麦肯锡：职场人力赋能引爆AI无限潜能

译者按：本文为2025年2月McKinsey&Company发布的报告《Superagency in the Workplace：Empowering people to unlock AI’s full potential》的正文主体的翻译。

作者：Hannah Mayer、Lareina Yee、Michael Chui、Roger Roberts

引言

几乎所有企业都在投资AI，但仅有1%的企业认为自己已达到成熟阶段。我们的研究发现，阻碍AI规模化应用的最大障碍并非员工——他们已做好准备——而是领导者，他们尚未及时引领变革。正如蒸汽机之于19世纪工业革命，人工智能已进入职场，并具备成为颠覆性力量的潜力，其能力通过Anthropic、Cohere、Google、Meta、Mistral、OpenAI等机构开发的LLMs得到显著提升，标志着我们已迈入新的信息技术时代。麦肯锡研究显示，从企业应用场景来看，AI长期可为生产力增长贡献4.4万亿美元的潜在价值。然而挑战在于：AI的长期潜力巨大，但短期回报尚不明确。未来三年内，92%的企业计划增加AI投资。尽管几乎所有企业都在布局AI，但仅有1%的领导者认为其企业处于“成熟”阶段——即AI已全面融入工作流程并显著推动业务成果。核心问题是：企业管理者如何有效配置资源并引领组织向AI成熟度迈进？

本研究报告受Reid Hoffman著作《超级能动性：我们的AI未来可能带来哪些积极变化》启发，提出类似问题：企业如何利用AI增强人类能动性，释放职场创造力与生产力的新高度？AI或将驱动巨大的积极变革与颠覆性影响。这种转型需要时间，但领导者不可退缩。相反，他们必须当下果断行动，以避免在未来失去竞争力。重大经济和技术变革的历史表明，这样的时刻往往决定企业的兴衰成败。40多年前互联网诞生后，Alphabet、亚马逊、苹果、Meta和微软等企业抓住机遇，成长为万亿市值公司。更重要的是，互联网彻底改变了工作形态和信息获取方式。如今的AI恰似数十年前的互联网：对企业领导者而言，风险不在于目标过于宏大，而在于视野过于局限。

一、超级能动性：数据洞察

本报告探讨了企业在人工智能应用方面的技术和商业准备情况。研究结论指出：员工已为人工智能做好准备，而最大障碍在于领导层。

第1章 回顾了过去两年技术的快速进步及其对企业应用人工智能的潜在影响。

第2章 深入分析了员工与领导者的态度与认知差异。研究表明，员工对人工智能的准备程度远超领导层的想象：他们已在日常工作中高频使用人工智能；认为未来一年内人工智能将替代30%工作的比例是领导者认知的三倍；且普遍渴望掌握人工智能技能。然而，职场中的人工智能乐观者仅占微弱多数，另有41%的员工持担忧态度，需要更多支持。这一群体中，熟悉人工智能且常担任管理职务的千禧一代可成为推动变革的关键力量。

第3章 探讨了人工智能部署中速度与安全的平衡需求。尽管员工与领导者均希望加快应用进程，但信任与安全仍是首要关切。约半数员工担忧人工智能的准确性与网络安全风险。值得注意的是，员工普遍更相信自身企业而非其他组织能正确驾驭人工智能。企业管理者需通过果断且负责任的决策证明这一信任的合理性。

第4章 分析了若领导者未能设定宏大目标，企业可能在人工智能竞争中失去优势。随着人工智能热潮逐步降温，企业应聚焦实用化应用场景，赋能员工日常工作效率提升。这些应用既能构建竞争优势壁垒，又能产生可量化的投资回报率。跨行业、职能与地域的数据显示，战略化投资的企业不仅能通过人工智能实现渐进式价值增长，更可能推动颠覆性变革。

第5章 阐述了领导者如何为团队的人工智能成功应用奠定基础。职场中的人工智能挑战本质并非技术问题，而是商业挑战——需要领导者协调团队、应对阻力，并重构企业以适应变革需求。

关于调查

本报告基于2024年10月至11月期间对3,613名员工及238位企业高管的调研。其中81%受访者来自美国，其余来自澳大利亚、印度、新西兰、新加坡和英国。受访员工涵盖业务发展、财务、市场营销、产品管理、销售和技术等多个岗位。

报告中讨论的调查结果均针对美国职场。这种分类方式源于美国员工与高管的反馈足以支撑对本土职场的统计学显著结论。单独分析全球数据则有助于对比美国与其他地区反应的差异性。

二、一项堪比蒸汽机般强大的创新

“科学发现与技术创新是构筑人类进步殿堂的基石。”

——Reid Hoffman，《纽约时报》畅销书作家、LinkedIn及人工智能公司Inflection AI联合创始人、Greylock Partners合伙人

想象一个世界，机器不仅能执行体力劳动，还能思考、学习并做出自主决策。这个世界将人类纳入循环中，使人与机器在“超级能动性”的状态下协同合作，从而提升个人生产力与创造力。这正是AI所蕴含的变革潜力——这项技术的影响力有望超越印刷机、汽车等历史上最重大创新的总和。AI不仅自动化任务，更进一步实现了认知功能的自动化。与以往任何发明不同，由AI驱动的软件具备适应、规划、引导甚至决策的能力。正因如此，AI有望成为前所未有的经济与社会变革催化剂，几乎重塑人类生活的方方面面，并重新定义我们与技术及彼此之间的互动方式。

许多突破性技术（如互联网、智能手机和云计算）已彻底改变了我们的生活与工作方式。而AI之所以与众不同，在于它不仅提供信息获取途径，更能总结归纳、编写代码、逻辑推理、参与对话并自主决策。AI能够降低技能门槛，帮助更多人在任何领域、以任何语言、在任何时间掌握专业技能。它有潜力改变人类获取与运用知识的方式，最终实现更高效的问题解决，推动普惠性创新。

过去两年间，AI取得了跨越式发展，企业级应用加速普及，这得益于成本降低与功能获取门槛的下降。许多重要的AI创新相继涌现（见图1）。例如，LLM的上下文窗口容量迅速扩展。上下文窗口越大，LLM一次性处理信息的能力越强。以谷歌为例，2024年2月Gemini 1.5可处理100万个token，而同年6月的Gemini 1.5 Pro已能处理200万个token。总体而言，我们观察到五项推动商业变革的关键创新：增强型智能与推理能力、代理型AI、多模态技术、硬件与算力的突破性进展，以及透明度的提升。

