麦肯锡全球AI调查 · 2024年研究报告

2024年初的AI现状
生成式人工智能采纳率激增并开始创造价值

本报告深入分析了人工智能（AI）特别是生成式人工智能（Gen AI）的最新发展现状。调查显示，Gen AI的采纳率显著提升，并已开始为企业创造可衡量的业务价值。

探索关键发现
翔宇工作流Logo

由翔宇工作流呈现

基于麦肯锡全球AI调查

关键发现概览

1

AI整体采纳率大幅提升

在经历了多年的徘徊后，AI的整体采纳率从去年的约50%跃升至72%，并在全球范围内广泛分布。企业在更多业务职能中应用AI的比例显著增加。

全球现象 多年徘徊后的突破
2

Gen AI采纳率激增

Gen AI的采纳率在短短10个月内几乎翻倍，目前有65%的受访者表示其组织正在常规使用Gen AI。个人工作和个人生活中使用Gen AI的比例也大幅提高。

10个月内翻倍 个人和企业双增长
3

价值生成初显

组织已开始从Gen AI应用中看到实际价值，报告了业务部门的成本降低和收入增长。人力资源（HR）是报告成本降低最多的职能，而供应链/库存管理是报告显著收入增长（>5%）最多的职能。

成本降低 收入增长
4

风险认知与缓解

组织对Gen AI相关风险的认知不断提高，其中"不准确性"成为最常被识别和经历的风险，也是唯一显著增加缓解力度的风险。尽管风险认知提高，但普遍的风险治理实践仍不成熟。

不准确性 风险治理不成熟
5

实施策略多样

组织采用多种Gen AI能力部署方式，包括直接使用现成工具、定制化以及开发自己的基础模型。现成工具仍占约一半的应用比例，但领先企业更倾向于定制化策略。

多元策略 定制化趋势
6

高绩效组织领跑

一小部分"高绩效组织"已经从Gen AI中获得显著的息税前利润（EBIT）贡献（超过10%）。这些组织在Gen AI的应用广度、定制化程度、风险管理实践以及运营模式方面展现出与众不同的特点。

EBIT贡献>10% 系统化实践

1. AI整体采纳率的显著提升

在过去的六年里，AI在受访者组织中的采纳率一直徘徊在50%左右。然而，本次调查（2024年初）发现，AI的整体采纳率跃升至72%。这一增长是全球性的，几乎所有地区的受访者（中南美洲除外，为58%）都表示他们的组织正在使用AI，超过三分之二。

AI采纳率的历史趋势（Exhibit 1）

50%
2018
52%
2019
51%
2020
53%
2021
51%
2022
54%
2023
72%
2024

数据来源：麦肯锡全球AI调查（2018-2024）

从行业来看，专业服务行业的AI采纳率增长最为显著，包括人力资源、法律服务、管理咨询、市场研究、研发（R&D）、税务准备和培训等领域。

AI在业务职能中的应用范围（Exhibit 2）

2023年

33%

组织在两个或更多职能中应用AI

2024年

50%

组织在两个或更多职能中应用AI

这表明AI的应用正从孤立的项目向更广泛的业务集成发展

2. 生成式人工智能（Gen AI）采纳的快速扩张

如果说2023年是全球"发现"Gen AI的一年，那么2024年则是组织真正开始"使用"并从中"获取业务价值"的一年。最新调查显示，65%的受访者表示他们的组织正在至少一个业务职能中常规使用Gen AI，这一比例在短短十个月前（2023年调查）仅为三分之一，几乎翻了一番。

Gen AI在各业务职能中的应用率（Exhibit 3）

营销和销售
28%
产品和/或服务开发
24%
IT部门
22%
客户服务
16%
人力资源
14%
供应链/库存管理
12%

数据显示营销和销售部门的Gen AI采纳率最高，且增幅最大

2.2 个人层面的Gen AI使用情况

个人Gen AI使用增长（Exhibit 4）

仅在工作中使用
28%
2023
→
44%
2024
工作和个人生活都使用
24%
2023
→
42%
2024
仅在个人生活中使用
12%
2023
→
20%
2024

Gen AI的使用在所有地区都有所上升，其中亚太地区和大中华区的增幅最大。从职级来看，高级别管理人员（C-level Executives和Senior Managers）在工作和工作之外使用Gen AI工具的比例增长幅度大于中层管理人员。从年龄层看，千禧一代后期和Z世代早期（出生于1981-1996年）的受访者在工作和个人生活中使用Gen AI的比例最高。

3. 投资与价值创造

最新的调查揭示了不同行业在Gen AI上的预算分配情况。在许多行业，组织将超过5%的数字预算投入到Gen AI解决方案和非生成式分析型AI解决方案的可能性大致相当。然而，在大多数行业，将超过20%的数字预算投入到分析型AI的受访者比例要高于Gen AI。

行业AI投资分布（Exhibit 5）

行业 Gen AI投资
(>5%数字预算)		 分析型AI投资
(>20%数字预算)
金融服务 48% 37%
技术/媒体/电信 46% 39%
医疗保健/制药 42% 31%
专业服务 44% 33%
消费品和零售 40% 30%

展望未来，大多数受访者（67%）预计他们的组织将在未来三年内增加对AI的投资。那么，这些投资的回报体现在哪里？

Gen AI创造的业务价值（Exhibit 6）

报告成本降低最多的职能
  1. 1 人力资源（HR）
  2. 2 IT部门
  3. 3 服务运营
报告收入增长最多的职能（>5%）
  1. 1 供应链/库存管理
  2. 2 营销和销售
  3. 3 产品和/或服务开发

