McKinsey & Company
PulseAugur coverage of McKinsey & Company — every cluster mentioning McKinsey & Company across labs, papers, and developer communities, ranked by signal.
- partners with Bain & Company 90%
- competes with Gartner 70%
- competes with Deloitte 70%
- competes with Bain & Company 70%
- partners with Span Ai Startup 70%
- competes with Ey 60%
- competes with Forrester 50%
- other Forbes 50%
- affiliated with Fortune 50%
- affiliated with World Economic Forum 50%
- other Bain & Company 50%
- other Fortune 50%
17 天有情绪数据
-
专家称，制造业AI项目因数据挑战而失败
制造业的数字化转型和AI项目经常因数据可访问性、建模和治理方面的挑战而失败。专家指出，超过40%的企业AI项目因糟糕的数据基础和集成问题而被放弃。标准化的数据模型对于使AI系统能够有效解释制造数据至关重要，从而实现更可靠的运营和改进工厂间的比较。CESMII等组织正致力于通过推广开放信息模型和标准化数据上下文来解决这些问题，以增强互操作性并降低制造商（尤其是中小型企业）的成本。
-
到2030年数据中心电力需求将激增24%：麦肯锡
麦肯锡的一份报告显示，到2030年，数据中心的电力需求预计将每年增长24%。这种由人工智能和计算需求驱动的显著增长带来了挑战，因为电力供应预计将滞后于需求。运营商越来越多地转向现场发电解决方案，如燃气发动机和电池存储，以加速电力供应，尽管这些也带来了新的基础设施瓶颈。
-
人工智能卓越中心必须将重点从用例转移到业务价值
麦肯锡的数据显示，大型公司越来越多地在整个运营中部署人工智能，88%的公司至少在一个业务职能中使用人工智能，44%的公司将其推广到整个企业。然而，财务回报并未跟上步伐，只有6%的组织在人工智能采用方面取得了高绩效。文章认为，传统的人工智能卓越中心（AI CoE）需要从人才库转变为业务价值的促进者，专注于决策、标准和问责制，而不仅仅是关注用例。
-
人工智能将客户智能从后台任务提升为董事会战略
人工智能正在将客户智能从后台职能转变为战略性的董事会任务。AI工具现在可以实时解读海量数据以了解个体客户，使企业能够通过个性化优惠与每位客户互动。这一转变需要公司全员的承诺，将洞察力从部门报告提升为所有员工（从店员到CEO）的可操作情报。拥抱AI驱动的增长目标并围绕该技术重新设计工作流程的公司可以释放巨大价值，其中一些公司与传统方法相比，转化率提高了八倍。
-
AI 采用将重点从技术转向运营模式重新设计
企业正将其重点从简单部署 AI 技术转向根本性地重新设计其运营模式以利用数字劳动力。核心挑战不再是 AI 的技术能力，而是如何智能地分配任务给人类、AI 辅助流程和全自主 AI 代理。这一战略转变旨在将收入增长与员工人数增长脱钩，通过认知优化而非传统的地域外包来创造经济杠杆。
-
制造商面临劳动力短缺和人工智能采用挑战 · 跟踪 1 个来源
由于劳动力短缺和成本上升，制造商面临严峻挑战，预计到 2033 年需要数百万工人，并且投入成本预计将超过价格上涨。虽然人工智能的采用正在增长，但很大一部分组织并未从中获得显著的业务价值，许多人工智能项目因业务效益不明确而被取消。在制造业中，一个关键问题是收集数据的用法不一致，导致对人工智能输出的不信任和项目停滞，而不是技术故障。
-
AI代理消耗的token量是人类的5倍，加剧内存资源紧张 · 跟踪2个来源
AI代理消耗的token量远超人类，其中OpenRouter平台显示代理使用的token量是人类的5倍，预计这一趋势将达到10倍或更高。这种激增主要是由于代理重复读取缓存的提示（prompt），这占其token使用量的85%以上。虽然缓存的token比处理新提示的成本低，但它们仍然需要大量的内存，这加剧了人工智能数据中心所需的高带宽内存（HBM）的现有和预期短缺。
-
报告警告：人工智能成本下降可能推高电力需求
咨询公司麦肯锡（McKinsey & Company）和波士顿咨询集团（Boston Consulting Group）发布了报告，指出人工智能模型成本的下降可能导致电力需求增加。尽管代币价格下跌，但人工智能技术的广泛采用和使用预计将给电网带来巨大压力。
-
AI代理有望实现采购和应付账款任务的自动化
