利用生成式 AI 推动创新

战略与公司财务实践 利用生成式AI推动创新 具有创新文化的公司在部署和受益于生成AI方面遥遥领先于同行。 March2024 作为去年的最热门的话题-生成AI（generativeAI）-成为今年的部署讨论话题，公司渴望将对生成AI潜力的讨论转化为行动，以获取其好处。在本期《内部战略室》中 ，两位麦肯锡专家讨论了顶级创新者如何使用该技术来推动增长。 LauraLaBerge是我们战略增长和创新服务领域的专家，其中Matt Banholzer是全球学者。他们是最近一篇文章的合著者，该文章解释了为什么拥有拥抱创新文化的公司在生成人工智能方面具有优势。这是他们谈话的编辑记录。有关重要战略问题的更多讨论，请在您喜欢的播客平台上关注该系列。 肖恩·布朗：在我们进入生成AI如何帮助企业创新之前，你在创新的保护伞下涵盖了什么？ MattBanholzer:我们的定义不仅涵盖新产品，还涵盖新流程和运营模式，这些流程和运营模式可以通过使您更具流动性、适应性或成本效益来创造竞争优势。创新还涉及新的客户体验和与他们互动的方式，以及新的商业模式和价值主张。例如，在过去的十年中，许多公司从销售产品转向销售服务，或者采用基于订阅的方法。商业模式创新还可以包括不同的营销途径或以新的方式使用您的资产。 我们的研究表明，我们可能正在过渡到一个由新技术平台和重大人口变化形成的新时代。要在这个世界上茁壮成长 ，你必须创新，因为让你来到这里的东西可能不会让你到达那里。你的许多业务规范、运营模式或产品在未来可能不会有效，不创新可能比在增长机会上下大赌注风险更大 。时代。 不确定性不仅需要减少舱口，还需要利用生产力来产生现金流，从而为新的增长建立滩头。 肖恩·布朗：你的文章说，顶尖的创新者擅长发现和利用这些新的 增长的来源。他们是如何做到这一点的，一代AI从哪里来的？ MattBanholzer:我们做了一项调查，以找出是什么推动了这些公司的业绩，并发现它们的共同点是创新文化。我们对表现最好的和表现最差的人之间的距离感到震惊，这与[展览]相差1000％以上。那些拥有强大创新文化的人更有可能报告说，他们的产品和服务引领着他们的行业，他们的组织在新产品开发的速度上是一流的。 这就是generativeAI的用武之地：它是关于开发、测试和部署的。一些领先的公司在ChatGPT起飞前一两年就部署了generAI。 肖恩·布朗：拥有创新文化意味着什么？ MattBanholzer:我们之前写过关于灌输创新承诺、创新中的人为因素以及创新的八个要素的文章，我们在其中定义了创新文化的基石。例如，您是否设定了只有通过创新才能实现的大胆抱负？通常，公司可以在没有创新的情况下交付战略，因此 It'snotsurprisingthattheyarennotinnovative.Innovationculturealsomeansapplyingcustomer-backedinsightsandwhatthemarketistellingyou.Furthermore,topinnovatorschallenge 假设和断言，拥抱不确定性，并实现迭代开发。 肖恩·布朗：这些公司是否有特定的领域集中注意力和投资？ LauraLaBerge:他们和其他人之间的一个区别是，顶级创新者在研发和数字技术上的投资更多。但这不仅仅是 更多-他们以不同的方式进行投资，并从这些投资中获得更高的回报。平均而言，他们在数字技术上的支出增加了55％，专注于使他们能够发展战略差异化的技术 。此外，他们专注于速度，粒度和集成，在这些领域的能力是普通公司的两到三倍-多达九倍 Exhibit 顶级创新者在通过对技术和研发的投资创造商业价值方面更加成功。 