今年麦肯锡全球人工智能调查的结果显示，自五年前我们开始跟踪它以来，该技术的使用范围有所扩大，但下面有一个微妙的画面。1自2017年以来，采用率增加了一倍多，尽管在过去几年中，使用人工智能的组织比例在50%至60%之间稳定下来。一组从人工智能中获得最高财务回报的公司
　　继续领先于竞争对手。结果显示，这些领导者在人工智能方面进行了更大的投资，参与了越来越先进的实践，这些实践可以实现规模化和更快的人工智能发展，并且在紧张的人工智能人才市场中显示出更好的表现。在人才方面，我们第一次密切关注人工智能的招聘和技能提升。数据显示，人工智能团队的多样性有很大的提高空间，与其他研究一致，多样化的团队与出色的表现相关。
　　五年回顾：AI采用、影响和支出
　　这标志着我们连续第五年在全球范围内对人工智能在商业中的作用进行研究，在此期间我们看到了变化。
　　首先，人工智能的采用率增加了一倍多。2017年，20%的受访者表示至少在一个业务领域采用了人工智能，而今天，这一数字为50%，尽管在2019年达到峰值，为58%。
　　与此同时，组织使用的自然语言生成和计算机视觉等人工智能功能的平均数量也翻了一番，从2018年的1.9个增加到2022年的3.8个。其中

研究报告全文：2022年人工智能状况五年回顾2022年12月今年麦肯锡全球人工智能调查的结果显示自五年前我们开始跟踪它以来该技术的使用范围有所扩大但下面有一个微妙的画面1自2017年以来采用率增加了一倍多尽管在过去几年中使用人工智能的组织比例在50至60之间稳定下来一组从人工智能中获得最高财务回报的公司继续领先于竞争对手结果显示这些领导者在人工智能方面进行了更大的投资参与了越来越先进的实践这些实践可以实现规模化和更快的人工智能发展并且在紧张的人工智能人才市场中显示出更好的表现在人才方面我们第一次密切关注人工智能的招聘和技能提升数据显示人工智能团队的多样性有很大的提高空间与其他研究一致多样化的团队与出色的表现相关五年回顾AI采用影响和支出这标志着我们连续第五年在全球范围内对人工智能在商业中的作用进行研究在此期间我们看到了变化首先人工智能的采用率增加了一倍多2017年20的受访者表示至少在一个业务领域采用了人工智能而今天这一数字为50尽管在2019年达到峰值为58与此同时组织使用的自然语言生成和计算机视觉等人工智能功能的平均数量也翻了一番从2018年的19个增加到2022年的38个其中1在调查中我们将人工智能定义为机器执行与人类思维相关的认知功能例如自然语言理解和生成以及使用认知功能执行物理任务例如物理机器人自动驾驶和制造工作的能力22017年人工智能采用的定义是在组织业务的核心部分或大规模使用人工智能在2018年和2019年该定义是在业务流程或产品中嵌入至少一种AI功能在2020年2021年和2022年定义是该组织至少在一项职能中采用了人工智能22022年人工智能状况五年回顾功能机器人过程自动化和计算机视觉仍然是每年最常部署的而自然语言文本理解已经从2018年的中间位置发展到仅次于计算机视觉的榜首回应显示在过去几年中越来越多的人工智能功能嵌入到组织中受访者所在组织在至少一个职能或业务部门中嵌入的AI功能的平表示他们的组织在至少一项职能中采用了人工智能的受访者比例均数量393138505047585623192020182019202020212022201720182019202020212022百分比的受访者表示给定的人工智能功能嵌入到至少一个职能或业务部门的产品或业务流程中机器人过程自动化39计算机视觉34自然语言文本的理解33虚拟代理或会话接口33深度学习30知识图25推荐系统25数字的双胞胎24言论自然语言理解23物理机器人20强化学习20面部识别18自然语言生成18转移学习16生成对抗网络甘11变形金刚11调查中包含的功能数量随着时间的推移而增加从2018年的9个增加到2022年调查的15个仅向表示其组织在至少一项职能中采用人工智能的受访者提问2022年人工智能状况