利用 AI 创造投资回报：AI 制胜的六项关键能力|ai|投资回报|效益

今天分享的是AI系列深度研究报告:《利用 AI 创造投资回报：AI 制胜的六项关键能力》。(报告出品方:IBM)

报告共计:38页

【报告内容摘要如下】

人工智能再次跃升为广受关注的热点。

生成式AI在商业领域掀起了一股风暴，从OpenAI的ChatGPT、百度的ERNIE、谷歌的LaMDA到Facebook的LLaMA，各大科技公司纷纷推出自己的大语言模型(LLM)。企业高管们也难免受到这股浪潮的影响。2023年初，企业财报电话会议上提及AI的次数同比增长了77%。

资金也闻风而动。AI正成为IT预算中越来越大的一部分。今年，全球以AI为中心的系统支出预计将达到1540亿美元，比2022年增长27%。

但企业会明智地使用这些资源吗？随着AI模型变得更加快速、智能和可靠，组织正纷纷加大投资力度。AI项目的投资回报率(ROI)能否达到预期？

具备成熟AI能力的企业可以利用AI创造利润，而不仅仅是获得媒体关注。

我们的研究结果表明，AI项目的成果之间存在巨大的差距。只有少数项目能够实现符合股东期望的财务效益。事实上，企业级AI项目的平均投资回报率仅为5.9%，远低于10%的平均资本成本。然而，随着AI成熟度的不断增加，投资回报率会出现明显的改善。事实上，领先企业实现了13%这一令人羡慕的投资回报率水平

过去十年来，许多组织一直在押注AI，但学习曲线非常陡峭。

一些组织被AI技术的“惊人能力”所吸引，却忘记了保持AI项目与战略相一致。另一些组织则将AI视为一把锤子，并将所有业务问题都视为钉子。几乎所有组织都在努力将其实施规模扩展到实验、概念验证和试点之外。

但好消息是，许多组织已经开始取得进展。AI部署实现了比以往更大的成功。2021年，54%的的受访高管表示其组织正在有效利用AI，这一比例相比2020年的25%增长了一倍多。受访高管还预计，到2024年，AI投资占IT支出的比例将增长至6.5%。

总体而言，2020年以来，AI项目的投资回报率保持稳步上升趋势。企业级AI项目的平均投资回报率已从2020年初的略高于1%增长到2021年底的近6%。4这可能是由于在全球疫情的推动下，许多组织纷纷大力投资发展各种AI赋能型解决方案，以加速远程办公、改善用户体验以及降低成本。

为了衡量AI项目投资回报率是否跟上了这一趋势，我们于2023年4月和5月再次针对350多名高管开展了一项调研。我们发现AI项目投资回报率继续沿着预期的增长趋势上行，预计到2022年将达到8.3%。

从Alphabet到沃尔玛：成为以AI为核心的企业

传统企业就像是工业时代的城市，内部遍布纵横交错的小巷，而不是四通八达的大道。由于受到历经百年的基础设施的制约，传统企业在现代化方面始终面临着长期的挑战。

以AI为核心的企业则是从一张白纸开始，领导者可以运用更大的创造力和灵活性，并将新兴技术置于业务模式的核心位置。在IBM商业价值研究院最近发布的一份报告中，AvisBudgetGroup首席数字官RaviSimhambhatla说道，“我还没有遇到数字原生企业说，我要创新"我只听到传统企业会这样说，因为它们正在尝试摆脱困境。对于数字原生企业来说，一切都是关于自我颠覆。”

Alphabet、Netflix、亚马逊和Meta等数字原生企业都是以AI为核心的高增长企业，它们已经从AI投资中获得了巨额回报。不过，一些传统品牌也利用AI实现了高速发展。例如，沃尔玛运用AI来匹配库存与不断变化的客户需求。该公司利用客户和购物趋势数据来预测哪些地区的消费者会在哪些时间需要特定产品。这样一来，沃尔玛就可以在每个仓库储存适当的商品，从而简化物流并保证快速交货，即使在购物旺季也是如此。

这种能力并非一夜之间养成，而是依托于负责任的数据收集与整理流程、灵活算法的开发以及整体技术方法。总的来说，这些举措共同为沃尔玛提供了基于AI的可信见解。

几十年来，沃尔玛一直在数据和分析领域处于领先地位，因此也深知要让AI充分发挥潜力，度量和优化必不可少。通过跟踪期望成果和诊断挑战，该公司能够从AI中发掘更多价值，并构建可适用于许多当前和未来业务应用的可扩展能力。

沃尔玛的成功表明，尽管传统企业无法成为数字原生企业，但可以通过转型来模仿数字原生企业的敏捷性。未来，那些集中资源发展关键领域（将AI嵌入核心业务）的企业将比过度分散资源的企业实现更好的成效。

数据和AI：形成良性循环

打造领先的AI组织，首先要考虑的一个因素是—组织应当如何选择、收集、管理和使用其数据。作为一项丰富但难以捉摸的资源，数据要么成就AI，要么阻碍AI。

数据就像是数字世界中的石油—一种提取成本高昂、难以处理的宝贵资源。低质量的数据会污染整个生态系统。但如果以负责任的方式加以使用，数据将价值连城。

这是因为具有可靠性、代表性、共识性的数据是建立可信AI的基石。人们不会使用自己不信任的AI解决方案，而更注重AI伦理的组织则表示客户和员工对其更加信任。

人工智能每天都在不断进步，变得更加智能和高效。但大多数AI解决方案仍然是定制的。它们使用特定的数据集进行训练，以完成预定义任务，而这需要大量的能源和时间。

为了提高AI投资的成本效益，企业需要灵活、可重用的模型，这些模型具有多种应用方式，包括生成新内容。当今的基础模型正在为实现这一未来铺平道路。

尽管基础模型具有真正的前景和潜力，但同时也带来了一些新的挑战。比如说，基础模型需要大量的计算、存储和网络资源，而这会消耗大量能源。训练一个大型自然语言处理模型的碳足迹与五辆汽车在其整个生命周期中的碳足迹大致相同。

【报告内容看点】