一年花费300亿美金 风投豪执重金砸向人工智能

本篇文章7383字，读完约18分钟

[每年在人工智能上花费300亿美元]2016年，包括百度和谷歌在内的科技巨头在人工智能上花费了200亿至300亿美元，其中90%用于R&D和部署，10%用于人工智能的收购。目前，自2013年以来，人工智能的投资率是外部投资的三倍。

麦肯锡全球研究所发表了一篇总结调查结果的文章，题为“人工智能如何为公司提供真正的价值。”麦肯锡采访了3000多名使用人工智能技术的高级管理人员，并考察了在他们公司进一步部署人工智能的前景，以及人工智能对市场、政府和个人的影响。

调查结果的要点包括:

2016年，百度(Baidu)和谷歌(Google)等科技巨头在人工智能上花费了200亿至300亿美元，其中90%用于R&D和部署，10%用于人工智能收购。

目前，自2013年以来，人工智能的投资率是外部投资的三倍。麦肯锡发现，有意识地采用人工智能技术的公司中，有20%是早期采用者，专注于高科技/电信、汽车/装配和金融服务行业。下图显示了研究团队在分析过程中发现的趋势。

人工智能正在成为世界领先技术公司之间的专利和知识产权(ip)竞争。

麦肯锡发现，风险投资(vc)、私募股权投资(pe)和其他外部基金仅占总投资的一小部分(9%)。在所有公共数据类别中，M&A在2013年至2016年间增长最快(85%)。该报告列举了许多内部开发案例，包括亚马逊在机器人(300024，诊断单元)和语音识别方面的投资，以及salesforce在虚拟代理和机器学习方面的案例。宝马、特斯拉和丰田为其无人驾驶汽车项目投资了机器人和机器学习。丰田计划投资10亿美元建立一个新的研究所，专门研究机器人和无人驾驶汽车的人工智能技术。

麦肯锡估计，2016年，人工智能的年度外部投资总额将在80亿至120亿英镑之间，而机器学习吸引了近60%的投资。

机器人和语音识别是两个最受欢迎的投资领域。投资者最喜欢机器学习创业公司，因为基于代码的创业公司可以快速扩展新功能。基于软件的机器学习初创公司比基于机器的高成本机器人公司更受欢迎。由于这些因素和其他原因，M&A在这一领域有了长足的发展。从2013年到2016年，复合年增长率(cagr)达到80%左右。下图显示了对外投资的类别分布。

高科技、电信和金融服务是机器学习和人工智能技术的早期采用者。这些行业以愿意投资新技术以获得竞争力和高效的内部流程而闻名。许多初创公司已经开始关注这个领域。mgi数字化指数是欧洲和美国国内生产总值的加权平均值。麦肯锡还创建了一个人工智能综合指数，显示在下面的第一栏，它比较了人工智能能够贡献的关键绩效指标，包括资产、用途和劳动力。下图按行业和资产、用途和劳动力类别显示了人工智能的相对采用水平。

麦肯锡预测，未来三年，高科技、通信和金融服务将成为采用人工智能的主导产业。这三个行业的专利和知识产权之间的竞争已经加剧。随着时间的推移，目前领先技术公司的设备、产品和服务的发展道路将展示其R&D实验室今天的创新水平。例如，在金融服务领域，由人工智能优化的欺诈检测系统的准确性和速度带来了明显的好处，预计2020年市场规模将达到30亿英镑。下图总结了当今领先的ai+行业，以及它们中的哪一个打算在未来三年进行最大投资。

采用人工智能技术后，医疗、金融和专业服务的利润增长最快。麦肯锡发现，受益于高级管理人员支持的人工智能的公司已经投资基础设施以支持其规模，并有明确的业务目标将利润率提高3%至15%。在接受调查的3000多名商界领袖中，大多数人预计明年的利润率将增长5%。

亚马逊以7.75亿美元收购kiva令人印象深刻。Kiva是一家机器人公司，它的机器人产品可以自动挑选和包装。人力运输的时间是60到75分钟，而kiva下降到15分钟，库存增加了50%。运营成本估计下降了20%，投资回报接近40%。

网飞使用算法为全世界1亿用户个性化推荐，结果令人惊讶。网飞发现，顾客平均花90秒钟搜索一部电影，如果找不到，他们就会放弃。网飞估计取消订阅可能每年减少10亿美元的收入，但网飞可以通过提供更好的搜索结果来避免这一损失。