AI超级能动性

AI将对人类产生怎样的影响？Reid Hoffman与Greg Beato在《Superagency: What Could Possibly Go Right with Our AI Future》一书中探讨了这一问题。该书强调了AI如何增强人类能动性并释放我们的潜力，提出了一种以人类为核心、面向未来的AI发展路径。

“超级能动性”这一概念由Reid Hoffman提出，描述了个体借助AI力量显著提升创造力、生产力并扩大积极影响的状态。即使未直接接触AI的人群，也能从其对知识、效率与创新的广泛影响中受益。

AI是一系列变革性“超级工具”中的最新成员，这些工具包括蒸汽机、互联网和智能手机——它们通过放大人类能力重塑了世界。与前辈们相似，AI亦能通过普及知识获取与自动化任务来赋能大众，前提是人类能够安全且公平地开发与部署它。

图1

在过去两年中，生成式人工智能的能力实现了迅猛发展。

精选前沿实验室开发的生成式人工智能平台代表性功能示例

智能与推理能力持续提升

人工智能正变得愈发智能。一个显著指标是LLMs在标准化考试中的表现。2022年推出的OpenAI Chat GPT-3.5在高中水平考试中表现出色（例如，在SAT数学部分达到第70百分位，在SAT语言部分达到第87百分位），但其在广义推理方面仍显不足。如今的模型已接近拥有高学历人群的智力水平。GPT-4甚至能轻松通过美国律师统一考试（排名位居前10%），并在美国医师执照考试中准确回答90%的问题。

推理能力的突破标志着人工智能的下一次重大飞跃。这种能力增强了AI的复杂决策功能，使模型能够超越基础理解，实现深度洞察，并生成分步计划以达成目标。对企业而言，这意味着可将推理模型与领域知识结合，提供更精准的可操作性见解。例如，OpenAI的o1或谷歌Gemini 2.0的“Flash Thinking Mode”已能在回应中展现推理过程，为用户提供类似人类伙伴的对话体验，而不仅是信息检索与整合工具。

代理型AI实现自主行动

推理能力的不断增强，使模型能够自主采取行动并完成跨工作流的复杂任务。这是一个根本性进步。例如，2023年的人工智能助手可通过整合海量数据（包括语音、文本和技术规格）辅助客服人员应答客户；而到2025年，AI代理已能直接与客户对话并规划后续行动——例如处理支付、检测欺诈及完成发货流程。

“我一直认为人工智能是人类正在开发的最深刻技术……其深远意义甚至超过火或电等任何过往发明。”

——Alphabet首席执行官Sundar Pichai

“人工智能如同大多数变革性技术一样，渐进式生长，却突然间全面爆发。”

——Reid Hoffman，LinkedIn与人工智能公司Inflection AI联合创始人、Greylock Partners合伙人兼作家

软件企业正将Agentic AI能力深度集成至核心产品。例如，Salesforce推出的Agentforce在其现有平台上构建新层级，使用户能便捷开发并部署自主AI代理，以完成跨工作流的复杂任务（如模拟产品发布、统筹营销活动）。Salesforce联合创始人兼CEO Marc Benioff将其描述为一种“数字员工”体系，通过人类与自动化代理协作达成客户目标。

多模态技术融合文字、音频与视频

当前AI模型正向更高级的多模态数据处理能力演进，涵盖文本、音频及视频领域。过去两年间，各模态质量显著提升。例如，谷歌的Gemini Live优化了音频质量与时延，现已能实现具备情感细微差异与表现力的类人对话；而OpenAI的Sora则展示了从文字到视频的生成能力。

硬件创新驱动性能突破

硬件技术的革新及其带来的算力提升持续推动AI性能边界。专用芯片的出现使模型更快速、更大规模且更具通用性。企业现可部署高算力需求的AI解决方案，实现实时应用与规模化扩展。例如，电商平台可通过部署基于先进GPU与TPU的AI客服系统显著优化服务质量；借助分布式云计算，企业能在流量峰值期保障系统性能；结合边缘硬件部署，企业还能运行分析受损商品图像的AI模型，从而更精准地处理保险理赔。

透明度持续提升

人工智能正逐步降低风险性，但仍需增强透明度与可解释性。这两项能力对提升AI安全性、减少潜在偏见至关重要，也是企业大规模部署AI的必要条件。尽管仍有很长的路要走，但新型模型与迭代版本正在迅速改进。斯坦福大学CRFM报告显示，模型性能取得显著进步。其采用1至100分制的透明度指数表明，2023年10月至2024年5月期间，Anthropic公司的透明度评分提高了15分至51分，亚马逊则增长超三倍至41分。

除了LLMs，其他形式的人工智能与ML在可解释性方面也有所突破，使支持关键决策（如信用风险评估）的模型输出结果可追溯至原始数据依据。这种方式能对关键系统进行近乎持续的测试与监控，及时发现因模型漂移和数据输入变化（即使部署前校准良好的系统也会发生）引发的偏见及其他日常风险。

所有这些改进对检测错误、确保合规性及遵守公司政策均至关重要。虽然企业已在提升可解释性实践方面取得进展，并建立了必要的制衡机制，但必须持续进化以跟上模型能力的快速提升。

在职场实现AI超级能动性不仅关乎技术掌控，更涉及人员支持、流程设计与治理管理。后续章节将探讨塑造职场AI部署的非技术性因素。

员工已准备好拥抱AI，现在轮到领导者迎头赶上

“人们正在利用人工智能创造非凡的成果。倘若我们今天能预见未来10至20年每个人所能实现的成就，定会感到震撼。”

——OpenAI联合创始人兼首席执行官Sam Altman

员工将成为组织的人工智能核心力量。他们比想象中更积极拥抱AI——既渴望获得支持与培训，也普遍相信人工智能将在未来几年取代至少三分之一的工作内容。此刻，领导者必须迎头赶上。他们拥有的权限空间远超预期，唯有大胆行动才能充分释放AI的价值。

