调查内容和分析由以下人员完成：麦肯锡全球研究院合伙人、麦肯锡湾区办公室合伙人 Michael Chui（Lareina Yee 是该办公室的高级合伙人）；华盛顿特区办公室副合伙人 Bryce Hall；高级合伙人 Alex Singla 和 Alexander Sukharevsky（麦肯锡人工智能 QuantumBlack 的全球负责人，分别常驻芝加哥和伦敦办公室）。
麦肯锡关于人工智能现状的最新年度全球调查证实了生成式人工智能（gen AI）工具的爆炸式增长。在许多此类工具问世不到一年的时间里，三分之一的受访者表示，他们的组织正在至少一项业务职能中定期使用生成式 AI。在最近的进展中，人工智能已从技术员工的话题上升为公司领导者的焦点：近四分之一的受访高管表示，他们个人正在使用 gen AI 工具开展工作，超过四分之一的使用 AI 的公司受访者表示，gen AI 已列入其董事会的议程。此外，40% 的受访者表示，由于人工智能技术的进步，其组织将增加对人工智能的整体投资。调查结果表明，管理与人工智能相关的风险仍处于早期阶段，不到一半的受访者表示，他们的组织正在降低他们认为最相关的风险：不准确性。
已经嵌入 AI 能力的组织率先探索了人工智能的潜力，而那些从更传统的人工智能能力中看到最大价值的组织 -- 我们称之为人工智能高绩效组织 -- 在采用人工智能工具方面已经超过了其他组织。
受访者预计 AI 将对业务产生重大影响，其员工队伍将发生重大变化。他们预计会在某些领域裁员，并进行大规模的技能再培训，以应对不断变化的人才需求。然而，虽然 gen AI 的使用可能会刺激其他 AI 工具的采用，但我们发现企业对这些技术的采用并没有显著增加。自 2022 年以来，采用任何人工智能工具的企业比例一直保持稳定，而且采用范围仍然集中在少数业务职能部门。
2023 年 4 月中旬的实地调查结果显示，尽管人工智能技术刚刚公开可用，但使用这些工具进行实验的情况已经比较普遍，受访者预计新的能力将改变他们所在的行业。新一代 AI 引起了企业界人士的兴趣：不同地区、不同行业和不同资历的个人都在工作和工作之外使用新一代人工智能。79% 的受访者表示，他们在工作中或工作之外至少接触过一些人工智能，22% 的受访者表示，他们在自己的工作中经常使用人工智能。虽然不同资历的受访者所报告的使用情况大同小异，但在技术行业和北美地区工作的受访者中使用率最高。
组织机构现在也在普遍使用生成式 AI。三分之一的受访者表示，他们的组织已经在至少一项职能中定期使用生成式 AI，这意味着 60% 报告采用人工智能的组织正在使用 gen AI。此外，在报告采用人工智能的企业中，40% 的受访者表示，得益于 gen AI，他们的公司预计将在人工智能领域进行更多投资，28% 的受访者表示，gen AI 的使用已列入董事会议程。据报道，最常使用这些较新工具的业务职能与最常使用人工智能的业务职能相同：营销和销售、产品和服务开发以及服务运营，如客户服务和后台支持。这表明，企业正在追求这些新工具的最大价值。在我们之前的中，这三个领域与软件工程一起，占了生成式人工智能用例提供的年度总价值约 75% 的潜力。
在这些早期阶段，人们对人工智能的影响抱有很高的期望：四分之三的受访者预计人工智能将在未来三年内对其所在行业的竞争性质造成重大或颠覆性的改变。在技术和金融服务行业工作的受访者最有可能期待人工智能带来颠覆性变化。我们之前的研究表明，虽然所有行业都有可能受到一定程度的颠覆，但影响程度可能会有所不同。对知识工作依赖程度最高的行业可能会受到更多的颠覆，而且可能会收获更多的价值。根据我们的估计，科技公司将受到 gen AI 的最大影响，其增加的价值相当于全球行业收入的 9%，但以知识为基础的行业，如银行业（高达 5%）、制药和医疗产品业（也高达 5%）和教育业（高达 4%）也可能受到重大影响。相比之下，以制造业为基础的行业，如航空航天、汽车和先进电子产品，可能受到的破坏性影响较小。这与前几次对制造业影响最大的技术浪潮形成鲜明对比，其原因在于 gen AI 在基于语言的活动方面具有优势，而不是那些需要体力劳动的活动。
