《德勤：企業人工智能應用現狀分析（第五版）： 加快人工智能轉型- 助推人工智能釋放巨大價值的四項關鍵行動（50頁）.pdf》由會員分享，可在線閱讀，更多相關《德勤：企業人工智能應用現狀分析（第五版）： 加快人工智能轉型- 助推人工智能釋放巨大價值的四項關鍵行動（50頁）.pdf（50頁珍藏版）》請在三個皮匠報告上搜索。

1、加快人工智能轉型：助推人工智能釋放巨大價值的四項關鍵行動德勤企業人工智能應用現狀分析（第五版）2022年10月2目錄致謝致謝方法論方法論尾注尾注3428行動行動4：選擇有助于加速價值實用例：選擇有助于加速價值實用例19444749前言：價值時代前言：價值時代加大人工智能部署是否會使成果減少？加大人工智能部署是否會使成果減少？市場正在加速發展但成果卻相對滯后行動行動1：投資于文化與領導力：投資于文化與領導力14 文化往往是成功的關鍵，員工對人工智能機會愈發持樂觀態度行動行動2：轉變運營模式：轉變運營模式 如果您不改變工作方式，就無法充分利用人工智能的價值行動行動3：協調技術和人才：協調技術和人才

2、24 人工智能時代下技術引進與人才招募齊頭并進 消費行業30 生命科學與醫療行業32 能源、資源及工業行業35 科技、傳媒及電信行業38 金融服務行業40 政府及公共服務行業42近年來，我們經歷了經濟和整個社會前所未有的動蕩：全球疫情；員工需求不斷變化。人們普遍認識到，企業已無法像以往一樣開展業務。3在應對我們當前所面臨的諸多挑戰方面，人工智能發揮著獨特而強大的作用。讓我們倍感鼓舞的是，我們發現我們生活在這樣的時代數據基礎設施和處理能力為推動人工智能（AI）的真正變革性應用和快速創新提供了必要的基礎。當我們目睹這些快速變化發生時，我們也發現當前挑戰中蘊藏著機遇。然而，我們同時發現諸多企業領導者

3、將目標定的太低，因而未能充分發揮人工智能為我們帶來的巨大潛能。當前重點要務不再是采用人工智能或自動化流程以提高效率，而是實現價值，推動成果，并釋放人工智能潛能，為我們的企業、員工和整個社會創造新機遇；且徹底打破傳統經營方式的限制。第五版德勤企業人工智能應用現狀分析調研報告主要探究：企業如何開辟一條通往新未來的道路，一個蘊藏著未實現價值來源的未來。在本報告中，我們探究了諸多企業領導者目前正在采取的四項關鍵行動，以發揮人工智能潛能，并推動企業實現價值增長：投資于文化和領導力：投資于文化和領導力：領導者應投身到工作重塑中，以利用對人工智能不斷改善的樂觀情緒以及人類勞動力發現人工智能所蘊含的機遇。員工

4、仍然是企業成功的關鍵，而人工智能可幫助釋放人類和機器勞動力的潛能。變革運營模式：變革運營模式：為了確保人工智能應用的倫理性和和質量，整個運營模式或需進行變革，以適應智能機器的獨特能力。應重新評估工作流程和角色，以管理風險并實現新的價值。協調技術和人才：協調技術和人才：在提升企業文化和領導力的同時，企業還須在緊缺的人才市場中制定人工智能戰略，不斷增加的現有平臺、工具和加速器可推動企業轉型。選擇高價值用例：選擇高價值用例：人工智能正在推動各行各業轉型，諸多領導者開始解鎖哪些用例在特定環境中推動實現最大價值。重要舉措在于制定人工智能近期和長期差異化應用的相關戰略。今年，我們再次明確表示，我們正處于A

5、ge of With時代的早期人類與（With）機器協作的時代但有跡象表明企業即將實現人工智能機會落地，并應用下一層級的人類認知。我們希望本報告不僅有助于企業發揮人工智能潛能，還有助于企業了解人工智能可為其帶來的益處。-Nitin Mittal,Irfan Saif and BeenaAmmanath請注意：除非另有說明，本報告中的數據、見解和分析均來自德勤企業人工智能應用現狀分析調研。案例研究源于德勤客戶工作經驗。前言：價值時代簡介4人工智能市場持續快速發展，各行各業的領導者一致表示人工智能技術對其企業的未來至關重要。實際上，在最新一期德勤企業人工智能應用現狀分析調研報告中，94%的企業領導

6、者表示人工智能在未來五年內對其企業成功至關重要。但在取得大規模成果方面仍面臨挑戰。自2017年以來，德勤通過對全球企業領導者進行調研，跟蹤人工智能在各行業的發展情況。第四版報告著眼于在整個企業擴展人工智能并取得顯著成果所需的廣泛領先實踐。在第五版報告中，我們將推進這一進程，深入探究可助力取得成果或中等成果的進一步行動和決策。AI解決方案對企業整體成功的重要性94%非常重要/重要5%比較重要1%完全不重要/不太重要加大人工智能部署是否會使成果減少？94%的受訪企業領導者認為，人工智能在未來五年內對其企業成功至關重要。然而，隨著企業加大人工智能部署，取得的成果卻相對滯后。簡介5受訪者人數為2,62

7、0名（N=2,620）本年度調研發現，遺憾的是，盡管部署活動有所增加，但許多企業取得的成果仍處于中等水平。79%的受訪者表示其企業全面部署了三種或以上類型的AI應用，該比例較去年的62%有所提高。然而，表示其所在企業當前屬于低成果類型（高部署/低成果）的受訪者比例從去年的17%升至今年的22%（有關完整的方法論說明，請參見第48頁）。盡管如此，76%的受訪者表示其企業計劃加大對人工智能的投資，以獲取更多益處。增速略有放緩（較2021年計劃加大投資的85%的受訪者比例有所下降），表明在過去幾年的大幅增長后，投資增速可能趨于平穩。然而，極少的受訪者（3%）表示將減少投資。這凸顯了未來幾年企業對人工

8、智能的堅定信念及其重要性。市場正在加速發展但成果卻相對滯后簡介79%的受訪企業領導者表示其企業全面部署了三種或以上類型的AI應用，該比例較去年的62%有所提高。76%表示計劃增加一些/大量投資20%表示投資水平基本保持不變3%表示計劃減少一些/大量投資1%表示不確定/不適用計劃下一財年人工智能投資N=2,6206分析模型2022年調研中，我們采用了與第四版德勤企業人工智能應用現狀分析報告中相同的基本分析模型，并稍作調整以反映市場上不斷增加的人工智能活動。根據2,620名受訪者的反饋，按照企業表現情況將受訪企業劃分為以下幾類：變革者變革者（高部署/高成果）：正在轉型但尚未完全實現轉型。變革者已確

9、定并在很大程度上采用了與最具代表性人工智能成果相關的領先實踐。探路者探路者（低部署/高成果）：探路者已經具備邁向成功的能力和行為，但具體的舉措較少。他們正在采取行動，但還不具備變革者的規模。后進者后進者（高部署/低成果）：大量的開發和部署活動是這一群體的特點；然而，他們還未采用足夠的領先實踐來幫助其有效實現更多顯著成果。起步者起步者（低部署/低成果）：在構建人工智能能力方面起步較晚似乎是這一群體的特點；他們最不可能展現領先實踐行為?！疤铰氛摺薄疤铰氛摺钡筒渴?高成果24%“變 革 者”“變 革 者”高部署/高成果27%“起步者”“起步者”低部署/低成果28%“后進者”“后進者”高部署/低成果2

10、2%0-23-45-660-26取得高成果的數量取得高成果的數量全面部署的全面部署的AI應用數量應用數量3-45-6*百分比四舍五入后總和不等于100%。N=2,620。7已知和未知的挑戰簡介調查受訪者表示根據人工智能的實施階段，其企業面臨不同的挑戰。當啟動人工智能新項目時，企業面臨的首要挑戰是證明人工智能的商業價值（37%）。隨著時間的推移，當企業試圖擴展其人工智能項目時，面臨的關鍵挑戰主要包括管理AI相關風險（50%）、缺乏高管認同（50%）以及缺乏維護或持續支持（50%）。這強調了人工智能成功轉型所需的明確領導和集中投資至關重要，在第四版和第五版調研報告中，受訪者均重申了這一點。此外，還