突破临界点

我们的调查显示，几乎所有员工（94%）和企业高管（99%）都对生成式AI工具有一定了解。然而，管理者严重低估了员工对AI的实际应用程度：企业高管认为仅有4%的员工会将生成式AI用于日常30%以上的工作，而员工自述的使用比例实际达到这一数字的三倍（见图2）。尽管仅有20%的管理者相信一年内员工会将AI用于超过30%的日常工作，但员工自身的预期（47%）显示其信心是前者的两倍。

图2

当前员工使用生成式AI的比例是领导预期的三倍

我们的研究分析了那些自认为属于“Zoomers”、“Bloomers”、“Gloomers”及“Doomers”的人群——这些群体标签出自《Superagency》一书中提出的分类原型。研究发现，39%的员工认同自己是Bloomers（AI乐观派），他们希望与企业合作创造负责任的解决方案；37%的员工认同自己是Gloomers（AI怀疑派），对AI持谨慎态度并主张加强自上而下的监管；20%的员工认同自己是Zoomers（AI激进派），主张快速部署AI并减少限制；仅有4%的员工认同自己是Doomers（AI否定派），对AI持根本性否定态度（见图表）。

即使是持怀疑态度的群体对AI也具备基础认知：94%的Gloomers和71%的Doomers表示对生成式AI工具有一定了解。此外，约80%的Gloomers和近半数Doomers表示自己能在工作中熟练使用生成式AI。

图表

员工群体态度分化，但均显示对生成式AI高度熟悉

按分类原型划分的美国员工对生成式AI的态度（受访者百分比）

领导者应加大对员工的投入

正如本章开篇所述，员工普遍预期人工智能将对自身工作产生深远影响。如今，他们希望企业能提供必要的培训以帮助其适应这一变革。我们的调查显示，近半数员工表示需要更系统的正式培训，并认为这是推动AI普及的最佳方式。他们还希望以测试版或试点项目的形式接触AI工具，并指出经济激励与认可机制（如奖金或表彰）可显著提升技术采纳率。

然而，员工尚未获得所需的培训与支持。超过五分之一受访者表示，企业提供的资源极为有限甚至完全缺失（见图3）。在北美以外地区，员工对培训的需求同样迫切。

图3

生成式AI领域员工对支持与培训的渴求

全球视角下的培训需求

为更清晰地把握全球人工智能采纳趋势，我们分析了澳大利亚、印度、新西兰、新加坡和英国五个国家的动向。总体而言，这些国家的员工与企业高管对AI的认知与美国同行相似。但在包括培训在内的某些关键领域，他们的实际体验存在差异。

尽管国际员工获得的培训支持普遍高于美国员工，仍有相当比例的国际员工担忧培训资源不足。调查显示，84%的国际员工表示其所在组织在AI技能学习方面提供了“显著或充分支持”，而美国员工这一比例仅略超半数。此外，国际员工参与生成式AI工具开发的机会也明显多于美国员工——在提供反馈、参与测试及功能申请等活动中，国际员工的参与度高出至少10个百分点（见图表）。

图

国际员工在生成式AI工具使用方面获得更多鼓励

企业高管应助力千禧一代引领变革

35至44岁的千禧一代正逐渐成为企业的管理者与团队核心。我们的调查显示，这一群体自述对人工智能（AI）最具经验与热情，使其天然成为推动变革的关键力量。千禧一代是当前最活跃的AI用户群体：35-44岁员工中62%表示具备高水平AI应用能力，而18-24岁Z世代为50%，65岁以上婴儿潮世代仅为22%（见图4）。通过充分利用这种热情与专业能力，企业领导者可助力千禧一代在AI普及中发挥关键作用。

图4

35-44岁千禧一代展现AI乐观倾向，90%受访者对其生成式AI能力充满信心

图5

三分之二的管理者定期为团队在生成式人工智能应用中充当意见交流板。

由于许多千禧一代担任管理者，他们能够支持团队成员成为更熟练的AI使用者，从而推动企业向AI成熟度迈进。三分之二的管理者表示，他们每周至少一次解答团队成员关于如何使用AI工具的问题，同样比例的管理者也会向团队推荐AI工具以解决具体问题（见图5）。

领导者拥有行动权限，应更大胆推进

在多数转型过程中，员工往往尚未做好准备，但AI变革有所不同。当前员工的高准备度与熟悉度，为企业领导者提供了行动空间。他们可通过倾听员工对现有AI应用方式的描述及对未来工作的设想，提供亟需的培训支持，并赋能管理者将AI用例从试点阶段扩展至规模化应用。

把握这一机遇对领导者至关重要，这是加速企业实现AI成熟度的唯一路径。若行动迟缓，则必将落后于时代。

三、速度与安全并重

“首批汽车上路不久后便发生了首起车祸。但我们没有禁止汽车——而是制定了限速规定、安全标准、驾照要求、酒驾法律以及其他道路规则。”

——微软联合创始人Bill Gates

人工智能技术正以前所未有的速度发展。ChatGPT约在两年前发布，目前已有500家企业采用其技术。而互联网直到2000年代初才达到这一应用水平——距离其诞生已近十年。

大多数员工自述为AI乐观派，其中Zoomers（激进派）与Bloomers（建设派）占职场群体的59%。即使是分析中两个较保守群体之一的Gloomers（怀疑派），也表现出对生成式AI的高度认知，超过四分之一的Gloomers表示计划在明年加大AI使用力度。

企业高管需把握这一速度与乐观趋势，避免被时代抛离。尽管AI应用热情高涨且早期探索活跃，仍有47%的企业高管认为其组织生成式AI工具的开发与发布过于缓慢，主要原因在于人才技能缺口（见图6）。

图

半数企业高管认为其组织生成式AI工具的开发与发布速度过慢

企业高管正通过加大AI投资以应对发展速度需求。调查显示，92%的高管预计未来三年将增加AI支出，其中55%认为投资额将比当前水平提升至少10%。但单纯增加投入已无法满足期待——随着生成式AI的初始热潮消退，企业领导者面临越来越大的压力，需从AI部署中产生ROI。

我们正处于转折点上。尽管初始的AI狂热可能正在消退，但技术发展却在加速。要为未来成功奠定基础，需要大胆且有目标的战略。目前，四分之一的受访高管已明确生成式AI路线图，而超过半数正在完善初步草案（见图7）。在技术快速迭代的当下，所有路线图和计划都将持续演变。对领导者而言，关键在于明确优先选择哪些有价值的机遇，并与同行、团队及合作伙伴协作实现价值创造。

