分之三的受访者表示，所在组织已在至少一个业务环节部署AI，生成式AI的推广速度尤为迅猛。
企业如何完成生成式AI部署，由谁主导？
AI治理工作涉及构建一系列政策、流程和技术，以确保负责任地开发与部署AI系统。麦肯锡的调查分析表明，由CEO亲自监督这项工作，是企业借助生成式AI提升财务表现的关键因素之一【1】。尤其在大型企业中，CEO的直接参与对息税前利润（EBIT）的拉动效果最为显著。在已部署AI的企业中，28%的受访者称CEO负责AI治理工作，但在年收入超5亿美元的大型企业中，这一比例略低。同时，17%的受访者称董事会负责AI治理工作。整体来看，这项工作通常由多人共同负责，平均由两位领导牵头。
AI的真正价值在于重塑企业运作方式。最新调查显示，在针对各类规模企业的25个要素里，重构工作流程对于组织通过应用生成式AI实现息税前利润增长的作用最为显著。企业正逐步在AI部署的同时调整流程。在已部署生成式AI的企业中，21%的受访者表示其组织已对部分工作流程进行了彻底重构。
集中管理AI部署的关键环节
调查显示，在AI部署的组织安排方面，企业在多个关键环节往往采用集中或部分集中的管理模式（见图1）。在风险与合规、数据治理等方面，企业更倾向于通过“卓越中心”等形式实施完全集中管理。而在技术人才引入和AI解决方案推广方面，多数受访者表示所在企业采取了混合式管理，即部分资源集中管理，部分分布在各职能或业务部门中。值得注意的是，年收入低于5亿美元的企业更倾向于将这些环节完全集中管理。
企业监控生成式AI内容的方式差异显著
多数企业都会安排员工审查生成式AI生成的内容质量，但审查力度差异显著。在已部署生成式AI的企业中，27%的受访者表示，所有生成内容在使用前都须由员工审核，包括客服聊天机器人生成的回复，以及营销材料中使用的AI生成图像（见图2）。另有相近比例的受访者称，只会审核20%或更少的AI生成内容。来自商业、法律及专业服务领域的受访者更倾向于对AI生成内容进行全面审核，比例远高于其他行业。
企业应对更多生成式AI风险
许多企业正加紧采取措施，应对生成式AI带来的风险。相较于2024年初，更多受访者称所在企业正积极管控与AI不准确性、网络安全及知识产权侵权相关的风险（见图3）。这三类问题也是受访者提及频率最高的风险类型，并已对不少企业造成实质影响【2】。
调查显示，大型企业开展了更多风险应对工作。比如，大企业在管控潜在网络安全和隐私风险方面更为积极。但在应对AI输出准确性或可解释性等风险上，大企业并未拉开与中小企业的差距。
最佳实践助力价值释放
多数受访者尚未察觉到生成式AI对企业整体收益产生显著影响，同时，多数企业也尚未采用经麦肯锡过往研究验证、有助于在新技术部署中创造价值的应用与推广实践。在一项针对发达市场的补充调查中，仅1%的企业高管认为他们的生成式AI推广已步入“成熟”阶段。但有初步迹象表明，随着企业着手实施最佳实践，相应价值已开始显现。
我们向受访者询问了12项与生成式AI应用和推广相关的实践，发现每一项实践均与息税前利润提升呈正相关。其中，对实际收益影响最为显著的是为生成式AI解决方案设定并追踪清晰的KPI指标。在大型企业中，制定清晰明确的部署路线图亦是影响利润的关键举措之一。
总体而言，企业在落实这些实践方面仍处于早期阶段。目前，不到三分之一的受访者表示，所在组织已践行大部分相关实践，仅不到五分之一的受访者称，企业已开始追踪生成式AI的关键绩效指标。大型企业在实践推进方面表现更为积极（见图4）。例如，更多大企业受访者表示所在组织制定了清晰的生成式AI解决方案路线图（如分阶段在各团队和业务部门推广），并设立了专责团队（如项目管理办公室或转型办公室）推动相关工作，其比例是其他企业受访者的两倍以上。调查还显示，大型企业在以下方面也走在前列：通过内部宣传生成式AI解决方案创造的价值提升认知和动能；开设针对不同岗位的能力培训课程，确保各级员工正确使用AI工具；以及制定全面策略，增强客户对生成式AI的信任度等。
