翻译: 生成式人工智能的经济潜力 第一部分商业价值 The economic potential of generative AI

生成式人工智能即将引发下一波生产力的浪潮。我们首先看看业务价值可能会增加的地方，以及对劳动力的潜在影响。

1. 人工智能已经逐渐渗透到我们的生活中

人工智能已经逐渐渗透到我们的生活中，从为智能手机提供动力的技术到汽车上的自动驾驶功能，再到零售商用来惊喜和取悦消费者的工具，无所不在。因此，它的进步几乎是不可察觉的。明显的里程碑，比如DeepMind开发的基于人工智能的AlphaGo在2016年击败世界冠军围棋选手的时刻，曾经受到了赞美，但很快就淡出了公众的意识。

ChatGPT、GitHub Copilot、Stable Diffusion等生成式人工智能应用程序已经以一种AlphaGo所没有的方式，捕捉到了全世界人们的想象力，这要归功于它们的广泛实用性——几乎任何人都可以用它们进行交流和创作——以及它们与用户进行对话的超自然能力。最新的生成式人工智能应用程序可以执行一系列例行任务，比如重新组织和分类数据。但正是它们写作文本、创作音乐和数字艺术的能力引起了人们的关注，并说服了消费者和家庭进行自己的实验。因此，更广泛的利益相关者正在努力应对生成式人工智能对商业和社会的影响，但却没有太多的背景知识来帮助他们理解它。

生成式AI技术发展的速度并没有使这项任务变得更容易。ChatGPT于2022年11月发布。四个月后，OpenAI发布了一个新的大型语言模型(GPT-4)，具有明显改进的能力。同样，到2023年5月，Anthropic的生成式AI"Claude"能够处理10万个标记的文本，相当于大约75000个单词，每分钟-平均小说的长度-与3月份推出时的约9000个标记相比。同时，谷歌也在2023年5月宣布了几项由生成式AI驱动的新功能，包括搜索生成体验和一个名为PaLM 2的新LLM，将为其Bard聊天机器人等谷歌产品提供动力。

要了解未来的发展，需要了解使生成式AI崛起的突破，这些突破是数十年的努力成果。为了本报告的目的，我们将生成式AI定义为通常使用基础模型构建的应用程序。这些模型包含广泛的人工神经网络，受到连接在人类大脑中的数十亿个神经元的启发。基础模型是所谓的深度学习的一部分，这个术语暗示了神经网络中的许多深层。深度学习推动了人工智能的许多最新进展，但是驱动生成式AI应用程序的基础模型是深度学习中的一个重大进化。与以前的深度学习模型不同，它们可以处理极大且各种各样的非结构化数据，并执行多个任务。

基础模型已经赋予了新的能力，并大大改进了包括图像、视频、音频和计算机代码在内的广泛领域的现有能力。在这些模型上训练的人工智能可以执行多项功能；它可以分类、编辑、总结、回答问题，并起草新内容，等等。

我们所有人都处在理解生成式人工智能的力量、影响和能力的旅程的开端。这项研究是我们努力评估这个新时代人工智能影响的最新成果。它表明，生成式人工智能有望改变销售和营销、客户运营和软件开发等职能的角色，并提升其性能。在这个过程中，它可能会在从银行到生命科学等各个行业释放数万亿美元的价值。以下部分分享了我们的初步发现。

要获取完整版的报告，请下载PDF。

2. 重要见解

生成式人工智能对生产力的影响可能会为全球经济增加数万亿美元的价值。我们最新的研究估计，生成式 AI 可能每年为全球经济增加相当于 2.6 万亿至 4.4 万亿美元的价值，这是通过分析我们研究的 63 个用例得出的。相比之下，2021 年英国的整体国内生产总值（GDP）为 3.1 万亿美元。这将使所有人工智能的影响增加 15 到 40%。如果我们将生成式 AI 嵌入到目前用于其他任务的软件中，这个估计值可能会翻倍。

大约 75% 的生成式 AI 用例可能带来的价值集中在四个领域：客户运营、市场营销和销售、软件工程以及研发。我们检查了 16 个商业功能中的 63 个用例，这些技术可以以产生一个或多个可衡量结果的方式解决特定的商业挑战。例如，生成式 AI 支持与客户的互动、为市场营销和销售生成创意内容、以及基于自然语言提示编写计算机代码，以及许多其他任务。

生成式人工智能将对所有行业产生重大影响。银行业、高科技和生命科学等行业可能会看到其收入中生成式 AI 带来的最大影响。例如，在银行业，如果完全实施了这些用例，该技术每年可能带来相当于额外 2000 亿至 3400 亿美元的价值。在零售和消费品包装行业，潜在影响也非常显著，每年为 4000 亿至 6600 亿美元。