图

大多数企业高管受访者已制定生成式AI战略路线图并开始识别具体用例

速度与安全的两难困境

阻碍发展的绊脚石在于：监管与安全性常被视为难以逾越的挑战，而非机遇。领导者希望增加AI投资、加速技术开发，但如何在职场中实现AI安全应用却令他们陷入权衡。数据安全、错误输出、偏见结果及滥用风险（如生成有害内容或欺诈行为）等挑战不容忽视。

员工对AI的安全隐患同样高度警觉，其首要担忧集中在网络安全、隐私保护与结果准确性（见图8）。然而，领导者如何才能在确保安全的同时，以光速推进技术落地？

图8

员工对生成式AI的主要担忧集中于网络安全风险、结果不准确及数据泄露

员工信任企业领导者正确行事

尽管员工承认AI存在风险，甚至可能取代大量现有工作，但他们对雇主安全且合乎伦理地部署AI的能力抱有高度信任。值得注意的是，71%的员工表示信任其雇主在开发AI时会采取伦理行动，这一比例甚至高于对大学、大型科技公司及初创企业的信任度（见图9）。

我们的研究显示，这种信任与更广泛的员工倾向一致：总体而言，73%的员工表示对雇主“做正确的事”抱有信心，而这一比例在政府机构中仅为45%。这种信任应能帮助领导者更有信心地应对速度与安全的两难困境。即使在美国以外地区，这一信心同样适用——尽管其他地区的员工可能更强烈呼吁监管。

图9

员工最信任雇主实现生成式AI的安全落地

全球视角下的监管需求

我们对五个地区（澳大利亚、印度、新西兰、新加坡和英国）的国际企业高管调查显示，相当高比例的受访者属于“怀疑派”（Gloomers），他们倾向于加强监管审查。国际高管中自认属于怀疑派的比例介于37%至50%之间，而美国高管中这一比例仅为31%。这可能是因为在美国以外的许多国家，自上而下监管模式更易被接受。在受访的全球企业高管中，半数或更多的人担忧伦理使用和数据隐私问题会阻碍员工采用生成式人工智能。

然而，我们的研究显示，国际企业高管对监管的态度并未抑制其经济预期。超过半数的国际高管（相比之下美国高管为41%）表示希望企业成为AI早期采用者，其中印度和新加坡的高管态度尤为积极（见图表）。国际企业高管渴望抢占AI先机的原因在于他们预期技术能带来显著收入增长：31%的国际高管预计未来三年AI将推动收入增长超10%，而美国高管中这一比例仅为17%。印度高管最为乐观，55%的人预计未来三年收入增长将达10%或更高。

图

半数国际企业高管受访者希望成为AI技术的早期采用者

生成式人工智能的风险管理

在《Superagency》一书中，霍夫曼指出，新能力往往伴随新风险——这意味着风险需要被管理而非彻底消除。企业领导者需应对内外部双重威胁：外部威胁包括IP侵权、AI驱动的恶意软件；内部威胁则源于AI部署过程本身。构建适配性风险管理机制的第一步，是启动全面评估，识别企业各业务环节的潜在漏洞。随后可建立稳健的治理架构，实施实时监控与控制机制，并确保持续培训及合规性保障。

一种有效的控制手段是权威第三方基准测试，这有助于提升AI安全性与可信度。例如斯坦福大学CRFM发起的“HELM”计划，通过综合基准评估企业AI系统的公平性、可问责性、透明度及社会影响；此外，斯坦福与MLCommons合作开发的AILuminate工具包也为此提供支持。其他组织如“Data & Trust Alliance”则联合大型企业制定跨行业元数据标准，旨在提升企业级AI模型的透明度。

尽管基准测试具有显著的增信潜力，我们的调查显示仅有39%的企业高管将其用于AI系统评估。即便使用基准测试，他们更倾向于衡量运营指标（如可扩展性、可靠性、鲁棒性、成本效率）及性能相关指标（包括准确率、精确率、F1分数、延迟和吞吐量）。对伦理与合规性指标的关注相对薄弱：仅17%的受访高管表示，公平性、偏见、透明度、隐私及监管问题是最应优先评估的维度（见图10）。

图10

超三分之一企业高管使用基准测试评估生成式AI，但伦理指标关注度较低

对操作性与性能指标的关注反映了企业优先追求即时技术与商业成果的合理诉求。然而忽视伦理考量可能成为长期隐患：当员工对AI系统缺乏信任时，其接受度将显著降低。尽管基准测试并非消除所有风险的万能方案，也无法确保AI系统完全高效、合规且安全，但它仍是重要的管理工具。

即使在AI就绪度三大核心领域（技术、员工、安全性）均表现优异的企业，也不一定能实现规模化应用或达成预期价值。尽管如此，领导者仍可通过制定宏大愿景，借助AI力量推动企业转型。下一章节将深入探讨具体路径。

四、拥抱更大的抱负

“当下正是你从AI中获取实际利益之时，而希望你的竞争对手仅在浅尝辄止地试验。”

——Erik Brynjolfsson，斯坦福大学教授，斯坦福大学以人为本的人工智能研究院（HAI）数字经济实验室主任

大多数已投资AI的企业尚未实现预期回报。他们虽然已部署AI，但超过半数表示其AI项目仍处于开发或扩展阶段（见图11）。这些企业本有足够时间推进更深的实践——我们的研究显示，超三分之二的企业高管早在一年前便启动了生成式AI的首批用例。

试点项目难以规模化落地的原因众多。常见的问题源于策略设计或执行不当，但同样致命的还有缺乏远大抱负。本章将分析当前各行业AI投资的模式，并揭示那些敢于设定更高目标者的潜在机遇。

图11

仅1%的企业高管认为其生成式AI部署已达到成熟阶段

不同行业的人工智能投资差异

不同行业在人工智能投资模式上存在显著差异。在前25%的高投入企业中，医疗保健、科技、媒体与通信、先进制造及农业领域的公司处于领先地位（见图12）。相比之下，金融服务、能源与材料、消费品与零售、硬件工程与建筑、旅行、运输与物流行业的支出则相对滞后。