人工智能将引发下一波数字颠覆，企业应该为此做好准备。我们已经看到，一些在早期采用人工智能技术的公司已经获得了真正的利益，这使得其他公司比以往任何时候都更迫切地加速数字转型。麦肯锡的研究报告集中在以下五个人工智能技术系统:机器人和自动车辆、计算机视觉、语言、虚拟代理和机器学习，包括深度学习和其他人工智能技术。

人工智能投资增长迅速，主要领导者是一些数字巨头，如谷歌和百度。麦肯锡估计，2016年，全球科技巨头将在人工智能领域投资约200亿至300亿美元，其中90%将用于R&D和部署，10%用于人工智能并购。风险投资和私募股权投资、投资捐赠和种子投资也在迅速增长，从很小的基础发展到总规模60亿至90亿美元。机器学习作为一种支持基础，在内部和外部投资中占有最大份额。

技术公司之外的人工智能应用还处于早期阶段，大多数都是实验性的。很少有企业大规模部署人工智能。麦肯锡对3000多名高级管理人员的调查显示，在10个国家的14个行业中，只有20%的受访者表示，企业目前正在大规模部署人工智能，或者在核心业务中使用人工智能相关技术。许多公司表示，他们不确定人工智能的商业案例或投资回报。对160个用例的审查表明，只有13%的用例商业部署了ai。

这些模型表明早期人工智能技术公司和其他公司之间的差距正在扩大。在麦肯锡的工业数字指标中，排名最高的是人工智能的主要采用者，如高科技产业、电信和金融服务。这些行业也有最积极的人工智能投资意向。其中，领导者对人工智能的采用是广泛而深入的:各种技术被用于各种功能，并部署在核心业务中。例如，汽车制造商使用人工智能技术开发自动驾驶汽车并改善运营，而金融服务公司更倾向于在与客户体验相关的业务中使用人工智能技术。

早期的证据表明，人工智能可以为大量采用它的人提供真正的价值，而且它有强大的破坏力。在麦肯锡的调查中，早期人工智能采用者将强大的数字能力与前瞻性战略相结合，实现了更高的利润率，并在未来扩大了与其他公司的业绩差距。该报告在零售、电力公司、制造、医疗保健和教育领域的案例突出了人工智能在改善预测和渠道、优化和自动化运营、开发有针对性的营销和定价以及改善用户体验方面的潜力。

人工智能依赖于数字基础，通常必须使用独特的数据进行培训，这意味着企业不能走捷径。企业不能推迟他们的数字化进程，包括人工智能。早期采用者已经在创造竞争优势，他们和落后者之间的差距将会越来越大。一个成功的项目需要企业解决数字化和分析转换的许多要素:理解业务案例，建立正确的数据生态系统，构建或购买合适的人工智能工具，以及适应工作流、能力和文化。麦肯锡的调查显示，高层领导、管理和技术能力以及无缝访问数据的能力是关键驱动因素。

艾承诺会带来好处，但也给企业、开发商、政府和员工带来了紧迫的挑战。劳动力需要学习新技能，使用人工智能，而不是与人工智能竞争；认真考虑将本地建设成为全球人工智能发展中心的城市和国家需要加入全球竞争，以吸引人工智能人才和投资；道德、法律和监管方面的挑战也需要取得进展，否则可能会阻碍人工智能的发展。

关于人工智能的前景和危险有很多争论，而且越来越多。人工智能允许机器表现出与人类相似的认知能力，可以驾驶汽车和窃取隐私；它不仅能提高企业的生产率，还能增强企业的调查能力。人工智能可以将工人从重复或危险的劳动中解放出来，也可能影响他们的生活。与2015年相比，关于人工智能的文章在2016年翻了一番，在2014年翻了两番。人们对人工智能有很高的期望。艾早就出现了，它的历史与繁荣和萧条紧密相连。它充满了充满活力的夸张承诺和令人沮丧的失败。这次会议和上次会议有什么不同吗？分析师给出的答案是肯定的:人工智能终于开始带来真正的商业利益。

能够取得突破的要素已经到位。计算能力显著提高，算法更加成熟。或许最重要的一点是，整个世界不断产生大量的能量来推动人工智能的发展，这就是数据。如今，世界上每天产生数百万千兆字节。数字领域的公司，如在线公司和数字本土公司，如谷歌和百度，正在向人工智能投入大量资金。我们预计他们在人工智能方面的投资在2016年将在200亿到300亿美元之间，包括一些重大的并购。私人投资者也纷纷涌入。麦肯锡预测，2016年，对人工智能的风险资本投资将在40亿至50亿美元之间，私人股本投资公司的投资额将在10亿至30亿美元之间。这些投资是2013年的三倍多。此外，2016年，政府补贴和种子资金投入将达到10亿美元左右。

