2023生成式AI新機(jī)遇

生成式AI新機(jī)遇2023年秋季刊2023年秋季刊4分 塑008 GenAIGenAI技術(shù)和促進(jìn)品具有顯著未球各現(xiàn)分析的3GenAI生2.64.4040 AI式AI現(xiàn)述式AI工具在2023年的爆式長影包括GenAI的普遍AI域先人人及GenAI。060 CEOAICEO的GenAICEOGenAI084 AI50GenAIGenAIGenAI5分 產(chǎn)值104 AIGenAIMLOps分 式AI“新賽道”126 AIGenAIGenAI分 式AI的“道”與“術(shù)”146 GenAIGenAI“”GenAIGenAI。167 GenAIGenAI/2023年秋季刊2023年秋季刊6007 GenAIGenAI技術(shù)和促進(jìn)品具有顯著未球各現(xiàn)分析的3GenAI生2.64.4039 AI式AI現(xiàn)述式AI工具在2023年的爆式長影包括GenAI的普遍AI域先人人及GenAI。059 CEOAICEO的GenAICEOGenAI083 AI50GenAIGenAIGenAIGenAIGenAI球各值 7MichaelChui，AlexSingla，AlexSukharevsky，BryceHall和LareinaYeePAGEPAGE30GenAIGenAIPAGE29DeepMindAlphaGo在2016“超”GenAIGenAI“”rule-basedA“”discriminativeA“（generative-60年代到80發(fā)展處于初始推理和匹配規(guī)則來解決問題。使用這種方法的代表是專家系統(tǒng)，1970年代開發(fā)的MYCIN系統(tǒng)便是一例，它使用了大量規(guī)則來診1990AI2014GenAIGANGANGenAIAAAI相比，GenAI具有以下四大核心優(yōu)勢：傳統(tǒng)GenAIGenAIAI傳統(tǒng)AIGenAIGenAI傳統(tǒng)GenAIGenAI傳統(tǒng)AIGenAIGenAIGenAIGenAIAI”也GenAI20172022GenAI的GenAI2020GenAI8075%。GenAI在GenAI25.6GenAIGenAI用GenAI推GenAIGenAI圖1:GenAI的潛在影響可以通過兩個(gè)視角進(jìn)行評估視角160多個(gè)組織潛力影響1

視角2用例的成本影響全球勞動力執(zhí)行的約2,100項(xiàng)詳細(xì)工作活動的勞動生產(chǎn)用例的成本影響1.而不是假設(shè)任何特定市場的額外增長。資料來源：麥肯錫分析GenAI“”將GenAIGenAI63162.6GenAI850GenAI210””GenAI包6.17.9見圖2:人工智能技術(shù)對全球經(jīng)濟(jì)的潛在影響在7.25.6萬億美元之間，相當(dāng)于25的生產(chǎn)率增長人工智能對全球經(jīng)濟(jì)的潛在影響，萬億美元17.1-25.6~35-70%增量經(jīng)濟(jì)影響~15-40%增量經(jīng)濟(jì)影響2.6-4.46.1-7.9高達(dá)~35-70%增量經(jīng)濟(jì)影響~15-40%增量經(jīng)濟(jì)影響2.6-4.46.1-7.9人工智能對全球經(jīng)濟(jì)的潛在影響相當(dāng)于當(dāng)前全球經(jīng)濟(jì)的~25%GenAI的影響相當(dāng)于當(dāng)前全球經(jīng)濟(jì)的~8%數(shù)據(jù)和高級人工智能用新的GenAI總用例驅(qū)動通過GenAIAI總經(jīng)濟(jì)分析用例 例（不是 用例潛力提高所有員潛力GenAI）工生產(chǎn)力，包括在用深入關(guān)注資料來源：麥肯錫全球研究院例中GenAI產(chǎn)業(yè)自身也擁有巨大市場價(jià)值及發(fā)展?jié)摿enAI年GenAI40040%20321.31/10，20252,00060%。GenAI2023400家GenAIGenAI20222022“（Generative8OpenAIGenAIChatGPTChatGPTPlusGenAI7,6001.2的2,4004,600科技、銀行業(yè)和藥品及醫(yī)療產(chǎn)品行業(yè)位居前三，其中在高科技行業(yè)，GenAI所帶來的價(jià)值占行業(yè)收入的比例達(dá)4.8%~9.3%（見圖3）。圖3:GenAI用例在不同行業(yè)和部門中具有不同規(guī)模的影響GenAI在不同行業(yè)和部門中的產(chǎn)值1低影響 高影響營銷與客戶