值得注意的是，消费品行业——尽管被普遍认为是生成式AI创造价值潜力第二大的领域——却表现出最低的投资意愿。仅有7%的受访企业自述处于生成式AI投入的前四分之一梯队（基于企业自报的生成式AI占营收支出比例）。这一矛盾现象可能源于该行业大众化细分领域的平均净利润率偏低，导致企业在推行高成本的全组织技术升级时设置了更高的信心门槛。

图12

企业生成式AI支出与其行业经济潜力不匹配

某些行业中员工态度谨慎

公共部门、航空航天与国防以及半导体行业的员工普遍对人工智能的未来发展持怀疑态度。在公共部门及航空航天与国防领域，仅有20%的员工预计AI将在未来一年对其日常工作产生显著影响，而媒体与娱乐行业这一比例为65%，电信行业则高达67%（见图13）。此外，我们的调查显示，仅有31%的社会部门员工信任其雇主能安全开发AI——这是所有行业中信心最低的群体，跨行业平均值为71%。

图13

社会部门、航空航天与国防及公共部门员工对Gen A最为悲观

这些行业中员工对AI的相对谨慎态度，可能反映了外部制约因素（如严格的监管审查、过时的IT系统及冗长的审批流程）带来的短期挑战。

某些职能领域存在显著提升空间

我们的研究发现，AI经济潜力最大的职能领域，员工态度却相对冷淡。销售与市场、软件工程、客户服务和研发四大职能贡献了AI总经济潜力的约四分之三，但这些领域的员工自述乐观度仅为中等水平（见图14）。这或许是因为这些职能已试点AI项目，使员工对AI的收益与局限性有更现实的认知；也可能因经济潜力过大，引发员工对岗位被替代的担忧。无论原因为何，这些职能领域的领导者应考虑加大员工支持投入，并培养能改善团队认知的变革推动者。

图14

对生成式AI最乐观的员工群体，未必代表经济价值潜力最大

生成式人工智能尚未实现企业级投资回报，但这一局面有望改变

调查显示，所有行业的C级高管均表示，企业在人工智能领域的广泛投资尚未产生显著回报。仅19%的企业表示营收增长超过5%，39%的企业观察到1%-5%的适度增长，36%的企业则未见明显变化（见图15）。此外，仅有23%的企业认为AI在成本控制方面带来了积极改善。

尽管如此，企业领导者对未来几年内获取价值仍充满信心。87%的高管预计生成式AI将在未来三年内推动营收增长，约半数受访者认为同期营收增幅可能超过5%（见图16）。这预示着未来几年内情况可能会显著好转。

图15

生成式人工智能尚未为企业创造显著的投资回报

图16

有一半的企业高管受访者预计，生成式人工智能将在未来三年内实现超过5%的营收增长。

远大的志向有助于解决重大问题

要推动营收增长并提升ROI，企业领导者可能需要致力于实现变革性AI的可能性。随着人工智能的炒作逐渐降温，关注重点转向价值创造，业界对能够建立竞争壁垒的实际应用给予了更高关注。为评估企业在这一转变中的进展程度，我们研究了三类人工智能应用：个人使用、商业使用和社会使用。我们梳理了超过250项内部研究和公开案例，分析其影响范围——从局部用例到具有普遍影响的变革。我们的结论是：鉴于大多数企业尚处于人工智能探索的早期阶段，目前多数人工智能应用仍属于处于试点阶段的局部用例（图17）。

“（企业）需要真正鼓舞人心的未来愿景（通过人工智能实现），而不仅仅是一个应对危机的计划。”

——Anthropic联合创始人兼首席执行官Dario Amodei）

图17

在过去两年中，个人和商业领域的生成式人工智能应用往往聚焦于局部影响。

“在未来几十年里，非凡的科学进步正蕴含于人类与算法的协作之中。”

——谷歌DeepMind联合创始人兼首席执行官Demis Hassabis

在许多情况下，这种观点完全合理。然而，要开发能够彻底革新行业并创造变革性价值的人工智能应用，还需要更多努力。制造业中的机器人技术、可再生能源领域的预测性人工智能、生命科学中的药物研发，以及教育领域的个性化人工智能导师——这些变革性探索正是推动最大回报的关键。它们并非源于被动反应思维，而是来自鼓舞人心的领导力、对未来的独特构想，以及对实现变革性影响的坚定承诺。正是这种勇气，才能推动具备行业革新能力的人工智能应用发展。

要真正充分发挥人工智能的潜力，企业必须挑战自我，构想并实施更具突破性的举措。人工智能时代下的成功不仅取决于技术部署或员工意愿，还取决于有远见的领导力。关键要素已经具备：技术能力已高度成熟且快速发展，而员工的准备程度也远超领导层预期。领导者比想象中拥有更大的权限空间，能够快速在职场部署人工智能。为此，领导者需要将雄心扩展至系统性变革，为真正的竞争优势奠定基础。如果企业希望在人工智能领域更加进取，就必须提高转型性举措在其战略组合中的占比。下一章将探讨领导者必须克服的阻力及其应对方法。

人工智能增强个人生活的潜力

在商业场景之外，个人正越来越多地将人工智能应用于日常生活。在此前的研究中，我们分析了人工智能在美国不同年龄、性别和职业群体的77项个人活动中可能产生的影响。尽管人们对某些个人活动（如休闲、睡眠和健身）自动化的意愿有限，但数据显示，人工智能与其他技术结合后，在家务或劳动密集型任务中具有显著机会。早在2024年，我们的研究已识别出每天约有一小时的此类日常活动具备技术上的自动化潜力。到2030年，随着用例的扩展及人工智能安全性持续提升，这一潜力可能增至每日三小时。当人们使用人工智能工具（如自动驾驶汽车或交互式个人理财机器人）时，可将节省的时间重新用于个人实现活动或以其他方式提升生产力。

通过以人为本的设计理念，并挖掘生成式人工智能在“情感智能”方面的潜力，新的个人人工智能应用正在超越基础效率提升。个人开始使用对话和推理型人工智能模型进行心理咨询、生活指导及创意表达。例如，人们利用对话式人工智能获取建议与情感支持，或通过语音提示将艺术构想变为现实。此外，关于人工智能“超级能动性”推动社会进步的理念，人工智能有潜力成为一种普惠力量，使此前昂贵或专属的体验（如动画生成、职业辅导或税务建议）惠及更广泛人群。

