麦肯锡报告

1. 翻译: 生成式人工智能的经济潜力 第一部分商业价值 The economic potential of generative AI

1. 行业影响

在我们分析的63个使用案例中，生成式人工智能有潜力在各行各业创造2.6万亿至4.4万亿美元的价值。其确切影响将取决于各种因素，比如不同功能的混合和重要性，以及行业收入规模（附件4）。

例如，我们的分析估计，生成式人工智能可以通过提升营销和客户互动等功能的性能，为零售行业（包括汽车经销商）带来大约3100亿美元的额外价值。相比之下，高科技领域潜在价值的大部分来自生成式人工智能提高软件开发速度和效率的能力（见附件5）。

在银行业，生成式人工智能有潜力通过承担风险管理中的低价值任务来提高已经由人工智能提供的效率，比如必要的报告、监测监管发展和数据收集。在生命科学行业，生成式人工智能有望对药物发现和开发作出重大贡献。

我们在下文中分享了对这些行业的详细分析。

2. 生成式人工智能支持零售和消费品包装领域的关键价值驱动因素

这项技术可以通过提高生产力1.2至2.0%来为零售和消费品包装（CPG）行业创造价值，或额外增加4000亿至6600亿美元的年收入。为了简化流程，生成式AI可以自动化关键功能，如客户服务、市场营销和销售、以及库存和供应链管理。几十年来，技术在零售和CPG行业中发挥着关键作用。传统的AI和高级分析解决方案帮助公司管理大量SKU的庞大数据池、广泛的供应链和仓储网络以及诸如消耗品之类的复杂产品类别。此外，这些行业面向客户，这为生成式AI提供了补充先前存在的人工智能的机会。例如，生成式AI个性化产品提供的能力可以优化由现有AI解决方案处理的市场营销和销售活动。类似地，生成式AI工具擅长数据管理，并且可以支持现有的AI驱动定价工具。将生成式AI应用于此类活动可能是向整个企业集成应用迈出的一步。

2.1 生成式AI在零售和CPG中的应用

2.1.1 客户互动模式的重塑

消费者越来越希望在从服装和化妆品到定制购物体验、个性化推广和食品等方面获得个性化定制，生成式AI可以改善这种体验。生成式AI可以聚合市场数据以测试概念、想法和模型。例如，Stitch Fix使用算法向客户推荐风格选择，并已尝试使用DALL·E根据客户对颜色、面料和风格的偏好来可视化产品。使用文本到图像生成，公司的造型师可以根据消费者的偏好可视化衣服，然后在Stitch Fix的库存中识别类似的产品。

零售商可以创建应用程序，为购物者提供下一代体验，创造一个重大的竞争优势，因为客户期望有一个单一的自然语言界面帮助他们选择产品。例如，生成式AI可以改善选择和订购食材的过程或准备食物——想象一个能够提取配方评论中最受欢迎的提示的聊天机器人。还有一个巨大的机会来通过聊天机器人提供个性化的营销活动来增强客户价值管理。这类应用程序可以就产品进行类似人类的对话，以增加客户满意度、流量和品牌忠诚度。生成式AI为零售商和CPG公司提供了很多交叉销售和上行销售的机会，收集改进产品提供的见解，并增加其客户群、收入机会和整体市场营销投资回报率。

2.1.2 在关键领域加速价值创造

生成式AI工具可以促进市场营销和销售的文案创作，帮助大脑风暴创意营销想法，加快消费者研究，以及加速内容分析和创作。潜在的写作和视觉改进可以提高知名度和提高销售转化率。

2.1.3 快速解决和客户服务中的增强洞察

电子商务的增长也提升了有效消费者互动的重要性。零售商可以将现有的AI工具与生成式AI相结合，以增强聊天机器人的能力，使其更好地模仿人类代理的互动方式——例如，直接回应客户的查询、跟踪或取消订单、提供折扣和上行销售。自动化重复性任务可以让人类代理更多地花时间处理复杂的客户问题和获取情境信息。

2.1.4 颠覆性和创造性创新

生成式AI工具可以通过数字方式快速创建新版本产品的设计，从而增强产品开发过程。设计师可以从头开始生成包装设计，或生成现有设计的变体。这项技术正在迅速发展，有潜力增加文本到视频的生成。