產(chǎn)品與軟件

供應(yīng)鏈風(fēng)險(xiǎn)與戰(zhàn)略與公司

人才與占行業(yè)總收入

十億

760-

340-

230-

580-

280-

180-

120-

IT2 組織的比例美元

1,200470

420

1,200530

260

260 40-5060-90高科技4.8-9.3240-460銀行業(yè)2.8-4.7200-340藥品與醫(yī)療產(chǎn)品2.6-4.560-110通信2.3-3.760-100教育2.2-4.0120-230醫(yī)療1.8-3.2150-260保險(xiǎn)1.8-2.850-70媒體與娛樂1.5-2.660-110高端制造31.4-2.4170-290消費(fèi)品1.4-2.3160-270高端電子與半導(dǎo)體1.3-2.3100-170旅行、交通與物流1.2-2.0180-300零售41.2-1.9240-390地產(chǎn)1.0-1.7110-180能源1.0-1.6150-240行政與專業(yè)服務(wù)0.9-1.4150-250化學(xué)0.8-1.380-140建筑0.7-1.290-150基礎(chǔ)材料0.7-1.2120-200農(nóng)業(yè)0.6-1.040-70公共與社會部門0.5-0.970-1102,600-4,400注：由于四舍五入，數(shù)字之和可能不等于100%不包括實(shí)施成本（例如培訓(xùn)、許可證）不包括軟件工程包括航空航天、國防和汽車制造包括汽車零售資料來源：比較行業(yè)服務(wù)(CIS)、IHSMarkit；牛津經(jīng)濟(jì)雜志；麥肯錫公司和業(yè)務(wù)職能數(shù)據(jù)庫；麥肯錫制造和供應(yīng)鏈360；麥肯錫銷售導(dǎo)航；麥肯錫數(shù)據(jù)庫Ignite；麥肯錫分析按職能領(lǐng)域劃分的GenAI價(jià)值潛力GenAIGenAI75%（見圖4）。圖4:在少數(shù)職能中使用GenAI可以實(shí)現(xiàn)用例的大部分價(jià)值1占生成式AI每年總影響的~75%銷售營銷軟件工程（面向企業(yè)內(nèi)部）軟件工程（用于產(chǎn)品研發(fā)）客戶運(yùn)營產(chǎn)品與研發(fā)2供應(yīng)鏈制造銷售營銷軟件工程（面向企業(yè)內(nèi)部）軟件工程（用于產(chǎn)品研發(fā)）客戶運(yùn)營產(chǎn)品與研發(fā)2供應(yīng)鏈制造財(cái)務(wù)風(fēng)險(xiǎn)與合規(guī)人才和組織（包括人力資源）采購管理IT戰(zhàn)略定價(jià)合規(guī)400300200100 010 20 30 40占職能支出的百分比，%注意：用例價(jià)值按行業(yè)平均計(jì)算不含軟件工程IHSMarkit鏈360；麥肯錫銷售導(dǎo)航；Ignite，麥肯錫數(shù)據(jù)庫；麥肯錫分析GenAI客戶運(yùn)營GenAI5,000AI25%。GenAI本30%~45%GenAI對客戶運(yùn)營的影響自動化客服客戶與類似人類的聊天機(jī)器人進(jìn)行交互，該機(jī)器人對復(fù)雜的查詢提供即時(shí)、個(gè)性化的響應(yīng)，確保無論客戶語言或位置如何，都能獲得一致的品牌聲音輔助人工互動輔助人工互動人工客服使用人工智能開發(fā)的呼叫腳本，并在電話交談期間接收實(shí)時(shí)幫助和響應(yīng)建議，即時(shí)訪問相關(guān)客戶數(shù)據(jù)以進(jìn)行量身定制的實(shí)時(shí)信息傳遞摘要與建議生成人工客服將收到簡潔的對話摘要，用以記錄客戶投訴和所采取行動AI生成的自動化、個(gè)性化的見解，包括量身定制的后續(xù)消息或個(gè)性化的指導(dǎo)建議以下是GenAI在不同場景下的用例：營銷和銷售GenAI5%~15%和3%~5%GenAI如GenAGenAI對營銷和銷售的影響戰(zhàn)略制定銷售和營銷人員從非結(jié)構(gòu)化數(shù)據(jù)源（例如，社交媒體、新聞、研究報(bào)告、產(chǎn)品信息和客戶反饋）中收集市場趨勢和客戶信息，并起草營銷和銷售內(nèi)容購買決策購買決策客戶可以訪問全面的產(chǎn)品信息和動態(tài)建議，例如進(jìn)行“試穿”交易轉(zhuǎn)化由GenAI支持的虛擬銷售代表模擬人類品質(zhì)（例如同理心、個(gè)性化溝通和自然語言處理），以與客戶建立信任和融洽關(guān)系客戶留存更有可能通過定制的消息和獎勵來留存，他們可以與人工智能驅(qū)動的聊天機(jī)器人進(jìn)行交互，這些聊天機(jī)器人主動管理關(guān)系，減少人工客服需要處理的對話建立認(rèn)知客戶會看到根據(jù)其畫像量身定制的廣告系列GenAISEO產(chǎn)品研發(fā)GenAI10%~15%GenAIGenAIGenAIGenAI可以通過基于對類似產(chǎn)品數(shù)據(jù)的學(xué)習(xí)與分析，協(xié)助設(shè)計(jì)師更有效地選擇和使用材料，從而可降低包裝、物流和生產(chǎn)等成本。GenAIGenAI對產(chǎn)品研發(fā)的影響

