以下是文章主要內容:
雖然人工智慧在企業中的總體普及度仍然偏低(在我們上次研究中大約是20%), 但高管們知道人工智慧並不只是炒作. 各個行業的組織都在密切關注這項技術, 看看它對他們的業務能起到什麼作用. 它們也應該這麼做, 據我們估計, 今天分析技術所創造的潛在價值有40%來自於被稱作 '深度學習' (利用多層人工神經網路)的人工智慧技術. 總的來說, 我們估計深度學習一年可產生的價值在3.5萬億到5.8萬億美元之間.
然而, 許多商業領袖仍然不確定他們應該在哪裡應用人工智慧才能獲得最大的回報. 畢竟, 將人工智慧嵌入整個業務需要在人才招募和技術堆棧的升級上進行巨額的投資, 也需要採取徹底的變革舉措, 以確保人工智慧能夠帶來實質性的價值, 無論是幫助作出更好的決策, 還是改善面向消費者的應用程序.
通過對橫跨19個行業和9個業務職能的400多個人工智慧實際用例的深入研究, 我們發現用一句古老的格言來回答該在哪裡部署人工智慧的問題最合適不過, 它就是: '跟著錢走' .
傳統上給公司帶來最大價值的業務領域, 往往是人工智慧能夠產生最大影響的領域. 例如, 在零售組織中, 營銷和銷售往往會帶來巨大的價值. 我們的研究表明, 僅在客戶數據上利用人工智慧來進行個性化促銷, 實體零售商的增量銷售額就會增加1-2%. 相比之下, 在高端製造業中, 運營往往能帶來最大的價值. 在這裡, 人工智慧可以根據需求的潛在因果驅動因素而不是先前的結果進行預測, 從而將預測精度提高10-20%. 這意味著庫存成本可能減少5%, 收入可能增加2-3%.
雖然人工智慧的應用涵蓋了各種各樣的職能領域, 但實際上, 在這兩個交叉領域——供應鏈管理/製造以及營銷與銷售——我們認為人工智慧能夠在幾個行業發揮出最大的威力, 至少目前來看是這樣. 綜合起來, 我們估計這些用例占整個人工智慧機會的三分之二以上.
人工智慧可以在全球企業的營銷和銷售中創造1.4- 2.6萬億美元的價值, 可以在供應鏈管理和製造中創造1.2- 2萬億美元的價值(部分價值歸企業所有, 部分價值歸客戶所有). 在製造業中, 來自人工智慧的最大價值源自於使用它來進行預測性維護(在全球的企業中創造大約0.5- 0.7萬億美元). 人工智慧能夠處理包括音頻和視頻在內的大量數據, 意味著它可以快速識別異常狀況來防止出現故障, 無論是飛機發動機發出的奇怪聲音, 還是感測器檢測到的裝配線故障.
企業領導者判斷該在哪裡部署人工智慧的另一種途徑是, 看看那些已經在利用傳統分析技術的職能部門. 我們發現, 在讓人工智慧能夠創造出最大潛在價值的用例中, 神經網路技術可以比現有的分析技術表現得更好, 或者產生額外的洞見和應用. 在我們的研究中, 69%的人工智慧用例都是如此.
在只有16%的用例中, 我們發現了適用於其他分析技術沒有效果的地方的 'greenfield' 人工智慧解決方案. (隨著演算法變得更加通用, 它們變得可行所需的各種數據變得更容易獲得, 深度學慣用例的數量可能會增加快速, 而 'greenfield' 深度學慣用例的佔比則可能不會顯著提升, 因為更加成熟的機器學習技術也有潛力變得更好, 更普遍. )
即便我們看到人工智慧技術的使用具有經濟潛力, 我們也認識到人工智慧實施的切實障礙和局限性. 獲取足夠大和足夠全面的數據集, 以滿足深度學習對訓練數據的巨大胃口, 是一個重大挑戰. 人們對此類數據的使用方式也日益感到擔憂, 因此這同樣是企業需要應對的挑戰, 安全性, 隱私以及將人類的偏見傳遞給人工智慧演算法的可能性等問題都需要得到解決. 在醫療和保險等一些行業, 企業還必須設法用簡單的語言給監管結構解釋清楚人工智慧得出的分析結果: 為什麼這台機器會得出這個答案?好消息是, 這些技術本身正在進步, 並開始解決其中的一些局限性.
除了這些局限性之外, 企業在採用人工智慧時還可能在組織機構上面臨更為棘手的挑戰. 掌握技術需要新的專業知識水平, 而流程則可能會成為技術被成功採用的主要障礙. 企業將不得不開發出穩健的數據維護和治理流程, 並專註於 '第一公裡' ——如何獲取和組織數據和努力——以及更困難的 '最後一公裡' , 即如何將人工智慧模型的輸出整合到整個工作流程, 從臨床試驗經理和銷售經理到採購人員.
儘管企業在部署人工智慧時必須保持警惕和負責, 但鑒於該技術的規模以及其對企業, 消費者和社會的有益影響, 它非常值得去深入研究. 這種追求並不簡單, 但可以先從遵循一個簡單的概念做起: 跟著錢走.