人工智能商业价值雷达

目录 执行摘要 价值驱动因素 成功、消费与转型 积极参与的员工带来最佳回报。 大胆追求价值 附录A：调查中使用的用例类型 附录B：研究方法 企业AI实验时代即将结束，AI部署扩展的时代已经到来。在我们的迄今为止对商业领导者进行的最大调查中，我们发现大约20%的AI用例现在正在实现所有商业目标，并且超过30%的用例正处于实现这些目标的边缘。 人工智能的成功以及企业对其运营模式和数据处理结构所做的改变。它还发现，激发员工积极性是成功实现人工智能成果的最重要驱动因素。 为了揭示这些见解，Infosys对美国、欧洲、澳大利亚和新西兰的3,798位高级管理人员进行了调查，并采访了30多位高级管理人员。我们受访者的信息非常明确。人工智能正在被采纳并在商业的各个方面得到部署，包括核心和非核心领域。 随着DeepSeek和其他可能更加节省的语言模型的出现，人工智能的成本似乎将会下降，我们将看到人工智能用例实现商业可行性，并在2025年左右导致平均企业中人工智能代理的大量扩张。 然而，成功仍然不能保证。本报告为处于这一关键节点的人们提供了一个有用的指南，并为构建一个成功的企业人工智能未来提供了清晰的见解和方向。 管理这一点将需要领导者认真对待他们企业的转型。我们的研究确定了一个强烈的关联： 超过一半的人工智能项目产生了积极影响，其中大约20%实现了其设计初衷的大部分或所有商业目标。与IT相关的用例，包括运营、网络安全和软件开发，更有可能产生积极成果。以人为焦点的用例，如市场营销、客户服务、销售和劳动力等领域，不太可能产生积极成果，但随着公司在这些领域的投资增加，他们将会看到更多的成功。 报告建议采取五步成为以人工智能为中心，并从人工智能部署中产生商业价值： 1. 探索用于企业转型的代理人工智能。 通过使用人工智能铸造厂和人工智能工厂进行创新。 3. 准备您的劳动力以确保人工智能获得最佳结果。 成功、消费与转型 4. 以产品为中心，追求速度、敏捷性和自主性。 AI使用成功的案例往往需要更多的投资并要求在组织的运作模式和数据架构上有更多转型。然而，情况并非总是如此。许多案例都是基于机会的，而且随着AI成本降低，将会有更多这样的案例出现。 5. 建立一个集中式的AI任务小组 劳动力准备情况推动大多数成功 公司拥有参与度和支持度高的员工，从人工智能技术中获得的成效远比那些尚处于培训并与其员工进行人工智能技术互动一半路程的公司要显著。 在一家公司已经完全建立变更管理AI培训流程并让其员工参与有关AI的决策时，AI成功的概率可提高至高达18个百分点。这表明不将人类排除在决策过程之外至关重要。 驱动因素具有价值 本报告旨在揭示推动企业内成功人工智能成果的动力。我们对3,798位高级管理人员进行了调查，询问了132种不同的AI应用场景类型，这些场景覆盖了美国、加拿大、英国、德国、法国、北欧、澳大利亚和新西兰的超过3,200家公司，这些公司的年收入均超过10亿美元。这些受访者在其所选案例中的总支出报告额达到了1,350亿美元。 我们也向每位受访者提供了与他们所在行业相关的一小部分行业特定用例类型。总共，有77种行业特定用例类型，涵盖了15个行业部门（附录A）。 受访者选择了他们最感兴趣的五个功能类别，以及他们所属行业的特定类别。在每个类别中，他们指出了他们正在追求的用例类型。对于这些用例类型中的每一个，他们随后指出了他们在部署方面的进展程度，以及他们是否成功实现了商业目标。 为了确定商业领域中最常使用且最成功的AI应用领域，我们向受访者提供了一个包含55种用例类型、涵盖14个功能类别的列表（附录A）。这些类别包括市场营销、财务、人力资源和产品开发等业务功能，这些都是跨所有行业部门相对相似的水平功能。 这是一个自我选择的样本，因为在其中，受访者只为他们业务已经感兴趣的五大用例类别提供详细信息。这就是为什么70%的AI项目被报告为过去的 但是，哪些人工智能用例将首先突破到企业级部署？