早期研究分析研究人員使用GenAI來協(xié)助市場報(bào)告、產(chǎn)品或解決方案的起草虛擬設(shè)計(jì)虛擬設(shè)計(jì)研究人員使用GenAI生成基于提示的草稿和設(shè)計(jì)，使他們能夠使用更多設(shè)計(jì)選項(xiàng)快速迭代虛擬模擬如果與新的深度學(xué)習(xí)創(chuàng)成式設(shè)計(jì)技術(shù)相結(jié)合，研究人員可以加速和優(yōu)化虛擬仿真階段產(chǎn)品測試研究人員優(yōu)化測試用例以實(shí)現(xiàn)更高效的測試，從而減少物理構(gòu)建和測試所需的時(shí)間軟件工程GenAIGenAI20%~45%。MicrosoftGitHubCopilot56%2GenAIGenAIGenAIGenAIGenAI對軟件開發(fā)的影響啟動和規(guī)劃軟件工程師和產(chǎn)品經(jīng)理使用GenAI來協(xié)助分析、清理和標(biāo)記大量數(shù)據(jù)，例如用戶反饋、市場趨勢和現(xiàn)有系統(tǒng)日志系統(tǒng)設(shè)計(jì)系統(tǒng)設(shè)計(jì)工程師使用GenAI來創(chuàng)建多個(gè)IT架構(gòu)設(shè)計(jì)并迭代潛在的配置，從而加速系統(tǒng)設(shè)計(jì)并縮短上市時(shí)間代碼撰寫工程師可以借助AI進(jìn)行代碼編寫，通過協(xié)助生成草稿、快速查找錯誤及充當(dāng)易于導(dǎo)航的知識庫來縮短開發(fā)時(shí)間測試通過采用可以增強(qiáng)測試功能的算法來提升測試質(zhì)量，并可以自動生成測試用例和測試數(shù)據(jù)維護(hù)工程師使用有關(guān)系統(tǒng)日志、用戶反饋和性能數(shù)據(jù)的AI洞察來幫助診斷問題，提供修復(fù)建議，并預(yù)測其他高優(yōu)先級的改進(jìn)領(lǐng)域按行業(yè)劃分的GenAI價(jià)值潛力在我們分析的63個(gè)用例中，GenAI將在不同行業(yè)產(chǎn)生2.6萬億至4.4萬億美元的價(jià)值。業(yè)貢獻(xiàn)大約3,100GenAI可通過承擔(dān)客GenAI圖5:GenAI部署于部分行業(yè)的用例中時(shí)，可以提供巨大的價(jià)值職能性價(jià)值驅(qū)動因素關(guān)鍵用例的部分示例（非窮盡）該職能對行業(yè)的價(jià)值潛力高 低值潛力

