核心观点
生成式AI比任何人都聪明，也比任何人都“蠢笨”。 生成式AI时代，人才的价值：真正的创造力、有深度的技术技能、领导力。 生成式AI的爆发使得AI产生经济影响比麦肯锡预期的预测早了八年，很少有领域能发生这种情况，显示了成式AI的潜力是惊人的。 生成式AI影响的主要领域：销售与营销、软件开发、客户服务、产品与技术研发。 生成式AI应用四个主要类别：客户关怀、“精确简明”的专家系统、编程、创意内容。 面对生成式AI，公司的策略选择：接受者（Taker）、塑造者（Shaper）、创造者（Maker）。 对于公司运营，真正拉开差距的是软性因素：人才发展路径、业务与技术协作模式、计划和融资模式。
McKinsey & Company
今天的话题将聚焦如何借助数字化和AI的力量，获取竞争优势。
首先，让我们从生成式AI说起。作为麦肯锡数字业务的负责人，这个部门的业务量占据了我们公司整体业务的半壁江山。从麦肯锡数字业务的客户工作量来看，它大约占到了我们员工总数的四分之一，以及客户工作量的一半。在麦肯锡的数字业务中，我们专注于三个主要方向：帮助客户构建新的数字化业务、升级核心技术，以及通过AI推动企业实现经典的数字化转型。
然而，自今年1月以来，大家可能会注意到我们一直在讨论生成式AI，因为它已经成为了全球热议的焦点。在过去的六个月里，我参加的董事会会议数量已经远远超过了过去五年的总和。我敢肯定地说，全球各大主要企业的董事会都在热烈讨论AI。
生成式AI是否被过度炒作了？确实存在这样的说法。但如果我们从AI三十年的发展历程来看，而不仅是近半年生成式AI的热度，我们会发现这其实是一个真实存在的趋势。几周前，在一次董事会上，我深入讨论了AI如何改变世界。一位董事提出了一个很有洞察力的问题：“这很不错，但您愿意和我打个赌吗？生成式AI明年的价值会不会超过我今年的NFT投资组合？”这确实是一个值得思考的问题。基于对AI三十年发展的了解，我接受了这个挑战。
生成式AI的独到之处在哪里呢？以往的技术，往往是“一种模型对应一种用途”。比如，要减少客户流失，就需要建立一个专门的模型；要改善供应链，又需要另一个模型；优化定价或寻找新员工，同样需要特定的模型。而生成式AI的亮点在于，它是一个通用模型，也就是人们所说的“基础模型”。只需进行简单的调整，甚至非技术人员也可以将其应用于多种AI场景。虽然实际操作并不像听起来那么简单，但这些多功能模型就好比AI界的“瑞士军刀”，能够应对多种不同的任务，极大地推动了AI的普及和应用。这样的观点并非我的独创。
生成式AI对人才有何影响？
我希望这里只是因为我个人认为，这是一个非常贴切的比喻：生成式AI既比你见过的任何人都聪明，又比你见过的任何人都“蠢笨”。那么，我们如何看待一种技术，它能够通过律师资格考试呢？GPT-4的律师资格考试通过率超过了90%，而GPT-3只有10%，这是一个显著的进步。它还能在AP历史、AP数学甚至AP化学等考试中表现出色，这些考试可能会让你联想到你家孩子的学业阶段。然而，它能完成这些被视为人类成就巅峰的任务，但如果你问它“ketchup”这个单词中有多少个“e”，它往往会答错。那么我们如何看待这种能够通过律师资格考试但可能在幼儿园水平测试中失败的技术呢？
原因在于其工作原理。它本质上是在互联网上所有公开文本中寻找关联，事实上很多人在互联网上关于番茄酱（ketchup）写了一些离奇的内容，所以它在处理这种简单问题时会出现错误。因此，这是一种非常强大的技术，但并不是万能的，也并非适用于所有领域。而且，随着它与其它形式的AI结合使用，以实现更全面的结果，我们看到了其越来越大的影响。这也引发了一些关于“人才”真正意味着什么的值得深思的问题。几个月前，我们在麦肯锡的董事会上讨论了这一点：这对我们的人才战略有何影响？