生成式 AI 有潜力改变工作的结构，通过自动化一些个人活动来增强个体工作者的能力。当前的生成式 AI 和其他技术有潜力自动化目前占员工时间 60% 至 70% 的工作活动。相比之下，我们之前估计技术有潜力自动化员工工作时间的一半。技术自动化潜力的加速主要是由于生成式 AI 在理解自然语言方面的能力提高，而这是占总工作时间 25% 的工作活动所需的。因此，生成式 AI 对与薪资较高和教育要求较高的职业相关的知识工作的影响大于对其他类型工作的影响。

鉴于技术自动化潜力的增加，劳动力转型的步伐可能会加快。我们更新的采用情景，包括技术发展、经济可行性和扩散时间线，导致了这样的估计：今天的工作活动有一半可能在 2030 年到 2060 年之间被自动化，中点在 2045 年，或大约比我们之前的估计提前了十年。

生成式 AI 可以显著提高整个经济的劳动生产率，但这需要投资来支持工人在转换工作活动或更换工作时的需要。生成式 AI 可能使劳动生产率每年增长 0.1% 至 0.6%，这取决于技术采用率和工人时间重新部署到其他活动中的速度。将生成式 AI 与所有其他技术相结合，工作自动化每年可以为生产率增长增加 0.2 至 3.3 个百分点。然而，工人们将需要支持以学习新技能，一些人将改变职业。如果能够管理好工人转换和其他风险，生成式 AI 可以实质性地促进经济增长，并支持一个更可持续、更包容的世界。

生成式 AI 的时代才刚刚开始。对这项技术的兴奋之情是明显的，早期的试点项目也令人信服。但是，要完全实现技术的好处需要时间，商业和社会领袖仍面临着重大挑战。这些包括管理生成式 AI 固有的风险，确定劳动力将需要什么新技能和能力，以及重新思考核心业务流程，如重新培训和开发新技能。

3. 商业价值在哪里

生成式人工智能是人工智能演变的一个重大转变。随着公司争相适应和实施这一技术，理解这项技术为经济和社会大众带来价值的潜力将有助于塑造关键决策。我们使用了两个互补的视角来确定目前生成式 AI 的能力能在哪些领域带来最大价值，以及这些价值可能有多大（展示 1）。

可以通过两个视角评估生成式 AI 的潜在影响。

第一个视角是扫描组织可以采用的生成式 AI 的用例。我们将“用例”定义为将生成式 AI 针对特定商业挑战的有针对性的应用，从而产生一个或多个可衡量的结果。例如，市场营销中的一个用例是应用生成式 AI 生成创意内容，如个性化电子邮件，其可衡量的成果可能包括降低生成此类内容的成本和由于规模更大的高质量内容带来的收入增加。我们确定了 16 个商业功能中的 63 个生成式 AI 用例，当应用于各行业时，这些用例每年可能带来总计 2.6 万亿至 4.4 万亿美元的经济效益。

这将在我们目前估计的非生成式人工智能和分析可能解锁的 11 万亿至 17.7 万亿美元的经济价值上增加 15% 至 40%。（我们之前在 2017 年的估计是 AI 可以创造 9.5 万亿至 15.4 万亿美元的经济价值。）

我们的第二个视角通过分析生成式 AI 对大约 850 个职业中所需的工作活动的潜在影响来补充第一个视角。我们建立了模型来估计生成式 AI 何时能执行这些职业在世界经济中组成的超过 2100 个“详细工作活动”（例如“就运营计划或活动与他人沟通”）。这使我们能够估计目前生成式 AI 的能力如何影响全球劳动力目前所做的所有工作的劳动生产率。

这种影响的一部分将与上述用例分析中描述的成本削减重叠，我们假设这些成本削减是由于劳动生产率的提高。扣除这种重叠后，生成式 AI 的总体经济效益——包括我们探讨的主要用例和当这项技术应用于知识工作者活动时可能实现的无数生产率提升——每年总计 6.1 万亿至 7.9 万亿美元（展示 2）。

虽然生成式人工智能是一项令人兴奋且快速发展的技术，但我们之前报告中讨论的其他人工智能应用仍占人工智能总潜在价值的大部分。传统的高级分析和机器学习算法在执行数值和优化任务（如预测建模）方面非常有效，并且继续在各种行业中找到新的应用。然而，随着生成式人工智能的持续发展和成熟，它有潜力在创意和创新方面开辟全新的前沿。它已经扩展了人工智能总体能够实现的可能性（见边栏“我们如何估算生成式人工智能用例的价值潜力”）。