價(jià)值潛力

軟件工程

其他職能銀行業(yè)

(3-5%)

舊代碼轉(zhuǎn)換

式語音響應(yīng)(IVR)解決率AI增強(qiáng)的IVR相互作用（

行業(yè)務(wù)并為A/B測試

風(fēng)險(xiǎn)模型文檔規(guī)更新信用卡丟失）

(1-2%)(3-5%)

消費(fèi)者研究強(qiáng)客戶定位研究和藥物發(fā)現(xiàn)白質(zhì)和分子

客戶支持風(fēng)險(xiǎn)通知

內(nèi)容文案編寫成內(nèi)容動的腳本

采購供應(yīng)商流程改進(jìn)準(zhǔn)備與供應(yīng)商的談判草案合約生成律文件草案資料來源：麥肯錫分析GenAI零售和消費(fèi)品行業(yè)GenAI創(chuàng)造4,000億至6,600GenAI可通過以下方式為零售和消費(fèi)品行業(yè)創(chuàng)造價(jià)值：GenAI在GenAIGenAIGenAIGenAIGenAIGenAI銀行業(yè)GenAI200034002.8%~4.7%銀行業(yè)的如下特征也為GenAI在銀行業(yè)大顯身手提供了舞臺：ITGenAIGenAI可通過以下方式為銀行業(yè)創(chuàng)造價(jià)值：GenAIGenAGPT-4GenAI工具可通過四大應(yīng)用加速代碼生成和軟件交付。生成式AI工具可以利用現(xiàn)有文檔和數(shù)據(jù)集簡化內(nèi)容生成。這些A/B生命科學(xué)行業(yè)6001,1002.6%~4.5%。GenAIGenAIGenAIGenAIGenAI大節(jié)省試驗(yàn)結(jié)果分析總結(jié)用時(shí)。GenAIGenAI25%20272023圖6:科技能力，科技可實(shí)現(xiàn)的人類表現(xiàn)水平職能性價(jià)值驅(qū)動因素關(guān)鍵用例的部分示例（非窮盡）AI發(fā)展后估計(jì)（2023年生成人AI（2017）