11、表明建立協調和紀律面臨持續挑戰，以便繼續為非重點項目提供資金。構建AI驅動型企業重點需要紀律和專注力來維護系統和算法，使其能夠持續創造價值而非干擾。此類紀律和專注力有助于警覺發現和了解所有相關挑戰，這些挑戰在人工智能項目早期階段可能并不明顯。啟動項目面臨的三大挑戰啟動項目面臨的三大挑戰啟動和擴展項目面臨的三大挑戰啟動和擴展項目面臨的三大挑戰37%證明商業價值的挑戰34%33%缺乏高管承諾選擇合適的AI技術30%AI技術和解決方案資金不足29%29%缺乏技術技能選擇合適的AI技術N=2,620N=2,6208AI開發人員與業務問題/需求/任務之間的一致性促進技術采用而提供的培訓技術技能AI技術和

12、解決方案資金初次啟動后的維護或持續支持不足高管承諾50%50%44%42%41%38%擴展人工智能項目面臨的挑戰擴展人工智能項目面臨的挑戰實施AI技術商業價值獲取訓練模型所需的數據或資料阻礙管理AI相關風險50%44%42%證明40%與其他企業/業務系統集成選擇合適的技術AI解決方案對最終用戶而言過于復雜或困難而無法采用識別具有最大商業價值的用例困難將人工智能整合到企業的日常運營和工作流程中46%44%44%42%38%N=2,620respondents9“如果您認為這對您所在企業的未來成功至關重要，請勿將【領導層】深入到企業內部?！比斯ぶ悄?機器學習戰略與運營主管全球技術公司10簡介預期成

13、果有趣的是，87%的受訪者表示，他們目前發現投資回報期在其預期之內或更快。一方面，這表明對實施要求的理解有所提高，同時也表明人工智能愿景可能過于關注削減成本，而人工智能蘊藏的轉型機會卻被忽視，這些轉型機會的時間表往往難以預測。受訪者占比最高的預期成果是削減成本（78%），這進一步強調了這一點。當企業優先考慮效率時，創收或業務創新等更多轉型成果可能會被忽視。盡管如此，一些企業已開始另辟蹊徑。與第四版調研結果一致，本年度調研中，來自高成果企業（變革者和探路者）的受訪者明顯更有可能表示其企業預期成果是創收如進入新市場/將服務擴展至新設成員公司，開發新產品/項目或服務，或啟動新業務/服務模式。成果成果

14、“達到高水平”創收成果創收成果高成果企業對比低成果企業高成果企業對比低成果企業（選擇“達到高水平”的受訪者）削減成本發現高價值洞察改進業務部門/企業之間的協作提高企業流程效率進入新市場/將服務擴展至新設成員公司定制或改進現有產品/項目或服務啟動新業務/服務模式預測需求開發新產品/項目和服務完善決策制定增加收入提高成員公司參與度激發現有員工潛能和/或加強人才管理預測成員公司需求高成果高成果高成果低成果低成果低成果37%34%34%33%33%33%32%32%32%32%31%30%30%28%進入新市場/將服務擴展至新設成員公司開發新產品/項目和服務啟動新業務/服務模式N=2,620respo

15、ndentsN=2,62050%48%48%15%15%16%11克服上述挑戰的企業將獲益良多簡介人工智能已進入了價值創造的時代。根據我們對高成果和低成果企業受訪者的行為和反應進行分析，本報告下文將詳細介紹領導者應考慮采取的建議或行動，以幫助改善其人工智能活動的成果。行動行動1 投資于文化和領導力員工對人工智能機會愈發持樂觀情緒，領導者可采取更多舉措，以利用該樂觀情緒進行文化變革，構建新工作方式，并利用人工智能改善業務成果。行動行動2 轉變運營模式企業能否合乎倫理且大規模地構建和部署人工智能，很大程度上取決于其轉變運營模式以滿足新技術特殊需求的進展情況。行動行動3 協調技術和人才確保技術引進與

16、人才招募齊頭并進。企業應根據其現有技能組合（源于人類或預包裝解決方案）來制定人工智能戰略。行動行動4選擇有助于加速價值實現的用例選擇合適的用例來推動企業的AI之旅主要取決于企業的價值驅動因素，并受你所在部門和所處行業情況的影響。了解推動行業變革的一些頂級用例。123412“實現真正的人工智能是此類項目中最容易的部分，而最難的部分是幫助所有相關人員了解我們正在試圖解決的問題?！?3數據科學、創新與運營副總裁商業數據分析與業務洞察公司行動1投資于文化與領導力14行動1：投資于文化與領導力文化往往是成功的關鍵，員工對人工智能機會愈發持樂觀態度企業文化和領導力對于人工智能的成功部署與應用至關重要。變革

17、者最能體現人工智能就緒文化的特征，例如：展現高度的跨組織協作 員工對人工智能的發展潛力持樂觀態度 積極培養和留用人工智能專業人才各個成熟度階段的受訪者均表示，敏捷性和變革意愿以及人工智能應用愿景相關的執行領導力是培養人工智能就緒文化的最重要因素（分別有42%和40%的受訪者認為這兩項因素極為重要）。這正強調了完備的變革管理作為成功的人工智能轉型基本要素的重要性。與低成果企業相比，高成果企業投資于變革管理的可能性高出55%以上。盡管對變革管理投資不足的情況時有發生，但員工對人工智能可為其提供的職業可能性表現出愈發樂觀的情緒：82%的受訪者表示，員工認為使用人工智能技術將提高工作表現和滿意度。選擇

18、“取得高水平成果”選擇“取得高水平成果”/“/“強烈同強烈同意”的受訪者意”的受訪者56%45%44%的變革者表示顯著改善了職能部門之間/企業內的協作的變革者“強烈同意”其員工相信使用人工智能技術將提高工作表現和滿意度的變革者“強烈同意”其企業積極致力于培養、培訓和留用具備人工智能技能的專業人才82%的受訪者表示，員工認為使用人工智能技術將提高工作表現和滿意度。82%強烈同意/同意16%中立2%強烈不同意/同意1%不確定受訪者是否認為使用人工智能技術會提高員工工作表現和滿意度？N=2,620百分比四舍五入后總和不等于100%。N=2,62015“人們總是低估變革管理的重要性，認為它易如反掌，但

19、實際上它在轉型過程中必不可少?！蹦辰M織設計顧問16許多企業正采取措施支持人機協同戰略：43%的受訪者表示，其企業已任命專門領導人負責幫助員工更好地與智能機器協作。此外，44%表示其企業已使用人工智能來協助最高管理層做決策。盡管如此，數據也表明，各企業在實現人機混合勞動力所需的進一步措施方面存在顯著差異。在所有受訪者中，僅有21%表示其企業積極培訓員工使用人工智能的最佳時機；25%聲稱向非技術/非專業人員提供用戶友好型人工智能系統；30%表示讓員工參與人工智能設計；36%表示針對人機混合勞動力重新設計組織實踐。同樣地，少數高成果企業（32%）據稱采取了必要的重要措施，通過實施對人工智能試點的創新

20、獎勵或激勵措施，促使員工更多地使用人工智能系統。企業利用人工智能創造更大價值的一個絕佳機會就是重新設計工作。2行動1：投資于文化與領導力然而，各企業在利用員工日益增長的樂觀情緒方面仍存在差距這種日漸增長的員工樂觀情緒可能源于近年來的思維轉變。許多企業已經開始意識到使用人工智能來輔助而非替代人力所帶來的好處。1事實上，僅有少數受訪企業（30%）強烈希望讓更多工作實現自動化。盡管43%的受訪者的受訪者表示其已任命負責幫助員工和人工智能實現有效協作的領導人，但具體行動仍然滯后:N=2,62036%為混合型勞動力重新設計人才實踐64%沒有為混合型勞動力重新設計人才實踐為混合勞動力重新設計人才實踐的企業

21、比例培訓員工有效應用和使用人工智能的企業比例30%讓員工參與人工智能設計70%沒有讓員工參與人工智能設計讓員工參與人工智能設計的企業比例21%培訓員工有效應用和使用人工智能79%未培訓員工有效應用和使用人工智能30%已進行投資70%未進行投資投資于人機協作的企業比例25%已向員工提供用戶友好型人工智能系統75%未向員工提供用戶友好型人工智能系統向員工提供用戶友好型人工智能系統的企業比例17改進人機協作如何實現人機通力協作？一個最大挑戰可能就是最具成效的人才模型相關的領先實踐尚不成熟。這并非意味著一切都是未知數。通過讓業務專家和一線員工參與算法設計，增進對算法的信任，從而幫助與智能機器建立積極工

