为人工智能时代重新布线（英）

为GenAI时代重新布线 爱上一代AI很容易-但最近的研究表明，实现其价值比炒作更难。重新接线提供了一个可以帮助的剧本。 2024年10月 进行生成式AI（genAI）的计算，相关数字可能会显得令人振奋。但根据近期的研究，只有少数公司开始真正兑现其潜力——许多公司则陷入了“一千个小项目之死”的困境，正如所言。罗德尼·泽梅尔，麦肯锡数字公司的全球领导者。在这一集 麦肯锡播客，罗德尼和其他高级合伙人和合著者EricLamarreand凯特·斯马吉加入全球编辑总监LuciaRahilly谈论他们的书重新连 线：麦肯锡数字和人工智能时代的竞争指南（威利，2023年）——在发布一年且受到生成式AI颠覆的一年后，继续为领导者提供在快速变化的时代中脱颖而出的逐章指南。 在第二部分，高级合伙人韦斯利·瓦尔登谈他去客户会议而错过儿子首场音乐会的经历 。客户的反应教会了他关于开放沟通的重要一课。 为了清楚和长度,本转录本已被编辑。 麦肯锡播客由RobertaFusaro和LuciaRahilly共同主持。 我打算如何处理我的核心系统？我可以同时进行这些操作吗，还是需要分步骤来进行？此外 ，“在人工智能主导的数据世界中，我如何使数据易于消费？” 罗德尼·泽梅尔:生成式AI以ChatGPT的形式出现时给我们带来了惊喜。大部分书籍内容是在生成式AI出现之前撰写的。因此，在书籍发布后的前六个月里，我们收到了许多关于生成式AI如何改变书中所述内容的问题：哪些内容仍然相关，哪些内容不再相关等。 我们发现，生成式AI为书中许多关键信息增添了强调——尤其是关于由业务主导的技术路线图的第一章。生成式AI的一个挑战在于其应用极其简便，很容易启动试点项目，从而陷入“千军万马过独木桥”的困境，最终未能在商业层面实现规模化应用。 这本书的第一部分讨论了选择一个领域、确定正确的问题、设定一个高的愿景目标，即你希望如何通过实际的商业目标来改变该领域，并专注于此。不要在整个组织中同时做everythingeverywhere。在新的通用人工智能世界中，这一点尤为重要。 瞄准高-但专注 LuciaRahilly:自那以后，你们三个人可能已经进行了数百次客户对话 重新接线已经出版了。和我们谈谈 书的前提和什么仍然与你交谈的高管产生共鸣 ，相对于他们面临的挑战。 EricLamarre:我们反复听到的主题是：“我将如何从这一过程中获得显著的价值？我应该如何构建我的人才能力？” GenAI改变了游戏吗？ LuciaRahilly:您是否看到组织开始从GeneralAI中获取价值？还是我们还为时过早？ 罗德尼·泽梅尔:我们有，但现在还很早。我们今年早些时候做的调查发现大约10%的公司在追求generAI的2024年损益中具有实际价值。1这是一个相对较小的百分比。但我 们认为那些在2024年获得这一价值的 12024年初的AI状况：GenAI采用率激增并开始产生价值“，QuantumBlack，AI，麦肯锡，2024年5月30日 。 “ 生成AI的一个挑战在于其应用极其简便，很容易启动一个试点项目，从而容易陷入“一千个小胜导致最终失败”的困境。 -RodneyZemmel followingthe重新接线从这个自上而下的 、以商业为主导的路线图开始的食谱。 EricLamarre:我们在某些领域观察到通用AI取得了显著进展。但我们也需要区分通用AI的世界 。存在一类应用，几乎每家公司都会使用，例如总结视频会议内容。然而，这类应用并不会在竞争中形成差异化优势；一家公司不会因为这种用途而赚取更多利润。 EricLamarre:当我们建造重新接线它本就是技术中立的。随着生成式AI的发展，工具箱变得更加丰富了，但关键是如何使用这些工具 ——我是否有合适的talent来使用这些工具？是否拥有正确的运营模式？是否拥有正确的数据？这些都是关键问题。