在这一部分中，我们强调了生成式人工智能在商业功能中的价值潜力。

生成式人工智能可能对大多数商业功能产生影响；然而，当根据该技术作为功能成本的一部分来衡量时，一些功能尤其突出（展示 3）。我们对 16 个商业功能的分析仅确定了四个——客户运营、市场营销和销售、软件工程和研发——这些功能可能占生成式人工智能用例总年价值的大约 75%。

值得注意的是，使用生成式人工智能在我们之前对人工智能用例规模估计中突出的几个功能（包括制造业和供应链功能）的潜在价值现在大大降低。这主要是由生成式人工智能用例的性质所解释的，它们排除了大多数数值和优化应用，而这些应用是以前人工智能应用的主要价值驱动因素。

除了生成式人工智能在特定功能用例中可以带来的潜在价值外，这项技术还可以通过彻底改革内部知识管理系统，为整个组织带来价值。生成式人工智能在自然语言处理方面的卓越表现可以帮助员工通过以询问人类问题的方式来制定查询，从而检索存储的内部知识，并进行持续对话。这可以使团队快速访问相关信息，使他们能够迅速做出更明智的决策并制定有效的策略。

在 2012 年，麦肯锡全球研究所（MGI）估计，知识工作者大约花费他们五分之一的时间，或每个工作周的一天，搜索和收集信息。如果生成式人工智能可以承担这样的任务，提高执行这些任务的工人的效率和效果，那么带来的好处将是巨大的。这样的虚拟专家可以迅速“阅读”以自然语言存储的大量企业信息库，并与人类对话，快速扫描源材料，帮助微调和定制其研究，这比雇佣一支人类专家团队来完成任务更具可扩展性的解决方案。

在其他情况下，生成式人工智能可以通过与工人合作，以加速他们的生产力的方式增强他们的工作来创造价值。它快速消化大量数据并从中得出结论的能力使得这项技术能够提供洞察和选项，这些洞察和选项可以显著增强知识工作。这可以显著加快产品开发过程，并使员工能够将更多时间投入到更高影响的任务中。

以下是四个示例，展示了生成式人工智能如何在我们对 63 个生成式人工智能用例分析中识别出的潜在价值中的一部分商业功能中的几个用例中产生运营效益。在前两个示例中，它充当虚拟专家，而在后两个示例中，它作为虚拟合作伙伴提供帮助。

3.1 客户运营：改善客户和代理体验

生成式人工智能有潜力彻底改革整个客户运营功能，通过数字自助服务改善客户体验和代理生产率，并增强和扩展代理技能。这项技术已在客户服务中获得了应用，因为它能够使用自然语言自动化与客户的互动。研究发现，在一家拥有 5000 名客服代理的公司，应用生成式人工智能每小时增加了 14% 的问题解决率，并减少了 9% 的问题处理时间。它还减少了 25% 的代理流失率和要求与经理对话的请求。至关重要的是，生产力和服务质量在经验较少的代理中提高最多，而 AI 助手并没有增加——有时甚至降低了——更高技能代理的生产力和质量指标。这是因为 AI 助手帮助经验较少的代理使用类似于他们技能更高的同行的技术进行沟通。

以下是生成式人工智能对特定用例带来的运营改进的例子：

• 客户自助服务。由生成式人工智能驱动的聊天机器人可以立即针对复杂的客户查询提供个性化的响应，无论客户使用的语言或所在地点如何。通过提高通过自动化渠道进行交互的质量和效果，生成式人工智能可以自动化回应更高比例的客户查询，使客户服务团队能够处理只能由人类代理解决的查询。我们的研究发现，北美银行、电信和公用事业公司已经有大约一半的客户联系是通过机器处理的，包括但不限于人工智能。我们估计，生成式人工智能可以根据公司现有的自动化水平，进一步减少高达 50% 的人工服务联系量。
• 初次接触期间的解决。生成式人工智能可以即时检索公司对特定客户的数据，这可以帮助人类客户服务代表在最初的互动中更成功地回答问题和解决问题。
• 减少响应时间。生成式人工智能可以通过实时提供帮助和推荐下一步行动，减少人类销售代表响应客户的时间。
• 增加销售。由于其快速处理客户数据及其浏览历史的能力，该技术可以识别针对客户偏好的产品建议和交易。此外，生成式人工智能可以通过收集客户对话的洞察，确定可以做得更好的地方，并对代理进行辅导，从而增强质量保证和辅导。