然而，现在大部分新闻都是关于人工智能技术提供商的。许多新用户仍处于实验阶段。市场上几乎没有能立即被采用并受到广泛欢迎的产品，而且似乎也不可能很快出现。因此，分析师们对人工智能的发展潜力仍有分歧:一些人对人工智能的潜力形成了乐观的共识，而另一些人则对人工智能能带来的实际经济效益持谨慎态度。当前的市场预测存在巨大差异。以2025年为时间点，低增长预测为6.44亿美元，高增长预测为1260亿美元。鉴于对人工智能的大规模投资，低预测可能显示这样一个信号，即我们将迎来下一个繁荣和萧条交替的时期。根据麦肯锡在人工智能业务方面的经验，这种泡沫不太可能出现。

为了提供更具启发性的视角，他们决定研究用户如何采用人工智能技术。麦肯锡的研究为快速发展的人工智能行业提供了一个快照。通过镜头，我们可以看到供应商和用户的实际情况，然后总结出一个关于人工智能潜力的更可信的观点。首先，研究投资环境，包括在R&D的内部投资和配置、大型企业的并购、风险投资和私募股权公司的融资。然后，看看需求方面，结合用例分析和对3000多家公司的C级经理的调查，了解公司如何使用人工智能技术，是什么促使他们采用人工智能，部署过程中有哪些障碍，以及人工智能对市场、金融和机构的影响。

人工智能通常指的是机器显示与人类相同智能的能力，例如，它们可以不用包含各种细节的手写编码程序来处理问题。目前，对人工智能技术进行分类的方法有很多，但是很难有一个互斥且详尽的列表，因为人们经常混合和匹配多种技术来创建解决单个问题的方案。这种创造方法有时被认为是一种独立的技术，有时是其他技术的附属，有时成为一种应用。有一些框架将人工智能技术分为基本功能，如文本、语音和图像识别；其他的则通过商业应用程序来区分，例如商业或网络安全。

试图更准确地定义这个术语有几个原因:人工智能涵盖了广泛的技术和应用，其中一些只是早期技术的扩展，而另一些则是全新的。此外，当人们习惯于以前的进展时，就没有普遍接受的“智能”理论和机器“智能”的定义。

计算机科学家拉里·特斯勒的定理断言“人工智能尚未完成。”我们在本文中谈论的人工智能技术是所谓的“狭义”人工智能，它执行一个狭义的任务，而它的对立面是一般人工智能或agi，它的目的是执行任何人类可以做的智能任务。我们关注狭义的人工智能，因为它有短期的商业潜力，而agi还没有到来。

在这份报告中，我们关注一系列人工智能技术系统来解决业务问题。我们把它们分成五个技术系统，这是人工智能发展的关键领域:机器人和自动车辆、计算机视觉、语言、虚拟代理和机器学习。有些与外界的信息处理有关，如计算机视觉和语言(包括自然语言处理、文本分析、语音识别和语义技术)；有些是关于从信息中学习，比如机器学习；其他则与信息本身有关，如机器人、自动驾驶汽车和虚拟代理。机器学习和一个叫做深度学习的子领域是人工智能应用中许多最新发展的核心，并在人工智能领域吸引了大量的关注和大量的资金投入。2016年，它占了所有投资的近60%。

作为一种想法，人工智能在电子数字计算机诞生后不久首次出现。和数字技术一样，人工智能也经历了跌宕起伏，只有一个例外——人工智能没有经历过大规模的商业部署。

这可能正在改变。由人工智能驱动的机器今天可以执行许多任务，例如识别复杂的模式、综合信息、得出结论和做出预测，这些在不久前还被认为需要人类的认知参与。

此外，人工智能的能力也有了很大的扩展，因此它在越来越多的领域得到了应用。同时，值得记住的是，机器学习有局限性。例如，由于系统是针对特定数据集进行培训的，因此容易受到偏见的影响；为了避免这种情况，用户必须确保他们接受过全面的数据集培训。总的来说，我们看到了很大的进步。

自2000年以来，这些进步使得机器学习得以扩展，并被用来促进深度学习算法等的发展。通过大量不同的数据集，不断增加的算法可以在数据海洋中找到模式，而不断增加的R&D融资和强大的图形处理单元不断提高数学计算能力的新水平。