22、作關系。例如，全球零售商H&M大膽讓員工參與相關算法開發流程，這樣既能轉變企業文化又能改善整個企業對人工智能的應用。在早期的人工智能試點項目中，H&M讓銷售人員參與測試和開發季末銷售定價算法。3此外，公司還在整個過程中對算法和人工計算的結果進行質量測試。最后發現，人機結合工作流程能夠比兩者單獨執行產生更好的結果。4不僅如此，讓員工參與進來也有助于轉變企業關于轉型技術的文化和態度。行動1：投資于文化與領導力18“企業文化是企業運營發展的加速器，但有時也會造成巨大阻礙。解決企業文化相關問題可謂困難重重?！蹦晨鐕蜌夤炯瘓F首席信息官行動2轉變運營模式19行動2：轉變運營模式如果您不改變工作方式，就

23、無法充分利用人工智能的價值20人工智能已經成為企業的制勝關鍵。因此，許多企業正圍繞其重新設計運營模式這是確保人工智能應用以及高質量和合乎道德使用的關鍵一步。盡管如此，大多數企業要在這方面達到成熟還有很長的路要走，而且自上次調研以來并未取得重大進展。雖然有證據表明，創建清晰流程并重新定義角色的確有助于實現高質量的人工智能使用，但據最近兩次人工智能應用現狀分析（State of AI）調研的受訪者稱，市場上采用此類做法的企業并未增加。在這兩次調研中，僅有三分之一的受訪者表示他們的公司始終遵循機器學習運營（MLOps），重新設計工作流程并記錄人工智能模型生命周期。這種進展不利的情況不容忽視，因為在最

24、近這兩次調研中，受訪者已將運營領先實踐列為與結果最密切相關的行為之一。換句話說，企業如果想要改善結果，必須重點關注改變工作方式，并持續不斷地評估和處理人工智能模型。5“為了保持競爭力，您必須改進企業運營與流程”某跨國工程技術公司集團經理盡管在持續采用運營領先實踐方面未取得進展，但今年調研的一些證據似乎再次證實，高成果企業明顯比低成果企業更有可能采用更多的運營領先實踐，包括：跟蹤已部署的模型與應用程序的投資回報率（86%VS71%）針對人工智能模型所使用數據的治理與質量制定書面化的流程（77%VS62%）遵循書面化的MLOps 程序（76%VS63%）遵循書面化的人工智能模型生命周期發布策略（8

25、4%VS66%）利用統一平臺進行人工智能模型與應用程序開發（81%VS66%）在模型投入生產之前，使用人工智能質量與風險管理流程和框架評估人工智能模型偏差以及其他風險（78%VS63%）這些調研結果表明，采取并維持此等和其他類似措施可以產生更好的人工智能成果。60%的受訪者（其中包括來自低成果企業的55%以上的受訪者）認為人工智能解決方案在戰略上對企業成功“非常重要”，鑒于此，持續采用運營領先實踐就尤為重要。運營領先實踐運營領先實踐高成果企業對比低成果企業高成果企業對比低成果企業（選擇“通?！被颉翱偸恰钡氖茉L者）N=2,620行動2：轉變運營模式跟蹤已部署的模型與應用程序的投資回報率遵循書面化

26、的人工智能模型生命周期發布策略使用以人為中心的設計利用統一平臺進行人工智能模型與應用程序開發在項目的全生命周期中應對人工智能的網絡安全風險在模型投入生產之前，使用人工智能質量與風險管理流程和框架評估人工智能模型偏差以及其他風險記錄人工智能模型所使用數據的分類、管理和質量保證流程86%82%81%81%78%77%76%71%66%66%68%63%62%63%84%66%在制定人工智能解決方案時，遵循書面化的MLOps 程序，包括測試和持續改進計劃高成果企業低成果企業21除了這些領先實踐之外，我們的調研還強調了采取特定的風險緩解措施如何有助于取得更優成果。人工智能相關的風險是企業面臨的嚴峻問題

27、。我們通過調研發現，人工智能決策缺乏可解釋性和透明性、數據隱私或同意管理不善、以及對人工智能系統的安全擔憂等等都是影響企業的倫理道德風險。高可信人工智能（Trustworthy AI）6的實現最終取決于確保實施嚴格的流程以及合理的制約與平衡。為此，若企業采用符合高可信人工智能原則的道德人工智能框架，他們通常能夠實現更優成果。在調研的所有歸因中，高成果企業的受訪者傾向于認為，擁有更多這樣的運營流程有助于增強對企業人工智能解決方案符合道德與質量標準的信心。管理這些風險會對企業的人工智能工作產生重大影響。事實上，50%的受訪者提出人工智能相關風險管理是擴大人工智能項目規模的最大障礙之一。盡管如此，也

28、僅有33%的受訪者將人工智能風險管理納入企業整體的風險管理范疇。然而，33%的高成果企業和29%的低成果企業聘請外部供應商獨立審核其人工智能系統?？偟膩碚f，受訪企業嚴重依賴培訓，將其作為緩解人工智能風險的關鍵。他們最常用的兩大風險緩釋策略分別為：培訓人工智能開發人員識別和解決人工智能道德問題（35%）以及培訓/支持員工與人工智能建立積極有效的關系（34%）。但培訓在現實中是否真的如此重要？從受訪者對本次其他調研問題的回答中可以看到，人工智能相關培訓還沒有達到成功轉型和風險緩解所需的普及程度。管理人工智能風險行動2：轉變運營模式風險緩解策略風險緩解策略 高成果企業對比低成果企業高成果企業對比低成

29、果企業高成果企業低成果企業低成果企業低成果企業32%34%34%37%34%33%高成果企業為構建人工智能系統的從業人員就如何識別和解決人工智能相關的道德問題提供培訓提供培訓/支持，幫助員工與人工智能建立積極有效的關系高成果企業就人工智能倫理道德方面的領先實踐與外部多方合作N=2,62022案例研究：應對人工智能道德風險某金融服務公司由于未對其業務部門的多個應用程序進行統一的監控、風險識別、治理和記錄，面臨的人工智能風險敞口大增。其人工智能模型和應用程序生成結果的速度很快，有時只需幾個小時。而且，由于人工智能模型本身能夠學習和調整算法以優化其性能，如果沒有強有力的緩解策略，風險可能會急劇上升。

30、這些問題可能導致公司客戶體驗下降、品牌形象大跌以及違背法律和監管的合規性要求。公司高管們意識到，他們需要一種更穩健的機制，以確保人工智能算法按照公司期望的方式運行。為此，該公司著手制定一套嚴格流程來管理當前風險并密切關注新興風險。首先，對不同業務部門擁有的60個人工智能模型進行深入分析，以清楚了解各個模型的風險狀況；然后，人工智能治理與風險管理專家與公司的數據科學團隊合作，根據關鍵風險維度和基本的道德人工智能框架，審查各個人工智能模型并開展風險評估。根據評估結果，他們建議通過流程變革來應對和緩解問題，同時進行負責任的人工智能模型開發和部署。此外，還要進行持續監控和培訓，以管理人工智能風險。最后

31、，該公司總結得出具有針對性的敏捷運營模式以負責任的方式管理人工智能應用，并進行適當的治理和控制，同時也通過這次行動更加深入理解人工智能應用程序如何在不加檢查的情況下產生脫離業務背景的結果?；蛟S更重要的是，該公司能夠利用風險緩解舉措使人工智能更加人性化，安排員工監控人工智能算法，并且確保人工智能模型的學習透明化以及保證在人工智能模型產生意外結果時提供保護和問責機制。行動2：轉變運營模式23行動3協調技術和人才24人工智能讓所有企業都意識到需要同時規劃技術與人才投資，兩者結合方能創造人機協作勞動力這一重要資源。在各個成熟階段，整合構建、擴展和創新企業人工智能所需的技術與人才是一項不斷變化的挑戰。技