为了理解这一点，我们为每种用例类型分配了一个可行性分数。这个分数是基于实现某些或所有商业目标的部署的平均加权总和，除以追求该用例类型的受访者数量。它显示了某种用例类型实现商业结果的可能性（对实现最多或所有商业目标的用例类型加权更多），分数超过1的可能性更大，而低于1的可能性更小。 部署阶段。通常，我们会预期有更多项目已经失败、被取消或仍在试点阶段，对于如此早期和实验性的技术来说。 企业AI：扩大成功的时机 尽管存在样本偏差，看到19%的人工智能项目实现了大部分或全部目标，这令人振奋（图1）。此外，还有32%的项目部分成功。总的来说，这表明平均50%的人工智能项目正在产生一些积极的影響，即使它们还没有完全实现所有目标。 可用性评分基于多个具有统计学意义的因素而显著变化。这些因素可以包括用户接受程度、受访者的行业、业务中使用案例所需的转型量以及员工的准备情况。 这表明组织在实验、开发和部署AI技术方面正在变得更加熟练。这也意味着到2025年，公司将从AI实验转向具有证明的商业价值、并在整个企业范围内扩展的AI部署，以实现变革性的影响。 每个这些问题在本报告中都有所涉及，并在接下来的报告中将进行更详细的探讨。 来自Infosys知识研究所的出版物。在本报告中，我们探讨了影响商业中人工智能应用成功的主要动态。 （图2）超过三分之一的受访者（38%）选择了我们IT、运营和设施类别内的用例，该类别具有1.11的可行性评分，包括事件管理和票务、AI编排流程和智能建筑自动化等用例。 IT应用案例主导 在功能用例类别中，很明显，与IT相关的领域既是最可行的，也是最受受访者欢迎的。 一个可行度分数超过1表明一个用例类型更有可能实现商业目标，而低于1的分数意味着可能性较低。很可能。可行性得分是实现某些或全部业务目标部署的加权平均值，与总部署数量相比。部署该用例类型的实施。选择率是表示其公司正在寻求采用AI的受访者比例的百分比。在某一类别中。 并且弹性监控。这一类别的极高可行性完全由与企业弹性监控相关的用例所支撑，这些用例在我们的调查中具有最高的平均可行性（1.30）。本类别中的其他用例，涉及威胁和异常检测，具有平均可行性得分。 软件开发同样受到欢迎，30%的受访者选择这一类别，并在诸如自动化代码开发（1.14）和开发者代码助手（1.09）等用例中实现显著的高可行性得分。 市场营销、销售与人才 信息技术应用案例在公司的人工智能努力中处于前沿，并且取得了高水平的成功，这并不令人惊讶。由于这些功能本身就是高度数字化和计算性的，因此这是人工智能工具的天然家园。 然而，许多看似简单的用例类型尚未实现持续强劲的成果。这包括如下用例：发现交叉销售机会（0.79）、客户细分（0.83）、个性化客户服务（0.91）和人才招聘（0.94）。 有趣的是，几乎四分之一的公司在追求市场营销、客户服务、销售和人力资源应用案例（作为他们最追求的人工智能领域），然而平均而言，其可行性评分相对较差。这些以人为核心的功能在过去20年中已经得到了显著数字化。然而，似乎人工智能的成功仍然没有保证。 我们认为，公司在这些领域看到更高的成功率只是时间问题。事实上，在我们样本中，这些类别总共占人工智能用例总花费的24%。仅营销、销售和客户服务方面的支出就相当于图2中的三个以IT为中心的用例类别的支出。这表明，这些类别的可行性也将很快赶上。 例如，人工智能的可行性评分略高于平均水平，适用于理解良好的用例，例如市场营销资产创建（1.10）、聊天机器人（1.07）、劳动力管理和排程（1.03）以及销售策略优化（1.03）。 白领优势 考虑不同行业的可行性 行业、白领和高度技术化产业往往走在前列。因此，专业服务和生命科学行业在它们的可行性得分方面优于其他行业——可行性得分是指它们成功的可能性。 人工智能部署将实现所有商业目标（图3）。 