Gpu是最初为视频游戏开发的专用集成电路，处理图像的速度比2013年最快的版本快40到80倍。随着图形处理器速度的提高，深度学习系统的训练速度在过去的两年中每年增加5到6倍。

更多数据:这个世界每天产生大约2.2 e字节，即22亿gb，这意味着更多的洞察力和更高的准确性，因为它可以将算法暴露给更多的情况，用于识别正确答案和拒绝错误答案。由这些数据源支持的机器学习系统已经降低了某些应用中的计算机错误率，例如图像识别，它已经下降到与人类大致相同的错误率。

科技巨头和亚马逊、苹果、百度和谷歌等本土数字公司正大举投资这些统称为人工智能的技术，总投资超过数十亿美元。他们相信，这些投资将使人工智能最终达到预期，因为强大的计算机硬件、日益复杂的算法模型以及庞大且快速增长的数据库存已经到位。事实上，其中大公司内部投资占主导地位:预计2016年这一数字将达到180亿至270亿美元；外部投资(来自风险资本、私人公司、并购、赠款和种子基金)约为80亿至120亿美元。

然而，对于所有最近的投资，人工智能部署的范围是有限的。这部分是因为这些投资的很大一部分是内部研发；d研究在很大程度上侧重于提高公司自身的绩效。然而，同样真实的是，对人工智能应用的商业需求只能被视为不温不火，这部分是由于数字化和分析导致的经济改革步伐缓慢。麦肯锡调查了3000多个商业项目，发现许多公司的领导人不知道人工智能能为他们做什么，从哪里获得人工智能驱动的应用，大多数人不知道如何将人工智能技术融入公司，以及如何评估人工智能投资的回报。

在人工智能的投资中，大部分投资集中在内部投资，即R；研发由拥有丰富现金流的数字化本土公司进行。那么，对大公司的人工智能投资将关注什么？

苹果(Apple)、百度(Baidu)和谷歌(Google)等大公司正在内部开发成套技术研发，但人工智能投资的广度和重点不同。亚马逊正在研究机器人和语音识别；Salesforce对虚拟代理和机器学习感兴趣。宝马、特斯拉和丰田是工业机器人和使用机器学习的自动驾驶的重要制造商。例如，丰田已经拨出10亿美元建立一个新的人工智能研究所，专门研究机器人和无人驾驶汽车。博世(Bosch)、通用电气(ge)和西门子(Siemens)等工业巨头也进行内部投资，通常寻求开发与机器学习和机器人领域核心业务相关的特定技术。

Ibm承诺投资30亿美元，使其沃森认知计算服务成为互联网上的一支重要力量。在过去的两年半时间里，百度在人工智能研究上投资了15亿美元。此外，百度还投资2亿美元建立了一个新的内部风险投资基金。与此同时，大型科技公司一直在积极收购人工智能初创企业，不仅是为了获得技术或客户，也是为了获得高素质人才。这一领域真正的专家人才库非常小，阿里巴巴、亚马逊、facebook、谷歌和其他科技巨头已经聘请了许多专家。

许多公司利用并购来吸引顶尖人才，这被称为“并购招聘”。通常，创业公司中每个人的价值通常可以达到500万到1000万美元。最近的一份报告强调，由于人才短缺和成本上升，整个行业的人工智能相关人才缺口超过1万人，这些人才的工资已经提前达到6.5亿美元。一般来说，并购是人工智能公司增长最快的外部资源。根据麦肯锡的估计，从2013年到2016年，这些公司价值的复合年增长率将超过80%。自2010年以来，领先的高科技企业和先进的制造商已经完成了100多项M&A交易。

谷歌去年完成了24项收购，包括8项计算机视觉和7项语言处理。苹果是第二大最活跃的收购者，已经完成了99项收购，这些收购平均分布在计算机视觉、机器学习和自然语言处理领域。这些公司也在扩大对外国人才的追求。例如，脸谱网在巴黎的人工智能实验室将补充纽约和硅谷的类似设施，使公司更容易在欧洲招聘高级研究人员。谷歌最近向蒙特利尔大学投资了450万美元；英特尔捐赠150万美元在佐治亚理工大学建立一个机器学习和网络安全研究中心；英伟达正与台湾大学合作在台北建立人工智能实验室。

