今天分享的是人工智能系列深度研究报告：《 利用AI创造投资回报AI制胜的六项关键能力》。（报告出品方：IBM ）报告来源于公众：《百家全行业报告》 研究报告内容摘要如下

  随着 AI 的日益成熟，企业级 AI 项目的平均投资回报率仅 为 5.9%，远低于 10% 的平均资本成本。

  拥有六项成熟能力的领先企业表示 AI 项目的平均投资回报 率为 13%。

  生成式 AI 在商业领域掀起了一股风暴，从 OpenAI 的 ChatGPT、百度的 ERNIE、谷 歌的 LaMDA 到 Facebook 的 LLaMA，各大科技公司纷纷推出自己的大语言模型 (LLM)。企业高管们也难免受到这股浪潮的影响。2023 年初，企业财报电话会议上 提及 AI 的次数同比增长了 77%。

  资金也闻风而动。AI 正成为 IT 预算中慢慢的变大的一部分。今年，全球以 AI 为中心的 系统支出预计将达到 1540 亿美元，比 2022 年增长 27%。

  但企业会明智地使用这一些资源吗？随着 AI 模型变得更快速、智能和可靠，组织正 纷纷加大投资力度。AI 项目的投资回报率 (ROI) 能否达到预期？

  答案是：能够达到预期，但前提是组织要采取严格的方法。为了探寻这一结论，我们 调查了全球 16 个主要地区的 34 个商业和技术职位的 2,500 名高管。我们询问受访 者如何拆解其企业当今在 AI 领域的投资，所实现的实际投资回报率，以及要哪一些 要素来提高效率。然后，我们与牛津经济研究院合作，分析了最成功的 AI 项目与哪 些关键业务和技术能力有关。（请参阅第 31 页的“调研和分析方法”。）完整版《利用AI创造投资回报AI制胜的六项关键能力 》来源于公众号：百家全行业报告 研究报告内容节选如下

  具备成熟 AI 能力的公司能够利用 AI 创造利润，而不仅仅是获得媒体关注。

  我们的研究结果表明，AI 项目的成果之间存在巨大的 差距。只有少数项目能够实现符合股东期望的财务效 益。事实上，企业级 AI 项目的平均投资回报率仅为 5.9%，远低于 10% 的平均资本成本。然而，随着 AI 成 熟度的不断增加，投资回报率会出现明显的改善。事实 上，领先企业实现了 13% 这一令人羡慕的投资回报率 水平（见图 1）。

  那么，这些领先企业有哪些独到之处？各种不同行业的 领导者可以从领先企业的成功中学习到哪些经验？请继 续阅读本报告，了解：

  要充分释放 AI 的潜力，就需要在可靠的信任基础上建立 一个成熟的 AI 组织。采取正确举措的企业正在创造巨 大的业务价值，而不仅仅是获得媒体关注。

  随着组织明确 AI 部署的 场景和方式，“大胆押注” 就会转化为更大的效益

  一些组织被 AI 技术的“惊人能力”所吸引，却忘记了保持 AI 项目与战略相一 致。另一些组织则将 AI 视为一把锤子，并将所有业务问题都视为钉子。几乎所 有组织都在努力将其实施规模扩展到实验、概念验证和试点之外。

  但好消息是，根据 IBM 商业价值研究院的分析，许多组织已经开始取得进 展。AI 部署实现了比以往更大的成功。2021 年，54% 的的受访高管表示其组 织正在有效利用 AI，这一比例相比 2020 年的 25% 增长了一倍多。受访高管还 预计，到 2024 年，AI 投资占 IT 支出的比例将增长至 6.5%。

  总体而言，2020 年以来，AI 项目的投资回报率保持稳步上升趋势。企业级 AI 项目的平均投资回报率已从 2020 年初的略高于 1% 增长到 2021 年底的近 6%。4 这可能是由于在全球疫情的推动下，许多组织纷纷大力投资发展各种 AI 赋能型解决方案，以加速远程办公、改善用户体验以及降低成本。

  为了衡量 AI 项目投资回报率是否跟上了这一趋势，我们于 2023 年 4 月和 5 月 再次针对 350 多名高管开展了一项调研。我们发现 AI 项目投资回报率继续沿着 预期的增长趋势上行，预计到 2022 年将达到 8.3%（见图 2）。

  尽管如此，AI 项目的投资回报仍然低于资本成本，大多 数行业的资本成本通常为 10%。总体而言，根据 IBM 商 业价值研究院的调研，只有不到四分之一的组织表示其 AI 项目的投资回报率高于 10%。