如果你想象一个典型的麦肯锡商业分析师或MBA的形象，他们通常是出色的沟通者，对广泛的领域有所了解，能够很好地进行重复分析工作，并经常工作到深夜。而现在，我的手机可以在几毫秒内完成所有这些工作，那么这对我们未来的价值何在？
我们正在进行辩论和即将做出的决策是：确实，一些技能，如良好的文档沟通能力可能会被商品化。但我们在三个领域将看到价值的增加：
1. 真正的创造力。这些模型可以模拟创造力，它们是概率性的，但本质上并不具备真正的创造力。
2. 技术技能。这里有些矛盾，因为这些模型本应且确实非常易于使用，但正如我稍后解释的，它们也会大大增加对数据工程和某些其它技术技能的需求，因此真正的技术深度将变得更为关键。
3. 领导能力。那些能够真正领导、设定目标、组建团队、激励和协调的人才，目前这些模型还无法像人类那样胜任这些工作。也许“GPT-7”可以，但目前我认为我们人类仍然占据优势。
生成式AI的经济潜力
谈到经济潜力，正如麦肯锡全球研究院所揭示的，我们这个经济智库进行了大量的建模工作，深入研究了AI，尤其是生成式AI的影响。当我展示这张图表时，可能首先吸引你们注意的是高科技和零售业的巨大增长，而农业和保险业等的增长则相对较小。但请注意，这张图表的真正意义在于，无论哪个行业，这些影响都达到了500亿至2500亿美元的规模。因此，无论你关注哪个行业，这种影响都是巨大的。
实际上，麦肯锡全球研究院认为，这实际上是将人们预期的AI经济影响提前了八年。很少有领域能让你在某一刻意识到你的预测竟然偏离了八年之久。因此，其潜力无疑是惊人的。
生成式AI的影响
当我们审视这些功能时，我们发现大约有65个应用场景，这些应用场景在六七个功能中推动了超过三分之二的价值。接下来，我会详细解释这些应用。是的，生成式AI将改变法律、企业、金融等领域，但真正带来革命性变化的将是销售和营销、软件或技术功能、客户运营以及产品研发或技术运营。
我们在这里关注的是功能规模，尽管这些都是一些较大的功能，但我们更关注的是功能影响的百分比。因为我们发现，如果你只改变了某个功能的10%或15%，通常只是改进了工作方式；但一旦超过15%，你就开始实际改变工作岗位，可能会被其它领域的工作替代，这时你正在对劳动力结构进行更实质性的改变。
人们今天如何使用AI
那么，人们现在究竟是如何使用AI的呢？在过去的几个月里，我有幸与超过200位首席执行官和董事会成员进行了深入讨论。在大多数讨论结束时，我都会询问他们目前是如何实际运用AI的。如果你问技术人员，他们可能会给出一些专业的技术答案；但如果你问一般的商业领导者，他们目前真正使用AI的方式，最常见的回答是写生日诗、准备退休演讲、规划旅行等。这些事情都很有意思。但当你审视他们的公司时，实际上有很多类似企业版的“生日诗”和“旅行规划”。
斯坦福大学的教授Chris Ré用“糖水应用场景”来形容这些情况，很多人发现这些应用场景易于实施，能迅速看到效果，但可能不会有持久的企业级影响。不过，这种情况正在发生变化。我们看到了一个巨大的发展脉络，正如刚提到的客户关怀案例，这是我将要提到的一个例子。实际上，现在有大量真正的企业级应用场景正在这一脉络中孕育，未来几个月内将会推出，或已在过去几个月内推出。
客户旅程（Customer/Patient Journeys）
我们目前正与近200家客户合作，实际构建企业级的生成式AI应用。我们观察到90%的应用集中在以下四个类别，我们称之为四个“C”。接下来，我会花几分钟时间简要介绍我们在这些领域的见解。