艾的声音大到足以鼓励风险投资和私人进入。天使轮基金和种子孵化器等其他外部投资也已启动。麦肯锡估计，2016年的年度外部投资总额将达到80亿至120亿美元。机器学习吸引了近60%的投资，可能是因为它推动了许多其他技术和应用，如机器人和语音识别。此外，投资者被机器学习所吸引，因为和以前一样，安装新代码比重建机器人或其他运行软件的机器更快更容易。M&A在这一领域也在快速增长，2013年至2016年的复合年增长率约为80%。

与数字革命中的其他投资相比，人工智能的投资仍处于初始阶段。例如，2016年，人工智能吸引了2%至3%的风险投资，而信息技术则普遍增长了60%。2016年，人工智能在pe公司总投资中所占的比例很小，只有1%到3%。然而，人工智能投资增长迅速。从2013年到2016年，人工智能技术外部投资的复合年增长率达到近40%。相比之下，2010年至2013年为30%。不仅交易规模越来越大，而且完成融资所需的参与者也越来越少。这表明投资者对行业更有信心，对技术和潜力有更好的理解。

根据宣传手册，大多数投资者仍然没有获得投资回报。只有10%的以机器学习为核心业务的初创公司表示他们已经创造了收入，只有一半的公司报告收入超过5000万美元。此外，外国投资在地理上高度集中，主要由美国和中国的几个技术中心主导，而欧洲落后。我们将在第三章中进一步讨论这些问题。

基于对人工智能采用者市场将快速发展并愿意为人工智能基础设施、平台和服务付费的预期，投资者正在投资数十亿美元于人工智能公司。

显然，亚马逊、谷歌和其他公司都在投资自己的应用，比如优化搜索和个性化营销。然而，要理解传统医疗保健、零售和电信公司的人工智能成本并不容易。

因此，我们进行了一项调查，以更深入地了解这种情况。一般来说，很少有公司大规模地将人工智能纳入其价值链；大多数具有人工智能技术意识的公司仍处于试验阶段或试点阶段。事实上，在3073名受访者中，只有20%的人表示他们在规模或核心部分采用了一种或多种人工智能相关技术。10%的受访者表示他们采用了两种以上的技术，只有9%的受访者表示他们采用了机器学习。

即使这可能夸大了人工智能的商业需求。我们对不同行业中160多个全球用例的审查发现，只有12%的开发超出了实验阶段。企业合并可以解释为什么一些公司不愿意采取行动。在我们的调查中，不良或不确定的回报是企业，尤其是小公司，不采用人工智能技术的主要原因。第3章中讨论的监管问题变得更加重要。像每一次新技术浪潮一样，我们期望看到不同行业和企业之间的早期和后期采用者的不同模式。我们发现人工智能采用早期模式的六个特点，这与公司采用和使用最新数字技术的方式大致一致。不幸的是，在早期数字趋势中处于领先地位的玩家在人工智能和下一个浪潮中处于领先地位。

第一个特点是，早期的人工智能采用者来自于在相关技术上投入巨资的部门，如云服务和大数据，它们也处于数字资产和使用的前沿。这是一个至关重要的发现，因为它表明，在数字化方面，行业外的公司和机构正在迎头赶上的证据并不明显，因为每一代新技术都是基于上一代的。第二，独立于部门，大企业倾向于投资人工智能更快。这是另一个典型的数字采用。中小企业在决定投资新技术时通常会落后。第三，早期采用者不擅长某项技术。它们更加广泛，因为它们使用多种人工智能工具来同时解决许多不同的用例。第四，投资规模大的企业接近核心业务。第五，早期采用者倾向于通过人工智能不断增长的潜力来削减成本。人工智能不仅涉及过程自动化，还被公司用作主要产品和服务创新的一部分。

报告接下来讨论的主题包括:

早期采用者成为持续采用者

人工智能技术近年来取得了显著的进步。然而，其通过仍处于初始阶段。这使得评估人工智能对企业的真正潜在影响变得困难。我们知道很多没有采用人工智能的公司说他们在做人工智能投资业务上有困难，但是那些采用了人工智能的公司呢？通过案例研究和调查，麦肯锡发现早期采用人工智能的大型企业获得了诱人的回报。这些案例展示了人工智能将如何重塑整个价值链以及各个领域的不同功能。这些案例对许多利益相关者产生了广泛的影响，包括跨国公司、初创企业、政府和社会组织。