围绕生成式人工智能的讨论发展之快令人惊叹。就在几个月前，高管之间的对话还很初级，主要是试图了解它是什么，看看哪些是炒作，哪些是现实。而现在，在短短六个月左右的时间里，企业领导者们正在进行更为复杂的对话。从调查结果中我们可以看到，近三分之一的公司正在至少一项业务职能中使用生成式人工智能。这凸显了企业对生成式人工智能在业务中可行性的理解和接受程度。
接下来的问题是，企业将如何迈出下一步，以及生成式人工智能是否会遵循我们观察到的更普遍的人工智能模式，即采用率稳定在 50% 左右。我们从数据中看到，在已经使用人工智能的公司中，有将近一半的公司正计划增加对人工智能的投资，部分原因是他们认识到，要充分利用人工智能，需要更广泛的能力。
要想迈出下一步，使人工智能从实验转变为业务引擎，并确保获得丰厚的投资回报，企业就必须解决一系列广泛的问题。这些问题包括：确定组织内生成式人工智能的具体机遇、治理和运营模式应该是什么、如何最好地管理第三方（如云和大型语言模型提供商）、管理各种风险需要什么、了解对人员和技术堆栈的影响，以及清楚如何在银行近期收益和发展规模所需的长期基础之间找到平衡。这些都是复杂的问题，但却是释放真正巨大价值的关键所在。
调查显示，似乎很少有公司为人工智能技术的广泛应用或这些工具可能带来的商业风险做好了充分准备。在报告采用人工智能的受访者中，只有 21% 的人表示他们的组织已经制定了政策，管理员工在工作中使用人工智能技术。当我们特别问及采用人工智能的风险时，很少有受访者表示他们的公司正在降低最常被提及的人工智能风险：不准确性。受访者提到不准确的频率比网络安全和监管合规的频率都高，而在以前的调查中，网络安全和监管合规是人工智能最常见的风险。只有 32% 的受访者表示他们正在降低不准确性，这一比例低于正在降低网络安全风险的 38% 的受访者。有趣的是，这一数字明显低于去年报告减轻人工智能相关网络安全风险的受访者比例（51%）。总体而言，与我们前几年看到的情况一样，大多数受访者表示他们的组织没有应对与人工智能相关的风险。
人们普遍意识到了与生成式人工智能相关的风险。但与此同时，普遍存在的焦虑和恐惧却使领导者在有效应对风险方面面临挑战。我们的最新调查显示，仅有 20% 多一点的公司制定了针对生成式人工智能的风险政策。这些政策往往侧重于保护公司的专有信息，如数据、知识和其他知识产权。这些都是至关重要的，但我们也发现，许多风险都可以通过改变企业的技术架构来解决，这反映了既定的政策。
然而，真正的陷阱在于企业对风险的认识过于狭隘。企业还需要关注社会、人道主义、可持续发展等一系列重大风险。事实上，生成式人工智能的意外后果比某些人鼓吹的末日场景更有可能给世界带来问题。那些以最具建设性的方式对待人工智能的公司正在尝试和使用人工智能，同时制定了一套结构化流程来识别和应对这些更广泛的风险。它们正在设立测试用户和特定团队，负责思考生成式人工智能应用如何可能出错，以便更好地预测其中的一些后果。他们还与企业中最优秀、最有创造力的人员合作，为企业和整个社会确定最佳结果。深思熟虑、有条不紊、全面地了解新出现的风险和机遇的性质，对于负责任地、富有成效地发展生成式人工智能至关重要。