第一个类别，如客户关怀案例，主要涉及客户旅程。如果你在医疗保健领域，也可以称为患者旅程。我们看到的影响潜力是巨大的。例如，我们与一家电信公司合作，目标是在他们的客户呼叫中心和客户运营职能中实现80%的生产力提升。一家电商企业已经在销售和营销运营以及客户支持方面实现了50%的提升。尽管他们尚未拥有所有支持这一目标的应用程序，但他们预计明年年初将会具备这些应用程序。
这是关于生产力对话的第一个突破点。然而，自夏初以来，随着人们发现增长对话同样具有吸引力，甚至在我看来比生产力对话更具吸引力，真正的转变已经发生。为了说明这一点，夏季期间从英国发布的一项研究非常具有启发性。研究人员决定探究患者是否能分辨出是医生在给他们发短信还是聊天机器人（我猜是GPT-3.5）。患者被随机分配给医生或聊天机器人互动一段时间，然后再互换，接着询问患者是否能分辨出是谁在与他们交流。
令人惊讶的是，平均而言，患者能够分辨出超过70%的聊天机器人和医生，即使是年长的患者也能够分辨出。但随后他们问了一个后续问题：你更喜欢哪一个？患者们压倒性地表示更喜欢聊天机器人，认为它不仅信息量更大，还更具同情心。我的弟弟在英国是一名医生，所以我对这些数据深信不疑。但更重要的是，这预示着公司如何与客户和利益相关者建立新的关系，并且意味着在客户深度关系中的参与度（如交叉销售和追加销售）将有巨大的潜力。我们目前只是处于人们在客户旅程中使用这一技术的初期阶段。这是这里的第一个“花瓣”。
虚拟专家
第二个“花瓣”是我们自创的一个词“精确简明”（Concision）。
我们已经多次提到，并希望明年它能被收录进词典。这个词融合了简明和精确的特点。现在你可以问：“全球大豆生产的驱动因素是什么？”这样的问题，并在几秒钟内在手机上得到一个非常简明且有用的答案。但真正有用的是，如果你能将这种能力与组织的私有数据结合起来，并且以正确的方式在适当的背景下进行，这样我们就能区分出由真正了解情况的人提供的良好、近期和相关的信息，而不是某个存档中的随机公司文档。这很难做到，但如果做得好，我们将看到一些令人惊叹的虚拟专家案例。
我们与一家矿业公司合作，他们为其大型设备部署了这种虚拟专家系统。与传统的PDF维护手册不同，现在有了聊天维护手册，用户实际使用它的频率显著提升，因此取得了更好的维护效果，并且从中学习了大量预防性维护和预测性故障的知识。台湾的一家电子公司也在其产品开发功能中运用了这种系统。他们面临的难题是：如何将普通工程师的技能提升至优秀水平，从而与公司的顶级工程师并肩？
另一个例子是我们与一家律师事务所的合作项目。如果你是二年级的律师助理，遇到难题时你可能会向三年级的同事请教，但这可能并不是事务所内最专业的知识。这些虚拟专家系统的好处在于，你可以直接访问拥有20年经验的高级合伙人的专业知识，而不仅仅依赖于同事间的互助。
接下来，我将向大家展示我们在麦肯锡内部实际构建的虚拟专家系统案例。
编程（Coding）
第三个“花瓣”是编程领域。
尽管我之前提到了写生日诗的例子，但软件工程师在这个领域已经走在了前列，并正在显著地运用这些技术。我们发现，如果为用户提供现成的自动化编程工具，他们的生产力可以提高约20%；如果再加上一些培训程序，这个提升幅度可以达到55%至75%。这意味着自年初以来，软件开发的成本已经降低了一半，预计到明年年中可能还会再减半。
请大家思考一下，这对你们组织内的“自建与购买”决策的影响，以及这对企业软件行业的影响。该行业在过去几年一直是私募股权投资的热门领域，但随着开发成本的大幅下降，我们将会看到新的竞争格局，这是一个巨大的变革。另外值得一提的是，如果将这些工具交给技术水平不高的开发人员，他们的生产力反而会下降7%到8%，因为他们可能会更快地编写出更多的低质量代码。