表示專家估計(jì)的范圍2010 2020 2030 2040 2050 2060 2070 2080多方協(xié)調(diào)創(chuàng)造力邏輯推理和解決問題自然語言生成自然語言理解表達(dá)和演講生成新穎的模式和類別感官認(rèn)知社交和情感表達(dá)社會和情感推理社會和情感感知資料來源：麥肯錫分析GenAI提高生產(chǎn)效率生成式AI50%60%~70%2040100%圖7:生成式人工智能的出現(xiàn)推動了技術(shù)自動化的潛力按不同預(yù)估劃分的技術(shù)自動化潛力，%2023100202390當(dāng)前工作80活動耗費(fèi)的時(shí)間7060502020 2030 2040 2050 2060激進(jìn)預(yù)估（結(jié)合GenAI） 估（結(jié)合GenAI） 激進(jìn)預(yù)估（2017） 保守預(yù)估（2017）資料來源：麥肯錫分析GenAI2.54.2GenAIGenAI行業(yè)值(萬億美元)總體價(jià)值(%營收)營銷與銷售客戶運(yùn)營產(chǎn)品與研發(fā)軟件工程供應(yīng)鏈運(yùn)營風(fēng)險(xiǎn)與法律戰(zhàn)略與財(cái)務(wù)人才與組織總體價(jià)值2.5-1.1%-（$萬億）4.212.0%影音娛樂~0.11.4%-2.6%實(shí)時(shí)供應(yīng)商風(fēng)險(xiǎn)評估軟件技術(shù)0.2-0.54.9%-9.3%編碼副駕駛候選人尖叫銀行和保險(xiǎn)0.4-0.61.8%-2.9%生成客戶反饋洞察產(chǎn)品生成和舊代碼更新自動化客戶服務(wù)職位描述起草零售0.4-0.71.2%-2%的銷售拓展醫(yī)療0.2-0.31.8%-3.2%持服務(wù)教育0.1-0.22.1%-4%生命科學(xué)0.2-0.9%-&農(nóng)業(yè)0.31.6%公共部門~0.10.6%-0.9%電信~0.12.2%-3.7%運(yùn)輸、物0.2-0.9%-流&旅游0.31.6%制造業(yè)0.4-0.60.9%-1.5%3D數(shù)字品設(shè)計(jì)3D數(shù)字品設(shè)計(jì)供應(yīng)鏈價(jià)格重新談判銷售合同創(chuàng)建者發(fā)票異常檢測器助手金屬&采礦0.1-0.20.7%-1.2%材料發(fā)現(xiàn)異常檢測能源與環(huán)境~0.20.6%-0.9%圖8：效率提升：GenAI將影響各個(gè)職能部門，對營銷、客戶運(yùn)營和工程的影響最大沖擊 低 高資料來源：麥肯錫分析推動產(chǎn)品創(chuàng)新圖8：效率提升：GenAI將影響各個(gè)職能部門，對營銷、客戶運(yùn)營和工程的影響最大沖擊 低 高資料來源：麥肯錫分析GenAIGenAIGenAIGenAI34圖9:GenAI可對協(xié)作和專識應(yīng)用類任務(wù)等早先自動化潛力較低的領(lǐng)域產(chǎn)生最大影響決策和協(xié)作應(yīng)用專業(yè)知識決策和協(xié)作應(yīng)用專業(yè)知識決策、規(guī)劃和創(chuàng)造58.524.549.0管理和培養(yǎng)人才15.5與利益相關(guān)方互動45.024.0數(shù)據(jù)管理90.5處理數(shù)據(jù)73.079.0收集數(shù)據(jù)68.0體力活

使用

不使用GenAI1在不可預(yù)知的環(huán)境46.0中進(jìn)行體力工作45.5在可預(yù)知的環(huán)境中73.0進(jìn)行體力工作72.5注：由于四舍五入，數(shù)字可能不能加總資料來源：麥肯錫全球研究院分析40%GenAIGenAIGenAIGenAI圖10:GenAI帶動的技術(shù)進(jìn)步將加速教育、科研、創(chuàng)意等職業(yè)轉(zhuǎn)型生成式AI對技術(shù)自動化潛力在重點(diǎn)場景的潛在影響，2023職業(yè)分類