生命科学领域可能在这一领域中领先，因为它结合了许多有助于的因素。 一个大于1的可行性分数表明某个用例类型更有可能实现业务目标，而小于1的分数则表示可能性较低。可行性分数是相对于该用例类型的总部署数量，实现某些或所有业务目标的部署的加权平均值。 支持强大的AI成果。该行业由高度合格并且技术导向的员工组成。其核心业务涉及处理和分析专有数据，对这部分数据拥有强大的控制权。也许更重要的是，它非常注重产品导向，业务组织围绕药物发现和开发项目展开。 商业和产品线，并包含自有数据和第三方数据的混合。该行业还受到对传统基础设施的过度依赖以及向广泛采用云计算转型的复杂挑战的限制。 我们还可以看到，图表的底部主要由那些涉及与消费者或公众有重大互动的行业所占据，并且这些行业将实物资产作为其服务提供的核心部分。医疗保健、零售、公共部门以及旅游和酒店业都位于我们可行性排名的下半部分，并且所有这些行业都依赖于其服务中的显著部分由人员提供并通过实体或物理资产进行。 这是与金融服务相比，金融服务位于可行性排名的中间位置，尽管它与生命科学行业共享许多相似的特征。例如，它们都雇佣了高素质的员工，并处理大量高度监管的数据。然而，金融服务中的数据通常是快速流动的，自由地在多个领域流动。 成功、支出与转型 我们的研究不仅揭示了可行性方面的见解。受访者还报告了他们花费的金额，以及每个用例的用户接受程度。但最值得注意的是，它还询问了受访者关于“所需转型”的问题。这是对现有数据结构和技术的改变量。 架构以及用例实现所需的企业运营模式或业务流程。 当与平均支出和可行性一起绘制时，关于人工智能将产生的变革性影响，一个明显的模式显现出来，这种影响如果不是必须的，也将是—— 为了投资更多；并且（b）这些用例在部署时成本更高，因为它们要求组织进行更多变革才能有效。 值得注意的是，每个用例的平均支出与可行性之间存在显著的积极相关性（p<0.0001）：用例成功的可能性越大，平均在该用例上支出的金额就越多——反之亦然。 我们将这些转型性用例命名为此类，因为它们要求组织改变其运营模式和数据结构，以便它们能够运行。这些用例实际上通过其存在的本质，在它们周围转变了组织。 第二点是，那些需要更多转型用例通常已经投入了最多的资金。这可以归结为两个原因：（a）公司对这些用例的结果给予更高的价值，因此愿意 它并不令人惊讶，最具变革性的用例同时也是行业特定的用例，因为这些触及到商业的核心部分。事实上， 调整后的平均支出已根据公司规模进行调整，其中1代表每次实施的平均支出（196万美元）。1分的可行性分数表示平均实现业务目标的可能性。1分的所需转型分数表示为实施所需对运营模式和架构进行平均程度的改变。 图表右上角特定行业用例与功能用例的比例为2:1——即19个特定行业用例和9个功能用例。 成熟的函数用例，例如IT运维、软件开发、聊天机器人、财务报告和现金流预测、欺诈检测和风险评估、市场营销资产创建或供应链优化。 这些核心用例包括保险领域的索赔处理和遥测；能源、采矿和公用事业部门的能源交易；消费品领域的AI驱动新产品上市执行；以及汽车行业的AI导航系统和车队管理。这些通常是帮助企业在其市场上区分其核心产品的用例领域，因此对于业务的运行至关重要。 这些是公司寻求低风险、低投入以及可能更低成本的人工智能胜利的好机会。这是因为它们需要对组织和数据架构的改动较小，并且在相对较低的花费水平上更有可能取得成功。 但是，在未来，支出可能不再是成功的主要障碍。DeepSeek的R1-Zero模型于2025年1月发布，当市场得知它能够提供与OpenAI等领导者相当的性能时，震惊了市场。但占培训成本的6%同时，在二月份，加州大学伯克利分校的一个研究团队宣布，其TinyZero模型以30美元的成本复现了R1-Zero模型的核心功能。 我们的分析强烈表明，公司在转型场景上的投入正在增加，这些场景是其业务的核心——而且这些场景在成功部署的情况下最有可能实现业务目标。实