生成式AI十问：引领中国智造变革，解锁企业永续价值

生成式AI正在以惊人的速度为中国制造企业创造巨大价值，带来前所未有的变革。生成式AI的推广将为中国制造企业带来上万亿美元的效益，根据麦肯锡全球研究院的最新预测，50%左右的工作内容将在2030年前实现自动化。充分释放生成式AI的潜力已成为制造企业重塑运营模式、解锁永续价值的重中之重。 在麦肯锡DCC Talk“生成式AI：引领中国智造变革，解锁企业永续价值”线上峰会，5位麦肯锡全球董事合伙人及全球资深专家深度解读了生成式AI为制造企业带来的变革与趋势观察，以及制造企业释放价值并打造韧性的成功案例。

价值驱动，勾勒蓝图

1: 如何构想生成式AI赋能的未来工厂？

张勤亚：从整体的impact（影响）来讲的话，生成式AI的应用可以分为三大个方面，尤其是在我们的运营层面：第一就是加速，即提升提取和索引知识速度，缩短业务研发创新周期，实现持续创新；第二是自动化，包括从软件开发，到一些在工厂内的人工的任务的自动化，让软件提供繁琐且以前无法自动化的人工任务；最后是增强辅助的功能，其实主要是帮助我们目前的人工生产力以做比较大幅度的改善，这样我们可以更有效的去完成工作。

我觉得未来工厂你可以想象是不只是一两个用例，如果要提到真正的运营价值是非常全面的改变，因为在不同的这些功能上，其实互相都是有一些辅助的效果。多种生成式AI有潜彻底改变未来工厂的运营和流程。

比如说在预测设备或质量偏差，生成式AI可以去更好的帮助维修设备员找到解决的方案，总结最优方案解决监测到的一些问题，并自动制定干预计划。再比如生成式AI可以非常有效所以编写SOP和策略并自动翻译文档到其他语言。这样的用例还有很多。

2: 全球灯塔网络对生成式AI这项技术的采用程度如何？未来趋势如何？

侯文皓：作为世界经济论坛的邀请灯塔专家，我到现在认证了60多家灯塔，在全球153家灯塔工厂中，差不多有60%以上的灯塔用例都采用了AI技术，而2023年获选的灯塔企业都是采用AI这项技术。当然AIGC(生成式人工智能)技术我们觉得在明年也有非常大的一些涌现，AIGC在供应链和制造里面的应用带来的价值可能只占总体的改善的2%~3%，但是即使是2%-3%，基于这么大的一个体量，带来的价值也是很大的。

目前来讲全球灯塔网络已经起了一个比较好的引领作用，但是大多数企业在人工智能包括AIGC的应用还是一个非常早期的阶段，我们认为还是要回到价值创造，回到我们的数据，回到我们的流程，回到我们的组织理念，精益的基本功要做好，需要做这样的一些改变，那么这样的话可能它的价值创造会更大。

3: 如何评估生成式AI相关的应用的价值？

陈嘉文：我们在跟客户谈的时候，发现这也是非常有意思的一个问题。如果说传统来看会把所有的数字化的投入分成基础性投入，还有应用性投入。我觉得生成式AI也相同的，要分成不同类的生成式AI的应用，有赋能非常核心的应用，还有一些带辅助性的应用。

比如说利用生成式AI作为财务预算分析，你很难去衡量它的价值，你只能够是说要做一个估算，假设我做这个东西，我相信会有多少的提升，然后就往前做了。但确实也有很多其它的应用，价值是非常明显的。在研发方面通过生成式AI可以看到上市时间加快了多少，或者利用机器人做一个实验，可以自己看到它释放了多少资源，或者后台也可以做一些比较清楚的计算，多少的效益提升。

我们一般比较喜欢的一个回报周期是两年现金回报，勉强是三年。那么怎么做到两年现金回报，其实还是回到我们说生成式AI它是辅助IT（技术）、OT（业务），或者生成式AI跟OT要衔接，跟管理、流程优化结合在一起，如果真的能做到以上几点，实际上我们是觉得三年以下的现金回报是问题不大的，有时候还能做到两年以下。

识别机会，释放潜力

4：对于制造企业，应该如何筛选有价值的生成式AI用例，并产生业务影响？

张勤亚：我们做了75个在亚洲的这一类型的项目，总结比较常见的一个做法，是两步平行的走。第一选择哪两个用例，不要选多，就选两个，是真正可以有快速的影响，并且激发我们的企业的员工，这些我们定义为速赢；主要来讲我们内部的数据多多少少是可以使用的，有可以利用已有的 IT架构，还有它的数字基础不需要去做很大的系统上的提升，对我们的团队是有一定流程上的影响，需要做变革管理，但是它局限于一个功能模块或者是一个团队底下，不会说对业务有很大干扰。

第二因为其实速赢虽然容易做到，但是效果也是有限的，所以我们也需要看有什么地方可以去根本上改变业务，这些我们认为作为转型的用例。这些转型用例，可能需要一些第三方数据，或者我们叫做unstructured data（非结构化数据），需要内部整合的数据，然后可能在目前的系统设施需要去增强，有很多的数据要搬上云，或者自己建一个数据湖，流程上需要做重新的设计，但是通过重新设计，这才可以真正达到一个比较颠覆型的效果。

