基于麥肯錫全球研究所對跨越10個國家，14個行業的3073名企業高管和160個AI使用案例的AI調查，以及一項獨立的數字研究項目，本文提出要想利用AI取得成功，CEO們需要知道10個要點。

　　人工智能的熱潮已經滲透各行各業，對AI的投資正在增長，并且這些投資越來越多地來自技術領域之外的組織。利用AI獲得成功的案例也越來越多，例如亞馬遜通過使用AI驅動的倉儲機器人Kiva提高運作效率，通用電氣利用AI預測來維護其工業設備的運行，等等。

　　顯然，企業的CEO需要考慮AI對業務的影響，但AI在商業環境中的使用如何能夠盈利是不明確的。基于麥肯錫全球研究所對跨越10個國家，14個行業的3073名企業高管和160個AI使用案例的AI調查，以及一項獨立的數字研究項目，我們發現要想利用AI取得成功，CEO們需要知道10個關鍵的觀點。

　　不要相信炒作：并不是每個企業都在使用AI。雖然現在針對AI的投資正在升溫，但企業采用AI技術的幅度還是比較小的。AI的總投資額(包括內部和外部)在2016年達到260億至390億美元，外部投資自2013年以來翻了兩番。但是，盡管有這樣的投資水平，AI的采用仍處于初步階段，我們的調查對象中只有20%在一個或一個以上的業務中大規模使用，或在核心業務使用AI技術。(調查結果被加權計算以反映不同規模的企業的相對經濟重要性，調查包括五個AI技術系統：機器人和自動駕駛車輛，計算機視覺，語言，虛擬代理和機器學習。)

　　就目前來說，一些公司仍在試驗或試點使用AI(41%)，這是好事。我們的調查結果表明，趕上學習曲線并使用AI進行競爭仍需時間。

　　不過，現在可能是處在AI采用的一個關鍵轉折點。一些AI技術開始成熟，并開始能證明其價值，例如神經機器學習和自然語言處理，這些技術迅速成為所有采用者的AI技術中心。我們預計目前AI的早期領航者中至少有一部分將在短期內完全整合AI。最后，AI的采用似乎在各個部門和領域之間傳播，雖然傳播的速度不同。未來三年，電信及金融服務業將有望領先，而且這些行業的受訪者表示計劃在AI技術上的支出每年增加15%以上，超過跨行業平均水平7個百分點。

　　相信AI可以潛在地增加公司的總收入和賬面利潤這類炒作。我們的調查中，30%左右的早期AI采用者(即大規模使用AI或在核心業務采用AI的公司)表示他們已經實現了收入增長，利用AI獲得了市場份額或擴張了其產品和服務。此外，早期AI采用者中說他們希望自己公司的利潤率增長到比同行高5個百分點的人比其他人多3.5倍。雖然相關性和因果關系的問題可以合理地提出，但有獨立分析已經提出AI直接地改善利潤率的一些證據，AI投資的ROI與其他相關的數據技術(例如大數據和高級分析)相同。

　　沒有領導層的支持，你的AI轉型可能不會成功。成功的AI采用者在采用新技術時通常有強大的執行領導支持。調查反饋顯示，已經成功大規模部署AI技術的公司得到公司管理層的支持率是沒有采用任何AI技術的公司的2倍。此外，強大的支持不僅來自CEO和IT部門主管，而且來自所有管理層高管和董事會。

　　你不必一個人獨自專研AI——需要合作伙伴的才干和能力。人工智能領域經歷了數十年的“AI寒冬”，最近才開始出現創新，有技術專長和能力的人相當稀缺。甚至像亞馬遜和谷歌這樣的大公司為了增加自己的AI能力也開始轉向非本領域的公司和人才。例如，谷歌收購DeepMind，DeepMind能夠利用其機器學習能力來幫助谷歌這家科技巨頭改進核心業務，例如搜索優化。實際上，我們的調查顯示，AI的早期采用者主要是通過購買得到合適的技術解決方案，只有少部分受訪者是在內部開發和實施所有AI解決方案。

　　抵制讓技術團隊完全掌控AI主動權的誘惑。將AI劃分為IT、數字、創新等各職能部門的領導者分別問責可能導致“拿著錘子找釘子”的結果：缺乏令人信服的用例即部署技術。為了確保能夠把關注的重點放在最有價值的使用案例，人工智能的主導權應該由企業領導和技術負責人共同進行評估和領導，這一方法在其他數字技術領域已經被證明是成功的。

　　采取投資組合方式來加速你的AI采用。目前，AI工具的范圍已經相當大，從已被證明可以解決具體業務問題的工具(例如，用于預測性維護的模式檢測工具)到少人有了解，當前能力有限但潛力效用高的工具(例如，用于開發競爭性戰略的AI應用)。這樣的分布表明，組織可以考慮采用基于投資組合的方法來實現不同時間維度的人工智能采用：

　　短期：專注于當前已有成熟技術解決方案的使用案例，并將其推廣到整個組織，以推動有意義的底線價值。

　　中期：嘗試已出現但仍相對不成熟的技術(例如深度學習視頻內容視頻)，在推廣之前證明其在關鍵業務中使用的價值。

　　長期：與學術界或第三方研究機構合作，利用前沿的AI技術解決具有更高影響力的使用案例(例如，在某個關鍵知識工作者角色中增強人類決策)，以捕捉潛在的先發優勢。

　　機器學習是強大的工具，但它并不是對所有事情都適用。機器學習，以及它最突出的子領域深度學習吸引了許多媒體的關注，并獲得了大量的融資，占2016年所有外部投資的接近60%。

　　雖然機器學習已經得到許多應用，但它只是能夠解決業務問題的許多AI相關技術之一。沒有哪一項技術是所有AI問題的解決方案。例如，為了提高客戶服務中心的效率所使用的AI技術與用于識別信用卡欺詐所使用的技術可能有很大的不同。企業在數字化和AI采用的特定階段，尋找正確的工具來解決不同的業務問題是至關重要的。

　　數字化能力在AI之前就已出現。我們可以看到，高科技、電信和汽車等在AI采用方面領先的行業也是數字化程度最高的行業。同樣，所有早期采用AI的企業都已經在數字化能力方面投入，包括云基礎架構和大數據。實際上，沒有數字化轉型經驗的企業似乎很難輕易跳躍到AI采用。統計數據顯示，在數字化方面有較多經驗的企業采用AI時的利潤率相比其他公司高出50%。

　　要敢于冒險。在一個關于數字化顛覆(digital disruption)的獨立研究中，我們發現采取進攻性的數字化戰略是扭轉數字化顛覆詛咒的最重要因素。采取進攻性戰略的企業會從根本上改變其業務組合，開發新的商業模式，創造比數字化前更強大的增長路徑。到目前為止，對于AI來說也是這樣：AI的早期采用者中采取非常積極、進攻性的策略者相比其他具有更好的利潤前景。

　　最大的挑戰是人和流程。在許多情況下，將AI結合到員工流程和決策過程的挑戰遠超實施AI的技術性挑戰。領導者決定機器處理哪些任務，以及人類執行哪些任務，不管是新任務還是傳統任務，實施允許持續學習新技能的程序將是至關重要的。隨著AI繼續融合先進的可視化技術、協作和設計思維，企業將需要從主要關注流程效率轉向重視決策管理的有效性，這需要進一步要求領導者創造一種持續改進和持續學習的文化。

　　毫無疑問：下一個數字化前沿就在這里，就是AI。雖然一些公司仍在從以前的數字化崩壞中恢復，但新的數字化崩壞正在形成。不過現在仍是早期。現在還來得及讓AI成為競爭優勢。