32、術型人工智能人才的短缺早已眾所周知。7 幸運的是，在過去的幾年里，許多成功的人工智能模型和培訓集已經進入商業軟件和開源產品，可以幫助啟動工作，減輕人才短缺的影響。然而，企業利用人工智能打造差異化工具和應用程序的能力仍然很大程度上取決于它能夠引入內部的人才。在企業發展過程中，似乎存在一種模式：對于才開啟人工智能旅程的企業而言，他們可能需要通過外部招聘來構筑人工智能人才基礎，然后這些人才幫助培訓現有的內部人員，助力構建更具差異化的技術，以及評估和成功實施生態系統解決方案和聯盟，并開展合作。即使是最先進的企業仍處于人工智能轉型的早期階段，因此大多數受訪企業表示仍優先考慮從外部招募新的人工智能人才，而

33、不是對現有員工進行再培訓。在人工智能方面經驗尚淺的公司往往更多地依賴外部合作伙伴，并且隨著時間推移他們的需求更加明確，逐漸轉向收購擁有技術型人才的小型公司。與此相一致的是，絕大多數受訪者將人工智能作為可購買的產品或服務（65%），而不是嘗試在內部構建自己的人工智能解決方案（35%），特別是在這一旅程開始時就依賴現成的解決方案。此外，共同開發人工智能解決方案仍然是常見做法，企業與供應商合作創建定制化的系統和流程。由于人工智能仍然是一項新興技術，許多供應商繼續提供套件式的平臺，而不是完全成熟的解決方案。早期進入者發現，實施現成的解決方案在五年前足以使自己脫穎而出，但市場的日益成熟正在刺激一些企業制

34、定和培訓更加個性化的內部解決方案，以實現更大的差異化。調研數據證實了這一點：擁有多年人工智能實施經驗的企業往往更有可能嘗試創建專屬的人工智能解決方案，而擁有較少經驗的組織則傾向于依賴成套解決方案。這種技術與人才的融合引發了許多問題，尤其是關于這些更垂直的能力和解決方案如何在企業中發揮作用。過去兩年的調研數據表明，受訪企業尚未就哪種模型能夠取得更強有力的成果達成共識。但這是企業在擴大其人工智能實施規模時需要考慮的一個重要問題。人工智能時代下技術引進與人才招募齊頭并進行動3：協調技術和人才雇用具備人工智能技能的經驗豐富的專業人士30%訂閱/租用人工智能服務35%構建內部人工智能對內部人員進行人工智

35、能方面的再培訓53%34%招募招募人工智能人工智能人才人才獲取獲取人工智能人工智能人解決方案人解決方案35%從技術供應商處購買成套解決方案N=2,620251年以下1至2年3至6年7至10 年10年以上擁有不同年限人工智能經驗的企業如何打造擁有不同年限人工智能經驗的企業如何打造人工智能人工智能解決方案？解決方案？內部構建從技術供應商處購買成套解決方案作為服務使用（訂閱或租用）“If you arjus sta ti gh A,th n of cour e tibe outs dexper suseou do copanyse i r then yohorganave tin de yoncha

36、 e he co headi ioe.darioaterN=2,62034%40%34%34%33%33%32%31%30%29%25%36%37%35%35%*百分比四舍五入后總和不等于100%。26“如果您剛開始應用人工智能，肯定要求助于外部專家，因為公司內部沒有相應人才。等到員工發展成長為可以做知識分享的資深人士，那您就可以在公司內部構建人工智能解決方案?！蹦晨鐕嚵悴考圃焐虣C器學習領導人“我所見到的最成功的企業通常會投資于外部技術領導力。這必須要有正確的激勵措施。吸引具備專業領域知識的人才加入公司，回答這些棘手的技術問題，并向非技術領導提供實際可行的反饋?！蹦撤菭I利性學術醫療中心人

37、工智能戰略總經理27行動4選擇有助于加速價值實現的用例28人工智能應用的起點將決定終點行動4：選擇有助于加速價值實現的用例受訪企業正在多個領域和行業流程中實施人工智能，并且傾向于以特定的順序采用用例。當然，隨著其增加對人工智能的投資，他們最終會觸及范圍更大更廣的用例，但當涉及到選擇從哪個業務流程開始時，他們所做的選擇可能會決定將如何快速以及在多大程度上實現成功的結果，并通過早期努力獲得動力。專注于挑戰性太大、時限很長或收益過小的用例可能會降低公司增加投資的熱情，扼制進一步的創新并延緩人工智能可能帶來的轉型變化。相反，從更容易實現或具有相應的更快或更高投資回報的用例開始，可以為進一步投資創造動力

38、，并更易推動能夠加速實現人工智能好處的內部文化與組織變革。此外，每個行業特有的流程、實踐和監管環境也極大影響公司投資人工智能的方式以及將人工智能洞察融入決策的程度。例如，受訪者回答的各行各業人工智能的主要用例包括云定價優化（44%）、語音助手、聊天機器人和對話式人工智能（41%）、預測性維護（41%）和運行時間/可靠性優化（41%）。但各個行業的主要用例卻有差別。例如，科技、傳媒和電信行業，生命科學與醫療行業，能源、資源及工業行業分別有48%、47%和46%的企業使用人工智能進行云定價優化；而政府及公共服務行業有43%使用人工智能進行預測性維護；金融服務行業有42%將人工智能用于語音助手、聊天

39、機器人和對話式人工智能。接下來的章節將介紹每個行業最常見的用例。在某些行業中，人們只著眼于僅與自身行業相關的人工智能應用程序，而其他行業可能會更關注可以加速市場營銷進程或提高整個供應鏈效率等的領域應用程序。29各個子行業的用例采用可能千差萬別。在消費品和制造企業中，規模較小的企業疲于應對員工短缺，難以招募技術嫻熟的操作人員；規模較大的企業則受到成本問題困擾，包括投入成本以及如何在大型復雜生產過程中管理成本。為解決這些問題，前者將人工智能助手引入車間，設立虛擬操作員助手；而后者通過投資于人工智能賦能的價值鏈優化來識別隱藏的機會和避免不必要的浪費。在交通運輸業，專注于備件管理或車隊管理等優化問題（

40、本質上是成本節約）的公司往往表現得不如那些進一步投資自動駕駛汽車的公司，后一種用例將推動更大范圍的組織和運營變革。在零售業，我們觀察到，那些專注于投資人工智能推動營收增長的公司，比如通過人工智能支持的促銷管理來帶動更多銷售，常獲得較低價值的交易或潛在地促使客戶期望折扣和優惠。業績較好的公司往往從投資差異化定價開始。8欲了解關于人工智能在消費行業近期及長期應用的更多信息，請參閱德勤消費行業AI案例精選。消費行業消費行業涵蓋了從消費品到酒店、餐飲和交通的多種業務類型。雖然它們在價值驅動因素上發揮的作用各不相同，但其重點都是服務客戶。行動4：選擇有助于加速價值實現的用例客戶服務運營語音助手、聊天機器

41、人和對話式人工智能個性化客戶反饋分析預測性維護數據隱私和治理運行時間/可靠性優化預測性風險和合規管理IT運營管理采購應收賬款管理研發安全與質量招聘/雇用人才調度優化目前將人工智能用于運營目前將人工智能用于運營/日常管理的前十五大流程日常管理的前十五大流程客戶體驗與營銷運營與財務人才與人力資源45%45%45%46%43%43%44%42%42%42%42%42%42%41%40%消費行業（N=525）30某價值數十億美元的全球食品配料公司需要做出更明智的定價決策?？蛻艚浝韮H憑直覺和個人經驗報價，沒有參考競爭信息或分析洞察來支持與客戶的談判。因此，該公司實施了一項分析定價解決方案，它能生成客戶和

42、產品層面的價格目標，并向客戶經理提供量化洞察，方便其向客戶溝通產品和服務價值。該解決方案還實現了假設情景規劃，能夠完善談判和提高利潤。最終，該公司新的定價和促銷框架創造了2%的年收入增長。消費行業案例研究9行動4：選擇有助于加速價值實現的用例3132新冠肺炎疫情席卷全球兩年后，人們愈發清晰地認識到人工智能對生命科學與醫療公司的重要性。尤其是生物制藥公司高管意識到亟需解決人工智能技術的風險問題，以便進行創新并取得競爭優勢。調研數據顯示，人工智能在整個生命科學與醫療行業的頂級用例仍主要專注于自動執行重復性任務和跨行業的標準業務流程。在許多行業中，人工智能用于后臺功能的頻率普遍上升至前十名。但深入研

