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 SinglaAlexander 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。