麦肯锡全球企业生成式AI调研报告深度解读

# 深度解读｜麦肯锡全球企业生成式AI调研报告：从探索到价值落地，你的企业准备好了吗？ 麦肯锡最新调研揭示：全球71%企业已应用生成式AI，但仅17%实现显著利润增长。这份报告为你解读企业AI转型的关键挑战与机遇。

2025年3月，麦肯锡面向全球1491名企业高管与员工开展了一项深度调研，旨在全面掌握企业部署生成式AI的真实状况，并发布了具有里程碑意义的报告《The State of AI: How Organizations Are Rewiring to Capture Value（企业如何重塑组织结构以释放生成式AI价值）》。这份报告揭示了全球企业在实际落地生成式AI过程中面临的现状、挑战与难得的机遇。 本文将对报告的核心调研结论进行提炼和深度解读，并在文末汇总了受访高管CEO的核心观点，旨在帮助你快速厘清思路，为组织的AI战略提供参考。 ## 一、AI使用已成趋势，但价值实现仍在早期阶段 在生成式AI的应用浪潮中，企业正从最初的好奇与试探，转向系统性、组织化的部署。尽管如此，大多数企业尚未从整体利润层面看到显著成效。 - **高普及率**：截至2024年年底，已有**78%**的受访企业在至少一个业务功能中使用了AI（包括生成式AI和分析型AI）。 - **持续增长**：目前，**71%**的受访者表示其组织已在常规业务中应用生成式AI，这一比例较2024年初的65%有所提升。 - **核心应用领域**：生成式AI最常被应用于市场营销与销售、产品/服务开发、服务运营和软件工程等关键职能。 - **价值鸿沟**：尽管应用广泛，但仅有**17%**的受访者表示其组织有5%以上的EBIT（息税前利润）来自生成式AI。这说明，从试验到实现规模化利润，还有很长的路要走。 > **小提示**：如果你的企业正处于AI应用的初期阶段，不要气馁。报告中超过8成的企业同样面临价值实现的挑战，关键是构建系统性的部署策略，而非单一的功能尝试。 ## 二、组织重构与风险管控：AI落地的“双引擎” 报告明确指出，技术本身并非制胜法宝，**组织层面的流程重构与风险管控**才是决定AI能否真正产生商业价值的关键因素。 ### 1. CEO监督与治理：成功率的关键指标 - **高层深度参与**：研究证实，由CEO（首席执行官）直接监督AI治理（负责任地开发和部署AI所需的政策、流程和技术），是组织实现更高利润率的最关键因素之一，尤其对大型企业而言。 - **工作流重新设计**：对所有规模的企业而言，**对现有工作流进行重新设计**是对息税前利润影响最大的单一因素。它意味着你不能简单地将AI“粘贴”到现有流程中，而需要从根本上思考“AI如何重塑我们的工作方式”。 ### 2. 风险管控：多样化的挑战与管理现状 随着AI应用的深入，风险管理的复杂性也在提升。 - **核心风险领域**：企业正加大力度管理生成式AI带来的风险，最受关注的三大风险是：**不准确性（幻觉）、网络安全和知识产权侵权**。 - **输出监督差异巨大**：在风险控制的具体执行上，企业间存在显著差异。约**27%**的受访者表示，员工在使用前会审查**所有**生成式AI生成的内容；而**同样比例（约27%）**的受访者则表示，其组织仅审查20%或更少的内容。 - **大企业领先风控**：在风险管理方面，大企业（年收入≥5亿美元）表现更为成熟，报告缓解的风险数量多于其他企业，尤其在网络安全和隐私风险方面更为突出。 > **常见问题**：我的企业规模较小，在AI风险管理上资源有限，该如何起步？ > **专家解答**：可以从“产出监督”这个最基础的环节做起，制定一个简单的“人工审查清单”。例如，针对客户交互场景，强制要求所有AI生成的邮件或回复必须经过至少一名人工客服预览确认，重点检查**准确性和品牌调性**。 ## 三、推动落地的“最佳实践”尚未普及 麦肯锡在报告中总结了一套包含**12项**的生成式AI部署与扩展“最佳实践”，例如设立专责团队、KPI追踪、领导层参与和建立信任机制等。然而，调查结果揭示了现实的差距： - **采纳率低**：仅有不到三分之一的企业采纳了其中的多数实践。 - **最大影响因素**：被验证对成功影响最大的两项实践是：**① 设定明确的KPI** 和 **② 制定清晰的落地路线图**。 - **大企业实践更优**：在建立专门团队、制定路线图、内部沟通价值、角色化培训以及建立客户信任方法等方面，大企业的表现明显优于小企业。 ## 四、人才需求与技能转变：从“会写提示词”到“重塑团队” 生成式AI的兴起正在重塑企业对人才的需求，就业市场正在经历结构性转变。 - **数据科学家需求旺盛**：未来一年，**50%**的受访者预计其组织需要比现在更多的数据科学家。 - **招聘趋势分化**：尽管整体AI相关职位招聘难度略有下降，但AI数据科学家、机器学习工程师和数据工程师等关键职位在**大企业中**的招聘需求仍然显著更高。 - **全员再技能化**：受访者普遍认为，未来三年需要进行比过去一年更多的AI相关**再技能培训**，这意味着几乎所有员工都需要学习如何与AI协作。 ## 五、对劳动力的预期影响：不是简单裁员，而是“结构替换” 对于“AI是否会取代人类工作”这个热点问题，报告给出了更为复杂的答案。 - **多数岗位保持稳定**：绝大多数受访者（**38%**）预计，未来三年生成式AI的使用对其组织**整体员工规模**影响甚微。 - **影响此消彼长**： - **预计裁员领域**：主要在服务运营（如客服）和供应链/库存管理等重复性高、流程化强的岗位。 - **预计增员领域**：而在IT和产品开发等创意与创新驱动领域，则更可能增加员工。 - **节省时间的去向**：AI节省出的工作时间，主要被用于**让员工从事全新的活动**，或是花更多时间在**尚未自动化的现有职责**上，而不是简单的“放假”。 > **小提示**：企业HR和管理者可以借此审视内部岗位，将重复性高、规则明晰的工作优先考虑用AI辅助，同时加强对创新和战略型岗位的人才储备。 ## 六、价值创造初现端倪（主要在业务单元层面） 虽然对企业整体利润影响甚微，但在具体的业务部门，生成式AI的价值创造已经初见成效。 - **文本仍是核心**：**63%**的受访者表示其组织使用生成式AI创建文本内容。超过三分之一用于生成图像，超过四分之一用于生成计算机代码。 - **收入增长显现在特定领域**：与2024年初相比，更多受访者报告生成式AI在其部署的**业务单元内**带来了收入增长，特别是在**战略与财务、供应链、营销与销售**等领域。 - **成本降低已成现实**：在大多数业务职能中，多数受访者报告生成式AI带来了**成本降低**，特别是在供应链、服务运营、战略与财务等后台与运营领域。 - **企业级影响仍在路上**：超过**80%**的受访者表示，尚未看到生成式AI对企业级EBIT产生实质性影响。 ## 七、高管使用领先，企业普遍低估员工潜力 报告还揭示了一个有趣的现象：领导者与员工之间的AI应用鸿沟。 - **高管以身作则**：**53%**的受访高管（C级）表示自己定期在工作中使用生成式AI，显著高于中层管理者的44%。 - **低估员工意愿**：一个值得警惕的结论是，企业内部普遍**低估了员工**对生成式AI的接受度与使用意愿。 > **常见问题**：管理层如何鼓励更多员工使用AI？ > **专家解答**：首先，领导者要公开分享自己使用AI的案例和经验，消除“使用AI会被认为不专业”的误解。其次，不要强迫，而是提供“安全的环境”，比如设立“AI创新日”或“失败的AI实验展示”，让员工知道尝试是被鼓励的。 ## 高管核心评论摘要 - **Alex Singla**：构建持久竞争优势需要**变革性思维**——即彻底改变商业模式、成本结构和收入流，而不是仅仅进行渐进式改进。开发雄心勃勃的端到端解决方案是关键。 - **Bryce Hall**：成功企业同等重视**推动采用和规模化**与技术开发本身。它们遵循明确路线图、持续追踪关键KPI、并由高层强力推动变革管理。 - **Lareina Yee**：AI对劳动力的影响并非简单的岗位削减。多数人预计短期员工规模不变，部分职能甚至可能增员。虽然AI人才招聘难度仍高，但相比之前已有所缓解。 - **Michael Chui**：AI产生实际影响的关键在于企业**适应新技术赋能的新能力**。价值捕获仍处于早期阶段，大企业在组织变革、人才投入和风险管理方面做得更多，也更有可能引领未来。 这份报告清晰地揭示了生成式AI从“探索性试验”走向“结构化落地”的关键转型期。大型企业已在治理结构、流程重构、风险管理、技能转型等方面迈出了重要步伐，但全行业距离“在整体企业级别实现显著AI价值”仍有明显差距。对于所有组织而言，**现在比以往任何时候都更需要一个明确、有领导力推动、且注重组织变革的AI战略**。