43、究各子行業后，可以發現人工智能的頂級用例之間存在著一些有趣的差異。在生命科學子行業，人工智能在智能制藥等更先進、特定行業的用例方面并未顯示出放緩的跡象。人工智能在生物制藥研發價值鏈中的作用體現在智能藥物研發應用的突出作用上。就生命科學子行業而言，領先的特定行業醫療人工智能用例專注于人工智能輔助診斷（包括預測性診斷）、患者參與、醫療保險欺詐檢測和智能醫院等潛在變革領域的成果和監測。近年來，可信賴的人工智能在提高醫療服務成果的公平性方面發揮著日益重要的作用，其關鍵在于防止可能導致醫療服務和保險等行業不公平和不平等問題的模式偏差。另一項最新進展表明，全球新冠疫情或將加速醫療子行業對人工智能的采用。疫

44、情突顯了人工智能如何助力醫院等醫療服務提供商應對醫療緊急情況。為應對疫情，近期一些頂尖醫學院和醫院設立了專注于人工智能的部門，以推動人工智能在未來極端的全球條件下更好地預測和優化醫療服務。有趣的是，在這兩個子行業中，仍屬于起步者類別的行業受訪企業比更成熟的人工智能企業明顯更加關注價值較高但難度巨大的用例（如研發和計算機輔助診斷）。如此一來，起步者可能無法從更容易實現的人工智能用例中獲得回報或快速獲得回報，人工智能應用或將進展緩慢。相對而言，更成熟的人工智能企業將人工智能技術用于更多不分行業的戰術案例中，這表明目前人工智能應用在跨行業用例中取得了切實成果，此外，亦可表明生命科學與醫療行業中采用特

45、定行業的人工智能用例面臨著一些障礙。由此可見，決策過程對人工智能成熟之旅的早期階段至關重要。制定能夠在短期內取得成果的人工智能策略至關重要，同時還需確定可能需要學習曲線更陡峭、價值實現時間更長的用例。10欲了解關于人工智能在生命科學與醫療行業近期及長期應用的更多信息，請參閱德勤生命科學與醫療行業AI案例精選。生命科學與醫療行業行動4：選擇有助于加速價值實現的用例客戶服務運營個性化患者生命體征監測云定價優化內部審計算法供應鏈規劃采購預測性風險與合規管理研發數據隱私與治理招聘/雇用目前將人工智能用于運營目前將人工智能用于運營/日常管理的前十五大流程日常管理的前十五大流程患者體驗與營銷運營與財務勞動

46、力與人力資源生命科學與醫療行業（N=260）45%47%42%40%41%41%36%37%37%38%38%38%33法律文件審查圖像識別/數字放射學41%38%全渠道體驗管理計算機輔助診斷35%新冠疫情擴大了對醫療服務的需求，原因在于消費者更易受到自身與服務提供商互動方式的影響。醫療行業的成功愈發意味著客戶需要簡單、無縫的醫療服務，美國一家大型醫療機構致力于滿足患者需求，并為其客戶提供卓越體驗。其面臨的首要挑戰是：個性化互動，有效協調醫療工作，并指導患者堅持規范用藥。消費者需遵循過多接觸點來獲得所需護理，而且往往這些接觸點都難以協調。同時，該醫療機構還需提升其數據科學和云數據工程能力，以迅

47、速滿足這些需求，尤其是在新冠疫情導致對其醫療服務需求增加的情況下。解決上述挑戰的第一步是評估當前的消費者和患者旅程流程、數據和技術，以了解現有差距?；谠撔畔?，客戶能夠通過以下方式設計并實現端到端的人工智能驅動型個性化解決方案：采用聚類技術，確定可能未參與旅程流程的消費者并對其進行歸類 通過強化學習，以確定與每位消費者單獨聯系的適當外展服務 利用全渠道平臺，自動將消息路由至消費者選擇的外展方式（信息、電話、電子郵件等），以創造固有效率通過實施一系列全新人工智能用例，客戶現可提升個性化客戶體驗、改善藥物依從性并降低醫療成本?？蓴U展的人工智能驅動型個性化服務助力企業提供客戶服務、醫療協調和活動管理

48、。人工智能成為創新發展引擎。利用機器學習模型中獲取的數據和洞察有助于了解每位消費者的醫療需求，并通過多種溝通渠道自動確定醫療服務的提供方式、時間和內容。該項業務涉及約10%的客戶，創收超過1億美元。生命科學與醫療行業案例研究11行動4：選擇有助于加速價值實現的用例3435能源、資源及工業行業涵蓋石油、天然氣和化工、公用事業、工業等一系列資產密集型子行業，行業重點聚焦于離散制造和流程制造。該等行業公司在過去二十年里投入大量的時間、資金和資源，推動儀器和技術落地，并實現相互連接以收集運營相關數據。調研結果顯然表明公司注重IT云定價、優化數據管理的正常運行時間和可靠性，以及拓展具有數據工程技能的人力

49、資源。流入不同數據平臺的結構化數據和非結構化數據（即視頻/監控、機器控制系統）數量繼續呈指數級增長，因此能源、資源及工業公司面臨新的挑戰，即從收集的海量不同數據中獲取和提供人類可獲取的洞察，以制定更好、更明智的決策。調研顯示，盡管能源、資源及工業行業的人工智能數字和數據基礎已經成熟，但相比其他行業的受訪企業，利用人工智能技術的運營模式尚未在能源、資源及工業企業中實施。目前，通過自動化和分析，受訪企業普遍將人工智能應用于后臺功能，而不同的運營技術數據集仍處于功能孤島中。企業在核心業務中更廣泛應用人工智能面臨挑戰，原因在于數據質量和數據中心化面臨持續挑戰，以及運營決策對工程原理的歷史依賴等。這進一

50、步表明，相對于高級分析、機器學習或人工智能得出的不易識別的洞察，行業中重視數學第一性原理的企業相對較多。受訪企業認為該行業內采用人工智能緩慢還包括以下原因：周期性關注成本而非長期價值創造、缺乏引入人工智能創新技術的組織變革管理能力，以及因公司治理不完善而無法核算和跟蹤人工智能舉措實現的價值。隨著企業能力愈加成熟，對人工智能在能源、資源及工業行業作出關鍵決策的信任度將不斷提升。整個能源、資源及工業行業高度重視安全性和可靠性，因此須對各項新技術進行嚴謹驗證，尤其是改變人與設備、現場資產互動的新技術。隨著企業能力在人工智能人員、流程和技術方面不斷成熟，應不斷提高對人工智能的信任度，并重點關注人工智能

51、系統的可追溯性和可解釋性。由于嚴格的法規和地緣政治因素對能源、資源及工業行業產生影響，業內多數公司有必要考慮重塑和重新思考不斷變化的人工智能應用策略?！皟r值實現階段”需使用數據，專注于推動加快資源開采、減少非生產時間或停工時間、提高安全水平、利用分布式能源和可再生資源增加收入流、優化車隊管理和路線；并推動提高環境、可持續發展和治理指標收集的自動化程度。為此，加強業內人工智能專業知識對推動人工智能的采用（尤其對人工智能在能源、資源及工業行業中的多個高潛力用例）至關重要。從云基礎設施到邊緣計算、物聯網傳感器到網絡安全機制等技術的發展降低了數據可用性成本，并提高了安全性。通過應用高級分析方法和人工智

52、能，能源、資源及工業企業可以在整個流程中識別趨勢并預測事件，快速應對中斷并提高效率。提高未來的數字化程度進一步推動能源、資源及工業行業超越人類局限性，以制定助力實現端到端價值鏈高效和有效運轉的決策，并推動行業持續專注于創新。行業高管似乎認識到，人工智能在資產運營前線的應用具有巨大潛力。因此，調研數據顯示，預測性維護、安全性和流程優化領域呈良好發展態勢，表明了其他行業趨于使用預測性洞察，以鞏固人工智能重要性。這可能預示著，能源、資源及工業企業將解決部分最具挑戰性的歷史問題，并以新思維和新目標實現跨越式發展。欲了解關于人工智能在能源、資源及工業行業近期及長期應用的更多信息，請參閱德勤能源、資源及工