2.2 零售和CPG组织需要考虑的因素

随着零售和CPG高管探索如何将生成式AI整合到他们的运营中，他们应该考虑几个可能影响他们从技术中获得价值的因素：

• 外部推断。生成式AI增加了理解生成内容是基于事实还是推断的需求，需要新的质量控制水平。
• 对抗性攻击。基础模型是黑客和其他恶意行为者攻击的主要目标，增加了潜在的安全漏洞和隐私风险的多样性。

为解决这些问题，零售和CPG公司将需要在战略上保持人类参与，并确保安全和隐私是任何实施的首要考虑因素。公司将需要为之前由人类处理的流程，如客户代表撰写的电子邮件，建立新的质量检查，并对AI辅助的流程如产品设计执行更详细的质量检查。

3. 为什么银行可以实现巨大的价值

生成式AI可能对银行业产生重大影响，通过提高生产率为该行业每年增加2.8%到4.7%的收入，即额外增加2000亿到3400亿美元。除了这种影响之外，使用生成式AI工具还可以提高客户满意度，改善决策和员工体验，并通过更好的欺诈和风险监控降低风险。

作为一个知识和技术驱动的行业，银行业已经从之前存在的人工智能应用中受益匪浅，尤其是在市场营销和客户运营等领域。生成式AI应用可能带来额外的好处，尤其是因为文本模式在诸如法规和编程语言等领域普遍存在，而且这个行业面向客户，拥有许多B2C和小型企业客户。

以下几个特点使银行业有利于整合生成式AI应用：

• 持续的数字化努力以及遗留IT系统。银行业已经投资技术数十年，积累了大量的技术债务以及孤立和复杂的IT架构。
• 庞大的面向客户的劳动力。银行业依赖于大量服务代表，如呼叫中心代理和财富管理顾问。
• 严格的监管环境。作为一个受到严格监管的行业，银行业有大量的风险、合规和法律需求。
• 白领行业。生成式AI的影响可能贯穿整个组织，协助所有员工撰写电子邮件、创建商务演示文稿等任务。

3.1 银行业中的生成式AI应用

银行已经开始认识到生成式AI在一线和软件活动中的潜力。早期采用者正在利用诸如ChatGPT以及针对行业的特定解决方案，主要用于软件和知识应用。以下三个用例展示了其对行业的价值潜力。

3.2 作为增强员工表现的虚拟专家

经过对专有知识（如政策、研究和客户互动）的培训，生成式AI机器人可以提供始终在线的深入技术支持。目前，一线开支主要用于验证优惠和与客户互动，但为一线工作人员提供数据访问权限也可以改善客户体验。该技术还可以监控行业和客户，并就公共来源的语义查询发送警报。例如，摩根士丹利正在使用GPT-4构建AI助手，旨在帮助数以万计的财富管理者快速找到并综合内部知识库中的答案。该模型结合了搜索和内容创建，使财富管理者可以为任何客户随时找到并定制信息。

一家欧洲银行利用生成式AI开发了一个环境、社会和治理（ESG）虚拟专家，通过综合和提取长文档中的非结构化信息。该模型根据提示回答复杂问题，识别每个答案的来源，并从图片和表格中提取信息。

生成式AI可以减少与后台操作相关的显著成本。这样的面向客户的聊天机器人可以评估用户请求，并根据主题、难度级别和客户类型等特征选择最佳服务专家来解决它们。通过生成式AI助手

，服务专业人员可以迅速访问所有相关信息，如产品指南和政策，以即时解决客户请求。

3.3 加速代码生成，减少技术债务，更快交付软件

生成式AI工具在软件开发中有四个广泛的类别用途。首先，它们可以基于输入代码或自然语言的上下文来草拟代码，帮助开发人员更快、更少摩擦地编码，并启用自动翻译和无代码/低代码工具。其次，这些工具可以自动生成、优先级排序、运行和审查不同的代码测试，加速测试并提高覆盖率和有效性。第三，生成式AI的自然语言翻译能力可以优化遗留框架的集成和迁移。最后，这些工具可以审查代码以识别计算中的缺陷和低效率。结果是更健壮、有效的代码。