五年回顾15然而顶级用例保持相对稳定在过去四年中服务运营优化每年都占据首位其次随着人工智能的采用率不断提高对人工智能的投资水平也在增加例如五年前在使用人工智能的组织中40的受访者表示超过5的数字预算用于人工智能而现在超过一半的受访者表示他们的投资水平很高展望未来63的受访者表示他们预计未来三年组织的投资将增加最流行的AI用例涵盖一系列功能活动顶级用例用例的功能最常见的是采用人工智能的用例通过函数的受访者服务操作产品和或服务发展市场营销和销售风险服务操作优化24创建新的基于ai的产品20客户服务分析19客户细分19新的基于ai改进的产品19获取客户和领导的一代17呼叫中心自动化16产品功能优化16风险建模和分析15预测服务和干预14在39个用例中问题只被问到那些表示他们的组织在至少一项职能中采用了人工智能的受访者例如客户服务客户服务背部42022年的人工智能状况五年回顾最流行的AI用例涵盖一系列功能活动顶级用例用例的功能每个业务功能中最常用的AI用例的受访者服务操作产品和或服务的发展服务操作优化创建新的基于ai的产品2420呼叫中心自动化新的基于aienhancemen产品1619市场营销和销售供应链管理客户服务分析销售和需求预测1910物流网络优化客户细分199风险人力资源风险建模和分析优化人才管理1510欺诈和债务分析优化劳动力部署115战略和企业融资制造业资本分配7预见性维护1311产量能源和或吞吐量的优化财政部管理4模拟例如使用数字孪生113D建模并购支持4仅向表示其组织在至少一项职能中采用人工智能的受访者提出了问题例如客户服务客户服务背部第三公司从人工智能中看到价值的具体领域已经发生了变化2018年制造业和风险是最大比例的受访者表示从人工智能使用中看到价值的两个功能如今报告的最大收入影响体现在营销和销售产品和服务开发以及战略和企业财务方面受访者表示人工智能在供应链管理中的成本效益最高从人工智能实现的底线价值仍然强劲且基本一致大约四分之一的受访者表示2021年其组织的息税前利润中至少有5归因于人工智能这与前两年的调查结果一致当时我们也跟踪了这一指标最后有一件事一直令人担忧那就是组织为加强数字信任而参与的风险缓解水平虽然人工智能的使用有所增加但从2019年我们首次开始捕获这些数据时到现在报告缓解任何与人工智能相关的风险并没有大幅增加2022年人工智能状况五年回顾5与人工智能相关的成本降低最常报告在供应链管理中在产品开发营销和销售中报告收入增加按功能划分2021年采用AI的成本降低和收入增加的受访者减少降低减少增加增加增加10增加1019增加20增加10增加610增加5服务操作452910610103757制造业42327310183361人力资源29253114133158市场营销和销售2821439204170风43308510112748险供应链管理52417414172859产品和或服务的发展30204613243370战略和企业融资4331848164165平均在所有活动32236381936631问题只被问到那些说他们的组织在给定功能中采用了人工智能的受访者未显示无变化成本增加不适用或不知道的受访者还没有实质性的组织报告的人工智能相关风险缓解增加组织认为相关并正在努力缓解的AI风险的受访者20192022514835363028222219191717181513117442网络-监管个人解释-组织-安全合规性个人能力股本劳动力物理国家和劳动安全保障政治稳zational公平位移定隐私声誉1仅向表示其组织在至少一项职能中采用人工智能的受访者提出了问题n1151未显示表示不知道不适用的受访者2也就是说解释AI模型如何做出决定的能力62022年人工智能状况五年回顾麦肯锡的评论崔马克伙伴麦肯锡全球研究院在过去的十年的一半在此期间我们一直在进行全球调查我们看到AI冬天变成了AI春天然而经过一段时间的最初繁荣之后我们似乎已经达到了一个平台期这是我们在其他技术采用的早期观察到的过程我们可能会看到一些组织在