53、業行業AI案例精選。能源、資源及工業行業行動4：選擇有助于加速價值實現的用例目前將人工智能用于運營目前將人工智能用于運營/日常管理的前十五大流程日常管理的前十五大流程語音助手、聊天機器人和對話式人工智能故障/壽命值預測和優化客戶服務運營個性化客戶反饋分析云定價優化財務報告與會計預測性維護IT運營管理招聘/雇傭安全與質量勞動力調度優化客戶體驗與營銷運營與財務勞動力與人力資源能源、資源及工業行業（N=525）45%46%42%40%41%38%39%37%37%37%37%3638%38%運行時間/可靠性優化調查案件管理37%算法供應鏈規劃37%38%大型工業產品制造商熱衷于降低保修成本和定價索賠

54、額索賠審計是一項極為繁瑣的人工處理過程。但更重要的是，企業清楚此類索賠可能隱藏著關于質量和安全的潛在關鍵洞察。智能AI技術解決方案可提供更全面審查和分析，從而更好地篩選索賠，并改進對供應商退款和產品質量的端到端管理。如何實施所需的穩健性分析模型，以使數據審查和分析能為制造商帶來期待利益？為了最有效地挖掘這一海量數據，發現為客戶所知的隱藏其中的洞察，該公司利用人工智能驅動型解決方案來執行數百萬次分析，并持續監督保修和定價索賠，以檢測因異常、政策違規或其他違規行為而導致的質量問題或潛在浪費。該項技術發現機會后便將此類洞察轉化為警報和行動計劃，幫助人們調查和研究高風險經銷商。從用戶的角度來看，人工智

55、能驅動型解決方案為精簡技術：它自動獲取新數據，利用人工智能和專門的分析模型，并顯示支持工作流和管理跟蹤的洞察和視覺效果。該項技術本身以及技術部署均實現了自動化，通過完全自動化的生產流程在企業環境中實施。該解決方案自推出以來，對客戶業務產生了切實影響，幫助改進問題檢測、提高流程效率和覆蓋率；幫助確定潛在的恢復機會。企業目前可以更快地發現問題，大大降低了保修成本和定價索賠額，并能為今后做出明智的決策。自動化之旅尚未結束。附加功能有助于客戶進一步完善現有的分析，更準確地檢測受監測的問題，并擴大分析范圍，以發現更多的恢復和損失預防領域?？蛻粼谥悄苜|量、保修浪費和定價索賠方面的發現亦有助于推動經銷商和分

56、銷商做出行為改變，從而進一步降低保修費用。該解決方案對他們的工作方式產生了積極影響，并提高了效率。能源、資源及工業行業案例研究12行動4：選擇有助于加速價值實現的用例37科技、傳媒及電信公司似乎遠比其他行業更能認識到人工智能的重要性72%的受訪企業強烈認為，人工智能對其未來五年保持競爭力至關重要，該比例比其他行業高出12個百分點。這不足為奇，原因是人們最先想到的業內品牌通常是谷歌、亞馬遜13和Facebook14等數字原生品牌，這些品牌將人工智能廣泛應用于其商業產品和服務（其中許多產品和服務是各行業的基礎賦能者），往往被視為人工智能成熟的代名詞。但該行業的品牌不止于此。該行業的部分傳統品牌（如

57、AT&T15和Hearst）16也至關重要。調研數據表明，電信及傳媒公司在擁抱人工智能方面往往遙遙領先，變革者在科技、媒體和電信行業的占比最大（同時也是后進者數量最多的行業）。該行業人工智能成熟度可能歸因于電信公司對運營效率的長期關注，以及媒體公司對數字營銷技術的快速應用。顧客獲取和保留舉措也推動了電信及傳媒公司AI能力的提升，人工智能用例廣泛應用于各個行業體現了這點。一般而言，科技、傳媒及電信公司最常見的人工智能用例仍然側重于跨行業業務流程。同樣，調查顯示，電信、傳媒及娛樂子行業在人工智能應用方面略微領先，其用例包括視頻內容分析、音視頻挖掘以及生產運營自動化等。云計算發展和流媒體增長等外部因

58、素是人工智能應用的驅動因素，同時也是繼續將此類數字資產變現的增長因素。電信、傳媒及娛樂公司仍然從后端運營相關的用例中獲得最大的價值，這些用例往往能夠實現標準業務實踐。該行業中各子行業之間的一個有趣的區別是，電信、傳媒及娛樂公司似乎比科技公司更善于從客戶數據（如客戶反饋分析）中攫取價值。這不足為奇，原因在于電信、傳媒及娛樂公司往往比科技公司擁有更加豐富的客戶數據。17欲了解關于人工智能在科技、傳媒及電信行業近期及長期應用的更多信息，請參閱德勤科技、傳媒及電信行業AI案例精選?？萍?、傳媒及電信行業行動4：選擇有助于加速價值實現的用例客戶反饋分析語音助手、聊天機器人和對話式人工智能客戶服務運營個性化

59、聯絡中心優化云定價優化研發后端與生產運營自動化IT運營管理實驗和測試預測性維護運行時間/可靠性優化數據隱私與治理目前將人工智能用于運營目前將人工智能用于運營/日常管理的前十五大流程日常管理的前十五大流程客戶體驗與營銷運營與財務48%43%43%44%44%42%42%42%42%41%41%勞動力與人力資源40%科技、傳媒及電信行業（N=645）3841%數字資產/數字孿生41%勞動力調度優化45%一家大型全球科技公司的云服務團隊一直以傳統方式尋找客戶，多年來促進了業務的巨大增長。但該公司的業務增長領域分布不均消費品是增長的最大驅動力，企業云服務則不然。銷售這些服務意味著要建立關系，而要擴大規

60、模則更難。這意味著該公司需要將其在數據科學方面的優勢集中在可發揮最大影響力的領域：增加企業云銷售線索。為此，一些新興人工智能技術嶄露頭角，主要利用公司數據來構建各種機器學習模型，并將合格銷售線索的考量因素數量從兩個增加到盡可能多。接下來的任務是選擇并微調最有效的模型，然后讓機器在客戶數據中運行學習模型。對買家而言，是否存在最佳時機？多久聯系一次買家？一天中的哪個時間聯絡？機器發現的模型有助于營銷團隊更好地判定合格銷售線索并確定其優先級，并幫助銷售團隊明確每個潛在客戶需解決的需求，以及聯絡速度和頻率。如果在該模型中輸入新數據，亦可用于預測潛在結果。若云服務團隊改變與銷售線索的首次問候方式，或者說

61、明不同的產品利益點將會如何？該等繁重的數字化任務在后臺進行，銷售代表目前可以專注發揮其專長（也是機器無法完成的任務）：建立人際關系。這一運營效率取得了切實成效。在六個月內，該公司云服務團隊的銷售機會總體有所增加，銷售線索轉化率上升了20%。同期，云服務銷售額有所增長，但銷售團隊的成本并未增加。營銷人員對銷售機會增長的貢獻率高于從前，銷售團隊完成的交易量有所增加?？萍?、傳媒及電信行業案例研究18第四項行動：選擇有助于加速價值實現的用例39相比其他受訪行業，金融服務公司在人工智能成熟之旅中往往稍顯滯后。在回答人工智能未來五年對企業競爭力的重要性時，金融服務受訪企業的樂觀程度低于其他行業的平均水平。

62、當所有企業繼續投資于智能自動化以降低成本，各受訪企業取得穩步進展（進展最快的是金融科技公司），在應對復雜的業務、數據、技術和監管環境的同時，實現規模差異化。新一代數字客戶體驗和廣泛的風險管理或將成為巨大的有利可圖的機會，為行業帶來積極影響，并推動行業實現盈利增長。此外，自然語言生成/處理和語音代理技術被視為未來幾年企業特別重視的技術。欲了解關于人工智能在金融服務行業近期及長期應用的更多信息，請參閱德勤金融服務行業AI案例精選。金融服務行業隨著金融服務公司面臨客戶期望日益增長、監管規則不斷變化以及來自金融科技公司和新銀行的競爭日益加劇等問題，金融服務行業正在經歷巨大顛覆。行動4：選擇有助于加速價

