第三章　让业务领导者界定可能性的边界

若无大胆的想象力或梦想，我们就无法享受可能性蕴藏的激情。毕竟，梦想也是一种形式的规划。

——葛罗莉亚·斯坦能（Gloria Steinem）

每一个领域转型的终极目标是相关的解决方案实施后能够切实提升业绩。请注意，这里强调的是“切实”。很多时候，企业只会追求在当前利润的基础上实现略有提升，但这往往会导致思路被困于传统业务。只考虑局部微调的“小打小闹”只会取得极为有限的成果，往往不值得企业付出努力去进行转型。根据经验，合理的数字化转型方案应提高20%以上的息税折旧及摊销前利润（EBITDA）。

我们建议企业遵循下面的五步法原则，为每个转型领域开发切实有效的用例（见图3-1）。

第一步是明确列出需要解决的业务问题。客户或用户未得到满足的需求有哪些？流程痛点有哪些？这一步通常可以采用两种方法：

第一，从零开始设计用户体验时应运用设计思维来绘制最终用户画像，并开展用户访谈和研讨会，发现体验过程中客户未得到满足的需求。该方法在服务密集型行业中更受欢迎，在这些行业中，使公司脱颖而出的关键便是创造卓越的客户体验。基于此的体验旅程就是重塑用户体验的起点。与设计师合作有助于确保相关举措以客户为中心或者围绕客户未满足的需求而制定（要想了解更多信息，请阅读第十六章中有关用户体验设计的内容）。

第二，端到端的流程映射包括将核心业务分解为一组流程，以识别价值传递过程中的浪费、痛点或错失的机会。在以运营为主的行业中，这种方法通常是首选，因为在这类行业中，流程有效性和单位成本的降低是其竞争力的基础。

第二步是依据特定的价值杠杆将用户未满足的需求或流程痛点拉通对齐（见图3-2）。对于每个价值杠杆来说，识别用户或客户可能会使用的数字化解决方案（例如应用程序或数据资产）可作为改进体验的一部分，例如：对于银行业而言，可以是新的抵押贷款销售平台；对于铜精矿冶炼厂而言，可以是为操作人员提供的设定点优化器。每种解决方案至少应激活一个价值杠杆。从价值杠杆着手，有助于明确改进的出发点以及方向，并提供一个可衡量的KPI。数字化转型陷入困境的企业往往发现，它们专注的解决方案无法通过与业务价值直接挂钩的、可衡量的KPI来驱动业务改进。

每种解决方案都由实现该方案所需的用例或数据资产组成。例如，在抵押贷款销售平台解决方案中，用例可以是客户开通服务或自动信用检查。一般来说，一个领域的转型需要好几种解决方案，而每种方案又包含几个用例。用例由数字化的工作流程、分析模型和数据来支持。

第三步是对要开发的解决方案从技术和数据相关角度进行深入探讨。这些解决方案和底层数据的目标架构是什么？当前的技术栈能够适应它吗？若不能，需进行哪些改变？数据方面也是如此。这一步需要解决方案架构师的专业指导。

第四步是评估投资和预期收益。公司在这一阶段所犯的最大错误是精度错误。在数字化和人工智能时代，投资回报应该是5倍甚至更多。因此，只要投资和收益的误差在正负30%之间便可满足需求了。技术和数据架构方面的投资需要合理分配，因为这些投资中的大部分将被其他解决方案重复使用。公司通常会单独管理这些技术和数据，以构建通用的技术和数据工具。

第五步是制订一个实施计划，包含后期随着时间的推移预计需投入的资源和产生的收益，以及为实现全部价值需要开展的变革管理工作。这一步往往被处理得很随意，但这其实是实现收益的基础。要想了解更多信息，请参阅第六部分的内容。

如何看待GenAI等新兴技术

技术的快速发展给数字化和人工智能转型带来了独特的挑战：当技术本身变化如此之快时，如何打造一家技术驱动型公司？答案是在以下三者间实现微妙的平衡：整合能够产生重大价值的技术、分散资源、紧跟每一项有前景的新兴技术潮流。

麦肯锡公司每年都会根据技术推动创新的能力，以及预计的落地时间，针对重要的新兴技术趋势发布年度报告。在我们撰写本书之时，该研究报告已确定了14种技术趋势，这些趋势有可能彻底改变企业的运营模式，并创造价值。1虽然很难预测技术将取得哪些进展，但企业应系统跟踪其发展情况及其对业务产生的影响。

本书将不会对这些趋势进行详细介绍，我们鼓励读者关注麦肯锡公司的技术趋势年度报告。我们想重点强调的是GenAI，我们认为它的颠覆性潜力与云技术或移动技术相当。GenAI指定的算法（如GPT-4）可创建新内容，如音频、代码、图像、文本、模拟和视频等。这项技术使用其吸收的数据和体验（通过与用户进行互动“学习”新信息，并判断哪些是正确的，哪些是错误的）来生成全新的内容。