同意或强烈同意以下与业务成果有关的陈述的公司，%的受访者强创新文化弱创新文化 我们的产品和服务在满足新兴客户需求方面始终处于行业领先地位 14 我们在新产品开发速度方面是最好的 4 我们的新产品不断达到市场目标 我们的研发投资推动显著13 新增长 我们在发现“白色空间”方面始16 终领先 我们成功扩展新业务或产品线的速度超过 行业标准7 资料来源：麦肯锡全球数字战略调查，2023年，n=1,086 麦肯锡公司8 而不是弱小的创新者。这些投资使他们能够利用新型技术，因此，他们在大规模部署生成人工智能以加速研发和创新过程方面遥遥领先也就不足为奇了。过去 ，这些组织在其他类型的技术进步方面领先，例如物联网或设计工程。这一刻有趣的是，一代AI可以在多大程度上发挥自己的优势。 肖恩·布朗：这些公司如何发展您提到的速度、粒度和集成？ LauraLaBerge:关于速度，例如，业务领导者和产品团队使用实时数据来推动快速改进。他们使用 技术在整个组织中广泛使用， Average 62 50 58 69 63 59 超越简单的自动化，集成开发、安全和运营流程。粒度是指利用机器学习来大规模分析数据，而集成是指整个组织对最终用户的关注以及控制功能的无缝嵌入。创新公司在GeeAI发挥作用之前就已经具备了所有这些要素，这些能力对于利用和避免GeeAI的风险至关重要。 肖恩·布朗：处于尝试GeneAI的早期阶段的公司可以从这些领导者那里学到什么？ MattBanholzer:这些公司如何对待genAI有五个要素。首先，他们知道如何提出好的问题。这超出了 当generAI吐出答案时，顶级创新者会问，“这是一个有用的答案吗？” -MattBanholzer 简单的提示工程和思考语法——他们了解业务需要解决什么问题，以及如何使用genAI来解决这些问题。其次，他们专注于剔除错误的答案。这并不意味着简单地拒绝没有意义的答案，但总是挑战断言和查看 他们作为假设。当公司在核心之外建立新业务或推出新产品时，他们会围绕客户的偏好和支付意愿做出假设，或者他们是否可以制造产品，销售人员是否可以销售产品。像往常一样，你可以断言这将如何去，因为你有模式识别。在创新中，你必须质疑这些假设，而这种心态完全转化为一代AI。当GeAI说出答案时，顶级创新者会问：“这是一个有用的答案吗？”。 第三个区别是他们不断构建专有数据。GeAI是快速汇总和综合数据的好方法，但其从非结构化数据中获取见解的能力有限，尤其是在特定的公司决策方面。在麦肯锡，我们有geeAI工具，这些工具被连接到我们的一些关于公司业绩、市场规模等的专有数据库中，所以答案是以正确的方式综合的，我们可以筛选其他人没有的数据。 顶级创新者预先掌握的第四项能力是快速学习和改变课程 。敏捷实践实际上意味着在不确定的情况下前进的能力，在没有完整答案的情况下进行测试和学习以及采取行动。这与GeeAI相关，因为它允许你说，“这个GeeAI工作流程可能不会成功，但我们将对其进行测试，如果它有效，则尽可能快地进行扩展。“这个迭代。 测试和学习循环是组织如何逃脱试点炼狱。 第五，具有创新文化的公司的工作流程已经没有人情味 。人们提出问题并发现错误的答案，但许多其他步骤都是自动化的。以CRM[客户关系管理]系统为例，这些公司可以从识别客户到让GeneralAI开发 潜在的提示联系这些客户，跟进。你让销售人员尽可能容易和无缝地参与进来。 肖恩·布朗：如果你处于一代人工智能采用的早期阶段 ，你如何把这个预布线到位？你能分阶段做吗？或者是全部还是全部？ LauraLaBerge:没有必要一次完成所有操作，当然也没有必要大规模完成所有操作。基线 就是不伤害，尤其是在数据安全方面。当您尝试这些技术时，您需要建立监管和数据安全界限。然后，弄清楚您的 OrganizationgenAI可以通过使您加速或更精细并开始测试来推动最大的战略优势。 MattBanholzer:大多数领先的公司都采取了用例驱动的方法，他们选择了一个他们知道自己想要转型的元素。早期的例子偏向于客户服务提示，但它们可以来自任何地方。我想强调的是，每个行业的公司都在测试这项技术。