除了提高生产力，这项技术还对你的技术战略具有重要意义。在许多组织中，我相信大家可能也遇到过类似的困境：受限于老旧的大型主机或技术，每年都要花费大量资金来支付维护这些系统的费用。你们每年都在权衡是继续使用现有的系统（尽管它已过时但已完全折旧），还是迁移到新的系统。这是大多数CIO和董事会在考虑技术支出时的难题，而这项技术有望改变这一局面。你可以编写自动化序列，即模拟器，允许你用更现代的语言编写代码，并自动将其翻译成旧系统中需要的旧语言。这可以延长旧系统的使用寿命，让你能够将技术支出从基础设施和维护转移到真正想做的现代应用开发上。
我不想夸大其词，但这个领域目前还处于概念验证阶段。如果最终成功，将会带来战略性的巨大转变。
创意内容（Creative Content）
第四类是创意内容。
你们可能都看过，也尝试过用图像进行各种有趣的事情，这个领域的潜力是惊人的。大多数大公司现在都已经意识到，他们需要自己的专有图像数据库，因为仅仅依赖模型从公共互联网获取信息存在很大风险。但这里可以做的事情确实令人瞩目，如个性化营销、个人推广活动，甚至将分子视为图像来进行操作。我们正在帮助客户在化学领域进行一些创新尝试，比如如何围绕化学物质创造可能更环保或具有不同特性的变体，或者如何实际使用一个分子并查看它所不同的用途，以更高效地搜索文献，找到以前无法发现的用途。
再举一个例子，最近几周中国出现了一个非常有趣的案例。你们可能都看过在线直播卖家，这是中国一个巨大的商业模式，在世界其它地方规模较小。人们全天候在互联网上销售各种消费品。现在中国有一家公司，你只需给他们1000美元和一分钟的视频（以前是三分钟，现在缩短到一分钟），他们就能为你创建一个虚拟卖家。他们会将视频转化为一个可以销售你喜欢的任何产品的虚拟形象。这个虚拟形象可以全天候工作，不会吃太多东西，虽然可能不如你最好的卖家出色，但实际上已经超越了大多数公司目前拥有的平均水平的直播卖家。在短短几个月内，已经有40万个这样的虚拟卖家在网上销售消费品，全天候运作。自从这些虚拟卖家出现以来，直播卖家的工资已经下降了超过20%。
这个领域的发展将非常有意思。虽然这个例子可能是一个特例，甚至可能会受到监管的限制，但它展示了这项技术所能实现的巨大潜力，是一个非常值得关注的案例。
基础模型
我希望我没有让这一切听起来过于简单，因为事实并非如此。
这一页的内容可能较为技术性，但我尽量不让大家费力去理解。我想强调的是，超过80%的公众讨论都集中在第三个方框——基础模型上。关于OpenAI是否优于Bard，今天《纽约时报》还在批评Bard。哪个更好？Anthropic和Cohere又如何比较？现实情况是这些模型的性能相当接近。斯坦福大学和其它研究机构已广泛评估了这些模型的性能，它们大多基于2018年最初用于语言翻译的Google公共模型，目前只是在此基础上的少量变种。
开发这些模型的核心团队大约有150人，他们彼此之间是师生或同事关系，相互熟悉。这些模型的性能基本一致，不会像搜索引擎那样一个模型会明显领先成为首选。这是否意味着这些模型都已商品化？并非如此。虽然有六个模型，但并非二十个，这中间还存在一些重要的架构选择。有些企业愿意将数据发送到他人的模型，在云环境中运行；而有些企业则希望模型完全在自己的数据环境中运行。有些企业愿意与大型云服务商合作，而有些企业则希望避免供应商锁定，选择能够在不同云服务商之间切换的解决方案。这些架构选择大约占到了15%到20%。当我们审视我们帮助构建的解决方案时，这一部分所涉及的总成本和总努力也只占15%到20%。而剩下的80%到85%则是模型前后的工作。
模型前的工作包括如何进行提示工程、如何将公司的数据以合适的方式纳入模型并设置单向阀门。模型后的工作则涉及后处理，如何构建所谓的机器学习运维后端，使其安全、稳定、可扩展，并减少幻觉和避免任何潜在的偏见。这些部分更为复杂。