5: 在麦肯锡为制造企业打造的生成式AI用例中，有哪些成功案例可以分享？

张勤亚：我们首先分享一个研发知识虚拟专家的用例，界面很像我们现在天天使用的ChatGPT，抓取的数据或经验，是公司内核心有竞争力的一些讯息，最有价值，最有洞见的数据。

研发知识管理的常见痛点有三个，第一是这种知识非常碎片化，没有办法做搜索，所以分散在各处，第二是这些经验是结合很多不同的材料提炼出来的讯息，没有办法有效的利用。第三个是很多新入职工程师，没有这种经验，很多培训都需要学徒制跟着一个人，可能要花6个月的时间慢慢去学。

虚拟研发专家的业务影响非常可观的，因为有一个很容易的界面，可以去反复的问问题，去找到这些专家真的之前的经验的提炼，可以更快地提高生产力，所以我们看到这个工具对大家都是有效，我们从一个产品开发到设计到最后推出做测试，整个时间减少了10~20%，对一些新的研发工程师来讲，可以提高整体生产力将近50%。

为什么这是有价值的？第一，这样的专家可以帮你搜索知识。第二是说它有改善的机制，生成式AI虽然一个猜测性、判断性的引擎，但是人是非常重要的一环，在这中间是要做人与机器共同去做改善的一个机制，在这里面持续学习。最后一块是，增加了知识管理平台的一个后台，不只是你可以把好的结果搜寻到，也让研发工程师贡献个人的发现，把自己的的解决方法上传，我们的引擎就会根据新的讯息，如果有人问类似的问题，有更好的解答。

运营赋能，落袋效益

6: 面对制造企业业务扩张带来的后台人员膨胀的痛点，生成式AI是否可以在运营层面带来价值？

陈嘉文：在职能HR、财务、 IT、法务部门如何利用生成式AI来实现一些价值创造是一个比较经典的案例。在客户业务增长非常快的背景下，利用生成式AI来控制人数的膨胀，通过与管理抓手衔接，在传统支持部门实现一些真金白银的节约。

我们利用以生成式AI为代表的6个作用的管控职能优化的经典框架，优化组织资源利用及运作效率。6个作用分别为：削减不必要的需求：后台流程的优化；生成式AI应用；职能合并与整合；简单、重复性后台职能统筹外包；强化人才培训，加速员工技能水平提升。

我们将6个作用与来自COE（专业引领）、BP（业务赋能）、SSC（服务支持）、Local SSC（本地服务支持）8个抓手的对应来判断举措具体影响，在这个过程中过滤了大概400个L4的功能块，有些功能块流程是成熟的，有些是初期的，每一个都能够有利用生成式AI做到不同程度的一个节约。

我们在过滤这400多个功能模块时看到有很多的流程和职能交叉的地方，比如 HR和财务涉及到整个 HR和IT成本的管理，在我们成立优化共享中心的时候，可以针对交叉的地方，以场景化的方式来提供对员工的服务。比如要报销，或者要出差培训，能够财务和人事都共同来服务它，一方面对员工的体验也是有提升，另外一方面对我们职能资源实现一些节约。当时我们统计下来，交叉的部分占不少于10%的整个的对于内部员工的服务，还是比较可观。

以应付核算为例，我们也可以看到先在应付核算的主要的一些工作，我们看到在一个星期100个工作小时里面，其实有8个小时，这员工其实也进行了这5大方面的工作，通过生成式AI的辅助，加上流程的优化等，举措组合可以为应付核算职能节省约75%的工作时长, 即仅1.9小时完成原8小时工作量。

我们也想跟大家分享，因为我们觉得还是比较有意思的一个概念。大家传统上认为生成式AI可能有助于制造和研发。我们传统后台的部门一直是三支柱的概念，但在生成式AI时代里，这三支柱可能会被打破，形成生成式AI作为其中一个支柱。后台职能的合并场景化的推动，可能也是生成式AI时代的一个抓手。大区和共享中心的推进是毋庸置疑的，生成式AI会让我们更好地适应不同区域当地的情况，推进大区的优化。

技术引领，力破挑战

7：从麦肯锡开发的业绩管理助手、机修维护助手、注塑机根因分析助手三个部署于真实生产场景的生成式AI用例中可以看出，生成式AI从哪些角度加速制造企业的数智化转型？

侯文皓：业绩管理助手这个用例我们可以看到，数字化已经有力地推动了制造企业的管理效率提升，但是真正实现PDCA（Plan–Do–Check–Act）的自动化比较困难。在生成式AI赋能的数字化时代，现场管理助手不仅能实现非常快速、准确、及时的分析根因，辅助快速排查故障，并且可以快速提炼和总结关键指标的运营表现，自动形成月会报告。甚至在问题还没有发生时，生成式AI模型就可以进行预测，在前端把这些质量问题的根因闭环地解决。这极大地解放了现场管理人员的生产力，有效提升了现场管理质量。

