隨著生成式 AI 的採用加速，調查受訪者報告顯示，已能衡量的效益不斷增加，且對不準確性的風險緩解能力有所提升。一小部分高效能的領先者正在引領潮流。
如果說 2023 年是全球認識生成式 AI（Gen AI）的一年，那麼 2024 年則是各組織真正開始使用這項新技術並從中獲得商業價值的一年。根據最新的麥肯錫全球 AI 調查，65% 的受訪者表示，他們的組織已經在經常使用生成式 AI，這一比例幾乎是十個月前調查結果的兩倍。受訪者對生成式 AI 影響的預期依然與去年一樣樂觀，四分之三的人認為，生成式 AI 在未來幾年內將為其行業帶來重大或顛覆性的變革。
各組織已經從生成式 AI 的應用中看到實質效益，報告顯示，部署該技術的業務部門實現了成本下降和收入增長。調查還揭示了生成式 AI 所帶來的各類風險，最引人注目的是不準確性，同時也展示了高效能組織為緩解這些挑戰並實現價值所採取的新興實踐。
AI 採用率激增
對生成式 AI 的關注也帶動了對更廣泛 AI 能力的興趣。在過去六年中，受訪組織的 AI 採用率一直維持在約 50%。今年，調查發現採用率已躍升至 72%（見圖表 1）。這種興趣的確具有全球性。2023 年的調查顯示，沒有任何地區的 AI 採用率達到 66%，但今年，幾乎所有地區中超過三分之二的受訪者表示，他們的組織正在使用 AI。
按行業來看，專業服務業的採用率增幅最大。
此外，調查結果顯示，企業現在在更多業務領域中應用 AI。半數受訪者表示，他們的組織已在兩個或更多業務功能中採用 AI，相較於 2023 年時不到三分之一的比例，有了顯著提升（見圖表 2）。
生成式 AI 的採用最常見於能創造最大價值的功能領域
大多數受訪者現在表示，他們的組織以及他們個人都在使用生成式 AI。65% 的受訪者表示，他們的組織在至少一個業務功能中經常使用生成式 AI，而去年這一比例僅為三分之一。平均而言，使用生成式 AI 的組織通常在兩個業務功能中採用該技術，最常見的是行銷與銷售以及產品與服務開發——這是先前研究指出生成式 AI 能夠創造最大價值的兩個領域3——以及資訊技術（見圖表 3）。相較於 2023 年，行銷與銷售領域的生成式 AI 採用率增幅最大，已超過一倍。然而，在所有功能領域中，只有兩個用例——都在行銷與銷售領域——獲得超過 15% 受訪者的回應。
生成式 AI 也開始進入受訪者的個人生活。與 2023 年相比，受訪者在工作中使用生成式 AI 的可能性大幅提高，甚至在工作和個人生活中同時使用生成式 AI 的可能性更大（見圖表 4）。調查顯示，各地區的生成式 AI 使用率都有所上升，其中亞太地區和大中華區的增幅最大。與中層管理者相比，高層管理者在工作中及工作以外使用生成式 AI 工具的增幅更大。在特定行業方面，從事能源與材料及專業服務的受訪者報告了生成式 AI 使用率的最大增長。
對生成式 AI 和分析型 AI 的投資開始創造價值
最新的調查還顯示了不同行業在生成式 AI 上的預算分配。回應顯示，在許多行業中，組織將數位預算的 5％ 以上投入生成式 AI 和非生成式分析型 AI 解決方案的可能性相當（見圖表 5）。然而，在大多數行業中，較大比例的受訪者表示他們的組織在分析型 AI 上的投入超過 20％，而非在生成式 AI 上。展望未來，大多數受訪者（67％）預計他們的組織在未來三年將加大對 AI 的投資。
這些投資在哪些方面獲得回報？在我們的最新調查中，首次探索了生成式 AI 在各業務功能中所創造的價值。受訪者報告顯示，成本降低最多的功能是人力資源。在供應鏈和庫存管理中，受訪者最常報告看到超過 5% 的顯著收入增長（見圖表 6）。對於分析型 AI，受訪者最常報告在服務運營中看到成本效益——這與我們去年發現的結果一致——以及在行銷和銷售中使用 AI 創造顯著的收入增長。
不準確性：生成式 AI 使用中最被認識和經歷的風險
隨著企業開始看到生成式 AI 帶來的好處，他們也開始認識到與這項技術相關的各種風險。這些風險可分為幾個範疇，包括數據管理風險，如數據隱私、偏見或知識產權（IP）侵權；模型管理風險，主要集中在不準確的輸出或缺乏可解釋性；以及第三大風險範疇——安全性和錯誤使用。
一些企業已經在使用生成式 AI 的過程中經歷了負面後果，44% 的受訪者表示他們的組織至少經歷過一次這樣的後果（如圖表 8 所示）。受訪者最常報告的風險是準確性問題，其次是網絡安全和可解釋性問題。
我們之前的研究發現，有幾個治理要素可以幫助負責任地擴展生成式 AI 的使用，但很少有受訪者報告他們的組織已經落實了這些風險管理實踐。例如，只有 18% 的受訪者表示他們的組織擁有一個具有負責 AI 治理決策權的企業級委員會或董事會，而只有三分之一的受訪者表示，生成式 AI 風險意識和風險減緩控制是技術人才必須具備的技能。