  从本质上讲，AI 正在遵循变革性技术的典型“J 曲线 大规模采用新兴技术需要重塑业务模式、工作流、 技能以及业务的许多其他方面。在前期，团队需要克服 各种问题和挑战，回报往往会停滞不前。不过，随着能力 的成熟，回报率会迅速增长。在这种环境下，企业需要制 定战略计划来持续扩大 AI 的影响力。

  根据 IBM 商业价值研究院的分析，随着 AI 成熟度的不 断增长，投资回报率将持续改善（见图 3）。大多数追求 临时和/或机会主义 AI 项目的普通企业处于明显落后的 位置。2021 年，一些企业有意识地将 AI 嵌入产品、服 务、业务部门和职能，并实现了超过 7% 的投资回报率。 随着成熟度的进一步增长，AI 部署成为战略业务转型的 一部分，投资回报率进一步改善，达到 8%。

  随着组织明确 AI 部署的场景和方式，“大胆押注”就会转 化为更大的效益。曲线顶部是一组取得最佳绩效的组织， 实现了 13% 的平均投资回报率。通过采取稳健、平衡的方 法来运用 AI，包括建立数据和分析技能、发展多学科方法、 创建多元化团队以及通过 AI 卓越中心 (CoE) 来培训团队， 这些组织已经在内部建立起了全方位的能力。

  传统企业就像是工业时代的城市，内部遍布纵横交错的小巷，而不是四通八达的 大道。由于受到历经百年的基础设施的制约，传统企业在现代化方面始终面临着 长期的挑战。

  以 AI 为核心的企业则是从一张白纸开始，领导者可以运用更大的创造力和灵活 性，并将新兴技术置于业务模式的核心位置。在 IBM 商业价值研究院最近发布的 一份报告中，Avis Budget Group 首席数字官 Ravi Simhambhatla 说道，“我还没 有遇到数字原生企业说，‘我要创新。’我只听到传统企业会这样说，因为它们正在 尝试摆脱困境。对于数字原生企业来说，一切都是关于自我颠覆。”

  Alphabet、Netflix、亚马逊和 Meta 等数字原生企业都是以 AI 为核心的高增长企 业，它们已经从 AI 投资中获得了巨额回报。8 不过，一些传统品牌也利用 AI 实现 了高速发展。例如，沃尔玛运用 AI 来匹配库存与不断变化的客户需求。该公司利 用客户和购物趋势数据来预测哪些地区的消费者会在哪些时间需要特定产品。这 样一来，沃尔玛就可以在每个仓库储存适当的商品，从而简化物流并保证快速交 货，即使在购物旺季也是如此。

  这种能力并非一夜之间养成，而是依托于负责任的数据收集与整理流程、灵活算 法的开发以及整体技术方法。总的来说，这些举措共同为沃尔玛提供了基于 AI 的 可信见解。

  几十年来，沃尔玛一直在数据和分析领域处于领先地位，因此也深知要让 AI 充分 发挥潜力，度量和优化必不可少。通过跟踪期望成果和诊断挑战，该公司能够从 AI 中发掘更多价值，并构建可适用于许多当前和未来业务应用的可扩展能力。

  沃尔玛的成功表明，尽管传统企业无法成为数字原生企业，但可以通过转型来模 仿数字原生企业的敏捷性。未来，那些集中资源发展关键领域（将 AI 嵌入核心业 务）的企业将比过度分散资源的企业实现更好的成效。

  数据可以将平均 AI 投资回 报率与领先 AI 投资回报率 之间的差距缩小一半。

  打造领先的 AI 组织，首先要考虑的一个因素是 — 组织应当如何选择、收 集、管理和使用其数据。作为一项丰富但难以捉摸的资源，数据要么成就 AI，要么阻碍 AI。

  数据就像是数字世界中的石油 — 一种提取成本高昂、难以处理的宝贵资源。低质量的数 据会污染整个生态系统。但如果以负责任的方式加以使用，数据将价值连城。

  这是因为具有可靠性、代表性、共识性的数据是建立可信 AI 的基石。人们不会使用自己不 信任的 AI 解决方案，而更注重 AI 伦理的组织则表示客户和员工对其更加信任。

