第三章　讓業務領導者界定可能性的邊界

若無大膽的想象力或夢想，我們就無法享受可能性蘊藏的激情。畢竟，夢想也是一種形式的規劃。

——葛羅莉亞·斯坦能（Gloria Steinem）

每一個領域轉型的終極目標是相關的解決方案實施后能夠切實提升業績。請注意，這里強調的是“切實”。很多時候，企業只會追求在當前利潤的基礎上實現略有提升，但這往往會導致思路被困于傳統業務。只考慮局部微調的“小打小鬧”只會取得極為有限的成果，往往不值得企業付出努力去進行轉型。根據經驗，合理的數字化轉型方案應提高20%以上的息稅折舊及攤銷前利潤（EBITDA）。

我們建議企業遵循下面的五步法原則，為每個轉型領域開發切實有效的用例（見圖3-1）。

第一步是明確列出需要解決的業務問題?？蛻艋蛴脩粑吹玫綕M足的需求有哪些？流程痛點有哪些？這一步通?？梢圆捎脙煞N方法：

第一，從零開始設計用戶體驗時應運用設計思維來繪制最終用戶畫像，并開展用戶訪談和研討會，發現體驗過程中客戶未得到滿足的需求。該方法在服務密集型行業中更受歡迎，在這些行業中，使公司脫穎而出的關鍵便是創造卓越的客戶體驗?；诖说捏w驗旅程就是重塑用戶體驗的起點。與設計師合作有助于確保相關舉措以客戶為中心或者圍繞客戶未滿足的需求而制定（要想了解更多信息，請閱讀第十六章中有關用戶體驗設計的內容）。

第二，端到端的流程映射包括將核心業務分解為一組流程，以識別價值傳遞過程中的浪費、痛點或錯失的機會。在以運營為主的行業中，這種方法通常是首選，因為在這類行業中，流程有效性和單位成本的降低是其競爭力的基礎。

第二步是依據特定的價值杠桿將用戶未滿足的需求或流程痛點拉通對齊（見圖3-2）。對于每個價值杠桿來說，識別用戶或客戶可能會使用的數字化解決方案（例如應用程序或數據資產）可作為改進體驗的一部分，例如：對于銀行業而言，可以是新的抵押貸款銷售平臺；對于銅精礦冶煉廠而言，可以是為操作人員提供的設定點優化器。每種解決方案至少應激活一個價值杠桿。從價值杠桿著手，有助于明確改進的出發點以及方向，并提供一個可衡量的KPI。數字化轉型陷入困境的企業往往發現，它們專注的解決方案無法通過與業務價值直接掛鉤的、可衡量的KPI來驅動業務改進。

每種解決方案都由實現該方案所需的用例或數據資產組成。例如，在抵押貸款銷售平臺解決方案中，用例可以是客戶開通服務或自動信用檢查。一般來說，一個領域的轉型需要好幾種解決方案，而每種方案又包含幾個用例。用例由數字化的工作流程、分析模型和數據來支持。

第三步是對要開發的解決方案從技術和數據相關角度進行深入探討。這些解決方案和底層數據的目標架構是什么？當前的技術棧能夠適應它嗎？若不能，需進行哪些改變？數據方面也是如此。這一步需要解決方案架構師的專業指導。

第四步是評估投資和預期收益。公司在這一階段所犯的最大錯誤是精度錯誤。在數字化和人工智能時代，投資回報應該是5倍甚至更多。因此，只要投資和收益的誤差在正負30%之間便可滿足需求了。技術和數據架構方面的投資需要合理分配，因為這些投資中的大部分將被其他解決方案重復使用。公司通常會單獨管理這些技術和數據，以構建通用的技術和數據工具。

第五步是制訂一個實施計劃，包含后期隨著時間的推移預計需投入的資源和產生的收益，以及為實現全部價值需要開展的變革管理工作。這一步往往被處理得很隨意，但這其實是實現收益的基礎。要想了解更多信息，請參閱第六部分的內容。

如何看待GenAI等新興技術

技術的快速發展給數字化和人工智能轉型帶來了獨特的挑戰：當技術本身變化如此之快時，如何打造一家技術驅動型公司？答案是在以下三者間實現微妙的平衡：整合能夠產生重大價值的技術、分散資源、緊跟每一項有前景的新興技術潮流。

麥肯錫公司每年都會根據技術推動創新的能力，以及預計的落地時間，針對重要的新興技術趨勢發布年度報告。在我們撰寫本書之時，該研究報告已確定了14種技術趨勢，這些趨勢有可能徹底改變企業的運營模式，并創造價值。1雖然很難預測技術將取得哪些進展，但企業應系統跟蹤其發展情況及其對業務產生的影響。

本書將不會對這些趨勢進行詳細介紹，我們鼓勵讀者關注麥肯錫公司的技術趨勢年度報告。我們想重點強調的是GenAI，我們認為它的顛覆性潛力與云技術或移動技術相當。GenAI指定的算法（如GPT-4）可創建新內容，如音頻、代碼、圖像、文本、模擬和視頻等。這項技術使用其吸收的數據和體驗（通過與用戶進行互動“學習”新信息，并判斷哪些是正確的，哪些是錯誤的）來生成全新的內容。