發揮生成式 AI 能力
最新的調查還試圖了解組織如何以及多快地部署這些新的生成式 AI 工具。我們發現了三種實施生成式 AI 解決方案的典型模式：採用者使用現成的、公開可用的解決方案；塑造者將這些工具與專有數據和系統進行自定義；創建者則從頭開始開發自己的基礎模型。根據調查結果，大多數行業的組織發現現成的工具適用於他們的業務需求，儘管許多組織正在尋求自定義模型或甚至開發自己的模型（圖 9）。大約一半的受訪者所報告的生成式 AI 用例是在其業務功能中使用現成的、公開可用的模型或工具，且幾乎沒有或完全沒有自定義。而能源與材料、科技以及媒體和電信行業的受訪者則更可能報告對現成的模型進行顯著的自定義或調整，甚至開發自己的專有模型來應對特定的業務需求。
受訪者最常報告說，從專案開始到將生成式 AI 投入生產，他們的組織通常需要一到四個月的時間，儘管這段時間會根據業務功能有所不同（見圖 10）。這也取決於獲得這些能力的方法。不出所料，報告中提到使用高度定制或專有模型的情況，比使用現成的公開模型的情況，實施所需時間更長，通常需要五個月或更長時間，這個比例是1.5倍。
生成式AI的高效能者即使面對挑戰，仍表現卓越。
生成式AI是新興技術，組織仍處於探索其機會並在各部門擴展的初期階段。因此，只有少數受訪者（876人中有46人）表示，組織的部分EBIT（稅息前利潤）可以歸因於他們部署生成式AI。儘管如此，這些生成式AI的領先者仍然值得仔細研究。畢竟，他們是先行者，已經將超過10%的EBIT歸因於生成式AI的使用。42%的這些高效能者表示，他們的非生成式分析AI的使用為其貢獻了超過20%的EBIT，並且他們來自不同的行業和地區——雖然大多數來自年營收少於10億美元的組織。這些組織的AI相關實踐可以為那些希望從生成式AI採用中創造價值的公司提供指導。
首先，生成式AI高效能者在更多的業務職能中使用生成式AI——他們平均在三個職能中使用，而其他組織平均為兩個。他們與其他組織一樣，最常在行銷和銷售以及產品或服務開發中使用生成式AI，但他們在風險、法律和合規性；策略和企業財務；以及供應鏈和庫存管理等方面使用生成式AI的機會要比其他組織更大。他們在使用生成式AI進行會計文件處理、風險評估、研發測試、定價和促銷等活動的可能性是其他組織的三倍多。儘管整體而言，大約一半的生成式AI應用都使用了公共可用的模型或工具，但生成式AI高效能者更傾向於實施顯著定制的工具或開發自己的專有基礎模型，而不是使用這些現成的選項。
這些高效能者還有哪些不同的做法？首先，他們更注重生成式AI相關風險。或許是因為他們在這方面的進展較大，他們比其他組織更有可能表示，組織經歷了生成式AI所帶來的所有負面後果，包括網絡安全、個人隱私、可解釋性和知識產權侵權等。基於此，他們更有可能表示，組織在使用生成式AI時會考慮這些風險，以及監管合規、環境影響和政治穩定性等問題，並且他們比其他組織採取更多措施來緩解這些風險。
生成式AI高效能者也更有可能表示，他們的組織遵循一套風險相關的最佳實踐（圖表11）。例如，他們比其他組織更有可能涉及法律職能並在生成式AI解決方案的開發過程中早期進行風險審查——也就是“左移”。他們還更有可能比其他組織採取更廣泛的最佳實踐，包括與策略相關的做法以及與擴展相關的做法。
.png)
除了經歷生成式AI採用的風險外，高效能者還遇到了其他挑戰，這些挑戰可以為其他企業提供警示（圖表12）。70%的高效能者表示，他們在數據方面遇到了困難，包括定義數據治理流程、開發能夠快速將數據整合到AI模型中的能力，以及訓練數據的不足，這凸顯了數據在捕捉價值中的關鍵作用。與其他組織相比，高效能者更有可能表示他們在運營模型方面遇到挑戰，例如實施敏捷工作方式和有效的衝刺績效管理。
關於這份調查報導
這項在線調查於2024年2月22日至3月5日進行，收到了來自1,363名參與者的回應，這些參與者來自不同的地區、行業、公司規模、功能專業和職位年資。在這些受訪者中，有981人表示他們的組織在至少一個業務功能中採用了AI，878人表示他們的組織在至少一個功能中定期使用生成式AI。為了調整回應率的差異，數據根據每個受訪者所屬國家對全球GDP的貢獻進行加權處理。
面對這些趨勢與挑戰，NAVI 為企業提供全方位 AI 解決方案，包括知識庫管理、客服機器人及影片深度分析等功能，支援多種 LLM 並可串接第三方系統，快速導入並實現 AI 的價值，助力企業在 AI 時代中脫穎而出！