调查结果显示，人工智能高效企业 -- 即受访者称 2022 年息税前利润至少有 20% 归功于人工智能应用的企业 -- 正在全力投入人工智能，既有生成式 AI，也有更传统的人工智能。这些从人工智能中获得巨大价值的企业已经在比其他企业更多的业务职能中使用了 gen AI，尤其是在产品和服务开发以及风险和供应链管理方面。从所有人工智能能力（包括更传统的机器学习能力、机器人流程自动化和聊天机器人）来看，人工智能高效企业也比其他企业更有可能在产品和服务开发中使用人工智能，例如优化产品开发周期、为现有产品增加新功能以及创造基于人工智能的新产品。与其他组织相比，这些组织还更多地将人工智能应用于风险建模以及人力资源领域，如绩效管理、组织设计和劳动力部署优化。
他们与同行的另一个不同点是：高效者的人工智能工作不太以降低成本为导向，而降低成本是其他组织的首要任务。人工智能高效企业的受访者表示，他们企业的人工智能首要目标是创造全新的业务或收入来源的可能性是其他企业的两倍，而且他们最有可能提到的是通过基于人工智能的新功能提高现有产品的价值。
正如我们在前几年所看到的，这些高效组织在人工智能方面的投入远高于其他组织：AI 高效组织的受访者表示，他们将 20% 以上的数字预算用于人工智能的可能性是其他组织的五倍多。此外，他们还在整个组织中更广泛地使用 AI。AI 高效企业的受访者比其他企业更有可能表示，他们的组织已在四个或更多业务职能中采用了人工智能，并嵌入了更多的人工智能功能。例如，除了 gen AI 和相关的自然语言能力外，高效企业的受访者更常表示在至少一个产品或业务职能流程中嵌入了知识图谱。
虽然人工智能高效企业也难逃从人工智能中获取价值的挑战，但结果表明，他们所面临的困难反映了他们在人工智能方面的相对成熟度，而其他企业则在人工智能应用的基础性、战略性要素方面举步维艰。AI 高效企业的受访者最常指出的首要挑战是模型和工具，例如监控生产中的模型性能，以及随着时间的推移根据需要重新训练模型。相比之下，其他受访者则提到了战略问题，例如制定与业务价值相关联的、定义明确的人工智能愿景，或寻找足够的资源。
研究结果进一步证明，即使是 AI 高效企业也没有掌握采用人工智能的最佳实践，如机器学习运营（MLOps）方法，尽管他们比其他企业更有可能这样做。例如，只有 35% 的 AI 高效企业的受访者表示，在可能的情况下，他们的组织会组装现有组件，而不是重新发明，但这一比例远远高于其他组织 19% 的受访者。
要采用 gen AI 应用所能提供的一些更具变革性的用例，可能需要许多专门的 MLOps 技术和实践，而且要尽可能安全地做到这一点。实时模型运营就是这样一个领域，在这个领域中，监控系统和设置即时警报以快速解决问题，可以使人工智能系统处于受控状态。在这方面，表现优异的企业表现突出，但仍有发展空间：这些企业中有四分之一的受访者表示，他们的整个系统都受到监控并配备了即时警报，而其他受访者中只有 12%。
例如，在战略方面，我们分析得出的领导者正在规划人工智能在其业务领域中的高价值机会。值得注意的是，他们并非只针对生成式人工智能开展这项工作。尽管我们都对令人眼花缭乱的 gen AI 应用感到兴奋，但对公司来说，一半以上的潜在价值来自于不使用 gen AI 的人工智能应用。这些公司在根据潜在价值审视所有人工智能机会时都保持着严谨的态度。
这种方法适用于所有能力领域。例如，在技术和数据方面，表现出色的公司会专注于获取他们所确定的价值所需的能力。这包括使大型语言模型能够在公司和行业特定数据上进行训练的能力。他们正在评估和测试通过使用现有人工智能服务所实现的效率和速度（我们称之为“获取者”方法），并开发创造竞争优势的能力，例如通过调整模型和训练它们使用自己的专有数据（我们称之为“塑造者”方法）。
我们最新的调查结果显示，企业为支持其人工智能雄心而招聘的职位发生了变化。在过去一年中，使用人工智能的企业最常聘用的是数据工程师、机器学习工程师和 Al 数据科学家 -- 所有这些职位都是受访者在上次调查中报告的常见职位。但是，与上一次调查相。
