11月19日，百度创始人李彦宏在2024中国5G+工业互联网大会上表示，大模型在制造、能源、金融、公共服务等各个领域落地之后，在降本和增效两个方面都取得了实实在在的成果，同时也带来了产业创新的新机会。
生成式AI的应用场景持续扩大，据Gartner预测，到2027年，中国制造业的AI使用渗透率将保持10%的年复合增长率。
不过在企业实践层面，投资回报仍存在显著差异，根据摩根士丹利市场查，年收入超过150亿美元的大型企业中约52%实现了超预期的投资回报，而收入低于10亿美元的企业这一比例为37%。企业在AI落地过程中面临着系统整合、数据治理、人才储备、投资回报等多重挑战，其中60%的企业将数据安全列为首要障碍。而是在投资决策层面，投资者对其实际效果和投资回报仍存疑虑。
AI应用的三大方向
摩根士丹利最新发布的研究报告GenAI Adoption-2 Years In指出，2025年云计算资本支出将相当于阿波罗登月计划的实际成本，但是自ChatGPT推出以来的两年里，生成式AI已经在企业中得到了广泛的实验和应用。
在经过两年的投资和生成式AI的概念验证，目前生成式AI应用处于什么位置？降本增效成效如何？报告对6个行业的400多家企业进行了深度调研，并对Synopsys、Salesforce、Meta、沃尔玛、欧莱雅、Axon六家公司的案例进行详细研究，深入探讨了生成式AI在企业中的应用和及成效。
调查显示，对于已经部署生成式AI解决方案的企业而言，大多数项目的投资回报率达到或超过预期，这在较大规模的企业中更为明显。有关生成式AI带来的收入增长以及成本降低机会，总体来说，高收入受访企业更注重利用生成式AI来降低成本，而规模较小的公司则希望全面应用生成式AI，同时关注收入和成本。
报告通过对各行业头部企业的最新财报和管理层表态的梳理，可以清晰看到生成式AI在企业应用中已经开始展现实质性价值。在效率提升方面，以零售商沃尔玛为例，在产品目录管理方面，AI帮助其完成了超过8.5亿条数据的创建和优化工作，相较传统人工方式效率提升近100倍。Experian在过去12-18个月中通过生成式AI提升了超过1500名工程师的编码效率。美国运通工程团队借助GitHub Copilot等AI工具，平均节省了10%的工作时间。
在具体应用场景中，以金融服务为例，富国银行推出的AI驱动虚拟助手Fargo在一年内获得近1500万用户，累计交互超过1.17亿次。摩根大通则估计其AI应用价值在10-15亿美元之间，涵盖客户个性化、交易、运营效率等多个领域，平均带来10-20%的完成率提升。
在收入增长和成本优化方面，多个行业都实现了显著的成本节约并且正在创造新的增长机会。在客户服务为例，Salesforce将生成式AI集成到客户关系管理平台，通过AI agent可将每次客户通话成本从约6美元降至1美元，降幅高达83%。Synopsys报告显示，当客户在续签EDA协议时添加AI功能，合同金额平均增长20%。
美国运通则表示，通过AI模型优化目标营销，使其报价响应率平均提高了30%，且提供的报价数量几乎翻了一番。
欧莱雅利用生成式AI辅助消费者选择化妆品，Skin Genius产品通过个性化皮肤诊断，将柜台转化率提高了60-70%，欧莱雅还指出，由AI支持的广告和促销投资为部分品牌带来了10-15%的生产力提升。Meta则披露，Advantage+广告工具帮助广告主实现了22%的广告投资回报率增长，其生成式AI技术可根据用户偏好动态生成广告内容，并对广告投放策略进行实时优化，这一创新吸引了超过100万广告主，成为数字营销领域生成式AI应用的标杆案例。
Axon为执法部门提供的Draft One工具，利用LLM技术使报告撰写时间缩短了25%，预计为公司带来约1亿美元的增量收入。通用磨坊则预计在2025财年通过AI方案实现4-5%的销售成本节约，超出其长期趋势水平。
在垂直领域，AI应用呈现出明显的行业特色，金融行业是生成式AI应用的先锋之一，美国运通、摩根大通等巨头已经实现了从客户服务到风险管理的多方位AI赋能。公共事业方面，PG&E通过AI驱动的监控系统显著提升了野火预警能力，实现了与加州消防局的直接联动。在医疗健康领域，通用电气医疗与范德比尔特大学医学中心合作开发的AI研究模型，在预测癌症患者对免疫疗法的反应方面达到70-80%的准确率。而CNH Industrial的Augmenta VRA解决方案通过AI控制精确施用率，帮助农民减少5-8%的肥料使用量，提升了农业生产的可持续性。
值得注意的是，AI应用的普及正推动着基础设施需求的快速增长，据金德摩根预测，到2030年，数据中心将消耗美国约20%的电力，其中AI需求约占15%。这一趋势正在催生新的市场机会，如Xcel Energy已累积了近5000兆瓦的AI数据中心驱动的订单储备。
报告指出，生成式AI的早期应用展现出显著的商业价值，但其变革潜力仍待充分挖掘。目前，生成式AI的核心能力集中于三方面：任务自动化、多模态数据分析和技能学习赋能。
任务自动化是生成式AI最直接的应用，体现在诸多案例中，Salesforce的Agentforce自动化客户服务流程、Axon的Draft One自动生成执法报告、Synopsys利用生成式AI辅助芯片设计，这些案例表明，生成式AI不仅能自动化简单重复性任务，还能处理高度专业化的复杂工作流程。
生成式AI的多模态数据分析能力是其核心优势。区别于传统AI，生成式AI可整合文本、图像、音频、视频等多种数据类型，获得更全面的信息以支持决策。Walmart利用生成式AI更新8.5亿条产品目录数据、欧莱雅的Skin Genius产品分析客户皮肤图像，提供个性化产品推荐，显著提升了销售转化率，这些案例凸显了生成式AI在处理大规模数据、提升客户体验和驱动销售转化方面的显著优势。
此外，生成式AI还能够赋能用户学习新技能，这在GitHub Copilot的案例中得到了充分的展现。即使是编程经验有限的用户，也可以利用Copilot的自然语言编程功能，快速编写高质量的代码，提高工作效率。这种学习新技能的能力，将进一步降低生成式AI的使用门槛，使其能够惠及更广泛的用户群体，并加速生成式AI在各行各业的普及和应用。
未来，AI Agent将引领流程自动化进入新阶段。Agent作为自主决策和行动的AI模型，将在预设规则和目标下，自动访问和处理数据，无需人工干预。这将进一步解放生产力，拓展生成式AI应用边界。从辅助工具到自主代理，生成式AI的进化方向是更高的智能化、自动化和个性化程度。虽然生成式AI仍处于发展初期，但其展现的巨大潜力及其快速迭代速度，已使其成为未来科技发展的重要驱动力，并将持续推动各行业的创新和变革。IDCC2024（中国IDC产业年度大典）的AI算力建设系列论坛将带你了解。
热门专题