成功嵌入这项技术所需的组织变革水平上陷入困境在我们的工作中我们遇到了一些公司他们因为进入人工智能而感到气馁认为这将是一项快速的练习而那些采取更长远眼光的公司则通过将自己转变为随着时间的推移建立人工智能肌肉的学习型组织而取得了稳步的进展这些公司逐渐整合了更多的人工智能功能并逐步更快更容易地支持越来越多的应用程序这要归功于过去成功和失败的教训他们不仅投资更多而且投资更明智目标是创建一个名副其实的人工智能工厂使他们能够将更多的人工智能整合到更多的业务领域首先是在相邻的领域一些现有的功能可以重新利用然后完全进入新的在高层次上有一个新兴的剧本可以从人工智能中获得最大价值每年我们进行研究时我们都会看到一群领导者从事有助于成功执行人工智能的实践类型它以实际底线影响的形式在显着水平上得到回报我们每天在指导他人的人工智能之旅时也会看到它这不是一件容易的事但就像以前的技术一样收益将流向那些坚持到底的人那些放眼长远的人通过将自己转变为随着时间的推移建立AI肌肉的学习型组织2022年人工智能状况五年回顾7使用人工智能和可持续发展的努力调查发现这表明许多采用人工智能的组织正在将人工智能功能在大中华区亚太地区和发展中市场的组织中更为常见而整合到其可持续发展工作中并且也在积极寻求减少其人工智北美的受访者最不可能报告这些情况能使用对环境的影响的方法图表在采用人工智能的组织的受访者中43的人表示他们的组织正在使用人工智能来协当被问及使用人工智能的可持续发展工作类型时受访者助可持续发展工作40的人表示他们的组织正在努力通过最最常提到改善环境影响的举措例如优化能源效率或减少大限度地减少用于训练和运行人工智能模型的能源来减少人工废物人工智能的使用在改善组织的努力中最不常见智能使用对环境的影响随着公司在人工智能上投入更多已社会影响例如采购合乎道德的产品尽管为北美组织经更成熟工作的受访者比同行更有可能报告这种使用与其他公司相比高绩效企业报告人工智能支持的可持续性努力以及表示其组织正在努力减少与人工智能相关的排放的可能性是其他人的14倍两种努力展览组织正在可持续发展环境中使用人工智能并正在努力减少其人工智能使用对环境的影响在可持续发展工作中使用人工智能的组织的受采取措施减少人工智能使用碳排放的组织的受访者访者大中华Asia-61发展中市场53Pacic开发市场54Asia-Pacic47欧洲北44大中华46美39欧洲3630北美国31受访者组织使用AI的可持续性类型改善组织的环境影响例如提高能源效率优化运输62评估可持续性例如基准测试51改善组织的治理例如法规遵循风险管理45提高组织的社会影响力例如采购合乎道德的产品34仅询问其组织在至少一项职能中采用人工智能的受访者对于位于大中华区的组织n102对于亚洲-太平洋地区cn74对于发展中市场n118对于欧洲n260对于北美n190包括香港特别行政区和中国台湾地区的受访者包括印度拉丁美洲中东北非和撒哈拉以南非洲的受访者仅询问其组织在至少一个业务部门或职能部门采用人工智能的受访者他们表示其组织正在可持续发展方面使用人工智能n30282022年的人工智能状况五年回顾思想的差距AI领导人拉在过去的五年里我们跟踪了人工智能领域的领导者我们称他们为人工智能高绩效者并研究了他们的不同之处我们看到更多迹象表明这些领导者正在扩大他们的竞争优势而不是我们发现其他领导者正在迎头赶上的证据首先我们没有看到领导小组规模的扩大在过去的三年里我们将人工智能高绩效者定义为受访者认为最大的组织采用AI的底线影响即20或更多的息税前收益来自AI使用属于这一群体的受访者比例一直稳定在8左右研究结果表明这一群体的卓越业绩主要来自人工智能提高收入收益因为他们更有可能报告人工智能正在推动收入而不是降低成本尽管他们确实报告人工智能也在降低成本其次高绩效企业比其他人更有可能遵循释放价值的核心实践例如将他们的人工智能战略与业务成果联系起来同样重要的是他们更频繁地参与前沿实践以实现大规模人工智能开发和部署或者一些人称之为人工智能产业化例如领导者更有可能拥有