那么展示这些内容的意义何在呢？并不是说这些问题无法解决，事实上这一页上的所有问题都可以由你的组织或你们熟知的人员解决，但这需要付出努力。我们观察到一些组织尝试进行150个生成式AI试点项目，或采用自下而上的应用场景优先级方法，这令人担忧。要做好这一切，你只能在少数几个关键领域集中精力。因此我们建议选择一个真正有价值的地方，构建出一个稳健的解决方案架构，然后再从那里进行扩展，而不是在多个领域同时尝试。
讨论框架
我们与企业合作时，使用了一个相对简单的讨论框架：你希望在何处成为接受（Taker）、何处成为塑造者（Shaper）、何处成为创造者（Maker）。有些公司早期在自认为安全的领域进行实验，比如在人力资源部门构建一个AI工具用于编写职位描述，并爬取LinkedIn数据，或者在财务部门构建一个AI工具用于为管理层总结财务信息。这些实验是可以的，但我们通常认为这样做有点浪费公司的创新资源，因为这些功能很快就会被软件行业作为内置特性提供。像Workday或SAP等公司会将这些功能纳入其产品，因此这些并不会成为竞争优势，只是基础功能。对于这些领域，你可以成为一个接受者，评估它看是否足够好，在适合的时候采纳它。
相反，我们建议企业考虑在哪里可以成为塑造者，哪些地方如果你做对了会带来真正的竞争优势？哪些是公司的独特优势？这些地方需要构建一些专有的东西，不一定从头开始，但需要从现有组件中组装出对你们有效的解决方案。例如，对于麦肯锡来说，知识管理是我们认为具有专有性、特别性和差异化的领域，因此我们选择在这里成为塑造者。我们研究了许多现成的工具，但都不符合我们的需求，所以我们决定构建自己的工具。
有些公司甚至会更进一步，成为创造者，构建自己的大型语言模型。彭博社就是一个著名的例子，他们基于金融数据构建自己的模型，因为他们对数据的处理非常谨慎，不愿意将原始数据交给其它人。然而，对于大多数公司来说，这将是一项非常昂贵且可能不必要的工作。
如果你看看我们选择塑造的领域，这是一个非常简单的聊天界面，供我们所有的顾问使用。截至目前，约有一半的顾问正在使用，到10月底将全面推广。这个工具允许团队提出简单的问题，比如“如何进行零售店运营诊断”，然后它会在公司内部的42个不同数据库中进行搜索，涵盖了15万小时的外部访谈（已数字化和清理过的）、项目分配日志（记录了谁在什么行业从事过何种项目），并生成问题的初步答案。这些答案引用了具体的内部文件，并指出了可以联系的专家。你还可以点击另一个面板，在保密保护的开放AI模型上询问相同的问题，了解外部世界对这个问题的看法，查看哈佛商业评论中的相关内容等。
这个工具不会替代我们的团队，但它确实能极大地加速我们的工作进程。人们对其非常喜爱，更重要的是，在构建这个复杂架构的过程中，我们收获颇丰。当我们首次推出这个工具的MVP（最小化可行产品）时，每次查询的成本高达1.7美元。如果团队频繁使用，很快会耗尽公司资源。幸运的是通过上下文工程和提示工程，我们将成本降低至每次查询几美分，并在后续进一步降低了四倍。
如何妥善解决这些问题，特别是如何正确进行上下文工程和构建提示库，使人们能正确使用这些工具，这些都是公司在AI领域持续发展中需要不断完善的技能。
AI转型手册
我们非常激动和惊讶地看到这本书取得了巨大成功，甚至登上了《华尔街日报》畅销书榜的第三名。在撰写此书时，我们其实是将提供给团队的麦肯锡手册进行了整理出版。当时，我们以为或许只有一些商学院的书店会销售。幸运的是，我们赶上了AI的浪潮，对此我们深感欣喜。
在观察AI驱动的转型时，我们发现了一个有意思的现象：当我们开始写作时，91%的公司表示他们已经涉足AI领域。我敢打赌，如今这个数字可能已经攀升至99%。然而，只有25%到30%的公司真正实现了盈利目标，其中25%在成本控制上，30%在收入上达到了他们的财务预期。因此，我们从200个优秀案例中，通过逆向工程的方法，整理出了这本手册。
