人工智能引领的商业转型如何推动工业增长

麦肯锡转型实践部人工智能驱动的商业转型 如何赋能产业增长 工业企业正步入数十年来最具影响力的商业重置期——但许多企业paredness（准备情况）远不如其所认为。 本文由Andrea Queirolo、David Ebenstein和Harsha Krishnamurthy共同撰写，麦肯锡先进工业业务部门代表Benjamin Dupays、Stephen Duarte和Weber Wang的观点亦融入其中。 多年来，从航空航天到电力发电等工业制造领域的业绩，一直依赖于工程卓越性、强大的设备基础和长期客户关系。商业模式逐渐演变。销售团队依靠深厚的人脉网络，应用主要受惯例影响的价格策略。增长主要来自现有客户。 当前情况已根本不同。强大的AI工具和改进的数据访问方式，已为竞争者和客户都设定了更高的标准。在数据中心等新兴工业增长领域，客户需要的解决方案比以往任何时候都更加量身定制和集成。然而，地缘政治正在重塑供应链，而投入成本仍不稳定，导致利润空间持续承压。 这种新环境正在考验以关系为导向的销售模式，该模式能为老客户提供定制化解决方案，但在新客群、新地域和新产品类别上却难以持续提供此类服务。 根据麦肯锡研究，全面革新定价、增长战略和销售生产力的工业制造领导者，可在两年内实现5%至20%的收入增长和5%至10%的EBITDA改善，其中大部分收益将在前12个月内实现。 人工智能正在加速这一转变，并非通过取代商业基础，而是通过将机构知识体系化、将分析整合到日常决策中，以及在不按比例增加人员编制的情况下扩大业务范围。 接下来的讨论将探讨这些压力如何在不同的工业运营模式中有所差异，以及人工智能如何应对，重塑着定价、增长和销售生产力。 为什么不同行业的业务压力看起来不一样？ 工业企业可归入少数几个反复出现的经济模式原型，包括交钥匙解决方案、按订单设计制造商、按订单配置制造商、标准产品业务，以及售后及服务提供商（见表）。 定制化公司常常难以准确高效地报价高度定制化的解决方案。按配置定制的公司则面临产品组合不断扩大的挑战，这会导致定价不一致和隐藏的利润流失。对于售后和服务组织而言，挑战通常在于可见性：识别已安装设备的机会并提高现场服务效率。 在考察人工智能如何重塑这些杠杆因素之前，先确定贵公司目前所处的位置是值得的。按订单设计的企业通常在报价和设计复用方面面临最大的阻力：每一份新报价都会消耗不成比例的工程时间，而有关先前配置的机构知识没有被利用，反而被丢失了。按配置订单的制造商往往发现定价是价值最高的压力点——产品种类繁衍的速度超过了商业模式，利润正悄无声息地流失在数千个SKU之中。 标准化产品业务常常错失增长机会：他们的市场开发依赖人工和人际关系，这在熟悉的市场有效，但无法捕捉新领域和新地域的需求。售后及服务提供商通常面临安装基础可见性难题——他们知道设备已部署在现场，但无法系统性地识别哪些客户服务不足、有流失风险或准备扩张。以下措施在清晰了解典型客户画像时最为有效。 在许多情况下，根本问题在于碎片化。产品、定价和规格知识仍然分散在各个系统、业务部门和经验丰富的员工手中——而许多员工现已临近退休年龄。在按订单设计的环境中尤其如此，碎片化的历史记录会导致重复的工程工作、采购效率低下以及更高的下游服务成本。 人工智能正通过使规范匹配和设计重用变得可扩展而开始改变这一点。一些公司正在利用这些能力，将业务的部分环节从完全定制化的工程转向更标准化的模块化产品，在减少复杂性的同时，保留客户真正重视的定制化。 其影响远不止于工程工作流程。在各类工业运营模式中，最大的收益往往源于更严格的定价纪律、更强的寻源能力以及更快的一线执行效率。 定价：通过组合与替代来捕捉结构价值 定价优化仍然是提升工业企业经营绩效的快速有效手段。然而，在许多组织中，定价结构未能跟上产品多样化、成本波动或客户细分变化的速度，更不用说动态定价——这种根据市场状况调整的定价方式所蕴含的潜力了。 