GenAI仍處于早期階段，我們可以預見在接下來的幾個月或幾年里，這一領域將疾速進化。在評估如何最有效地使用GenAI模型時，企業有三種應用類型：

1．內容生成。通用模型擅長自動化、加速和改進現有的知識型工作（例如GPT-4、谷歌的Chinchilla、Meta的語言大模型OPT）。例如，營銷人員利用GenAI模型生成內容，可以大規模、有針對性地開展數字化營銷。通過“知識助手”來監測對話和提示服務人員，可以完全實現客戶服務的自動化或客戶服務的大幅優化。GenAI還能快速開發和迭代產品原型與施工圖紙。

2．新發現。行業專用模型不僅可以加快現有流程的優化，還可以開發新產品、新服務，推動創新。例如，在制藥行業，通過部署、運用通用技術（比如OpenBIOML、BIO GPT）的應用模型，可提升藥物研發或患者診斷的速度與效率。另外，GenAI模型可以應用于龐大的藥物分子數據庫，從而開發潛在的抗癌藥物。在不同行業的不同商業案例中，GenAI的影響潛力和適用程度有很大的差異。

3．編寫代碼（例如Copilot、Alphacode、Pitchfork）。這些模型有望促進編碼工作的自動化、高效化和普及化?，F有模型已經能自主編寫代碼、文檔、自動生成或完成數據表，以及測試網絡安全性（仍需要進行重要且全面的測試來驗證結果）。麥肯錫公司最近的研究結果顯示，我們的軟件開發人員在使用Copilot時，生產力提高了25%以上。

在數字化轉型的大潮中，只要涉及GenAI，我們都應慎重考量。首先，我們對GenAI模型價值的理解，應建立在對業務目標的清晰理解的基礎上。這聽起來是顯而易見的事，但隨著對GenAI的興趣日漸濃厚，人們總是會忍不住開發越來越多的應用場景，但這最終并不會創造太多業務價值，甚至有可能分散人們對數字化轉型工作的注意力。

其次，像任何技術一樣，想要從GenAI中獲取豐厚收益，需要具備本書建議的六大能力，包括圍繞云技術、數據工程及MLOps等一系列能力和技能，以及找到GenAI專家，并且培訓員工掌握新一代能力。

鑒于這種必要性，企業必須重新審視數字化和人工智能轉型規劃，并評審其優先考慮的數字化轉型方案，以確定GenAI模型如何改進結果（例如內容個性化、通過聊天機器人助手來提高在線轉化率等），這是非常重要的。企業應謹慎考慮增加試點項目這件事。試水一下無可厚非，但真正的資源應該只投在與商業價值緊密相關的領域。企業應花時間了解一下GenAI對企業數字化和人工智能轉型過程中正在開發的能力的需求和影響，例如：

運營模式：需要專職的、聚焦GenAI并為此承擔責任的“敏捷小組”，以確保高效開發和應用GenAI解決方案。這意味著我們要與法律、隱私保護、治理以及MLOps和測試等領域的專家進行密切合作，以訓練和跟蹤解決方案。

技術架構和應用：系統架構需要進行調整，將多模態GenAI能力嵌入端到端的工作流程。在技術棧的多個層面，比如數據層、模型層、用戶體驗界面等要有一個進化過程，以確保數字化解決方案有足夠的集成和響應能力。

數據架構：將GenAI模型應用于當前數據需要企業重新考慮網絡架構和數據處理，我們不僅要考慮數據的規模，還要考慮隨著GenAI模型的學習與進化帶來的劇烈變化。

應用和業務模式的改變：我們可以預見，GenAI幾乎在任何情況下只能自主完成部分工作，不能完全取代人工。我們仍然需要開發人員和聯絡中心的員工，但他們的工作需要重塑。這可能比技術本身更具挑戰性，尤其是GenAI模型存在顯著的“可解釋性差距”。這意味著用戶可能因為不信任它們而無法很好地利用它們或者根本無法使用它們。對員工進行再培訓，讓他們知道如何在工作中運用GenAI模型，公司需要付出很多努力，只有這樣才能實現預期的生產力的提高。

數字信任：GenAI代表了公司需要關注的重大信任問題。鑒于各個國家的數據隱私法規對完善度和限制性方面的要求各不相同，因此仍然需要制定相關政策，對在第三方服務中使用專有的或敏感的信息，以及在數據泄露情況下如何追責等情況加以規范。同樣，公司需要仔細思考和跟蹤知識產權的發展情況（特別是有關知識產權侵權的問題），以及由于GenAI模型不完善而帶來的偏見。

在人人都可以訪問“智能”內容的世界里，掌握專有數據的能力和執行能力將助力公司在競爭中脫穎而出。

注釋

1．Michael Chui, Roger Roberts, and Lareina Yee, “McKinsey technology trends outlook 2022,” McKinsey. com, April 24, 2022, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-top-trends-in-tech.