一、引言

《BCG2024AI 价值研究报告》深入探讨了人工智能（AI）在企业中的价值创造情况。报告通过对全球 1000 多家公司的研究，分析了 AI 领导者与其他公司在 AI 应用上的差异，揭示了 AI 价值的来源、企业面临的挑战以及取得成功所需的能力和策略。

二、AI 价值创造的现状

（一）整体情况

尽管人工智能备受关注，但只有 26% 的公司超越了概念验证阶段并创造了价值。其中，4% 的公司处于 AI 创新的前沿，正在系统地构建先进的 AI 能力并在整个组织中推广，这些公司被视为领导者。

（二）领导者与其他公司的比较

1. 业绩表现
   • 在过去三年中，领导者的收入增长比整体平均水平高 50%，股东总回报高 60%，投资资本回报率高 40%。在非财务因素方面，如专利申请和员工满意度也表现出色。
2. 能力差异
   • 领导者具备实施 AI 所需的能力，包括在核心业务和支持功能上应用 AI，而其他公司可能仅将 AI 应用于支持功能或尚未有效应用。
   • 领导者更具雄心，对 AI 带来的收入增长期望更高，且愿意在 AI 和员工能力提升上进行更多投资。
   • 领导者能够有策略地投资于少数高优先级机会，以实现 AI 价值的最大化，并且能够成功地在组织内推广更多的 AI 产品和服务。

三、AI 价值的来源

（一）核心业务流程与支持功能

1. 核心业务流程是关键
   • 报告指出，AI 的最大价值在于核心业务流程，领导者 62% 的价值来自于此。例如，在软件、媒体、金融科技等行业，70% – 90% 的 AI 相关价值来自核心业务流程。
   • 不同行业的核心业务流程产生的价值各有侧重。如在研发密集型行业，AI 在研发环节创造价值显著；在保险和银行业，客户服务是 AI 产生价值的重要领域。
2. 支持功能也有贡献
   • 支持功能产生 38% 的价值，包括客户服务、IT 和采购等。例如，在一些公司中，通过 AI 提升客户服务效率，减少了对多技能前线团队的需求。

（二）不同行业的价值体现

1. 研发领域
   • 在生物制药、医疗技术和汽车等行业，AI 对研发有重大影响。例如，生物制药公司利用生成式 AI 生成用于训练的图像，提高了预测 AI 模型的准确性；一家全球制药公司通过 AI 加速药物发现能力，每年创造 1 亿美元的价值。
2. 销售和营销领域
   • 在软件、旅游和旅游、媒体和电信等行业，销售和营销是 AI 价值的重要来源。AI 可以提供最佳行动建议、话术和基本工作流程自动化，未来还可能实现实时辅助销售和自主销售。
3. 客户服务领域
   • 在保险和银行业，客户服务已经是 AI 产生价值的重要来源。AI 可以提高生产力，减少人工需求，并且长期来看，有望实现客户问题的自动解决和更好的客户体验。

四、企业面临的挑战

（一）能力构建挑战

1. 技术能力
   • 构建 AI 能力是一项复杂的挑战，只有少数公司具备跨职能的先进 AI 能力。企业需要在算法、技术和数据以及人员和流程等方面进行能力建设。
   • 数据获取和整合是关键问题之一，企业需要确保能够获取高质量的数据，并将 AI 解决方案与现有 IT 系统集成。
2. 人员能力
   • 企业需要培养员工的 AI 技能和素养，包括 AI 工程师等专业人才的获取，以及让员工能够理解和应用 AI 技术。

（二）战略决策挑战

1. 确定优先级
   • 企业在实施 AI 举措时，面临着确定具有明确优先级和可观回报的用例的困难。需要从众多潜在机会中选择最有价值的投资方向。
2. 投资决策
   • 包括如何在不同的 AI 项目和业务功能之间分配投资，以及如何平衡短期和长期的投资回报。

（三）组织变革挑战

1. 流程调整
   • 需要对现有的业务流程进行调整和重新设计，以适应 AI 技术的应用。这可能涉及到工作流程的改变、人员角色的重新定义等。
2. 文化适应
   • 员工可能对 AI 技术存在恐惧和抵制情绪，担心工作被取代。企业需要营造积极的文化氛围，让员工接受和适应 AI 带来的变革。

五、取得成功的策略

（一）AI 应用的策略

1. 聚焦核心业务
   • 企业应将 AI 应用重点放在核心业务流程上，通过重塑核心业务流程和创造新的收入流来实现价值最大化。
2. 选择高优先级机会
   • 投资于少数高优先级的机会，而不是分散资源。领导者通常会专注于最有前景的项目，并期望获得更高的投资回报率。

（二）能力建设的策略

1. 人员和流程能力
   • 按照 70% 的资源投入人员和流程、20% 投入技术、10% 投入算法的比例进行能力建设。注重培养员工的 AI 技能和素养，加强变革管理、产品开发技能和工作流程能力。
2. 技术和数据能力
   • 提升数据管理能力，确保数据的质量和可用性。同时，建立可扩展和现代化的技术平台，以支持 AI 应用。

（三）实施治理的策略

1. 端到端转型关注
   • 实施治理应关注从规划到实施的整个过程，包括对人员和流程的重新设计，以及对新技术的采用和整合。
2. 责任和风险管控
   • 建立责任机制，确保 AI 的应用符合道德和法律规范，管理 AI 应用带来的业务风险。

六、案例分析

（一）全球金融机构

1. 背景与挑战
   • 该机构的数据治理能力受限，只有 10% 的数据受到治理，且可扩展性受到手动流程的限制。
2. 解决方案与成效
   • 应用生成式 AI 自动化和优化数据管理流程，分三个阶段实施。目前在特定活动中实现了 40% – 70% 的生产力提升，在端到端数据治理控制下的入职数据实现了 20% – 25% 的净生产力提升，加速了数据治理的进程。

（二）欧洲汽车制造商

1. 背景与挑战
   • 面临亚洲竞争对手的激烈竞争，市场投放时间缩短，需要通过 AI 重塑研发功能。
2. 解决方案与成效
   • 确定了 11 项高影响的变革，如高保真模拟、AI 生成初始设计等。目前已经将从创意到生产的时间缩短了 30%（相当于一年），新产品工业化的成本降低了 1.5% – 2%。

七、结论

（一）主要发现总结

1. AI 价值创造不均衡，只有少数公司成为领导者并创造了显著价值。
2. AI 的价值主要来自核心业务流程，但支持功能也有贡献，且不同行业价值来源有所差异。
3. 企业在应用 AI 时面临能力构建、战略决策和组织变革等多方面的挑战。
4. 取得成功需要在 AI 应用策略、能力建设策略和实施治理策略等方面采取正确的方法。

（二）对企业的建议

1. 企业应进行 AI 成熟度评估，了解自身起点，明确差距。
2. 制定大胆的战略承诺，并持续投入资源。
3. 注重人员和流程能力建设，培养员工的 AI 素养。
4. 谨慎选择 AI 应用项目，关注核心业务流程和高优先级机会。
5. 建立有效的实施治理机制，确保 AI 应用的责任和风险可控。

（三）未来展望

随着 AI 技术的不断成熟和应用的增加，企业需要加快步伐，积极应对挑战，充分挖掘 AI 的价值，以在竞争日益激烈的市场中取得优势。未来，AI 可能会在更多行业和业务领域带来深刻的变革，企业应保持敏锐的洞察力，不断调整和优化自身的 AI 战略。