五、技术并非规模化障碍

“在构建下一代人工智能时，我们有意识地选择将人类能动性置于产品设计的核心。这是我们首次接触到既强大又赋权的人工智能。”

——微软董事长兼首席执行官Satya Nadella

毫无疑问：人工智能提供了一次罕见且非凡的机遇。近90%的领导者认为，企业增长需要企业转型，而这一领域企业的过往表现糟糕——近70%的转型以失败告终。

要让企业成为少数成功者之一，高管层必须自我审视，拥抱领导力的关键作用。参与我们调研的C-suite领导者中，超过两倍比例的人将员工准备度视为采用障碍，而非归咎于自身角色。但正如前文所述，员工表明他们已做好充分准备。

本章探讨领导者如何主动承担起责任，认识到人工智能机遇不仅需要技术实施，更要求战略转型。不可否认，企业在推进人工智能过程中面临多重阻力。为应对这些挑战，领导团队必须致力于重塑企业。

阻碍执行的运营阻力

企业采用人工智能面临若干运营阻力。我们的访谈和研究揭示了五个最具挑战性的阻力：领导层对齐、成本不确定性、人才规划、供应链依赖性以及对可解释性的需求。

领导层对齐是具有挑战性的关键第一步

就战略驱动的生成式人工智能路线图达成高层共识并非易事。应对这一挑战的关键在于首先认识到，领导层对齐不能被过度简化或假设存在。这一过程需要跨业务领域的高层领导者持续参与，而各领域可能具有不同的目标和风险偏好。领导者需共同明确价值所在、人工智能如何驱动该价值以及如何降低风险，同时建立统一的绩效评估和投资调整指标。为促进对齐，企业可任命生成式人工智能价值与风险负责人，或设立企业级领导与协调职能。这些举措可增强业务、技术和风险团队间的协作。尽管充满挑战，领导层对齐是确保人工智能项目不分散、规避风险并实现转型成果的关键步骤。

成本不确定性使企业难以预测投资回报率

许多企业仍在判断是否可直接采用供应商的现成人工智能解决方案，或需定制开发（后者成本更高但可能带来更大差异化）。此外，尽管领导者可为试点项目制定预算，但大规模构建和管理人工智能应用的完整成本仍不确定。有限试点的规划与评估成熟方案的成本（该方案需每天多次协助多数员工）截然不同。这些因素导致决策困难。但为跟上人工智能的发展速度，技术领导者必须优先加速决策。

人才规划比以往更具挑战性

企业仍需应对大量不确定性：雇主无法确定需要何种技能的人工智能专家、相关人才是否充足、招聘速度能否满足需求，以及如何在人才入职后保持雇主吸引力。另一方面，企业也不清楚人工智能将以多快的速度削弱其他技能的需求，从而需要重新平衡和培训员工队伍。

供应链依赖性可能造成破坏性影响

脆弱的供应链可能使企业面临中断风险及技术、监管和法律挑战。人工智能供应链具有全球化特征：研发集中在中国、欧洲和北美，而半导体与硬件制造集中在东亚和美国。当前复杂的地缘政治环境，叠加模型与应用日益通过跨国开源平台开发，进一步加剧了这一问题。

对可解释性的需求是核心挑战

安全的人工智能部署正成为必备条件。然而，大多数LLM通常如同“黑匣子”，无法揭示其响应生成的原因或所用数据。若人工智能模型无法清晰解释其响应、建议、决策或行动（例如，说明信用卡申请被拒的具体因素），则难以在关键任务中获得信任。

这些特定于人工智能的阻力虽具挑战性，但可被解决。企业正积极采取行动：例如，通过动态成本规划或采购NVIDIA集群以确保所需基础设施，人力资源主管（CHRO）开发培训计划以提升现有员工技能并支持部分员工转岗。但持久成功需要更多努力。

为捕捉人工智能价值，领导者必须重塑企业

麦肯锡的“重塑框架”（Rewired）包含六大核心要素，可指导持续的数字化转型：路线图、人才、运营模式、技术、数据及规模化（图18）。当企业成功实施这一蓝图时，将培育自主文化、采用现代云实践，并组建跨学科敏捷团队。

图18

六大持久成功要素驱动科技与商业的融合转型。

尽管这六大要素具有普适性，但人工智能的出现仍为领导者带来了几项亟需应对的重要挑战：

— 适应性。人工智能技术发展迅猛，企业必须快速采用新的最佳实践以保持竞争优势。这些最佳实践可能体现为新技术、人才、商业模式或产品。例如，模块化方法可帮助技术架构适应未来需求。随着自然语言成为集成媒介，人工智能系统兼容性日益增强，企业能更灵活地替换、升级和集成模型与工具。这种模块化特性不仅避免了供应商锁定风险，还能让企业快速应用新的人工智能进展，而无需频繁重构技术架构。

— 联邦治理模式。通过集中管理数据和模型，团队可在控制风险的同时获得自主权。领导者可直接监督高风险或高关注度的事项（如制定政策和流程以监测模型及输出的公平性、安全性与可解释性），同时将方向性指导与其他监控任务（如基于性能指标的准确率、速度和可扩展性评估）下放至业务单元。

— 预算灵活性。鉴于模型技术的持续进步以及优化混合使用LLMs、SLMs和智能体的机会，企业领导者需保持预算弹性。这有助于企业同步优化人工智能部署的成本与性能。

— 人工智能基准测试。这些工具可作为量化评估、对比和改进不同人工智能模型、算法及系统性能的有力手段。如果技术人员共同采用标准化的公开基准测试，并更多C级高管开始使用（包括伦理类基准测试），模型透明度和问责制将提升，人工智能采纳率也会增加——即使是对技术持怀疑态度的员工群体亦是如此。

— 人工智能特定技能缺口。值得注意的是，46%的领导者将员工技能缺口视为人工智能采纳的主要障碍。领导者需吸引并招聘顶尖人才（如人工智能/机器学习工程师、数据科学家和人工智能集成专家），并致力于创造对技术人员有吸引力的环境。例如，提供充足的实验时间、开放尖端工具访问权限、创造参与开源社区的机会，以及推行协作型工程文化。同时，现有员工的技能提升同样关键：麦肯锡人效与组织绩效实践的研究强调，需针对特定岗位定制培训内容，例如为技术团队提供代码库创建集训营，为职能团队开设提示工程课程。