考慮GenAI技術(shù)自動化潛力在中點(diǎn)場景的對比,%,2023

不考慮GenAI全球就業(yè)人口份額,%教育與培訓(xùn)教育與培訓(xùn)54154商業(yè)和法律專業(yè)人士62325科研專業(yè)人士57283社區(qū)服務(wù)65393創(chuàng)意與藝術(shù)53281行政支持87669管理44273醫(yī)療健康專業(yè)人士43292客服和銷售574510物業(yè)維修38294健康助手及技術(shù)人員43343生產(chǎn)工作827312食品78705交通服務(wù)49423機(jī)械安裝和維修農(nóng)業(yè)67616359421建筑總計(jì)534951763100注：由于四舍五入，數(shù)字可能不能加總包括來自47個(gè)國家的數(shù)據(jù)，約占全球就業(yè)人數(shù)的80%資料來源：麥肯錫全球研究院分析GenAIGenAIGenAI圖11:產(chǎn)品創(chuàng)新：我們預(yù)計(jì)軟件和技術(shù)以及媒體和娛樂領(lǐng)域的影響最大沖擊 低 高代碼總體輔助 數(shù)據(jù) 場價(jià)值編碼 生成 建自動化虛擬 任務(wù)助手 自動化客戶互動對話 超個(gè)界面 性化內(nèi)容生成多媒體產(chǎn)生產(chǎn) 設(shè)總體價(jià)值影音娛樂測試到圖像、視頻、音樂所有媒體個(gè)性化生成新內(nèi)容軟件技術(shù)開發(fā)人員工作效率生成整個(gè)網(wǎng)頁提高可用性完整的設(shè)計(jì)銀行業(yè)&保險(xiǎn)更新舊代碼匿名化KYC，客戶體驗(yàn)零售消費(fèi)品聚合器購物個(gè)性化營銷新設(shè)計(jì)健康從舊平臺遷移模擬臨床試驗(yàn)患者病史總結(jié)患者治療文檔虛擬私人醫(yī)生個(gè)性化治療教育代碼學(xué)習(xí)學(xué)習(xí)材料總結(jié)個(gè)人學(xué)習(xí)材料新的學(xué)習(xí)內(nèi)容生命科學(xué)&農(nóng)業(yè)合成健康數(shù)據(jù)藥物發(fā)現(xiàn)因、分子生成公共服務(wù)城市規(guī)劃和政策制定來自媒體和公眾反饋的見解案例管理，任務(wù)自動化市民信息助理學(xué)習(xí)與發(fā)展電信符合GDPR的客戶數(shù)據(jù)使用生成式角色扮演協(xié)議運(yùn)輸、物流&旅游駛模式需求預(yù)測制造業(yè)評估設(shè)計(jì)的影響設(shè)計(jì)協(xié)助金屬&礦業(yè)確定運(yùn)營瓶頸虛擬挖礦指南能源&環(huán)境基礎(chǔ)設(shè)施監(jiān)控?cái)?shù)據(jù)12.3.4.包括石油和天然氣、電力資料來源：麥肯錫分析GenAIGenAI改變行業(yè)競爭格局GenAIGenAIGenAI圖2:競爭變化：我們預(yù)計(jì)對轉(zhuǎn)換成本、專有內(nèi)容和成本優(yōu)勢的影響最大基因人工智能的影響壁壘強(qiáng)度競爭格局的變化主要競爭壁壘用戶高風(fēng)領(lǐng)域工作品牌監(jiān)管網(wǎng)絡(luò)險(xiǎn)環(huán)專業(yè)流集認(rèn)知專有復(fù)雜效應(yīng)境知識成度數(shù)據(jù)性總體價(jià)值低成去中 本壓 客介化 力 切總體價(jià)值媒體與娛樂定制媒體行業(yè)大模型媒體生成的商品化以內(nèi)容功能為主要重點(diǎn)軟件技術(shù)一站式服務(wù)對話式UI可實(shí)現(xiàn)成本效益載入和遷移速度降低銀行和保險(xiǎn)抵押貸款和保險(xiǎn)機(jī)器人商品化給價(jià)格帶來壓力零售消費(fèi)品易于創(chuàng)建產(chǎn)品行銷售醫(yī)療定制醫(yī)療行業(yè)大模型適應(yīng)當(dāng)?shù)胤梢蠼逃龔V義教育模型生命科學(xué)&農(nóng)業(yè)當(dāng)?shù)剞r(nóng)業(yè)模型政府計(jì)劃資格映射公共部門電信運(yùn)輸、物流和旅游制造業(yè)金屬&采礦能源&環(huán)境商品化產(chǎn)品 GenAIGenAI“”GenAIGenAIGenAIAIGenAIGenAIGenAIGenAI結(jié)語“數(shù)據(jù)來源于《中國AI數(shù)字商業(yè)展望2021~2025》，前瞻產(chǎn)業(yè)研究院整理。其GenAI應(yīng)用規(guī)模統(tǒng)計(jì)口徑為應(yīng)用GenAIGenAI滲透率，其規(guī)模的推導(dǎo)，綜合考慮了國家商務(wù)局，Gartner，第三方調(diào)研機(jī)構(gòu)，專家訪談等多個(gè)數(shù)據(jù)源。CihonTheimpactofAIondeveloperproductivity：EvidencefromGitHubCopilot（HowtobuildgeopoliticalresilienceamidafragmentingglobalMichaelHazanRogerRobertsSinglaKateSmajeAlexSukharevskyRodneyZemmel是麥肯錫全球資深董事合伙人，常駐紐約分公司。202320232023人發(fā)現(xiàn)式年 39MichaelChui，EricHazan，LareinaYee，BryceHall，AlexSingla和AlexanderSukharevsky2023年秋季刊2023年秋季刊PAGE8020232023PAGE49GenAI1/4GenAIGenAIGenAIGenAIAIGenAI1。GenAI2022GenAI2023年GenAIGenAIGenAI79%GenAI22%GenAIGenAIGenAI圖1:各地區(qū)、行業(yè)和資歷級別的受訪者表示，他們已經(jīng)在使用生成式人工智能工具。在工作中經(jīng)常使用按辦公地點(diǎn)亞太歐洲大中華區(qū)按辦公地點(diǎn)亞太歐洲大中華區(qū)北美4按行業(yè) 先進(jìn)制造業(yè)商業(yè)、法律和專業(yè)服務(wù)消費(fèi)品/零售189 10 149 106 2257 167 192018131613123634454638474119231514191521263363352404按職位按性別科技、媒體和電信企業(yè)領(lǐng)導(dǎo)高級管理層中級管理層1964年或更早出生出生于1965-1980出生于1981-1996男性女性14810767581219173793161416171822161513162021182416642423530371815191817111918234按年齡93637463343