GenAI仍处于早期阶段，我们可以预见在接下来的几个月或几年里，这一领域将疾速进化。在评估如何最有效地使用GenAI模型时，企业有三种应用类型：

1．内容生成。通用模型擅长自动化、加速和改进现有的知识型工作（例如GPT-4、谷歌的Chinchilla、Meta的语言大模型OPT）。例如，营销人员利用GenAI模型生成内容，可以大规模、有针对性地开展数字化营销。通过“知识助手”来监测对话和提示服务人员，可以完全实现客户服务的自动化或客户服务的大幅优化。GenAI还能快速开发和迭代产品原型与施工图纸。

2．新发现。行业专用模型不仅可以加快现有流程的优化，还可以开发新产品、新服务，推动创新。例如，在制药行业，通过部署、运用通用技术（比如OpenBIOML、BIO GPT）的应用模型，可提升药物研发或患者诊断的速度与效率。另外，GenAI模型可以应用于庞大的药物分子数据库，从而开发潜在的抗癌药物。在不同行业的不同商业案例中，GenAI的影响潜力和适用程度有很大的差异。

3．编写代码（例如Copilot、Alphacode、Pitchfork）。这些模型有望促进编码工作的自动化、高效化和普及化。现有模型已经能自主编写代码、文档、自动生成或完成数据表，以及测试网络安全性（仍需要进行重要且全面的测试来验证结果）。麦肯锡公司最近的研究结果显示，我们的软件开发人员在使用Copilot时，生产力提高了25%以上。

在数字化转型的大潮中，只要涉及GenAI，我们都应慎重考量。首先，我们对GenAI模型价值的理解，应建立在对业务目标的清晰理解的基础上。这听起来是显而易见的事，但随着对GenAI的兴趣日渐浓厚，人们总是会忍不住开发越来越多的应用场景，但这最终并不会创造太多业务价值，甚至有可能分散人们对数字化转型工作的注意力。

其次，像任何技术一样，想要从GenAI中获取丰厚收益，需要具备本书建议的六大能力，包括围绕云技术、数据工程及MLOps等一系列能力和技能，以及找到GenAI专家，并且培训员工掌握新一代能力。

鉴于这种必要性，企业必须重新审视数字化和人工智能转型规划，并评审其优先考虑的数字化转型方案，以确定GenAI模型如何改进结果（例如内容个性化、通过聊天机器人助手来提高在线转化率等），这是非常重要的。企业应谨慎考虑增加试点项目这件事。试水一下无可厚非，但真正的资源应该只投在与商业价值紧密相关的领域。企业应花时间了解一下GenAI对企业数字化和人工智能转型过程中正在开发的能力的需求和影响，例如：

运营模式：需要专职的、聚焦GenAI并为此承担责任的“敏捷小组”，以确保高效开发和应用GenAI解决方案。这意味着我们要与法律、隐私保护、治理以及MLOps和测试等领域的专家进行密切合作，以训练和跟踪解决方案。

技术架构和应用：系统架构需要进行调整，将多模态GenAI能力嵌入端到端的工作流程。在技术栈的多个层面，比如数据层、模型层、用户体验界面等要有一个进化过程，以确保数字化解决方案有足够的集成和响应能力。

数据架构：将GenAI模型应用于当前数据需要企业重新考虑网络架构和数据处理，我们不仅要考虑数据的规模，还要考虑随着GenAI模型的学习与进化带来的剧烈变化。

应用和业务模式的改变：我们可以预见，GenAI几乎在任何情况下只能自主完成部分工作，不能完全取代人工。我们仍然需要开发人员和联络中心的员工，但他们的工作需要重塑。这可能比技术本身更具挑战性，尤其是GenAI模型存在显著的“可解释性差距”。这意味着用户可能因为不信任它们而无法很好地利用它们或者根本无法使用它们。对员工进行再培训，让他们知道如何在工作中运用GenAI模型，公司需要付出很多努力，只有这样才能实现预期的生产力的提高。

数字信任：GenAI代表了公司需要关注的重大信任问题。鉴于各个国家的数据隐私法规对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关政策，对在第三方服务中使用专有的或敏感的信息，以及在数据泄露情况下如何追责等情况加以规范。同样，公司需要仔细思考和跟踪知识产权的发展情况（特别是有关知识产权侵权的问题），以及由于GenAI模型不完善而带来的偏见。

在人人都可以访问“智能”内容的世界里，掌握专有数据的能力和执行能力将助力公司在竞争中脱颖而出。

注释

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.