一个足够模块化的数据架构以快速适应新的人工智能应用程序他们还经常自动化大多数与数据相关的流程这既可以提高人工智能开发的效率也可以通过提供更多高质量的数据来输入人工智能算法来扩大他们可以开发的应用程序数量人工智能高绩效者通过使用新兴的低代码或无代码程序让非技术员工参与创建人工智能应用程序的可能性是其他组织的16倍这使得公司能够加快速度创建人工智能应用程序在过去的一年中高绩效企业比其他组织更有可能遵循某些高级扩展实践例如使用标准化工具集创建生产就绪的数据管道并使用端到端平台进行他们内部开发的与AI相关的数据科学数据工程和应用程序开发高绩效企业也可能在管理潜在的人工智能相关风险方面领先一步例如个人隐私公平和公平而其他组织尚未解决这些风险虽然总体而言自从我们四年前开始询问人工智能相关风险以来我们看到组织报告识别和缓解人工智能相关风险的变化很小但人工智能高绩效企业的受访者比其他人更有可能报告他们参与已知有助于降低风险的做法其中包括确保人工智能和数据治理标准化流程和协议自动化流程如数据质量控制以消除手动工作引入的错误以及测试模型的有效性并随着时间的推移监控它们的潜在问题3所有关于人工智能相关优势和实践的问题都只被问到744名受访者他们说他们的组织在至少一项职能中采用了人工智能n7442022年人工智能状况五年回顾9从AI中获得最高回报的组织更有可能遵循战略数据模型工具技术和人才最佳实践报告其组织参与每项实践的受访者比例的受访者策略数据模型工具和技术人才和工作方式所有其他受访者人工智能高表演者制定路线图明确优先考虑与整个组织的业务价值相关的AI计划制定与更广泛的AI战略保持一致企业战略和目标完全一致和承诺的高级管理层组织的人工智能策略有明显denedAI远景与战略吗任命了一位可靠的人工智能计划领导者他有权与业务部门和职能部门的同行合作推动这些计划向前发展系统地跟踪一套全面的明确定义的KPI以衡量人工智能项目拥有涵盖模型开发过程每个步骤的清晰AI治理框架020406080100策略数据模型工具和技术人才和工作方式所有其他受访者人工智能高表演者能够快速将数据集成到AI模型中在需要时如在近乎实时的集成结构化的内部数据例如包含跨业务部门的客户数据的数据湖以用于人工智能项目集成外部数据例如开源购买使用人工智能计划整合非结构化内部数据例如文本调用中心在AI行动日志使用生成合成数据以训练AI模型是insu字母系数自然数据集拥有足够模块化的数据架构以快速满足新AI用例的需求大多数数据相关过程自动化如数据标签数据质量控制具有可扩展的内部流程来标记AI训练数据此处显示的做法代表了AI高绩效者与其他受访者之间差异最大的实践并非所有做法都显示出来受访者表示2021年其组织的息税前利润中至少有20归因于他们对人工智能的使用102022年人工智能状况五年回顾从AI中获得最高回报的组织更有可能遵循战略数据模型工具技术和人才最佳实践报告其组织参与每项实践的受访者比例的受访者模型工具和技术策略数据模型模型toolstoolsandand人才和工作方式techtech所有其他受访者人工智能高表演者开发AI模型利用较少的数据量提供准确可用的结果即小数据定期刷新基于明确设计的AI模型标准何时和为什么这样做在内部开发用于人工智能相关数据科学数据工程和应用程序开发使用标准化工具集创建生产就绪型数据管道开发模块化组件例如数据模型层数据管道以便它们可以在AI应用程序中重用至少每年更新一次AI机器学习技术堆栈以利用最新的技术的进步自动化AI模型开发的整个生命周期例如从数据摄取和质量控制到模型监测将组织自己的高性能计算集群用于AI工作负载020406080100策略数据模型工具和技术人才和工作方式所有其他受访者人工智能高表演者把一个完整的生命周期开发方法部署的人工智能模型将AI技术集成到业务流程中例如日常运营员工工作欠数据科学和AI设计与开发团队协作构建和改进AI应用程序拥有完善的能力建设计划培养技术人员的人工智能技能培训非技术人员使用AI改进决策AI开发团队遵循标准协