— 以人为本。为确保公平与客观性，领导者需在人工智能开发流程早期并持续纳入多元视角，并与团队保持透明沟通。目前，仅不足半数的C-suite领导者（48%）表示会在人工智能工具早期开发阶段（特别是创意构思和需求收集环节）纳入非技术员工参与。agile pods和以用户为中心的开发实践（如设计思维和基于人类反馈的强化学习RLHF）将帮助领导者与开发者创造人们真正愿意使用的解决方案。在敏捷小组中，技术成员与人力资源、销售、产品等业务部门及法律、合规等支持部门员工协同工作。此外，领导者可通过坦诚沟通新技能要求和人员调整趋势，共情员工对人工智能可能导致失业的担忧。建立员工可反馈人工智能应用意见、表达顾虑并分享创意的论坛，对维护透明且以人为本的文化至关重要。

结论：迎接人工智能未来

“从昨日汲取经验，为今日而活，向明日怀抱希望。”

——阿尔伯特·爱因斯坦，理论物理学家

人工智能在过去几年的发展速度令人惊叹。许多人将AI视为对人类的挑战，但如果采纳里德·霍夫曼的建议，设想AI可能带来的积极变革呢？领导者或许会意识到，企业已具备实现职场人工智能超级能动性的所有要素。他们可能会发现，员工已在使用AI并渴望进一步应用；千禧一代管理者正成为推动变革的强大力量，愿意鼓励同僚。与其关注2030年前预计被取代的9200万岗位，不如规划预计新增的1.7亿岗位及其所需的新技能。

此刻，领导者应制定大胆的AI承诺，通过在职培训和以人为本的开发满足员工需求。当领导者与员工共同自下而上重塑企业时，AI将从生产力增强工具进化为具有变革力量的有效伙伴，真正提升人类能动性。那些能用想象力替代对不确定性的恐惧的领导者，将发现AI的新应用：不仅是优化现有流程的工具，更是解决更大商业与人类挑战的催化剂。早期AI实验聚焦于通过狭窄场景（如自动化常规任务）验证技术可行性，如今视野已变：AI即将释放前所未有的创新力，驱动系统性变革并创造真实价值。

为迎接这一更宏大的时代，领导者与员工需共同思考关键问题。面对颠覆，领导者应如何定义战略优先级并有效引领企业？员工如何确保自身为职场AI转型做好准备？以下问题将塑造企业的AI未来：

对商业领袖：

• 您的战略是否足够有野心？是否希望彻底变革整个企业？如何将传统成本中心重新定义为价值驱动功能？如何通过AI投资获得竞争优势？

• 对您的组织而言，成功的AI应用意味着什么？您将采用哪些指标评估投资是否实现预期的ROI？

• 何为“AI原生型”员工的核心能力？如何为员工在工作中发展这些能力创造机会？

对员工：

• 掌握AI对您意味着什么？是否包括自信运用AI完成研究、规划和头脑风暴等个人效率任务？

• 您计划如何拓展对AI的理解？应关注哪些新闻源、播客和视频频道以紧跟AI快速演进？

• 如何重新思考自身工作？最具创新性的想法往往源自团队内部而非领导层指令。您将如何重新设计工作以推动自下而上的创新？

这些问题没有简单答案，但一种共识正在形成：例如，一些企业同时采用自下而上与自上而下的双轨策略推动AI应用。自下而上的行动通过黑客松、学习课程等方式帮助员工尝试AI工具；自上而下的方法则召集高管重新思考AI如何革新欺诈管理、客户体验和产品测试等核心流程。

当企业试图从AI试点阶段迈向成熟阶段时，这类行动至关重要。目前仅有1%的企业领导者表示其公司达到了AI成熟度。未来三年，随着技术投入增长，领导者必须大幅提升这一比例。他们应充分利用员工的准备度加快AI实施步伐，同时确保信任、安全与透明度。目标清晰明确：释放生成式人工智能的巨大潜力，驱动创新并创造真实的商业价值。

致谢

Hannah Mayer是麦肯锡旧金山湾区办公室的合伙人，Lareina Yee是该办公室的高级合伙人，Michael Chui是知识开发者及高级研究员，Roger Roberts是该办公室的合伙人。

作者感谢波士顿办公室高级合伙人Alex Panas、旧金山湾区办公室高级合伙人Eric Kutcher、伦敦办公室高级合伙人Kate Smaje、孟买办公室高级合伙人Noshir Kaka、波士顿办公室高级合伙人Robert Levin以及纽约办公室高级合伙人Rodney Zemmel对本报告的贡献。

作者的灵感来自麦肯锡旗下QuantumBlack人工智能团队及AI by McKinsey的同事们，特别是其负责人Alex Singla和Alex Sukharevsky，以及生成式人工智能实验室领导团队，尤其是Carlo Giovine和Stephen Xu。

本研究由顾问Akshat Gokhale、Amita Mahajan、Begum Ortaoglu、Estee Chen、Hailey Bobsein、Katharina Giebel、Mallika Jhamb、Noah Furlonge-Walker和Sabrina Shin共同领导完成。本报告由执行编辑Kristi Essick和Rick Tetzeli编辑。

感谢Reid Hoffman及其首席幕僚Aria Finger与“Superagency”团队的合作，以及《What Could Possibly Go Right with Our AI Future》的出版方Authors Equity，特别是Deron Triff的持续协作。与霍夫曼的合作为我们提供了独特的视角——他既是人工智能创造者的投资者，也是其导师。我们共同探讨了一个核心问题：企业如何在中长期通过人工智能赢得竞争？与霍夫曼、多位首席执行官及人工智能行业的思想领袖的工作坊，使我们受益匪浅。

我们感谢Stanford Institute for Human-Centered Artificial Intelligence的成员，他们挑战了我们的思考并提供了宝贵反馈。

本报告是麦肯锡关于人工智能持续研究的一部分，旨在帮助企业领导者理解正在改变工作方式的力量，识别战略影响领域，并为下一波增长做好准备。与所有麦肯锡研究报告一样，本研究具有独立性，未以任何方式受到企业、政府或其他机构的委托或资助。

方法论

为撰写本报告，我们于2024年10月至11月期间，对3,613名员工（包括管理者与独立贡献者）及238位企业高管进行了调研。其中，81%的受访者来自美国，其余受访者分布于澳大利亚、印度、新西兰、新加坡和英国五国。受访员工涵盖多个岗位，包括业务发展、财务、市场营销、产品管理、销售和技术等职能领域。