接下来，我将简要介绍一下本书的亮点，而不是详细阐述全部400页的内容。
首先，最常见的失败模式是，公司主席或CEO宣布我们要发展AI、实现数字化，然后组织内各个部门各自为政，开始独立行动。如今，我们又开始担忧GenAI。因为GenAI虽然容易试点，但实际上难以实现企业级的影响。我们担心这会让我们重蹈2018年因过多试点而失败的覆辙。
第二个失败模式是缺乏雄心勃勃的财务目标，或者根本就没有设定财务目标。通常，设定了15%到20% EBITDA目标的公司，更有可能实现更高的目标达成率。这意味着，如果你瞄准的是“大奖”，你更有可能实现90%以上的目标；而如果你的目标过小，可能只能实现不到一半。为何会这样呢？我们尚不完全清楚，但我们猜测，这可能是因为实现这一目标需要真正的资源投入和跨部门合作。除非公司在足够大的目标上达成共识，否则这一目标难以实现。
因此，一个真正有效的自上而下的发展路线，应该由业务部门主导，或者由业务与技术部门紧密合作。
接下来谈谈人才问题。我们对公司在提升现有员工能力方面取得的进展感到惊讶和钦佩。事实证明，从硅谷公司挖角顶尖人才或许能改变公司的着装风格，但并不能真正改变公司文化。所以，真正投资于员工技能提升和再培训的公司往往更为成功。
再来说说运营模式。我希望有一个比“敏捷”更贴切的词汇，因为“敏捷宣言”已经相当古老了。然而，在我们研究的成功群体中，每家公司都采用了某种形式的敏捷方法。这不仅意味着技术功能上的敏捷性，更重要的是业务与技术之间的紧密合作和协同控制。如果你的法律、监管和合规等部门没有融入敏捷理念，你就无法获得其带来的好处。
接下来是技术问题。我们发现更多成功的公司实际上在技术上投入较少而非过多。那些先花费2亿美元建立一个巨大的数据湖然后再寻求突破的公司通常不会走向成功。相反地，将你的数据迁移到云端并进行适当的索引（即使不是完全结构化）在具有业务价值的重点领域进行这样的操作而非全面铺开已被证明是更为有效的策略。
再来谈谈数据治理问题。虽然我们可以就此展开很多讨论，但它更多是一个组织问题而非技术问题。不过，许多公司错误地认为他们离AI的理想状态只差一个应用场景的距离，事实并非如此。你需要在一个领域内进行彻底的转型，通常需要10到11个不同的应用场景才能实现这一目标。你的数据需要得到良好的组织，因此真正在这方面投入的公司能够取得领先地位。
最后是采用和扩展的问题，在采用新技术和进行扩展时有许多一般性的变革内容需要关注。变革必须从上至下进行领导，你需要有一个明确的变革愿景。但在这个领域中，激励措施显得尤为重要。如果当你询问谁负责采用某些新的AI方法时，所有人都转向看CIO，那是错误的做法。实际上需要将其纳入业务领导者和职能领导者的目标中，就像它是一个成本计划或收入计划一样重要。在其它变革管理杠杆中，激励措施的重要性不言而喻。
这本书的大部分内容是在GenAI的早期阶段撰写的，因此它可能没有捕捉到所有最新的思考成果。但我们认为，如果有的话，过去六个月中GenAI的快速发展进一步强调了本书所传达的关键信息，即采取自上而下的方法，并真正投资于你的才能提升上。
我们深入研究了这些直接面向消费者的应用程序，并详细分析了它们的运营模式。我们确实发现，这些应用程序在功能上大致相同。有时某个功能可能被某家公司提前数月推出，但很快其它公司就会跟进模仿。然而，当我们关注哪些公司真正盈利时，通过他们通过新数字渠道的收入、每位客户的价值、分支机构员工人数的减少以及最终如何影响股本回报率（ROE）等指标，我们发现了一个相似的规律：大约25%的公司实现了盈利，而约四分之三的公司并未真正盈利。因此，对那四分之一盈利的公司来说，这将是实现差异化的关键。