  数据还有助于缩小投资回报率差距。尽管拥有巨量“数据财富”的企业尚不具备全面领先 的综合实力，但它们拥有大量高质量的数据，能够有效用数据创造价值。不仅如此，此类 企业还表示其数据得到了内部和外部利益相关者的充分信任。根据 IBM 商业价值研究院 的分析，丰富的高质量数据有助于企业实现高于平均水平的投资回报率，并改善 AI 项目 的成效（见图 4）。

  Lyft 通过数据驱动流程优化业务决策并重新定义客户体 验，从而颠覆了交通运输行业。该公司利用技术来挖掘 未满足的市场需求，在运营第一年就取得了超过 10 亿 美元的营收。到 2022 年底，该公司的营收已突破 40 亿 美元。

  Lyft 专注于实时满足客户需求，利用机器学习模型每天 做出数亿项决策，包括优化乘车价格、匹配乘客与司机以 及预测到达时间。

  要大规模利用机器学习进行实时推断，就需要海量的数 据和计算资源，优化的流程，以及一支才华横溢的数据 科学家、工程师和 AI 专家团队。Lyft 拥有大量的信 息：2022 年第四季度的活跃乘客数量为 2030 万，每年 的乘车行程达数亿次。13 这一海量数据可支持做出实时 业务决策，从而降低成本、优化资源以及简化客户出行 体验。

  实际上，领先组织所实现的投资回报率中有一半归因于 高质量、高价值且可信的数据。也就是说，仅靠数据还不 足以充分发挥 AI 的潜力。数据质量、数量、稳健性、价值 和信任都非常重要，但企业利用数据的方式对投资回报 率的累积影响要远大于其拥有的数据本身

  当今的高绩效型首席数据官 (CDO) 专注于从其组织的数 据中发掘价值。在 IBM 商业价值研究院针对数据领导者 的最新调研中，占比仅 8% 的“价值创造型 CDO”用较少 的支出创造了更大的价值。14 其中一项关键因素是他们 如何利用 AI 来改进数据：四分之三的“价值创造型 CDO”表示，将 AI 应用于数据有助于他们更快做出更明 智的业务决策。

  因此，企业可通过数据来改进 AI，而 AI 也有助于企业 更好地利用数据，从而形成一种良性循环。汉莎航空集 团跨域解决方案高级总监 Mirco Bharpalania 在谈到 AI 时这样说道，“AI 为汉莎航空打开了数据宝库的‘大门’ ，这是我们至关重要的一项能力。”

  哪些因素让领先组织能够通过 AI 投资实现卓越的投资回报率？组织 又如何利用高质量、可信的数据来释放财务和业务价值？

  为了探寻这些问题的答案，我们仔细分析了这期研究的结果，从中寻找模式、见解和 适用的现实经验。我们得知，实现卓越 AI 成效的组织从整体和全局出发，围绕信任这 一核心建立了以下六个关键领域的能力（见图 5）：

  将 AI、自动化或任何其他技术应用于设计不良的流程仍 然会产生较差的结果。通过评估核心和非核心职能（例 如客户服务、营销、供应链、财务等）以及业务部门的战 略投资计划，领导者可以发现嵌入 AI 的战略机会。

  深思熟虑的 AI 战略有助于推动转型并提高各个 AI 项目 的投资回报率（参见第 15 页“Boston Scientific 仅投入 了 5 万美元，就节省了 500 万美元”）。根据我们的研 究，将 AI 视为业务战略重要组成部分的组织，其 AI 项 目更有可能取得成功，并实现高出近一倍的投资回报率 （见图 6）。

  领导者还要在竞争差异化与成本优化之间取得平衡。一 些企业甚至正在利用公开的开源 AI 资源来提供更加快 速、低成本、可扩展的解决方案（请参阅第 14 页的“基 础模型为 AI 的未来奠定基础”）。关于如何训练这些工 具的伦理问题也将在 AI 的未来发展中发挥重要作用， 因此企业要尽早明确自己的立场。

  人工智能每天都在不断进步，变得更加智能和高效。但大多数 AI 解决方案仍然是定制的。 它们使用特定的数据集进行训练，以完成预定义任务，而这需要大量的能源和时间。

  为了提高 AI 投资的成本效益，企业需要灵活、可重用的模型，这些模型具有多种应用方式， 包括生成新内容。当今的基础模型正在为实现这一未来铺平道路。

  基础模型在理论上可以应用于许多领域，因而提供了加速和扩大 AI 采用的机会。例如，大 规模参数的 LLM 可以改变整个组织中的信息生成和共享方式。只需对 LLM 进行适当调整， 以适应语义搜索、分类、预测、摘要生成和翻译等任务即可。