除两处侧边栏呈现的国际差异外，本报告中讨论的所有调研结果均仅针对美国职场。这一划分基于统计显著性：美国员工与高管的反馈能够对美国职场情况得出具有统计学意义的结论。将全球数据单独分析，则可对比美国与其他地区的差异。

由于四舍五入原因，部分百分比数值相加可能不等于100%。在美国受访者中，四分之三的员工所在企业年营收至少达1亿美元，而半数员工所在企业年营收超过10亿美元。所有美国企业高管所在的组织年营收均不低于10亿美元。从员工规模看，20%的美国受访者供职于员工人数少于1万人的公司，49%在1万至5万人规模的公司，31%则在员工人数超5万人的企业。

本研究远不止于问卷调查。研究人员还与数十位企业高管及行业专家展开访谈，以了解他们对人工智能变革潜力的看法，以及推动组织转型的具体举措。Stanford HAI、HAI数字经济发展实验室及麦肯锡人工智能专家的讨论进一步丰富了本报告内容。我们的调研与研究聚焦于Gen AI，但需注意受访者可能未严格区分生成式AI与其他类型的人工智能。

此外，我们构建了一个包含超过250项潜在AI应用场景的综合数据库，该数据库基于麦肯锡数字研究院此前识别的63个生成式AI用例，并整合了麦肯锡关于个人生产力的专有研究、行业报告，以及来自美国联邦AI应用案例清单、NASA、新闻报道和科技领袖公开访谈的二次研究资料。

术语表

本报告中以下术语根据其语境进行特定定义：

Adoption and deployment ：部署通常指组织推广技术产品的程度（无论是自主研发还是购买现成产品），而采用反映这些产品在多大程度上被用于创造可衡量的商业价值。鉴于人工智能的新兴特性，许多企业同时进行部署与采用，并在过程中不断迭代。因此，本报告常交替使用“采用”和“部署”以指代人工智能工具的整体应用情况。

Agentic AI ：具备自主性和目标导向行为的系统，能够独立决策、规划并适应环境以实现特定目标，无需持续的人工输入。

API ：作为中介的软件组件，使两个应用程序能够相互通信；为人工智能系统以编程方式访问（通常是外部的）模型、数据集或其他软件提供结构化路径。

AI ：软件执行传统上需要人类智能的任务的能力，模拟通常与人类思维相关的一些认知功能。

Deep learning ：机器学习的一个子集，使用深层神经网络——由多层互联的“神经元”组成，其连接参数或权重可通过训练调整。深度学习在从非结构化数据（如图像、文本和音频）中学习方面尤为有效。

Digital workforce ：人类与自动化代理协同工作的协作生态系统，通过数字平台、人工智能和云计算提升各行业的生产力、效率和可扩展性。

Employee ：企业环境中的工作人员，包括管理者或独立贡献者。本报告中涉及的员工类型示例包括从事产品管理、市场营销、技术、业务发展、销售和财务的人员。

Foundation models ：基于大量非结构化、未标记数据训练的深度学习模型，可直接用于广泛任务，或通过微调适配特定任务。此类模型示例包括DALL-E 2、GPT-4、PaLM和Stable Diffusion。

Gen AI ：通常基于基础模型构建的人工智能，具备早期形式所缺乏的能力，例如生成内容。基础模型也可用于非生成目的（例如，基于通话记录将用户情绪分类为负面或正面）。

GPUs ：最初为生成计算机图形（如视频游戏）而开发的芯片，也适用于深度学习应用。相较之下，传统机器学习通常运行于CPU，即通常所说的计算机“处理器”。

Hallucination ：人工智能系统生成缺乏现实依据或上下文支持的输出。例如，AI聊天机器人可能捏造信息或呈现虚假叙事。

LLMs：一类基础模型，可处理海量非结构化文本并学习词与词之间的关联。这使LLM能生成自然语言文本，执行摘要或知识提取等任务。ChatGPT的底层模型GPT-4及Meta开发的Llama系列模型均为LLM示例。

Modality ：高层数据类别，如数字、文本、图像、视频和音频。

Multimodal capabilities：人工智能系统同时处理和生成多种数据类型（文本、图像、音频、视频）的能力，支持复杂任务和丰富输出。

Productivity：GDP与总工时的比率。劳动生产率增长通常源于人均资本投入增加、劳动力教育与经验提升以及技术进步。

Prompt engineering：设计、优化输入提示以引导生成式人工智能模型产生期望且准确输出的过程。

Reasoning AI ：利用结构化或非结构化数据进行逻辑思考、逐步规划、解决问题和决策的AI系统，超越模式识别能力，解决复杂问题。

Superagency：个体借助AI放大创造力、生产力和积极影响的状态。即使未直接使用AI的人群，也能受益于其对知识、效率和创新的广泛推动。

Unstructured data：缺乏统一格式或结构的数据（如文本、图像、视频和音频文件），通常需要更先进的技术来提取洞察。

关于TsingtaoAI

TsingtaoAI（北京霆涛商业智能技术有限公司）企业内训业务线专注于提供LLM、具身智能、AIGC、智算和数据科学领域的企业内训服务，通过深入业务场景的案例实战和项目式培训，帮助企业应对AI转型中的技术挑战。其培训内容涵盖AI大模型开发、Prompt工程、数据分析与模型优化等最新前沿技术，并结合实际应用场景，如智能制造、医药健康、金融科技和智能驾驶等。通过案例式学习和PBL项目训练，TsingtaoAI能够精准满足企业技术团队的学习需求，提升员工的业务能力和实战水平，实现AI技术的高效落地，为企业创新和生产力提升提供强有力的支持。

同时，TsingtaoAI公司并不是一家单纯的培训机构，我们同样是一家AI产品开发公司，公司核心团队主要也都是由技术和产品人才构成，公司团队大部分成员在大模型时代之前就在从事AI产品相关的工作。公司在过去一年里，为10余家客户开发了AI相关的产品，涵盖医疗、教育、智能制造、人力资源等领域。相信我们在AI产品开发和客户服务的过程所形成的认知和方法论，能对贵司的需求有更深更细的洞察和理解，也能提供更深入业务肌理的“AI能力获得”。