在化学或制药研发的背景下，试图发现新分子的公司从一个大型候选分子库开始，这些候选分子可能由geerAI或。 专家。遵循许多步骤，但您可以加快一个缓慢的早期步骤 。 肖恩·布朗：已经引入或提出了许多与genAI相关的法规 。如果有的话，这些法规会对您谈到的五个预布线领域产生什么影响？ MattBanholzer:关于行政命令和法规已经下降了很多争论 。其中许多主要集中在您如何声明使用该工具，但回到我的 早期的例子，有关于什么化学品可以使用的法规，你如何合成它们，安全法规，等等。你可以选择使用先进的化学品，但它需要护栏。 LauraLaBerge:它很可能会像我们看到的关于个人数据的法规一样进展，这些法规因地区而异，并随着时间的推移而演变。组织必须掌握并适应。 肖恩·布朗：让我们更深入地探讨顶级创新者领导的五个领域。你如何问generAI好问题？ MattBanholzer:充分利用GeneralAI所需的许多技能都是公司在产品发布或应用机器学习时磨练过的技能，但我们对此感到惊讶。 Thedegreeofdifferencebetweenthetopandbottomperformers.Thetopperformers 理解该工具的局限性。就像你不用锤子转动螺丝一样，你也不会问最好用其他方式回答的genAI问题。这是关于避免垃圾进入，垃圾排出。问题需要回答，你必须理解数据的可靠性，但在工作流程的给定点上可能有特定的问题可以自动化。 Thisiswherepromptengineeringcomesin.Justaskingasalesteamoraresearcherstousethetoolandseewhattheygetdoesn’twork.However,ifyouknowthattherearefivequestionsrelatedwithopeningupasalesleadorfiveelements offunctionalmoleculegroupthatyoualwaysexploretogetanewproperty,youcanhardwirethosequestions.Inearlyexperimentation,youmayprovidelooseguidelinesandletpeoplelearn,butas 它们变得更加复杂，您应该设计问题并将其上下文化 。 例如，麦肯锡的一些generAI知识工具让我们搜索我们的内部数据库。早在3月份，提示是，“这是我们的内部工具 使用由特定引擎提供动力的自定义数据集。“ 现在，这些工具会提示并知道其他五六个问题往往高度相关 他们会自动将这些问题推送到引擎以给出上下文答案，并将它们链接到其他工作流。但是我们有关于你可以信任和不可以信任的东西的护栏，重点是引用和源数据。 肖恩·布朗：强大的创新者如何处理错误的答案或幻觉数据？ LauraLaBerge:跨职能团队一直很重要，但它们对生成AI至关重要。请记住，生成AI的目标是创建新的答案。在艺术中，该工具从查看图像中学习，然后创建新的图像。 文献和代码也是如此。例如，当您询问有关专利或法规变更的问题时，您必须注意不要 如果你不使用具有广泛视角的跨职能团队，他们可以发现没有意义的东西，或者你使用的人工智能形式没有显示他们所借鉴的来源，你最终可能会产生这些幻觉。 创新公司必须避免这些陷阱的另一个要素是将控制功能无缝嵌入到工作流程中，以帮助降低风险。关于数据和GeeAI应用的法规正在发生变化，因此您希望确保试验这些工具的团队与关注法规变化并保护您的专有见解和数据的团队联系在一起。您不想通过使用开放获取的GeAI工具意外地将某些东西公之于众。 MattBanholzer:这是一个企业领导者可以增加很多价值的领域。作为资源分配者或决策者，你可以说，“如果我们要使用GenAI，它不会是五个人在 IT部门，但一个跨职能的