  基础模型的采用还得到了一系列已成为主流的新兴 AI 工程最佳实践的支持。从模型开发到 快速工程，这些通用实践和方法大幅简化了整个企业和生态系统的协作。此外，一系列层次 化技术堆栈和 AI 架构，结合强大的开源、生态系统和研究贡献，也将为可重用的通用开发 和部署方法提供发展动力。

  尽管基础模型具有真正的前景和潜力，但同时也带来了一些新的挑战。比如说，基础模型需 要大量的计算、存储和网络资源，而这会消耗大量能源。训练一个大型自然语言处理模型的 碳足迹与五辆汽车在其整个生命周期中的碳足迹大致相同

  另一方面，还需要考虑基础模型的使用规模将如何影响投资回报率。与仅由数千名用户使 用的模型相比，经过训练以为数亿用户提供服务的大语言模型能够更快地创造更大的价 值。在较小规模的部署中，针对大语言模型的优化、微调、专业化和可移植性工作可能不会 立即转化为回报，即使这些模型可以用于许多下游任务。

  大模型还带来了一些新的挑战，包括可信度、可解释性和透明度。解决这些问题需要额外的 工作和投资，有时甚至需要新的创新和解决方案。团队必须清楚了解大语言模型的能力、部 署方式以及所需的数据管理和伦理规范。更广泛的数据工程技能至关重要，对伦理问题的 认真关注也至关重要。

  与其他颠覆性技术一样，采用生成式 AI 和基础模型也需要做出适当的权衡。只有经过持续 不断的实验和迭代才有可能取得成功。尤其是，对于企业而言，这需要平衡生成式 AI 所需 的投资与其可创造的价值。AI 的未来将由那些能够找到这一平衡点的组织来定义。

  Boston Scientific 希望实现支架检查流程自动化，从而提高在查找缺陷（例如连接 断裂或表面缺损）时的准确性。准确的检查对于临床治疗的成败关系重大。

  该公司配备了大约 3000 名专家负责目测检查工作，每年要花费数百万美元的成 本。Boston Scientific 考虑使用神经网络模型来帮助减少体力劳动，但这些模型所 需的数据要远超过该公司的现有数据。收集或生成这些数据不切实际，而且成本 过高。

  解决方案是怎样的？首先，该团队专注于粒度更小、范围更窄的任务，从而缩小问 题的范围。然后，缩减数据需求以适应新的侧重点。最后，该团队利用“现成可用” 的开源 AI 模型来简化检查流程。

  最终，该公司只投入了大约 5 万美元，就直接节省了 500 万美元的成本，同时还提 高了准确性。现在，公司员工可以更快地识别问题，并专注于处理只有人类才能胜 任的重要工作

  突破性的 AI 建立在开放创新的基础上。然而，领先的组 织学会了防范一切皆可创新的迷思。19 为了确保实验和 实施与战略相一致，组织必须将 AI 视为一门学科。组织 需要明确伦理原则，建立严格的治理体系，并强调实用 性高于理论。

  这首先就要了解哪种 AI 运营模式最适合业务需求（例 如，集中式结构、中心辐射式结构还是分布式结构）。根 据 IBM 商业价值研究院的调研，拥有巨量数据财富并将 AI 运营模式嵌入组织结构与文化的组织，其投资回报率 能达到其他组织的 2.6 倍

  在企业的实际应用中，这就像是创建最小可行产品 （MVP）。领导者应当明确应用 AI 的清晰流程，首先就 是确定希望解决的业务问题。通过为实验性部署设定明 确的目标，公司能够选择仅推进最有效的 AI 项目。

  AI 工程与运维 (AIOps) 将伟大的想法变为现实，成为运 营模式的飞轮。AIOps 整合人员、流程和平台，以快速、 大规模地应用 AI （请参阅第 17 页的“Bestseller 在快 时尚行业释放 AI 价值”）。那些成功设计流程以帮助团 队进行扩展，并监控 AI 应用绩效的组织，其投资回报率 可达到其他组织的 2.6 倍。

  工程学科能加速这个 AI 飞轮并使其有效运转。就像许 多公司使用 DevOps 和其他软件工程方法来加快项目进 展而不牺牲质量一样，AIOps 有助于缩短开发周期、改 善协作、提高运营效率以及更成功地部署解决方案。21 标准化和结构化专注对于跟上创新步伐至关重要，但不 能违反 AI 伦理原则。

  （本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）