议例如工具框架开发流程构建和交付AI工具020406080100此处显示的做法代表了AI高绩效者与其他受访者之间差异最大的实践并非所有做法都显示出来受访者表示2021年其组织的息税前利润中至少有20归因于他们对人工智能的使用2022年人工智能状况五年回顾11投资是另一个可能导致差距扩大的领域人工智能高绩效企业准备继续在人工智能方面的支出超过其他组织尽管这些领先组织的受访者和其他人一样有可能表示他们将在未来增加投资但他们现在的支出比其他人更多这意味着他们将从收入百分比更高的基数上增加人工智能高绩效企业的受访者表示他们的组织将至少20的数字技术预算用于人工智能相关技术的可能性是同行的近八倍这些数字预算占其企业支出的比例要大得多人工智能高绩效的受访者报告其组织将超过20的企业收入用于数字技术的可能性是其他受访者的五倍以上最后所有这些都可能让人工智能高绩效者在吸引人工智能人才方面占得先机有迹象表明这些组织招聘人工智能数据科学家和数据工程师等职位的难度较小来自非人工智能高绩效组织的受访者表示与人工智能高绩效组织的受访者相比担任这些角色非常困难底线高绩效企业已经为持续的人工智能成功做好了准备提高了新人工智能开发的效率从而为人才创造了更具吸引力的环境对于领导组之外的组织来说好消息是有一个明确的成功最佳实践蓝图人工智能高绩效的受访者表示他们的组织花费至少20的可能性是同行的近八倍人工智能相关技术的数字技术预算122022年的人工智能状况五年回顾麦肯锡的评论布莱斯大厅副合伙人多年来我们的研究我们继续完善对领先公司正在做得很好的具体实践以及他们从人工智能中获取价值的能力的理解最近随着组织从试验人工智能转向工业化出现了一套新的前沿实践其中包括机器学习操作MLOps做法如资产化或将代码等元素转换为可重用资产这些资产可以在不同的业务应用程序中反复应用但多年来我们也不断看到这些组织正在采取的一系列基本做法通过我们的工作我们学会了不要将这些描述为基本实践因为它们是最难实施的其中许多涉及公司成功采用人工智能所需的人员要素例如清楚地了解需要哪些特定的技术人才角色并成功地将人工智能整合到业务流程和决策中正如在许多情况下所证明的那样人工智能引擎和人在一起可以创造比单独创造更多的价值随着人工智能前沿的发展我们继续受到人工智能一些真正创新应用的启发例如使用人工智能来识别新药为消费者创建超个性化的推荐以及为数字孪生中的人工智能模拟提供动力以优化各种环境中的性能作为个人AI功能例如自然语言处理和生成继续改进和民主化我们很高兴看到一波新应用程序的出现越来越多的公司大规模地从人工智能中获取价值2022年人工智能状况五年回顾13人工智能人才故事新的热门角色持续的多样性困境我们对人工智能人才图景的首次详细研究标志着人工智能的成熟揭示了组织用于人才寻找和提升技能的最常见策略并揭示了人工智能的多样性问题同时再次展示了多样性与成功之间的联系招聘是一个挑战但对于高绩效者来说则不然软件工程师成为人工智能角色调查回复显示组织在过去一年中雇用的频率最高比数据工程师和人工智能数据科学家更频繁这是另一个明显的迹象表明许多组织已经在很大程度上从试验人工智能转向积极将其嵌入企业应用程序中不幸的是科技人才短缺没有缓解的迹象这可能会减缓一些公司的这种转变大多数受访者表示在招聘每个与人工智能相关的角色时都存在困难回应表明组织最常雇用软件工程师数据工程师和人工智能数据科学家受访者组织在过去一年中雇用的人工智能相关角色的受访者软件工程师39数据工程师35人工智能数据科学家33机器学习工程师30数据架构师28人工智能产品所有者经理22设计专家22数据可视化专家21翻译8以上都不是141仅询问其组织在至少一项功能中采用AI的受访者对于AI高绩效的受访者n51对于所有其他受访者n413142022年人工智能状况五年回顾在过去的一年里大多数人说获得这种人才要么不容易要么比过去几年更难人工智能数据科学家仍然特别稀缺在我们询问的角色中最大比例的受访者将数据科学家评为难以填补的角色如前所述我们看到一些迹象