63、值實現的用例目前將人工智能用于運營目前將人工智能用于運營/日常管理的前十五大流程日常管理的前十五大流程個性化聯絡中心優化客戶反饋分析客戶服務運營流程自動化預測性維護研發勞動力調度優化招聘/雇傭客戶體驗與營銷運營與財務勞動力與人力資源40%40%42%42%38%38%38%39%39%39%39%37%金融服務行業（N=390）40語音助手、聊天機器人和對話式人工智能財務報告與會計云定價優化IT運營管理運行時間/可靠性優化38%銷售/業務發展38%37%與眾多同行一樣，一家美國區域性銀行的零售營銷團隊通過印刷品直遞廣告在某些地理區域開展大規模營銷。由于注冊率低、推廣產品缺乏個性化，該等營銷活動

64、的投資回報率低下。該方法未根據客戶特定數據來決定直遞廣告面向的客戶群，而且地理范圍有限，導致錯過了其他潛在的高意向客戶?？蛻魻I銷團隊希望豐富其現有客戶數據，以提高推廣注冊率，從而降低推廣成本并提高投資回報率?？蛻舻默F有客戶數據提供了客戶與銀行的全面溝通情況，但無法捕捉到表明客戶在收到推廣郵寄廣告時可能會進行注冊的數據元素。該營銷團隊利用可捕捉顧客行為和態度的第三方數據打造推廣引擎，從而能夠在保持新增客戶總量的同時，鎖定更少的直郵營銷客戶?；蛘哒f，團隊目前能夠提高客戶轉化率，實現精準獲客。該團隊能夠利用所有第三方數據來加快創建基于人工智能的偏好模型，以識別和精準鎖定新客戶并提高客戶轉化率。該模型

65、能夠利用客戶生活的多方面數據，如在當地零售商的消費行為、財產價值和身體活動水平。此外，最終模型僅使用了1000個可定制功能中的小部分，該等功能在未來可進行調整，以提高不同產品和地區的推廣表現。該銀行目前擁有一項工具，迅速提升了向客戶投放精準個性化廣告的能力，從而提高了推廣效率，同時降低了成本，并增加客戶的有機增長。加之對客戶渠道偏好有了進一步洞察，為重構其內部營銷能力和持續推動下一代營銷轉型奠定了基礎，以實現未來可持續盈利增長。金融服務行業案例研究19行動4：選擇有助于加速價值實現的用例41人工智能潛力巨大，有助于政府及公共服務機構改善運營，以新的方式滿足公民需求。政府及公共服務行業機構在其任

66、務上有很大差別在其對人工智能的應用上亦是如此，無論是在成熟度方面還是在采用用例方面。在國防、衛生和高等教育等各類受訪組織中，大部分組織仍將人工智能集中運用于后臺功能，以利用自動化提高效率。然而，除專注于效率的工作以外，部分更具體的價值驅動型用例也開始涌現于政府和高等教育的各子行業中。高等教育機構似乎越來越多地利用人工智能來完善其營銷活動，同時也在探索未來人工智能對團隊合作的影響與發展，助力學生在未來職場中大放光彩。衛生機構主要將人工智能能力用于預測疾病的爆發。國防組織在實驗和能力發展方面往往更為先進，正推動或可推廣至私營部門的人工智能創新。例如，空軍研究實驗室致力于研究如何讓飛行員利用傳感器和

67、可穿戴設備實現與全新智能工具的有效協作。使用數據開發算法，以便預測在與智能機器協作時工作負載壓力或人為錯誤的原因，從而有助于在性能和安全問題發生之前進行預測。20實驗室團隊也在探索技術如何在性能下降之前預測問題并協助人類，以及對人機性能影響最大的主要因素。部分政府機構在人工智能部署方面可能會有更多的遲疑，因為政府機構往往需遵循高標準。政府機構需要考慮隱私、安全和法律標準；與遺留系統的兼容性；以及不斷變化的工作負荷；這往往超出了私營企業所需處理的問題范疇。欲了解關于人工智能在政府及公共服務行業近期及長期應用的更多信息，請參閱德勤政府及公共服務行業AI案例精選。政府及公共服務行業行動4：選擇有助于

68、加速價值實現的用例語音助手、聊天機器人和對話式人工智能調查案例管理預測性維護云定價優化IT運營管理運行時間/可靠性優化智能數據隱私和治理流程自動化環境建模和監測/災難恢復態勢感知/指揮與控制勞動力調度優化目前將人工智能用于運營目前將人工智能用于運營/日常管理的前十五大流程日常管理的前十五大流程客戶體驗與營銷運營與財務41%41%43%39%40%40%勞動力與人力資源37%政府及公共服務行業（N=275）42%4239%36%聯絡中心優化36%應收賬款管理37%37%37%安全和質量40%2020年春，新冠感染率急劇上升，醫院床位不足。隨著疫情危機持續升級，某個州希望優先考慮開設檢測點，并向最

69、需要個人防護裝備的易感人群分發個人防護裝備，但難以確定此類人群。疫情早期，該州供應緊缺、公眾信任度走低，為易感人群提供核酸檢測和個人防護裝備則至關重要。在資源有限的情況下，必須在疫情防控重點地區逐戶分發個人防護裝備并進行疫情防控教育。選擇和設立核酸檢測點也面臨著類似挑戰。公共交通可達性、出行距離和交通方式等選址考慮要素至關重要。該州所采用的以公平為導向的方法需要復雜的數據映射，計算收入差距、患病率等標準，從而生成顯示出方便居民就近采樣的清晰選址圖。為了提供該州制定上述決策所需的洞察，該州設計了人群健康預測性分析平臺，以確定某種健康狀況的高風險人群。該平臺利用了美國知名的健康社會決定因素（SDO

70、H）大型數據庫，涵蓋所有50個州、1500個戶家庭層面的變量以及20多種疾病類型的健康風險模型。數據科學家創建了預測模型和分析，幫助州領導人確定疫情風險區。該數據還有助于了解部分非英語地區的情況這是翻譯和分發疫情防控宣傳資料的所需信息。該平臺利用先進的地理空間分析，為受新冠疫情影響最嚴重的居民推薦駕駛距離不超過10分鐘的檢測點。平臺立見成效。州政府官員在數小時內（而非數周）便獲得洞察，加快了數據驅動型決策的速度。決策速度越快，可分發給易感人群的疫苗接種劑次就越多，有助于減緩病毒的傳播?；凇肮揭暯恰钡娜聰祿寗有蜎Q策推動該州制定了一項長期應急管理計劃，旨在縮小公共衛生服務的差距。該州首創了

71、一個公共儀表盤，以突出該州致力于公平分配資源和服務，并鼓勵州政府和當地領導人促進住房、收入、教育、寬帶接入和失業等關鍵社會因素的公平性。政府及公共服務行業案例研究21行動4：選擇有助于加速價值實現的用例43致謝Nitin Mittal負責人Deloitte Consulting LLP+1 617 Nitin Mittal是Deloitte Consulting LLP負責人，現任美國人工智能（AI）戰略增長產品咨詢領導人和全球戰略、分析和并購實踐領導人。Irfan Saif負責人Deloitte Risk&Financial Advisory+1 415 Irfan Saif擔任Deloit

72、te&Touche LLP負責人，兼任Deloitte Risk&Financial Advisory的首席戰略官。Saif提供專業服務逾25年，為諸多全球領先企業交付并監督了轉型網絡風險和顛覆性技術解決方案的戰略和實施。Beena Ammanath全球德勤AI研究院執行董事Deloitte Consulting LLP+1 925 Beena Ammanath擔任Deloitte Consulting LLP的執行董事，也是一位屢獲殊榮的高級管理人員，在人工智能和數字化轉型方面擁有豐富的全球經驗。作者及致謝致謝致謝如此規模的研究工作需要眾多專業人士的傾力合作。作者在此感謝各位所作的貢獻。感謝

73、以下德勤領導層和主題專家（按字母順序排序）：Tasha Austin、Jeff Brashear、Sue Cantrell、Kumar Chebrolu、Pil Chung、John Conrad、Bill Fera、Steve Hatfield、John Houston、Adam Israel、Oz Karan、Dave Kuder、Aditya Kudumala、Kari Lininger Downs、Ben Mannino、Monica OReilly、RickPerez、Stephanie PerroneGoldstein、Aaron Reabow、Jim Rowan、Mohamad

