麦肯锡企业AI转型报告：虐哭柯洁之后 AI还能干啥？

刚刚过去的人机围棋大战，柯洁0：3败给了人工智能系统AlphaGo（阿尔法围棋）。人会在具有特定规则的一个命题输给机器也许是早晚的事情。

科技的终极追求，也不过是解决更难的命题。对于科技来说，围棋可能只是一个命题；对于我们来说，这个命题的情怀并不会因为被破解而消散。

事实上，围棋和人工智能这两件事儿都太过高深，我们更震惊的点在于，居然在硬件计算能力不足以支撑一个计算机在围棋这一难题上胜过人类的前提下，科学家另辟蹊径，从大数据和算法的维度，也就是深度学习，实现了这一目标。接下来要做的，就是用这个技术造福人类了。

本期的智能内参，我们推荐来自麦肯锡的基于AI的企业数字化发展趋势报告，主要从企业的立场分析大数据、算法、自动化、机器人等技术对于产业的影响，回答数据和分析的用途，并列举可行的商业举措。如果想收藏本文的报告全文，可以在智东西（公众号：zhidxcom）回复关键词“nc155”下载。

以下为智能内参整理呈现的干货：

数字化进行时：能干啥？谁需要？

引进新的技术能够重塑商业格局，加强企业竞争力，这在过去几年演变尤为激烈。当然，技术推动企业进步也需要恰当的方式，否则适得其反。数据化、分析学、人工智能等技术创新为商业和经济提供了新的生产力增长引擎，刻画了一个新的未来生产生活模式。

而现在，这些技术似乎迎来了一个应用规模爆发的拐点，如果说之前各个企业还在摸石头过河，现在，他们已经有几种可以参考的成功模式和发展方向了。

有些公司正在利用数据和分析优势，进行基于更大规模的现实条件的决策、市场洞见和过程优化。它们不仅仅在改善核心业务，也在推出全新的商业模式。数字平台的网络效益正在某些市场领域形成一种动态竞争。

本报告基于市场观察和调研，分析企业数字化转型的原生竞争力，以及公司如何建立战略远景，并对数据生成过程中的问题提出解决建议。

基于数据分析的六种颠覆模型

如上图所示，数据分析体现在商业价值的方式主要有六种：

1、基于正交数据的商业模型，主要应用于保险、医疗、人力；

2、大型实时匹配算法，主要应用于交通和物流、自动化、智慧城市和基建；

3、个性化精准服务，主要应用于医疗、媒体、保险、人力；

4、大型数据整合，主要应用于银行、公共服务、保险、人力；

5、数据驱动的技术进步，主要应用于生命科学和制药、材料科学、科技发明；

6、优化决策过程，主要应用于智慧城市、保险、医疗、人力。

*大型公司数字化程度统计示意

过去行业中常用的以来标准化数据进行决策，而现在引入了新类型的数据（正交数据）来补充，有利于改变竞争力，基于个体行为特征分析提供更精确的市场洞察，应用于教育、旅游、休闲、媒体、零售、广告。

不同领域的数字化程度有所差异，在美国，信息与通信技术行业、媒体、金融服务和专业人士服务业的数字化正在迅猛发展，而公用事业，矿业，和制造业等，都还处在早期数字化阶段。零售和医疗等大规模劳动力密集型领域广泛不采用该技术。

这可以理解为，数字化主要是针对规模庞大但增长缓慢的领域，作为一个新的增长点或者说机会而受追捧。预计未来，搜索、通讯、视频、事务、公司内部的流量，以及商品、服务、金融和人事的数据流动，基于国际电子商务的交易数字，将进一步激发全面数字化。

六类行业数字化进程

1、规模相对较小，知识密集型的领域，如媒体、金融等企业，数字化的程度较高；

2、资本密集型，发展潜力巨大的领域，如能源、制药等企业，数字化的程度较低；

3、对于大型服务部门，或者说业务部门，因存在客户交易空间而需要数字化；

4、B2B行业需要于客户和用户进行互动，所以具有数字化潜力；

5、劳动力密集型产业数字化程度不高，但具备潜力用于劳动力转化和生产力提高；

6、大型本地企业由于低效运营，未来可能考虑数字化运营。

*不同行业数字化差异（色块示意数字化程度）

从区域来看，美国数字化潜力18%，领先全球，欧洲方面，法国12%，德国和意大利都是10%，新兴国家数字化潜力较低。数字化虽受追捧，但跨境数字规模从2005年至今仅增长了45倍，这一部分将是巨大的潜力市场。

此外，企业数字化也蔓延了更多的领域，包括资产数字化、基础设施数字化（物联网、数控平台等）、操作数字化、流程数字化、支付和业务模型数字化、客户关系和供应链关系数字化、职工数字化以及数字化带来的新的职工角色等。

研究显示，全面数字化有利于更高效的调动人事和物料资源，降低公司跨资产操作成本，增加收入，进一步扩张市场份额。先进的数字化企业利润率提高比平均值快三倍，这份优势在创新技术领域尤为明显，部分甚至实现了弯道超车。

