以下是文章主要内容:
虽然人工智能在企业中的总体普及度仍然偏低(在我们上次研究中大约是20%), 但高管们知道人工智能并不只是炒作. 各个行业的组织都在密切关注这项技术, 看看它对他们的业务能起到什么作用. 它们也应该这么做, 据我们估计, 今天分析技术所创造的潜在价值有40%来自于被称作 '深度学习' (利用多层人工神经网络)的人工智能技术. 总的来说, 我们估计深度学习一年可产生的价值在3.5万亿到5.8万亿美元之间.
然而, 许多商业领袖仍然不确定他们应该在哪里应用人工智能才能获得最大的回报. 毕竟, 将人工智能嵌入整个业务需要在人才招募和技术堆栈的升级上进行巨额的投资, 也需要采取彻底的变革举措, 以确保人工智能能够带来实质性的价值, 无论是帮助作出更好的决策, 还是改善面向消费者的应用程序.
通过对横跨19个行业和9个业务职能的400多个人工智能实际用例的深入研究, 我们发现用一句古老的格言来回答该在哪里部署人工智能的问题最合适不过, 它就是: '跟着钱走' .
传统上给公司带来最大价值的业务领域, 往往是人工智能能够产生最大影响的领域. 例如, 在零售组织中, 营销和销售往往会带来巨大的价值. 我们的研究表明, 仅在客户数据上利用人工智能来进行个性化促销, 实体零售商的增量销售额就会增加1-2%. 相比之下, 在高端制造业中, 运营往往能带来最大的价值. 在这里, 人工智能可以根据需求的潜在因果驱动因素而不是先前的结果进行预测, 从而将预测精度提高10-20%. 这意味着库存成本可能减少5%, 收入可能增加2-3%.
虽然人工智能的应用涵盖了各种各样的职能领域, 但实际上, 在这两个交叉领域——供应链管理/制造以及营销与销售——我们认为人工智能能够在几个行业发挥出最大的威力, 至少目前来看是这样. 综合起来, 我们估计这些用例占整个人工智能机会的三分之二以上.
人工智能可以在全球企业的营销和销售中创造1.4- 2.6万亿美元的价值, 可以在供应链管理和制造中创造1.2- 2万亿美元的价值(部分价值归企业所有, 部分价值归客户所有). 在制造业中, 来自人工智能的最大价值源自于使用它来进行预测性维护(在全球的企业中创造大约0.5- 0.7万亿美元). 人工智能能够处理包括音频和视频在内的大量数据, 意味着它可以快速识别异常状况来防止出现故障, 无论是飞机发动机发出的奇怪声音, 还是传感器检测到的装配线故障.
企业领导者判断该在哪里部署人工智能的另一种途径是, 看看那些已经在利用传统分析技术的职能部门. 我们发现, 在让人工智能能够创造出最大潜在价值的用例中, 神经网络技术可以比现有的分析技术表现得更好, 或者产生额外的洞见和应用. 在我们的研究中, 69%的人工智能用例都是如此.
在只有16%的用例中, 我们发现了适用于其他分析技术没有效果的地方的 'greenfield' 人工智能解决方案. (随着算法变得更加通用, 它们变得可行所需的各种数据变得更容易获得, 深度学习用例的数量可能会增加快速, 而 'greenfield' 深度学习用例的占比则可能不会显著提升, 因为更加成熟的机器学习技术也有潜力变得更好, 更普遍. )
即便我们看到人工智能技术的使用具有经济潜力, 我们也认识到人工智能实施的切实障碍和局限性. 获取足够大和足够全面的数据集, 以满足深度学习对训练数据的巨大胃口, 是一个重大挑战. 人们对此类数据的使用方式也日益感到担忧, 因此这同样是企业需要应对的挑战, 安全性, 隐私以及将人类的偏见传递给人工智能算法的可能性等问题都需要得到解决. 在医疗和保险等一些行业, 企业还必须设法用简单的语言给监管结构解释清楚人工智能得出的分析结果: 为什么这台机器会得出这个答案?好消息是, 这些技术本身正在进步, 并开始解决其中的一些局限性.
除了这些局限性之外, 企业在采用人工智能时还可能在组织机构上面临更为棘手的挑战. 掌握技术需要新的专业知识水平, 而流程则可能会成为技术被成功采用的主要障碍. 企业将不得不开发出稳健的数据维护和治理流程, 并专注于 '第一公里' ——如何获取和组织数据和努力——以及更困难的 '最后一公里' , 即如何将人工智能模型的输出集成到整个工作流程, 从临床试验经理和销售经理到采购人员.
尽管企业在部署人工智能时必须保持警惕和负责, 但鉴于该技术的规模以及其对企业, 消费者和社会的有益影响, 它非常值得去深入研究. 这种追求并不简单, 但可以先从遵循一个简单的概念做起: 跟着钱走.