我们估计，将生成式人工智能应用于客户服务功能可能会增加生产率，价值范围从当前功能成本的 30% 到 45%。

我们的分析仅捕捉到生成式人工智能可能对客户运营生产率的直接影响。它没有考虑该技术可能对客户满意度和保留率产生的潜在连锁效应，这些效应来自于改善的体验，包括更好地理解客户的背景，这可以帮助人类代理提供更个性化的帮助和建议。

3.2 营销和销售：提高个性化、内容创建和销售效率

生成式人工智能在营销和销售功能中迅速崭露头角，其中基于文本的通信和大规模个性化是主要驱动力。这项技术可以创建针对个别客户兴趣、偏好和行为定制的个性化信息，以及执行任务，如制作品牌广告、标题、口号、社交媒体帖子和产品描述的初稿。

3.2.1 营销

将生成式人工智能引入营销功能需要仔细考虑。首先，基于公开可用数据训练的数学模型，如果没有足够的防止剽窃、侵犯版权和品牌识别风险的保障措施，可能会侵犯知识产权。虚拟试穿应用可能因为有限或有偏见的训练数据而对某些人群产生有偏见的表现。因此，针对每家公司特定需求的概念性和战略性思维需要大量人类监督。

使用生成式人工智能进行营销的潜在运营效益包括以下几点：

• 高效有效的内容创造。生成式人工智能可以显著减少构思和内容起草所需的时间，节省宝贵的时间和精力。它还可以促进不同内容之间的一致性，确保统一的品牌声音、写作风格和格式。团队成员可以通过生成式人工智能协作，它可以将他们的想法整合成一个连贯的整体。这将使团队能够显著增强针对不同客户细分市场、地理区域和人口统计数据的营销信息的个性化。大规模电子邮件活动可以立即翻译成所需的任何语言，根据受众的不同选择不同的图像和信息。生成式人工智能产生具有不同规格的内容的能力可以增加客户价值、吸引力、转化率和终生保留率，并且以超出传统技术目前可能实现的规模。

• 数据的增强使用。生成式人工智能可以帮助营销功能克服非结构化、不一致和断开的数据挑战，例如来自不同数据库的数据——通过解释抽象数据源，如文本、图像和不同结构的数据。它可以帮助营销人员更好地利用数据，如地区业绩、综合客户反馈和客户行为，生成基于数据的营销策略，如针对性的客户档案和渠道推荐。此类工具可以识别和综合社交媒体、新闻、学术研究和客户反馈等非结构化数据中的趋势、关键驱动因素、市场和产品机会。

• 搜索引擎优化（SEO）。生成式人工智能可以帮助营销人员通过针对营销和销售技术组件（如页面标题、图像标签和网址）的搜索引擎优化（SEO），实现更高的转化率和更低的成本。它可以综合关键 SEO 令牌，支持 SEO 数字内容创建专家，并向客户分发定向内容。
  产品发现和搜索个性化。借助生成式人工智能，产品发现和搜索可以通过文本、图像和语音的多模态输入以及对客户档案的深入了解进行个性化。例如，技术可以利用个别用户的偏好、行为和购买历史，帮助客户发现最相关的产品，并生成个性化的产品描述。这将使消费品、旅游和零售公司通过提高网站转化率改善其电子商务销售。

我们估计，生成式人工智能可以增加营销功能的生产率，其价值在总营销支出的 5% 至 15% 之间。

我们对生成式人工智能在营销中的潜在应用的分析并未考虑到直接影响生产率之外的连锁效应。由生成式人工智能启用的综合分析可以提供更高质量的数据洞察，从而带来营销活动的新想法和更精准的客户细分。营销功能可以将资源转移到为自有渠道制作更高质量的内容上，从而可能减少在外部渠道和代理机构的支出。

3.2.2 销售

生成式人工智能也可能改变 B2B 和 B2C 公司处理销售的方式。以下是两个销售用例：

• 提高销售可能性。生成式人工智能可以通过从结构化和非结构化数据中创建全面的消费者档案来识别和优先考虑销售线索，并向员工建议改进每个接触点上的客户互动的行动。例如，生成式人工智能可以提供有关客户偏好的更好信息，可能提高成交率。

• 改善潜在客户开发。生成式人工智能可以帮助销售代表通过综合相关产品销售信息和客户档案并创建讨论脚本来促进客户对话，包括上销和交叉销售要点，从而培养潜在客户。它还可以自动执行销售后续行动，并被动地培养潜在客户，直到客户准备好与人类销售代理进行直接互动。