王嘉骏：机修助手这个用例当中，我们可以看到进入生成式AI赋能的数字化时代，机修助手整合了维修手册、管理指南，过往的维修记录，这些非结构化的知识，用聊天机器人这种互动界面来帮助咱们一线员工加上主管们排除故障解决方案，并且能够提供准确的知识来源，把已有的知识领域和经验不断整合进去，提炼，并且减少了对于特定领域专家的等靠要，显著提高了咱们问题解决和持续改善的效率。特别是对于一些经常发生的问题，是完全可以规避一线员工缺乏经验，没有主动性的这些问题。

李铁良：注塑机根因分析助手用例，可以实现查找目标问题的历史档案最佳匹配，来理解提炼历史数据中的根因和CAPA，并生成标准化的根因分析和CAPA报告，它是解决了以往只有少数专家可以做到的问题解读和根因分析。在我们看来，这也是一个非常适合制造企业在早期部署的用例。

建设能力，管理变革

8：在您看来，中国制造企业如何把握住生成式AI创造的巨大机会？

侯文皓：我们看到制造企业的常见的业绩管理的三个阶段，第一阶段是传统精益，第二阶段数字化的互联透明的来支持精益的工作，第三阶段实际上是AIGC（Artificial Intelligence Generated Content），生成式AI带来的精益的这样的一个改变。比较明显是各个阶段都有一个比较明显的效率的提升，本身把我们的一些原来人做的一些不增值的工作，可以去减掉，让人去做更多的增值工作，并且我们发现AIGC相对来说可以产生更好的洞见。

但要实现这个愿景的根本还是在于，第一以精益为出发点，精益是一个基础，这些工作是不能取代的。第二企业要做好生成式AI的工作，它的数据质量，包括我们之前的一些积累，根因是什么，最常见的解决举措是什么，我最希望看到的是什么，这个数据的积累是一个保证, 否则将会是Garbage-in, garbage-out（无效输入，无效输出）。第三就是不管数字化，生成式AI，还是传统精益对人的理念的改变是没有变化的，我们还是在朝精益去不断努力，还是用PDCA(Plan-do-check-action) 的办法，问题的发现，暴露，根因的发现, 举措、行动，最后形成一个闭环，生成式AI不能取代这样的一些实体的变化，所以说 PDCA的过程是不变的，只是我们发现有生成式AI和数字化，使得我们追求精益的效果和效率变得更高。

而当然这个过程当中我们要落地，我们发现生成式AIGC的开发的速度比以前快，比起一般的数字化用例开发时间3~6周，团队这次用了4周左右的时间，已经把用例开发出来了，但是特别要注意的试点容易，但是推广最后还是要回到我们的跟业务流程的接轨，跟OT(转型办公室)接轨，才能把AIGC才能真正的有比较好的一个作用。

9：对制造企业而言，有哪些工作和基础是生成式AI替代不了的？

王嘉骏：我认为有三个事情。第一是历史数据，生成式AI突破了对非结构数据的清理和应用的限制，但是仍然代替不了结构化。积累数据对历史的准确描述，光有非结构化数据也是做不到精准的未来预测的。

第二就是专家经验，生成AI模型可能是1个模型提炼问题，9个模型来做风控，而如何风控，哪些操作建议维修有风险，什么时候要上升干预，这些其实也是要专家积累经验，变成风控模型，才能真正的发挥好它的潜力。

最后就是精益的基础，大语言模型仍然是基于相关性做的词语推断，而针对根因不断寻找和挖掘数据分析能力，还是要依靠我们不断去做判断和提炼提升的。

10：如何解决生成式AI的时代背景下，企业组织层面劳动力转型升级的挑战？

李铁良：截止到2022年，中国的AI普及率是41%，落后于德国、美国、日本这些国家，主要的原因就在于人才的储备，同时具备这种业务技术组织等这些方面的专业技能人才，尤其是像数字化转译员、产品经理等，同时具备这种问题解决能力和技术应用能力的人才，我们是储备有点不足的。在制造领域里面，他们是真正对制造是非常了解的，同时懂AI技术，可以把这两个领域结合，我们看到大部分的企业缺的不是懂技术的人，也不是懂制造的人，它缺的是怎么样把这两个领域可以更好的结合。

但是我们欣喜地看到，已经有一些领先的制造企业在通过大规模的技能提升和再培训，将内部员工培养为转译员这类生成式AI时代的关键角色，从需求较小的岗位转到生成式AI时代需求较多的岗位，将现有人力资本的成本效益最大化。它们更多的是通过我们推荐的类似这种叫3F模型，即Forum(课堂)，Field(实践), Feedback(反馈)，来将人才培养与业务实践结合起来，通过Forum课程，构建这种价值嗅觉和技术基础。通过Field实践的生成式AI用例设计与开发深入实战，通过Feedback认证与测评反馈检验学习成果，为企业源源不断地培养新的人才，同时获得经济效益。

我们相信未来将看到更多的中国制造企业顺应生成式AI的发展潮流，重新定义岗位，培养全新技能，劳动者自身也必须树立这种终身学习的概念，在生成式AI赋能的未来持续成长，创造更高的业务价值。