表明人工智能高绩效者比其他组织更容易招聘但他们仍然经常报告困难从调查结果中更明显的是他们专注于招聘人工智能产业化和商业价值优化例如他们在过去一年中聘请ML工程师的可能性是其两倍多该职位专注于优化数据科学家构建的ML模型以提高性能和可扩展性以及自动化机器学习管道从数据摄取到预测生成高绩效的受访者表示他们聘请了人工智能产品经理来监督人工智能应用程序的开发和采用的可能性几乎是其他人的两倍聘请分析翻译的可能性是其他人的三倍多这两个角色确保了人工智能应用程序提供商业价值大多数受访者表示在过去一年中每个与人工智能相关的职位的招聘都很困难而且随着时间的推移并没有变得更容易过去一年组织招聘人工智能相关角色的困难的受访者451713很有些不简单的比较非常困49难的困难也不是困难的简单容易206软件工程师1469620数据工程师机器学习工程师281120人工智能数据科学家们数据架构师25132人工智能产品所有者经理201设计专家15421891数据可视化专家15147185翻译274314112422751442410462112过去3年组织招聘AI相关角色的难度变化软件工程师18的受访者3124107数据工程师有点不容易22有点困难更难或更难35更容易16153人工智能数据科学家222519183机器学习工程师202814223数据架构师213116146人工智能产品所有者经理162721163设计专家172820157数据可视化专家172522234翻译2234191151仅询问其组织在至少一项功能中采用AI的受访者数字总和不是100因为没有显示说不知道的受访者2022年人工智能状况五年回顾15在过去的一年里人工智能高绩效者更有可能聘请人工智能数据科学家机器学习工程师和翻译人员受访者组织在过去一年中雇用的人工智能相关角色的受访者42受访者在人工智能高的表演者软件工程师40所有其他受访者46数据工程师3760人工智能数据科学家31机器学习58工程师2733数据架构师31人工智能产品业主40经理21设计专家如用户29接口体验设计2234数据可视化专家2225翻译87以上都不是161仅询问其组织在至少一项功能中采用AI的受访者对于AI高绩效的受访者n51对于所有其他受访者n413再培训和技能提升是招聘的常见替代方案在寻找人工智能人才方面所有受访者中最受欢迎的策略是重新培训现有员工近一半的人正在这样做从一流大学以及来自不属于顶级的科技公司例如区域领导者也是常见的策略但是从高绩效者的战略来看组织最好利用尽可能多的招聘渠道这些公司在从各种来源招聘人工智能相关人才方面比其他公司做得更多研究结果表明虽然他们更有可能从顶级技术大学和科技公司招聘但他们也更有可能从其他大学培训学院和以多样性为重点的项目或专业组织寻找人才162022年的人工智能状况五年回顾来自人工智能高绩效企业的受访者表示与其他受访者相比他们以更广泛的方式寻找与人工智能相关的人才受访者组织用于人工智能相关人才的来源的受访者人工智能高绩效的受访者所有其他受访者一流的技术58大学36内部即reskilling47员工47顶级全球技术46公司23其它科技公司如39中等企业初创企业3237其他大学20行业组织3429培训学校如编码29训练营16Diversity-focused项目或24专业协会1512其他1组织不积极2寻找人工智能人才101仅询问其组织在至少一个业务部门或职能中采用人工智能的受访者对于AI高绩效的受访者n51对于所有其他受访者n413回应表明人工智能高绩效者和其他组织都在提高技术和非技术员工的人工智能技能人工智能高绩效者和其他组织中近一半的受访者表示他们正在重新培训技能以获得更多人工智能人才然而与其他组织相比高绩效者正在采取更多的措施来培养员工的人工智能相关技能高绩效受访者表示其组织拥有培养技术人员人工智能技能的能力建设计划的可能性几乎是其他受访者的三倍他们最常用的方法是体验式学习自主在线课程和认证计划而其他组织最常依赖自主在线课程与其他组织相比高绩效者也更有可能超越