尽管价值创造显现，但广泛的、大规模的价值生成仍在进行中

4. Gen AI相关的风险与缓解

随着企业开始看到Gen AI带来的益处，他们也日益认识到该技术相关的各种风险。这些风险涵盖了数据管理风险、模型管理风险以及安全和不正确使用风险。

主要风险认知（Exhibit 7）

不准确性
52% （2023年：45%）
网络安全
49% （2023年：48%）
知识产权侵权
45% （2023年：38%）
法规遵从
44%
劳动力转移/替代
33% （2023年：41%）

已经经历的负面后果（Exhibit 8）

23%
不准确性
16%
网络安全
12%
可解释性

44%的受访者表示其组织至少经历过一种负面后果

4.3 风险治理与负责任AI实践的现状

"负责任的AI应从项目的第一天就开始。这需要组织建立清晰的应用原则，并设置防护措施以确保安全实施。"

风险治理实践不足

  • 仅18%的组织有企业范围的负责任AI治理决策机构
  • 仅33%的组织将风险意识和缓解纳入技术人才必备技能
  • 不到四分之一的组织有明确流程将风险缓解嵌入解决方案

负责任AI的关键要素

  • 保护数据安全，建立与LLM和应用提供商的安全合同
  • 将负责任AI融入开发流程，确保技术团队理解风险
  • 部署前对模型进行测试，避免放大训练数据中的偏见
  • 开发清晰的治理模型，确保符合管理原则

5. Gen AI能力的部署方式

本次调查探讨了组织如何以及以多快的速度部署这些新的Gen AI工具。报告提出了三种实施Gen AI解决方案的典型模式：

Takers
(使用者)

使用现成的、公开可用的解决方案

Shapers
(改造者)

使用专有数据和系统定制化这些现成工具

Makers
(构建者)

从零开始开发自己的基础模型

Gen AI部署策略分布（Exhibit 9）

50%
现成工具
(几乎无定制)
30%
显著定制
或微调
20%
开发自己的
专有模型

麦肯锡的观点

"随着Gen AI普及，仅使用现成工具不再是稳健的方法，因为竞争对手也很可能拥有同样的能力。组织需要思考其'护城河'是什么，答案很可能在于定制化。未来企业的骨干和大脑将依赖于多种基础模型的良好协同，包括现成的解决方案和经过精细调整以满足企业特定需求的工具。"

5.1 部署时间线

从项目启动到投入生产的时间（Exhibit 10）

按解决方案类型
现成公共模型 1-4个月
高度定制或专有模型 ≥5个月
按业务职能
IT部门 最快
风险与法律 最慢

6. Gen AI高绩效组织（High Performers）的特征

Gen AI是一项新技术，组织在探索其机遇并跨职能扩展应用方面仍处于早期阶段。然而，一小部分受访者（876名使用Gen AI的受访者中的46名）报告称其组织的相当一部分息税前利润（EBIT）可归因于Gen AI的应用。我们将这些受访者所在的组织定义为"Gen AI高绩效组织"（Gen AI High Performers），他们已将超过10%的EBIT归因于Gen AI的使用。

应用广度

2
普通组织
→
3
高绩效组织

平均在更多职能中使用Gen AI

定制化程度

2倍

更有可能采用显著定制化或开发专有模型的策略

团队协作

100%

拥有协调跨组织Gen AI工作的中心化团队（相比普通组织的40%）

高绩效组织的风险相关实践（Exhibit 11）

风险相关实践 高绩效组织 其他组织
Gen AI风险意识和缓解是技术人才的必备技能 68% 34%
有明确流程将风险缓解嵌入Gen AI解决方案 44% 23%
有企业范围的理事会或委员会负责负责任AI治理决策 40% 18%
测试和验证嵌入模型发布流程 58% 17%
有明确的绩效管理基础设施来衡量和跟踪Gen AI的价值 37% 13%

6.3 面临的挑战

高绩效组织的主要挑战（Exhibit 12）

挑战排名
  1. 1 数据挑战70%
  2. 2 风险和负责任AI48%
  3. 3 运营模式42%
  4. 4 技术38%
数据挑战细分
  • 定义数据治理流程
  • 快速将数据集成到AI模型的能力
  • 训练数据不足
  • 数据质量与一致性问题
  • 数据安全与隐私合规

即使是领先者，负责任地规模化Gen AI仍然是一个复杂且持续的挑战

7. 结论与展望

2024年初的调查显示，Gen AI不再是新奇事物，其采纳率正在迅速提升，并开始为早期采纳者带来切实的业务价值。Gen AI的潜力已毋庸置疑，但大多数组织仍处于探索和规模化的早期阶段。

"最大的回报将属于那些敢于大胆思考、着眼于Gen AI和分析型AI重塑整个工作流程的组织，而非仅仅将这些工具嵌入现有工作方式。"

成功要素

  • 业务目标必须放在首位，避免为了技术而技术
  • 跨职能（HR、财务、法律、风险）的紧密合作
  • 从第一天开始就建立负责任AI的清晰原则
  • 在数据安全、模型测试和治理模型方面设置防护措施

未来展望

  • 从"购买 vs. 构建"向"购买、构建和合作"模式转变
  • 混合使用多种基础模型（现成、定制和开源）
  • 将模型集成到更广泛的生态系统中（领域能力、人才、运营模式和专有数据）
  • 关注业务价值、负责任的应用和端到端的组织转型

总而言之，2024年是Gen AI从"发现"走向"应用与价值实现"的关键一年。组织需要从早期采纳者的经验中学习，关注业务价值、负责任的应用、定制化能力以及端到端的组织和技术转型，才能在这一波AI浪潮中取得成功并建立竞争优势。