我们的分析表明，实施生成式人工智能可以将销售生产率提高约 3% 至 5%，相比于当前全球销售支出。

这项分析可能未完全考虑到生成式人工智能可能为销售功能带来的额外收入。例如，生成式人工智能识别潜在客户和跟进能力可能会发现新的潜在客户，并促进更有效的外联，从而带来额外的收入。此外，由于生成式人工智能的能力节省的销售代表时间可以投入到更高质量的客户互动中，从而提高销售成功率。

3.3 软件工程：作为编码助理加快开发人员的工作

将计算机语言视为另一种语言，为软件工程开辟了新的可能性。软件工程师可以在配对编程中使用生成式人工智能，进行增强编码，并训练大型语言模型（LLM）开发应用程序，使其在给定描述代码应执行的自然语言提示时生成代码。

软件工程在大多数公司中是一个重要的功能，并且随着所有大型公司（不仅仅是科技巨头）在广泛的产品和服务中嵌入软件，它继续增长。例如，新车的大部分价值来自数字功能，如自适应巡航控制、停车辅助和物联网（IoT）连接。

根据我们的分析，人工智能对软件工程生产率的直接影响可能在当前年度该功能支出的 20% 至 45% 之间。这种价值主要来自于减少在某些活动上的时间开销，如生成初始代码草稿、代码修正和重构、根本原因分析和生成新系统设计。通过加速编码过程，生成式人工智能可以将软件工程所需的技能和能力推向代码和架构设计。一项研究发现，使用微软的 GitHub Copilot 的软件开发者比不使用该工具的开发者完成任务快 56%。一项麦肯锡内部的软件工程团队实证研究发现，接受了生成式人工智能工具培训的团队迅速减少了生成和重构代码所需的时间——工程师们还报告了更好的工作体验，提到了在快乐、流畅和满足感方面的改善。

我们的分析没有考虑生成式人工智能通过改进代码或增强 IT 架构（可以提高整个 IT 价值链的生产率）而带来的应用质量提升和生产率提升。然而，IT 架构的质量仍然在很大程度上取决于软件架构师，而不是生成式人工智能目前能力所能产生的初始草稿。

大型技术公司已经在销售用于软件工程的生成式人工智能，包括 GitHub Copilot（现已与 OpenAI 的 GPT-4 集成）和 Replit（被超过 2000 万编码者使用）。

3.4 产品研发：减少研究和设计时间，改进模拟和测试

生成式人工智能在研发领域的潜力可能不如在其他商业功能中那样广为人知。然而，我们的研究表明，这项技术可能在总体研发成本中提供价值在 10% 至 15% 之间的生产率。

例如，生命科学和化学行业已经开始在其研发中使用生成式人工智能基础模型进行所谓的生成设计。基础模型可以生成候选分子，加速新药和新材料的开发过程。Entos 这家生物技术制药公司已经将生成式人工智能与自动化合成开发工具结合起来，设计小分子治疗药物。但同样的原理也可以应用于许多其他产品的设计，包括大规模物理产品和电路等。

虽然其他生成设计技术已经释放了一些在研发中应用人工智能的潜力，但它们的成本和数据需求（如使用“传统”机器学习）可能限制了它们的应用。支撑生成式人工智能的预训练基础模型，或经过微调增强的模型，比针对单一任务优化的模型具有更广泛的应用领域。因此，它们可以加快上市时间并扩大生成设计可以应用的产品类型。然而，目前基础模型还缺乏帮助跨所有行业设计产品的能力。

除了能够快速产生候选设计带来的生产率提升外，生成设计还可以在设计本身上实现改进，例如以下生成式人工智能可能带来的运营改进示例：

增强设计。生成式人工智能可以帮助产品设计师通过更高效地选择和使用材料来降低成本。它还可以优化制造设计，从而在物流和生产中减少成本。
改善产品测试和质量。在生成设计中使用生成式人工智能可以生产出更高质量的产品，增加吸引力和市场吸引力。生成式人工智能可以帮助减少复杂系统的测试时间，并通过其制定场景和轮廓测试候选者的能力加速涉及客户测试的试验阶段。
我们还确定了一个新的非生成式人工智能研发用例：深度学习替代品，自我们早期研究以来使用量有所增长，可以与生成式人工智能结合产生更大的益处。当然，整合将需要开发特定解决方案，但由于深度学习替代品有加速测试生成式人工智能提出的设计的潜力，价值可能是显著的。

虽然我们估计了生成式人工智能对研发功能的潜在直接影响，但我们没有试图估计这项技术创造全新产品类别的潜力。这些是可以不仅在个别公司的表现上，而且在整体经济增长上产生重大变化的创新类型。

参考

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier#introduction