将强大的数字能力、稳定的人工智能采用和前瞻性人工智能战略结合起来的企业将获得巨大的财务业绩。

数字本土公司对人工智能进行了最重要和最早的投资，为人工智能的潜在投资回报提供了一个测试用例。例如，亚马逊在2012年以7.75亿美元收购了机器人仓储技术公司kiva，通过人工操作将“订购到交付”的时间从60~75分钟缩短到15分钟，库存增加了50%，运营成本降低了20%，原始投资回报接近40%。

大规模采用人工智能技术或在核心业务部门采用人工智能技术的公司已经看到了技术的潜力，实施前瞻性人工智能战略的公司预计会获得更多。麦肯锡的调查比较了利润率、数字成熟度(反映在大数据和云服务的使用上)以及不同程度采用人工智能的公司的战略地位(图5)。调查显示，人工智能重度用户的预期利润远远高于非重度用户。

图5:具有前瞻性战略的人工智能采用者的利润率明显更高

注:当前利润率来自受访者的自我报告。橙色线表示采用“前瞻性策略”的人工智能用户；蓝线表示一些采用人工智能或实验性采用人工智能的企业；灰色线条表示非人工智能采纳者。

这表明人工智能可以为企业提供显著的竞争优势，但仅限于完全致力于人工智能的企业。技术是一种工具，它本身并不提供竞争力。

当分析预期的未来利润率时，我们也可以看到同样的模式。在大多数行业中，不仅采用前瞻性人工智能策略的企业报告的当前利润率比同行业的平均水平高3%到15%，而且随着投资的成熟和开始提供大量的红利，这种优势在未来预计会大大增加。未来三年，这些人工智能领导者的预期利润率将比行业平均水平高出5%。

麦肯锡的研究报告将人工智能分为四类:使公司能够更好地预测需求、优化研究和改善采购(项目)；提高公司以更低的成本和更高的质量生产产品和提供服务的能力(生产)；促进)；以适当的价格、适当的信息和正确的目标客户进行产品销售；并提供丰富、个性化、便捷的用户体验。如下表所示:

图6:人工智能可以通过四种方式在价值链中创造价值

这四种创造价值的方式是基于企业中正在探索或部署的用例。此外，尽管机器学习可以给各种行业带来有价值的好处，但是一些技术特别适合于特定行业的商业应用，例如零售和制造行业中使用的机器人、医疗保健行业中使用的计算机视觉技术以及教育行业中使用的自然语言处理技术。

例如，在零售业，人工智能应用于需求预测的好处令人印象深刻。在某些情况下，基于人工智能的需求预测方法的预测误差比传统方法降低了30%~70%(表7)。产品失效造成的销售损失可减少65%。与运输、仓储和供应链管理相关的成本可分别降低5%~10%和25%~40%，总库存可降低20%~50%。

图:人工智能有助于在整个价值链中获得收入

早期采用者和早期案例研究表明，人工智能具有改变业务流程、重组整个行业、增加利润和创造新的价值来源的潜力。人工智能的应用已经成熟，重视前瞻性战略的公司将获得显著的竞争优势。此外，尽管机器学习和深度学习是大多数机会的支持技术，但企业需要确定哪些人工智能技术能给他们带来最大的好处，然后尽快建立基础设施、人才和知识，以赶上学习和采用的曲线。本节介绍了人工智能创造价值的四个方面，但是这些好处不可能在一夜之间实现。下一节将讨论企业、人工智能供应商和政府应该如何抓住这个机会。

尽管人工智能具有从根本上重塑社会的潜力，但技术发展仍存在很大的不确定性。对于企业、政府和从业者来说，这可能意味着“观望”。然而，麦肯锡的报告认为，有必要立即采取明确的行动来应对显而易见的机遇和风险。

企业需要关注人工智能用例，实现价值最大化，并确保他们拥有正确的数字祝福。

虽然目前人工智能对许多行业的整体影响相对较小，但它具有很大的潜在破坏性。就像优步和lyft对出租车行业的影响一样，人工智能驱动的新进入者可能会以一种压抑的方式胜出。Ai不仅会改变业务流程，还会改变整个业务模式以获得综合竞争优势，而那些等待风险解决的企业将会被抛弃。

因此，现在应该采取行动。企业应该清楚地分析最有价值的人工智能用例，并建立支持数字资产和能力。事实上，成功的人工智能转换的核心要素与一般数据和分析的要素是一致的(图8)。包括:建立数据生态系统，采用正确的技术和工具，将技术集成到工作流程中，在员工技能再培训中采用开放和合作的文化。

图8:成功的人工智能转换需要类似于成功的数字和分析转换的元素

来源：罗马观察报