AI重塑技能结构
本次调查亦探究了AI相关岗位的招聘情况及其对劳动力结构的其他影响。在已部署AI企业的受访者中，表示过去12个月内所在组织招聘了AI相关岗位人员的比例，与2024年初的调查基本持平。今年唯一出现明显变化的是数据可视化与设计类岗位，企业对该类岗位的招聘比例较上次调查明显下降。调查还显示，一些与风险管理相关的新岗位正逐步纳入AI部署流程。13%的受访者说所在企业已引入AI合规专员，6%表示聘请了AI伦理专员。在招聘方面，大型企业更倾向于广泛引进各类AI相关人才，尤其在AI数据科学家、机器学习工程师及数据工程师等岗位的招聘上，与中小企业相比明显占优。
尽管受访者仍认为AI相关岗位招聘难度较大，但相比过去两年，认为招聘“困难”或“非常困难”的比例有所下降（见图5）。AI数据科学家是个显著例外，未来一年对这类人才的需求依然强劲。在已部署AI的企业中，半数受访者称未来一年其雇主将需要比现有数量更多的数据科学家。
许多受访者还提到，在过去一年AI部署过程中，其所在企业已对部分员工开展技能再培训，他们预计未来几年再培训工作将持续扩大（见图6）。
调查还显示，企业开始积极管理因部署AI所节省的时间。多数受访者称，员工将节省下来的时间用于开展全新工作，也有不少人表示，员工将更多精力投入至尚未实现自动化的既有职责中。值得注意的是，大型企业的受访者更有可能提到，企业因节省时间而精简了员工队伍。分析表明，人员优化是生成式AI实现最大价值的关键组织性因素之一。
关于本次调查
本次调查于2024年7月16日至7月31日通过在线方式开展，共收集到来自101个国家的1491份有效问卷，覆盖不同地区、行业、企业规模、职能领域及从业年限。42%的受访者所在企业年收入超过5亿美元。为确保样本在全球范围内的代表性，调查结果根据受访者所在国家在全球GDP中的占比进行了加权处理。
注释：
【1】相关性分析考量了25个要素，以及企业报告的生成式AI部署对息税前利润的影响，并运用约翰逊相对权重回归分析法，得出R²值为0.20。这些属性包括：负责AI治理的领导层结构；企业如何利用生成式AI节省的时间（例如，重新安排工作内容、缩短工时或裁员）；是否因部署生成式AI，至少对部分工作流程进行彻底重构；以及是否采用了12项生成式AI应用与推广的最佳实践。
【2】调查结果显示，自 2024 年初以来，报告人工智能带来负面结果的受访者比例几乎没有变化。47% 的受访者表示，他们的组织至少经历过一次负面结果，而 2024 年初这一比例为 44%。
因篇幅所限，本文为报告上篇，下篇还将探讨不同行业的AI部署领域等内容，敬请关注。
关于作者：
Alex Singla和Alexander Sukharevsky是Quantumblack, AI by McKinsey全球联席负责人兼麦肯锡全球资深董事合伙人，分别常驻芝加哥和伦敦分公司；
Lareina Yee是麦肯锡全球研究院总监及麦肯锡全球资深董事合伙人，常驻湾区分公司；
Michael Chui是麦肯锡资深专家，常驻湾区分公司；
Bryce Hall是麦肯锡全球副董事合伙人，常驻华盛顿分公司。
作者感谢Erika Byun、Kaitlin Noe、Larry Kanter、Nicole Lindley、Robert Levin、Roger Roberts和Tara Balakrishnan对本文做出的贡献。