重新接线 允许组织在这个数字和AI世界中获胜的能力-所有这些能力都是相同的。 然后是另一个类别，公司将投资开发特定的应用程序，这些应用程序将 提供竞争优势——例如，为了更好地维护设备 ，或为了更好地支持销售组织以促进销售增长。但这些应用需要付出辛勤的工作；它们不会一夜之间实现。 LuciaRahilly:GenAI已经与您在书中提出的框架相吻合。您感觉到的任何东西都在不断发展，可能会改变重新接线 框架? 凯特·斯马杰:那是关键所在。这使得对“如何”进行的挣扎变得更加有趣、引人入胜且具有相关性。而关于手册的概念，即如何使用工具箱中的不同能力的指导手册，比以往任何时候都更加relevant，因为变革可能非常艰难。 你开始的地方很重要 LuciaRahilly:如此多的变量需要共同作用以成功重塑组织。书中涵盖了各种案例。请与我们谈谈几个能够体现公司似乎正在采取的投资和行为类型的例子。 EricLamarre:你这里有两类不同的公司：一类正处于发展初期，另一类则已经在这方面有所涉猎。 那些处于旅程早期的人往往会问：“我们作为管理团队为何不投资自我提升，以了解如何在数字化和人工智能的世界中领导组织？”并决定何时以及如何开始。随后他们开始思考：“如何提升员工的技能、开发软件应用，并建立起超越少数专家和专门人士的能力水平？如何创建合适的数据平台以利用人工智能？” 遵循较为严格的剧本，从建立一个灵活的运营模式并赋予适当的授权以驱动其运行，到深入思考如何以安全的方式结合我们自己的专有数据和世界上的公开数据，确保不会泄露给外部世界。 以这种方式，这将鼓励人们继续分享并以正确的方式建立数据治理。我们真正考虑了如何推动采用和扩展，以至于我们现在有超过70%的公司员工定期使用Lilli。 更加成熟的公司专注于一个他们感到被拖慢或无法有效扩展的领域——例如，在数据方面进行重大投资，使数据更容易供扩展AI模型使用 ，或者在运营模式上确保业务、技术、运营和控制功能的协同工作。这成为组织中更大的变革，以解锁更多价值。 LuciaRahilly:罗德尼，那里有关于人类突破—例如，在促进采用或提升技能以实施新技术方面做了哪些工作？70%的公司员工是否很容易使用Lilli？还是我们采取了某些其他组织可以借鉴的特别措施？ 凯特·斯马杰:那些能够获得某种人类突破不仅仅是技术突破，更多的是那些进展更快的突破 。我们的框架在不同部分触及了人类突破的概念 ，无论是从人才的角度、工作流程重组的角度，还是战略思考未来工作、角色等方面的角度。 罗德尼·泽梅尔:我将选择一个书里没有的例子 ，即麦肯锡。我们在过去一年中受益于必须亲自服用自己开的药方。我们选择了构建自己的AI能力，而不是直接采用现成的产品。 我们创造了Lilli，我们的GeneAI平台，我们最初用于知识管理，但现在用于我们公司的更多事情。我们 罗德尼·泽梅尔:试用相对容易。人们很好奇，他们会尝试一次。但要获得持续使用，则又回到了核心问题。重新接线 通过深入思考用户旅程并在前线视角下考虑其使用方式，使其成为日常工作的一部分，而不仅仅是一次性解决方案，而是嵌入到用户每周的工作流程中。 EricLamarre:我将提供两家公司的例子以及他们正在进行的投资类型。 首先是日本的一家大型企业集团，目前感觉处于落后地位。它正处于AI发展的早期阶段，现在正在做出的关键投资已经提升了其高级管理层、C级高管和CEO的能力。随后，它会选择几个重点领域作为“灯塔项目”，在那里加速发展并增强信心。在早期阶段，重新接线 关于建立信任，这些是它将要进行的投资。 能够实现某种类型的人类突破（而不仅仅是技术突破）的组织往往进展更快。 -KateSmaje 另一个例子是一家位于纽约的大型银行，多年来一直在进行数字化转型。该公司现在拥有数百个敏捷团队，在公司内部不断创新。它的下一步举措是：“我们如何重新组织以真正释放企业内的大量创新，而这种组织方式是有条理的，而不是每个人都想干什么就干什么？”