下一波机遇：智能化

如果说数字化转型是企业界正在发生的变革，那么智能化就是先行者的机遇。智能化包括机器人技术、人工智能和机器学习等突破性的技术创新。

先说机器人技术，这在制造业中已经存在很久了，但目前，更有能力，更灵活，更安全，更便宜的机器人结合其机械化和认知学习能力，逐渐实现自我升级。

人工智能的概念也并不新，但最近的机器学习算法突破实现神经网络技术，计算能力成倍增加的芯片模块有利于处理更复杂的模型，以及每天由社交移动端、工业传感器等设备产生的大数据，成为三个主要驱动力。与此同时，机器的自然语言理解能力、识别能力等通用技能也在不断进步。

显然，基于机器人技术、人工智能等新兴技术实现生产自动化，能够进行更高的数据吞吐量，改善预测模型，提高结果的准确性，进行决策优化，甚至在生物学、材料学等大规模的复杂问题上也很有潜力，提供了新的商业模型。

*机器学习在各个行业中的应用潜力（色块代表不同行业）

*不同行业的不同部门具有不同的自动化潜力

事实上，现在已经有一些通过智能化自动技术造福企业的案例：力拓（Rio Tinto）已经部署了自动拖运卡车和钻井澳大利亚皮尔巴拉矿山的机械设备，据称机械利用率提高了20%；谷歌利用DeepMind机器学习算法，减少了公司40%的年均能源消耗；自动化“直接处理”（straight-through processing）应用于金融服务工作端到端的工作流，增强了工作的可伸缩性。此外，机器学习还被大量的应用于跨部门业务。

*不同业务的自动化技术潜力

麦肯锡认为，机器学习的潜在用例还包括医院急诊部、飞机维护、石油和天然气业务、杂货店、抵押贷款经纪人降低运营成本并提高效率。事实上，随着人口结构的确定，老龄化和出生率下降大幅减缓劳动力供给的增长，人力成本增加给企业带来的压力可以通过智能化的缓解。

甚至在探月工程、生物学、癌症研究、气候科学和材料科学等方面，AI也是潜力无穷。据悉， McMaster and Vanderbilt大学利用计算机预测了抑郁症和乳腺癌的有效治疗方法。

社会效益：就业和工作

自动化的未来许诺了生产力水平的提高，但给劳动力市场带来隐忧。自动化活动更容易覆盖的是食品服务、制造业、交通运输、仓储和零售贸易这类具有高度可预测性和结构化物理活动环境的工作。

事实上，对于大部分职业来说，部分自动化，也就是技术发展的初、中期，机器并不会取代人，只是会改变现有的工作方式，而且还会创造工作机会。

*全球工作活动自动化程度示意

调研显示，全球劳动力市场的80%集中在46个国家，也就是几乎一半的人都能在全球经济中获得酬劳，其中60%的工作或者说职业是可以转化为自动化的。中国、印度、日本、和美国四大经济体也逐渐在实现自动化技术转换，工人的技能也在发展，美国工人在有自动化帮助的前提下，工资依旧是其他国家的两到三倍。

*46国工人工资受自动化的影响

*不同工种可实现自动化的程度

对于企业来说，自动化可行的关键在于五个点：

1、是否具有持续的突破性创新的潜力？

2、如何开发和部署来解决成本问题？

3、劳动力市场的动态，也就是供需关系导致的人事成本较之自动化如何？

4、自动化能带来的业务和经济福利是否覆盖劳动力替换成本？

5、监管部门、用户和社会的接受度如何？

尽管自动化宏观发展在整个行业或者经济体中显得缓慢，但微观层面却显现出了非常快的职业效益、成本福利，社会接受度和效用较高。比如亚马逊的智能家居Alexa、苹果的Siri等。而对于劳动力市场，麦肯锡认为，机器不是扼杀劳动力，而是引发了又一场劳动力转移而已。

给领导的五个建议

1、测试、试验、学习和扩展快速：商业领袖需要积累时间知识，超越书本，将资源投入到小步快调的试验中去，解决实际问题，扩展用例。

2、重构业务模型和业务过程：充分利用分析、人工智能和其他数字技术，对特定的业务优先考虑流程转换，并探索基于这些功能的可行的商业模型。

3、制作基于数字资产和潜力的资产收支表：不管是基于数字的硬实力还是软实力，都有可能在新的领域开拓新的竞争力。不同业务，不论是哪一个行业，都需要对自己的数字资产和同行竞争力进行评估，从而确定不同的商业模式，建立壁垒。

4、不断校准，保持投资：对于涉及数字化的项目和商业活动，要有不断进步直到满意的意识，而校准的参考包括机会规模、行业/竞争对手水准、数据干扰来源等。

5、重新审视人力资本，包括工人和机器：很多公司难以接触大量的机器学习相关人才，而相关培训也需要投入，结束后又需要重新布局人力资源。

此外，麦肯锡建议政策制定者鼓励相关领域的技术投资，鼓励形成新的业务模式，通过公私合作的形式刺激基础建设，重构教育、培训和学习体系，重新定义税收标准和安全网络，投资人力资本。

智东西认为，企业数字化转型的意义是以一个新的方式进行跨部门、跨行业的沟通，而为了实现效率更高，成本更低的资源分配和运营，以及更优的商业决策，就有必要结合数据分析、机器学习、机器人技术甚至人工智能。

以目前技术的成熟度来看，大规模、增长缓慢的企业会显得比较积极，小步快调，寻找新增长点，以及新的机会市场跑马圈地；但是小型企业并不一定需要在这个时间节点进行盲目尝试，因为各方面的人才成本、基础设施成本、风险等都需要考虑，赶早不如赶巧。