如果我们审视这些公司的运营模式，并思考它们之间的不同点：如果表面上看似相同，那么内部又有何差异呢？数据告诉我们，在这些公司中，真正决定成败的是软性因素。它们是否为技术人才搭建了合适的职业发展路径？技术人员加入公司时，是否清楚自己将与顶尖的技术团队共事，并且不会被当作IT支持人员，而是被视为业务中的真正合作伙伴？那些具备这种机制的公司，比起“你的应用程序是否具有某种功能？”这样的表面问题，更能够展现出其独特的竞争力。此外，拥有高效业务与技术协作模式的公司，或是真正考虑到技术人员在合适的数据产品环境中工作的客户，这些都是使它们脱颖而出的重要因素。
我不确定这一模式是否适用于所有行业，但我们对那些能够正确构建技术职业阶梯的业内参与者印象深刻。坦率地说，我们麦肯锡内部也在这方面做了很多工作。八年前，我们几乎没有拥有深厚技术背景的人才，因此我们投入了大量时间研究如何吸引优秀的技术人才，并确保他们不会感到自己只是MBA们的辅助人员。而那些成功的公司，正是能够做到这一点的典范。
Freeport-McMoRan案例
我刚才提到的案例来自位于亚利桑那州巴格达的Freeport-McMoRan铜矿公司，这个案例在我们书中有详细的描述。他们利用AI技术取得了显著成效，这发生在生成式AI技术流行起来之前。
他们在亚利桑那州的矿场开采铜矿已有近百年的历史。尽管我住在纽约市，对采矿业不太熟悉，但我知道整个采矿流程相当复杂。矿石从地下开采出来，初始铜含量大约为1%，然后经过铜精炼厂处理，铜含量提升至20%。这一流程已经持续了一个世纪。然而，随着时间的推移，矿石质量开始下降，铜含量降至约0.5%。面对这种情况，他们意识到要维持产量，可能需要新建一个铜精炼厂，而这将需要高达2亿美元的投资。
在仔细权衡之后，他们开始思考：“全球铜市场价格波动如此之大，这2亿美元的投入真的值得吗？”于是，他们决定给自己一年时间，尝试通过优化现有资产来提升产量，而不是直接投入巨额资金。在这个矿场，有一位具有前瞻性的矿场负责人和一位技术负责人，他们提议：“让我们尝试用数字化手段来优化矿场运营。”他们绘制了铜精炼厂的运营流程图，发现整个流程中涉及42个不同的决策点，包括安全库存大小、卡车排队时间以及精炼厂内部控制器的设定点等。
他们进一步发现，通过建立这些决策点的数学优化模型，许多长期以来的传统做法实际上并不正确。例如，他们发现不需要维持那么高的安全库存，可以降低；过去认为降低库存会导致操作员被解雇，但实际上这恰恰是正确的做法。在卡车排队问题上，他们原本认为保持一到两辆卡车排队是合理的，但优化后发现三到四辆更合适。此外，他们还对工厂运行的温度等参数进行了调整。这些优化措施使他们的生产效率提高了10%，并且这个数字还在增长。这一提升帮助他们避免了2亿美元的资本支出。
不仅如此，他们还提高了生产安全性，因为优化改变了工厂运行中的一些关键操作参数。这一改变对他们来说至关重要，因此他们宣布了战略转型，决定更加注重从现有资产中挖掘潜力，而不是盲目地开挖新矿洞。这一成功案例也引起了其他铜矿公司的关注，他们开始效仿Freeport-McMoRan的做法。但Freeport-McMoRan凭借其在学习曲线上的领先地位，始终保持着行业优势。从他们的产量增长情况来看，有充分证据表明他们确实处于领先地位，并成功保持了这一优势。
这是一个典型的工业案例，展示了如何应对挑战并寻找解决方案。但我认为，对任何公司而言，无论是否属于工业领域，都应该从顶层开始思考。要考虑哪些因素能真正推动业务价值？你的"铜精炼厂"产出数是多少？要探索不同的策略，不仅是生成式AI战略，而是全面的AI战略。可以尝试哪些不同的方法来实现改变？
--【本文完】---
近期受欢迎的文章：
更多交流，可添加本人微信
（请附姓名/单位/关注领域）