因此，它的主题是运营模式。它正在在这方面进行大规模投资，以达到业务快速创新的下一阶段。这就是根据不同阶段的投资情况来进行对比的方式。 LuciaRahilly:根据公司的投资阶段，适当设定什么样的财务目标？ EricLamarre:在重新接线我们在书中写道，如果你的数字化转型或AI转型未能带来至少20%以上的EBITDA改进，那么你很可能没有制定足够雄心勃勃的路线图。而这句话在我们与不同公司进行的各种对话中，引发了一种简单的重新审视。 当公司审视其正在进行的工作时，他们通常会发现数字化转型对EBITDA线并没有太大影响。他们看到的是一系列试点项目和小规模实验。而当高层管理团队进行审视时，他们会说：“你知道吗 ？我们在这些方面完全失败了。我们甚至没有达到预期的标准。”其他一些公司则相当满意，它们已经进入了理想的范围，而执行力则成为下一个关键问题。 但是拥有一个基准来检验自己是非常重要的。我不说20%是正确的数字，可能是15%或25%。具体是多少并不重要，但我们需要保持诚实，确保高级管理层不会花费时间追求那些在未来三年内无法提升底线20%或更多的事情。因此，如果当前的数字化转型未能达到这一标准，也许是时候重新设定目标了。 领导者在做什么对与错？ LuciaRahilly:其他人还能从成功开展这些试点✁公司中学到什么？ 凯特·斯马杰:这种变化或进展通常是那些最初将AI视为风险✁企业所经历✁。“这对我们商业模式✁风险。这对我们客户数据✁风险等等。”在这些旅程✁初期，我个人✁看法是，“这注定要失败。他们会因所有可能出错✁事情而把自 但目前至少有50%是自动化了；所有这些都可以通过点击按钮来完成50%✁任务。我没有想到这是可能✁。 凯特·斯马杰:我对这个例子✁喜爱之处在于，该组织明确了自己✁普遍真理，并列出了自己能够做到和无法做到✁事情以及某些方面✁上限。然后，它利用技术来打破这些限制。 己弄得一团糟。”它非常有趣地展示了组织考虑其各个组成部分时✁态度：“如果将这个部分稍微向左移动，或者上下移动，那么技术能够如何改变其位置？” 但让我感到意外✁是，通过至少其中几个案例，这些组织转向了意识到风险但不被风险所束缚。它们不再将AI视为带来所有风险✁问题，而是将其视为领导团队讨论风险、理解风险、确定我们在这些风险上✁立场，并真正探讨负责任✁人工智能意味着什么✁一个平台。我看到许多组织在这方面✁进步巨大，甚至那些我认为无法取得进展✁组织也因更深入和更全面✁风险对话而实现了转型。 EricLamarre:真正让我感到惊讶✁是使用生成式AI来现代化遗留平台✁应用。存在一套在30 、40年前开发✁软件应用程序，使用COBOL（通用商业orientations语言）编写，并且至今仍在运行——主要是在银行行业，但也涉及其他行业。尝试现代化这些旧✁软件资产一直是个噩梦。现在，我看到我✁一家银行客户利用生成式AI将旧✁COBOL代码转换为现代Python代码✁可能性。尽管尚未完全自动化，但这一过程已经开始展现出积极✁效果。 LuciaRahilly:在初始阶段，当通用人工智能（genAI）突然兴起时，是否存在一些应用场景你曾认为“这将轻而易举地成功”，但实际上实施起来更为复杂或未能达到预期效果？如果存在这种情况，其他方面能从中吸取哪些教训？ 凯特·斯马杰:对我来说，这可能是一个有争议✁问题。我对交付效率效益我看到许多组织进行计算，而这些计算相对简单。通过技术可以解锁相当可观✁生产力提升水平，从而得出一些令人印象深刻✁数字。但实现这一点仍然非常困难。这是因为这种提升往往是逐任务逐步实现✁ 。而且，我们所有人都有很长✁工作积压，而在日常工作中往往无法全部处理完。此外，理解这种价值并确定其具体实现方式✁价值图谱在大多数组织中仍然不够清晰。 EricLamarre:凯特说✁太对啦。我们往往被潜在✁好处和大数字所吸引，却忘记了实现这些目标有多么艰难。举个例子，我对生成式AI（genA