在一家工业设备制造商，起点是超过30,000个SKU在解决重叠的客户需求。产品规格不完整，且分散在各个系统中。一种普遍的假设盛行：如果客户过去购买了A型，他们总会再次想要A型。定价和替代逻辑主要存在于销售人员头脑中。类似的知识空白常常延伸到工程和采购决策中，其中重叠的产品和组件被视为不同，因为规格和配置匹配在很大程度上仍需手动完成。 这项工作从构建一个全面的产品数据集开始。该组织借鉴了一线销售和产品专业知识，明确了按产品类别划分哪些技术规格真正重要。随后，通用人工智能通过从内部系统、分销商数据库和其他来源提取数据，丰富了这一分类体系，从而为整个产品组合生成了一个完整且可用的概览。 从那里开始，人工智能通过比较产品属性来识别不同SKU之间的高相似性，例如，某些液压缸共享了五项关键特性中的四项。随后，一个优先级引擎会考虑利润率、交货周期、市场状况和可用性等因素，生成一份按盈利能力和可行性排序的备选方案清单。这些建议会直接输入到数字渠道和销售工具中：当销售人员搜索某个变体时，系统可以推荐成本较低或利润率较高的替代方案，包括通过合并重叠类别或重新定价等策略（见附图1）。在更定制化的环境中，类似的系统也可以通过将设计选择与实际项目经济效益联系起来，引导工程和销售团队选择历史上利润率更高的配置。 图1 利润率是衡量成功的主要指标。通过将需求引导至高利润率的产品类别，而非仅仅满足历史偏好，该公司在不降低客户价值的情况下，使60亿美元业务的整体利润率提高了约1%。 类似的逻辑指导了公司资本设备业务的定价。AI工具帮助构建了约20,000个资本设备应用的分类体系，并将它们与关键定价参数关联起来。这种组合创造了更高的定价一致性，并将报价所需时间从数周缩短至数天。在第一年，这些变革带来了约2%的价格提升，相当于数百万美元的增量收入。在按订单设计的环境中，AI系统可以帮助团队从先前的设计和规范中识别可重用的配置，加速报价流程，并减少工程返工。 价格转型并不仅仅是涨价。它关乎提升透明度、加快报价速度、优化替代逻辑、将利润意识嵌入工作流程，并减少对隐性知识的依赖。在工业客户中，目标性价格转型通常能在两年内带来2%至5%的额外收入增长，并实现相应的利润率扩张。 增长：制度化狩猎能力 若定价能保障价值，则增长决定了你能攫取多少价值。随着资本流向新的集群——不仅是数据中心，还包括晶圆厂、电池工厂和回流制造业设施——增长已越来越超出现有关系的范畴。要攫取它，就需要将关系建立系统化：为结构化、可重复的搜寻培养新的能力。 在许多工业企业中，潜在客户开发仍依赖人工，进展缓慢且分散。例如，在一家工业设备公司，潜在客户开发高度依赖人工调研和第三方名单。这些名单成本高昂，更新缓慢，且与特定产品或应用匹配度低。这一流程使得销售团队几乎没有时间和精力去为新机遇量身定制行业特定的价值主张和上市策略。 解决方案是一个人工智能驱动的“潜在客户猎人”，它能够跨品牌、地域、产品和终端应用领域自动识别和筛选潜在客户。通过结合网络爬虫、API以及使用多个模型交叉验证准确性，该工具在不到两小时的时间内生成了包含公司详情、联系人角色、收入区间、匹配产品、相关度评分和置信度等信息的丰富潜在客户数据。经过筛选的潜在客户会直接流入公司的销售追踪平台，实现即时激活，将原本传统的个体活动转变为全公司的系统化能力。 组织，真正的空白地带搜寻，已扩展至约70%的前线全职员工。虽然更广泛的增长转型正在进行中，但几乎一夜之间，每位销售人员能够合理覆盖的潜在客户数量大幅增长。 一家拥有北美维修保养业务的私募股权控股的独立服务商中，也出现了类似模式。该公司旨在加速新获取的服务产品的交叉销售，并挖掘其合并客户群中的未开发机遇。通过整合约十几个内部和第三方数据源，该公司建立了一个单一信息库，对超过50,000个账户进行地理映射，并在现有客户及空白客户中识别出超过20亿美元的机会。 