74、Said、Charlie Sanchez、Baris Sarer、Melissa Smith、Howie Stein、Leigh Ann Stump、Adrienne Szabo、Rohit Tandon、Juan Tello、EdVan Buren和Tom Zipprich。感謝以下德勤專業人員傾注時間對調查工具進行審查（按字母順序）：Ed Bowen、BjoernBringmann、Jas Jaaj、David Levin、Kellie Nuttal、Costi Perricos 和DavidSchatsky。最后，感謝以下核心研究團隊人員：Siri Anderson、Jonathan H

75、oldowsky、Abha Kulkarni、Kate Schmidt、Brenna Sniderman、Christina Scoby、Kelcey Strong、Jose Porras、Melissa Neumann和JamiePalmeroni-Lavis。沒有他們，這個項目就不可能完成。45聯系我們46德勤數智研究院聯席主管合伙人德勤管理咨詢中國分析與認知服務領導合伙人尤忠彬尤忠彬電子郵件：德勤數智研究院聯席主管合伙人德勤中國審計與鑒證首席數字官范為范為電子郵件：欲了解德勤中國AI方案與服務，敬請聯系方法論為獲得關于人工智能如何改變企業的全球視圖，德勤在2022年4月至5月期間對262

76、0名全球商業領袖進行了調研，范圍涵蓋13個國家：澳大利亞（100名受訪者）、巴西（115名受訪者）、加拿大（175名受訪者）、中國（200名受訪者）、法國（130名受訪者）、德國（150名受訪者）、印度（200名受訪者）、以色列（75名受訪者）、日本（100名受訪者）、新加坡（100名受訪者）、南非（75名受訪者）、英國（200名受訪者）和美國（1000名受訪者）。所有參與調研的企業均應用了人工智能技術。受訪者需滿足以下標準之一：負責人工智能技術支出或批準人工智能投資；制定人工智能技術戰略；管理或監督人工智能技術實施，擔任人工智能技術領域的主題專家；或圍繞人工智能技術進行決策或對決策施加影響。

77、作為此次不記名調研的補充，德勤還對來自不同行業的15位人工智能專家進行了深入的電話訪談。分析模型分析模型：德勤參考去年的報告開發了一個分析模型，根據受訪企業全面部署人工智能應用的頻次和人工智能項目取得成果的數量，將受訪企業分為以下四種類型。對于人工智能的全面部署，我們計算了在0-14種人工智能應用中選擇“已部署”（至少實現一次全面部署）的受訪者的累計頻次。類似地，我們通過計算受訪者在0-19個潛在成果中選擇取得“高水平”成果的數量來計算累積頻次。變革者（27%，N=707）：已實現了至少五個高度全面的人工智能部署，且其人工智能項目取得了至少五項高水平成果。在我們的調研對象中，變革者被視為領導群

78、體，人工智能驅動程度最高。探路者（24%，N=616）：已實現了少于五個高度全面的人工智能部署，但其人工智能項目仍取得了至少五項高水平成果。后進者（22%，N=570）：已實現了至少五個高度全面的人工智能部署，但其人工智能項目仍取得了少于四項高水平成果。起步者（28%，N=727）：仍在進行人工智能部署的開發或探索，并實現了少于五個全面人工智能部署，其人工智能項目取得了不到五項高水平成果。*百分比四舍五入后總和不等于100%。方法論4849關于德勤人工智能研究院關于德勤人工智能研究院德勤人工智能研究院幫助企業將強大、高度動態且快速發展的AI生態系統的所有不同維度聯系起來。人工智能 研究院引領跨

79、行業應用AI創新的對話，利用前沿洞察促進With時代的人機協作。德勤人工智能研究院旨在促進AI的對話和發展，激發創新，并研究人工智能實施面臨的挑戰和解決方法。人工智能研究院是由學術研究團體、初創企業、企業家、創新者、成熟的AI產品領導者和AI遠見者組成的生態系統合作，致力于探索AI的關鍵領域，包括風險、政策、道德、未來的工作和人才，以及AI案例的應用。結合德勤在AI應用方面的深厚知識和經驗，該研究院幫助企業理解這個復雜的生態系統，從而提供有影響力的觀點，做出明智的AI決策來取得成功。了解更多。關于關于德勤綜合研究中心德勤綜合研究中心無論您處于AI旅程的哪個階段 無論您是為您所在企業制定戰略的董

80、事會成員還是高層領導，或是將AI戰略付諸實踐的數據科學家 德勤人工智能研究院均可助您了解關于全球企業如何利用AI獲得競爭優勢的更多信息。欲了解我們的全部工作內容，敬請訪問德勤人工智能研究院，訂閱我們的播客和郵件通訊，并參加我們的交流會和現場活動。讓我們一起探索人工智能的未來之旅。了解更多。關于德勤數智研究院關于德勤數智研究院德勤數智研究院是“勤啟數智”的重要組成力量，持續關注德勤中國的人工智能和數據的關鍵領域，包括風險、政策、戰略、治理、未來工作、人才和技術應用。我們還積極促進與德勤全球人工智能網絡的交流與合作，推動“賦能時代”的人機協作。了解更多。關于德勤關于德勤Deloitte（“德勤”）

81、泛指德勤有限公司（一家根據英國法律組成的私人擔保有限公司，以下稱“德勤有限公 司”），以及其一家或多家成員所和它們的關聯機構。德勤有限公司與每一個成員所均為具有獨立法律地位的法律實體。德勤有限公司（又稱“德勤全球”）并不向客戶提供服務。在美國，德勤指德勤有限公司、在美國以“德勤”的名義運營的關聯機構及其各自的附屬公司所屬的一家或多家美國成員所。根據公告會計條例及法規，某些服務并不向鑒證客戶提供。請參閱 以了解更多有關德勤有限公司及其成員所的詳情。本刊物中所含內容僅為一般性信息，德勤并 不因此構成提供任何會計、商業、財務、投資、法律、稅務或其他專業建議或服務。本刊物不能代替此等專業建 議或服務，

82、讀者亦不應依賴本文件中的信息作為可能影響自身業務決策的基礎。在作出任何可能影響您業務的決策或采取任何相關行動前，您應咨詢合資格的專業顧問。德勤不對任何方因使用本刊物而導致的任何損失承擔責任。2022 Deloitte Development LLC版權所有 保留一切權利尾注尾注1.DavidDeCremer and Garry Kasparov,“AIshould augment human intelligence,not replaceit,”Harvard Business Review,March 18,2021.2.Jeff Schwartz,JohnHagel III,and Ma

83、ggieWooll,Redefining work for new value,Deloitte Insights,December 5,2019.3.MIT Sloan Management Review,“Fashion forecasting:Arti Zeighamion implementing AIat H&M Group,”PodcastMe,Myself,and AI,November 10,2020.4.MIT Sloan Management Review,“Fashion forecasting:Art Zeighamion implementing AIat H&M G

84、roup.”5.Nitin Mittal,Irfan Saif and Beena Ammanath,“Stateof AIin the Enterprise,4thedition:Becoming anAI-fueledorganization,”Deloitte Insights,2021.6.Deloitte,“Trustworthy AI,Bridging the ethics gap surrounding AI,”accessed September 27,2022.7.KyleWiggers,“Surveyfinds talent gap isslowing enterprise

85、 AIadoption,”VentureBeat,April 19,2021.8.Deloitteanalysis.9.Deloitte,“AIcase studies,Predict whats possible in the Ageof With,and translate insight into trustworthy performance,”accessed September 27,2022.10.Deloitteanalysis.11.Deloitte,“AI heals one businesss health care challenge,”accessed Septemb

86、er 27,2022.12.Deloitte,“Make the Robot Do the Grunt Work,”accessed September 27,2022.13.TechGigcorrespondent,“Heres how Amazon isusingAIto improve customer support,”TechGig,February 28,2020,14.SamShead,“InsideFacebooks fight to beat Googleand dominate in AI,”Wired,November 8,2018.15.Andy Markus,“AT&

87、T CDO:Harnessingdata and AIto enhancebusiness value,”AI Business,August15,2022.16.Chris Middleton,“How Hearst aims to tower again with the help of AI,”Diginomica,October 6,2021.17.Deloitte analysis.18.Deloitte,“Yes,you can take the guesswork out of lead gen,”case study,accessed October 4,2022.19.Deloitteclient case study.20.Tyler McQuiston,“435thFTSpilots test new wearable technology,”press release,12thFlying TrainingWing,July28,2021.21.Deloitteclient case study.