3.4 大规模定制内容生产

生成式AI工具可以利用现有的文档和数据集大幅简化内容生成。这些工具可以创建针对特定客户档案和历史的个性化市场营销和销售内容，以及用于A/B测试的多种替代方案。此外，生成式AI可以自动生成模型文档，识别缺失的文档，并扫描相关的监管更新以创建有关相关变化的警报。

3.5 银行需要考虑的因素

在探索如何将生成式AI整合到运营中时，银行可以注意几个因素：

• 不同流程的监管水平。这些从未受监管的流程（如客户服务）到受到严格监管的流程（如信用风险评分）不等。
• 终端用户类型。终端用户对生成式AI的期望和熟悉程度各不相同，例如员工与高净值客户。
• 工作自动化的预期水平。通过API集成的AI代理可以几乎完全自主行动，或作为共同驾驶员，在客户互动期间向代理提供实时建议。
• 数据限制。虽然公共数据（如年报）可以广泛使用，但对客户和其他内部数据的可识别细节需要有限制。

4. 药品和医疗产品可以在整个价值链中受益

我们的分析发现，生成式AI可能对制药和医疗产品行业产生重大影响——在制药和医疗产品行业的年收入中占2.6%到4.5%，或每年600亿到1100亿美元。这一巨大潜力反映了发现新药化合物的资源密集型过程。制药公司通常将大约20%的收入用于研发，新药的开发平均需要10到15年。在这种高额支出和时间线下，提高研发的速度和质量可以产生巨大的价值。例如，药物发现过程中的引导识别步骤（在这一步骤中，研究人员确定最适合解决潜在新药目标的分子）即使使用“传统”的深度学习技术也可能需要数月时间。基础模型和生成式AI可以使组织在几周内完成这一步骤。

4.1 制药和医疗产品行业中的生成式AI应用

药物发现包括将可能有效治疗特定病症的化合物范围缩小。生成式AI处理大量数据和模型选项的能力可以加速多个用例的产出：

4.1.1 提高初筛自动化

在药物开发的引导识别阶段，科学家可以使用基础模型自动筛选化学品，寻找那些对药物靶标产生特定效果的化学品。首先，数以千计的细胞培养被测试并与相应实验的图像配对。使用现成的基础模型，研究人员可以比使用传统模型更精确地对相似图像进行聚类，使他们能够在引导优化期间选择最有希望的化学品进行进一步分析。

4.1.2 增强适应症发现

药物发现的重要阶段包括识别和优先考虑新的适应症——即，使用特定药物或其他治疗手段的疾病、症状或情况的理由，例如测试、程序或手术。给定药物的可能适应症基于患者群体的临床历史和医疗记录，并基于与已建立且有证据支持的适应症的相似性进行优先排序。

研究人员首先将患者群体的临床事件和医疗历史绘制成地图，包括潜在诊断、处方药物和实施程序。使用基础模型，研究人员可以量化临床事件，建立关系，并衡量患者群体与有证据支持的适应症之间的相似性。结果是一个适应症的简短清单，这些适应症在临床试验中的成功概率更高，因为它们可以更准确地匹配适当的患者群体。

使用这种方法的制药公司报告称，他们在临床试验中针对基础模型推荐的前五种适应症获得了高成功率。这种成功使这些药物能够顺利进入第三阶段试验，大大加速了药物开发过程。

制药和医疗产品组织需要考虑的因素
在将生成式AI整合到运营中之前，制药公司高管应该意识到一些可能限制他们

4.2 捕获其利益的因素：

• 需要人为干预。公司可能需要对从人工转移到生成式AI的流程实施新的质量检查，例如代表生成的电子邮件，或对AI辅助流程（如药物发现）实施更详细的质量检查。生成内容是基于事实还是推断的不断需求验证提升了新的质量控制水平的需求。

• 可解释性。生成内容的起源缺乏透明性和根数据的可追溯性可能使更新模型和扫描潜在风险变得困难；例如，用于合成科学文献的生成式AI解决方案可能无法指出其推断出某种新治疗在医生中非常流行的具体文章或报价。这项技术还可以“幻想”，或产生明显错误或不适合上下文的响应。需要设计系统指向特定文章或数据源，然后进行人工检查。

• 隐私考虑。生成式AI使用临床图像和医疗记录可能会增加泄露受保护健康信息的风险，可能违反要求制药公司保护病人隐私的法规。

参考

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier#industry-impacts