报告包含400个应用案例，横跨19个行业的9种业务功能。报告重点强调了前沿AI技术的应用范围之广，以及经济潜力之盛，也提到了发展中的一些局限和挑战。还有，需要注意的是，就算AI技术的前景再光明，使用数据之前都要把数据安全、隐私以及可能出现的偏见问题考虑周全。

估计AI的潜在价值

据估计，报告探讨过的所有AI技术加在一起，可能在19个行业的9种职能中，产生每年3.5-5.8万亿美元的价值。这在所有 (包括传统和AI) 数据分析技术一年产生的价值中，约占40%。

报告中估计，在每个行业的2016年营业额中，AI的平均贡献约在1-9%。但在19个行业之间，AI贡献的营业额百分比差异较大，取决于具体应用案例、获取大量复杂数据的能力，以及规章制度等其他限制。案例分析得到的结果是，AI能够产生最大价值的领域，既有顶线导向 (top-line-oriented) 的功能，比如营销和销售，也有底线导向 (bottom-line-oriented) 的功能，如供应链管理和生产制造。

在零售和高科技等消费行业，AI可能在营销和销售中拥有更大的潜力，因为商家与用户之间频繁的、数字化的互动会为AI技术提供庞大的数据集。电子商务平台将会尤其受益，点击数据与页面停留时间等用户信息都可以轻松获取，并用于生成实时动态的产品推送。

在零售领域，定价和促销可以成为AI的天地。案例表示，使以用户数据来定制个性化促销活动，可以将实体零售商促销的增量销售额提升1-2%。

在消费品的供应链中，AI部署也能起到重要的作用。基于潜在因果驱动因素 (而非先前结果) 的预测，可以将预测准确度提升10-20%，从而带来2-3%的营业额增长。

在银行业，特别是零售业务中，AI依然可以在营销和销售中施展才能。另外，鉴于风险评估和管理的重要性，AI在这一方面的产生价值可能会更大。

挑战在哪里

AI正在吸引越来越多的企业投资，但到目前为止，拥有AI技术的公司里，只有约20%将自己的技术应用于核心业务或者大规模使用。AI技术的应用还面临着许多挑战——

标注训练数据：这在监督学习中必不可少。目前大多是手动标注，但新的技术正在涌现，比如强化学习和in-stream supervision，数据可以在自然使用过程中获得标注。

大量全面的数据获取：对许多行业案例来说，获取大量数据非常困难，比如用于预测治疗方案效果的临床数据。

解释输出结果：比如，疾病诊断过程中，AI可以利用患者信息来得出诊断结论，但无法解释这一结论是如何一步步取得的。

学习的普遍性：AI模型在将学习经验从一类情况向另外一类情况迁移时，经常遇到困难。这意味着，企业需要投入大量资金训练新模型，即便情况与之前的用例相似也很难避免。

更多阅读：

麦肯锡：人工智能在工业领域的潜力和实践报告

患得患失的工作：自动化时代的劳动力转变

麦肯锡：未来的工作——自动化、就业和生产力（附报告）

麦肯锡：关于深度学习有120个商业机会

麦肯锡：预计2055年自动化将取代全球约一半的有薪工作

麦肯锡：预计2030年机器人或将取代全球8亿工作岗位

麦肯锡：2017年机器学习和人工智能现状

一张图了解深度学习的前世今生——信息图

人工智能、机器学习、深度学习三者之间的同心圆关系

Tractica：预计2025年全球深度学习芯片市场将达到122亿美元

Accenture：调查显示企业不愿花钱对员工进行人工智能培训

Yann LeCun清华演讲：深度学习与人工智能的未来（附下载）

艾瑞咨询 | 2015年中国人工智能应用市场研究报告

麦肯锡：2017人工智能影响中国报告

机器的崛起：中国高管眼中的人工智能（附下载）