由此产生的洞察揭示了一个显著的交叉销售机会：在两个最大的业务单元中，彼此顶级客户的总销售额不足20%（见附图2）。 附件2 战术线索，包含站点和联系方式等详细信息，已生成并分发给超过100名内部及外部销售代表。在试点市场，该举措通过新增线索驱动了超过10%的业务增长，且与往年相比，在损益层面得到了验证。 更关键的是其长期影响。增长不再取决于偶然的人际关系，而变成一个可重复的系统，该系统结合了丰富的数据、优先级逻辑和一线激活。根据麦肯锡的分析，这种聚焦式的增长转型可在两年内带来5%至15%的收入提升和1%至2%的利润率改善。 销售生产力：重新设计销售引擎 销售往往是工业企业中最大的可控成本。然而，一线员工的时间分配常常偏向于内部协调、报价和行政工作，而每一小时都意味着错失了更深入地接触客户的机会。随着经验丰富的销售人员退休，人才依然稀缺，生产力的限制只会加剧。 在上述两种情况中，技术采纳都无需现有的基础设施。通过与一线用户和管理人员的合作，技术专家迅速构建了人工智能工具，其最小可行产品在数天内完成编码。其目标是务实的：尽快自动化痛点，缩短新商业人才的入职培训时间。 经验丰富的个人所掌握的知识，例如特定应用的定价逻辑，被整合到新工具中，从而缩短了新员工的入职时间，并使销售流程更加一致。为了衡量影响、强化采用并维持势头，财务和业务分析师追踪了报价利润率和新客户业务占比等指标。在一些按订单设计的环境中，相同的逻辑也被应用于工程和销售工程工作流程。AI驱动的设计搜索系统帮助团队快速检索历史设计、图纸和物料清单，并生成报价就绪的规格。之前需要花费数小时筛选零散（且通常不完整）数据源的任务，现在只需几分钟即可完成。 在服务提供商案例中，销售生产力提升不仅体现在线索生成上。该公司根据机会密度和销售员生产力重新设计了区域，识别了资源缺口，清理并去除了客户主数据，并推出了仪表板以在整个销售组织内创建完全透明度。试点之后，多年扩展计划嵌入了一套标准操作程序、客户关系管理界面和培训计划，并调整了激励措施和工作流程以强化采用。在配置产品环境中，人工智能驱动的规格匹配开始扩展到采购和库存工作流程中。通过跨业务单元匹配组件和规格，人工智能工具帮助减少了零件的泛滥并简化了库存管理。 结果是，公司领导者将覆盖范围、角色和工作流程与机遇相匹配，绩效近乎实时可见。如今，典型的销售人员将更多时间用于接触新客户和定制产品/服务：非销售活动仅占工作日的15%，而此前几乎占40%（图3）。 附件3 生成式人工智能通过自动化提案起草、总结客户互动、推荐下一步最佳行动以及支持技术故障排除，进一步增强了这些工作。正如在其他机械领域的应用所示，人工智能驱动的知识系统可以显著提高首次联系解决率并缩短周期时间，从而优化成本结构并改善客户体验。 技术并不会消除能力建设的必要性。然而，它减少了对外部稀缺个人专业知识的依赖，并使得规模化地执行规范商业行为更为容易。 将颠覆转化为持久优势 未来12至24个月对许多行业领域的竞争职位至关重要；随着需求的地域和行业转移，定价复杂性日益增加，人才限制也日益收紧。先行者正将人工智能嵌入交易流程、潜在客户发掘引擎、替代逻辑和服务运营中，创建能够随时间学习和改进的系统。他们还应用该技术解决其运营模式中反复出现的摩擦点，从按订单设计报价到已安装设备变现以及现场服务协调。 对于行业领导者而言，当务之急是加强价格纪律，并积极引导需求。这包括将系统化的狩猎能力构建到新兴增长集群中，同时重新设计商业模式，使覆盖范围、激励措施和工作流程与机会密度相匹配。在此模式下，生成式人工智能并非取代商业基础，而是通过普及专业知识、提升速度和扩大覆盖范围来强化这些基础。 产生最大影响的公司并非在整个企业中推行数十个彼此孤立的AI应用案例。相反，领先的工业公司正识别出其商业模式中经济杠杆最高的一个或两个领域，并将投资集中于此。 最高回报的行动因原型而异，而误判它是工业AI程序失去动力的最常见方式之一。按订单定制的业务应首先专注于AI赋能的报价和设计复用：回报是更