提供自主在线课程以提高非技术员工在人工智能方面的技能受访者高2022年人工智能状况五年回顾17表演者报告向非技术人员提供点对点学习和认证计划的可能性几乎是其他人的两倍增加人工智能团队的多样性是一项正在进行的工作我们还探讨了组织以人工智能为重点的团队的多样性水平我们发现大多数组织都有很大的改进空间员工在这些方面的平均份额受访者组织中认定为女性的团队仅占27从开发人工智能解决方案的少数种族或族裔的平均比例来看这一比例相似仅为25更重要的是29的受访者表示他们的组织没有少数族裔员工从事人工智能解决方案在受访者组织中开发人工智能解决组织有积极的计划以增加开发AI解决方案的员工的平均比例方案的团队的多样性确定是女性2746确定为种族或少数民族2533一些公司正在努力改善其人工智能人才的多样性尽管在改善性别多样性方面所做的工作比种族多样性要多百分之四十六的受访者表示他们的组织有积极的计划通过与以多样性为重点的专业协会合作招聘候选人等步骤在开发人工智能解决方案的团队中增加性别多样性三分之一的人表示他们的组织有增加种族和民族多样性的计划我们还看到有女性或少数民族从事人工智能解决方案的组织通常有适当的计划来解决这些员工的经历与麦肯锡之前的研究一致该研究表明多样性与卓越表现之间存在相关性受访者表示至少有25的人工智能开发员工认为自己是女性成为人工智能高绩效员工的可能性是其他人的32倍那些至少有四分之一的人工智能开发人员是少数种族或少数民族的人人工智能高绩效者的可能性是其两倍多182022年的人工智能状况五年回顾麦肯锡的评论海伦梅休合作伙伴我看这些结果人才我既看到了我们在人工智能方面已经走了多远也看到了在某些领域还有很多工作要做大约五年前软件工程不会被归类为最高优先级的人工智能角色因为许多组织在试验该技术时专注于简单地构建离散模型但随着商业价值变得清晰组织意识到需要将来自人工智能的见解传递到人们可以使用和应用它们的前端以产生影响机器学习ML工程师的聘用同样显示了人工智能的成熟企业现在需要这个角色因为他们正在努力定期可靠地将ML嵌入到系统中另一方面尽管近十年来就知道对数据科学家和数据工程师等角色的需求不断增长但我们在供应方面仍然没有采取足够的行动从新兵训练营招聘正在增加因为没有经验丰富的人才为这些新人才建立学习途径并不容易但组织别无选择技能再培训工作也是一项艰巨的任务但有必要填补空白为了满足这一需求我们实际上需要更多的组织再培训而不是我们在这些结果中看到的多样性数字令人失望但可悲的是不足为奇数据科学是一项团队运动不同的观点很重要事实一次又一次地表明当组织缺乏足够多样化的团队来提出问题时偏见问题就会激增就像我们进行的其他研究表明的那样多样性除了是正确的事情之外还与强劲的表现相关如果不小心对于人工智能缺乏多样性会导致不信任最后重要的是要记住这些人工智能工作是收入最高的工作之一需求只会增加如果女性和少数民族在这个高需求的技能库中没有平等的代表我们就有可能破坏我们迄今为止在缩小女性和少数民族薪酬差距方面取得的进展我们必须继续寻找方法让更多的妇女和少数民族在他们的教育岁月及以后参与STEM2022年的人工智能状况五年回顾19关于的研究在线调查2022年5月3日至5月27日和2022年8月15日至8月17日在现场并获得了来自各个地区行业公司规模职能专业和任期的1492名参与者的回复在这些受访者中744人表示他们的组织至少在一项职能中采用了人工智能并被问及有关其组织使用人工智能的问题为了调整答复率的差异数据按每个受访者所在国家对全球GDP的贡献进行加权调查内容和分析由迈克尔崔麦肯锡全球研究院合伙人和麦肯锡湾区办事处合伙人布莱斯大厅华盛顿特区办事处的准合伙人海伦梅休在悉尼办公室合伙人和亚历克斯Singla芝加哥办公室的高级合伙人他们要感谢SanathAngalakudatiMedhaBankhwalDavidDeLalloHeatherHanselmanVishanPatel和WilburWang对这项工作的贡献202022年人工智能状况五年回顾