AI代理代表了自动化采购和应付账款（AP）流程的重大进步，超越了传统的基于规则的系统。这些代理可以分析请求，整合来自多个来源的数据，并做出决策来处理诸如申请IT硬件或将发票与采购订单进行匹配等任务。此功能旨在让员工专注于更复杂的基于判断的决策，而不是取代他们，并且可以通过将交易与合同条款进行比较来识别财务损失。
-
人工智能引发软件工具的构建与购买辩论，专家敦促谨慎
由于人工智能提供的感知成本节省和功能，公司越来越多地选择自己构建软件工具而不是购买。然而，这一趋势带来了重大风险，因为与从专业供应商处购买相比，长期来看构建定制解决方案可能更昂贵、更耗时。领导者必须仔细考虑任务关键性、维护成本以及对人工智能生成代码过度自信的可能性等因素，以做出明智的构建与购买决策。
-
人工智能将赋能零售采购员，而非取代他们
人工智能有望显著增强零售采购员的能力，而非取代他们。人工智能可以自动化数据录入和库存调整等常规任务，使采购员能够专注于其角色中更具战略性和创造性的方面，例如品牌精髓和定性判断。通过充当增效器，人工智能工具使采购员能够更有效地执行复杂的营销活动和个性化的客户体验，从而使他们能够将更多时间用于藏品采购和促销规划等高价值活动。
-
麦肯锡：企业未能重新设计工作流程以实现真正价值，人工智能采用停滞
麦肯锡的研究表明，尽管人工智能的采用率基本保持平稳，但从人工智能中获得可观收益的组织百分比也停滞不前。这表明许多公司将特定任务（如客户支持或软件开发）的效率提升误认为是通用方案。人工智能的真正价值不仅在于实施技术，还在于从根本上重新设计工作流程、调整激励机制以及明确定义角色和职责，这通常涉及关于权力和风险的艰难领导决策。
-
新的代理式工作流程为强大的 AI 阴影去除创建了多样化数据
研究人员开发了一种新方法，为 AI 模型中的阴影去除创建多样化、高质量的训练数据，解决了计算机视觉领域长期存在的挑战。这种代理式工作流程结合了基于物理的生成与自动化的故障检测和纠正，生成了一个名为 AgenticShadow 的数据集。在新的数据集上训练现有的阴影去除模型，已显示出在各种领域（包括通用场景、人脸和遥感）的准确性和鲁棒性方面有显著的改进。
-
人工智能革命好莱坞：初创公司获资助，工会制定指导方针
人工智能正在迅速改变电影行业，Higgsfield AI 和 Runway 等初创公司展示了其创作整部电影和改进制作流程的潜力。Higgsfield AI 在三周内以 50 万美元的成本制作了一部 95 分钟的电影，使用了包含 OpenAI 和 Google 等公司模型的平台。尽管取得了这些进展，行业专业人士仍然认为人类创意人员至关重要，但预计某些岗位的就业将受到影响。SAG-AFTRA 等主要制片厂和工会正在为人工智能在电影制作中的…
-
麦肯锡报告发现：AI到2035年将取代1100万美国工人 · 已追踪2个来源
麦肯锡全球研究院的一份新报告预测，虽然AI和自动化可能在2035年前消除约1100万个美国人的工作，但预计这些技术也将创造更多新的职位。主要挑战将是劳动力的流动性，因为许多失业工人需要转入完全不同的领域，这通常需要新的资历并面临巨大的技能差距。低收入工人受到的影响尤为严重，与高收入者相比，他们更有可能需要转换职业。
-
人工智能的进步可能在2035年前取代数百万美国工人
一份报告表明，人工智能的进步将不成比例地使富人受益，并可能在2035年前取代数百万美国工人。这种取代可能迫使很大一部分劳动力转向新的职业道路，“特朗普通胀”等政策和人工智能驱动的经济变革将主要由美国工人承担。
-
AI热潮推动美国熟练技工职位需求激增
对熟练技工的需求正在激增，这在很大程度上是由AI基础设施所需的数据中心扩张所驱动的。Google数据中心负责人Tim Chadwick强调，美国有数十万个职位空缺，例如总电工和管道工，这些职业无需四年制学位即可获得财务稳定。Nvidia首席执行官Jensen Huang和通用汽车首席执行官Mary Barra等行业领导者预计这些行业将出现大幅增长，并有可能获得高收入。然而，职业培训的长期被忽视以及这些工作的体力要求给填补日益增长的劳动…
-
专家称FinOps对于控制失控的AI Token成本至关重要
AI和AI代理的日益普及导致组织成本过高，这主要是由Token使用量和必要的基础设施驱动的。虽然大型语言模型的每次使用成本已大幅下降，但企业支出却翻了三番，许多公司超出了其AI预算。为了管理这些不断上涨的费用，建议组织实施FinOps原则，就像他们管理云基础设施成本一样，重点是获得对AI支出和价值产生的细粒度可见性。
-
代理编码工具促使32%的组织选择内部构建软件
麦肯锡公司报告称，由于代理编码工具的成本效益，32%的组织选择自行构建软件解决方案，而不是购买。这种开发经济学上的转变正在改变企业传统的“自建还是外购”的考量。
-
生命科学技术转移瓶颈在于数据碎片化，而非流程
生命科学制造中的技术转移受到碎片化和不一致数据的阻碍，而非流程缺陷。公司花费大量时间在不同的开发、验证和制造系统之间查找、协调和验证信息。虽然流程改进能带来一些收益，但核心问题是组装完整且可信的产品数据集。人工智能通过实现互联知识管理，超越简单的内容生成，解决根本的数据问题，提供了潜在的解决方案。