至少嘗試過一次

沒有接觸過不知道能源和材料681550193金融服務(wù)8161841144健康、制藥和醫(yī)療產(chǎn)品6101744157備注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%164=515392；大中華區(qū)（包括香港和臺灣）337；發(fā)展中市場（包括印度、拉丁美洲、中東和北非）276。先進(jìn)制造業(yè)（包括汽車和裝配、航空航天和國防、先進(jìn)電子和半導(dǎo)體）9621512896；248130244。企業(yè)領(lǐng)導(dǎo)受訪人541437339。1964143；1965年-1980268；1981年-1996年出生的受訪者80。不是所有受訪者都=1025=156。調(diào)查樣本還包括選擇“非二元性別”或“其他”的受訪者，但數(shù)量不多，不具有統(tǒng)計(jì)意義。資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行1/3AI的60%GenAI40%GenAIGenAIAI3GenAI75%圖2生成式I工具最常見的用途是營銷和銷售、產(chǎn)品服務(wù)開發(fā)以及服務(wù)運(yùn)營。表示其組織在相應(yīng)職能中經(jīng)常使用GenAI的受訪者占比（%）1營銷與銷售產(chǎn)品和/或服務(wù)開發(fā)服務(wù)運(yùn)營風(fēng)險(xiǎn)戰(zhàn)略與資金管理HR供應(yīng)鏈管理制職能的GenAI常見用例，受訪者占比%營銷和銷售產(chǎn)品和/或服務(wù)開發(fā)服務(wù)運(yùn)營起草文本初稿識別客戶需求趨勢采用聊天機(jī)器人（如用于客戶服務(wù)）976個(gè)性化營銷起草技術(shù)文件預(yù)測服務(wù)趨勢或異常情況855總結(jié)文本文檔設(shè)計(jì)新產(chǎn)品起草文件初稿845調(diào)整，以代表所有受訪者。資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行麥肯錫評論AlexSingla全球資深董事合伙人，QuantumBlack，AIbyMcKinsey全球負(fù)責(zé)人GenAI6的GenAI“GenA”GenAI50%GenAIGenAI。GenAIGenAIGenAIGenAI3GenAI2GenAI的調(diào)查結(jié)果顯示，許多組織尚未著手解決來自GenAI的潛在風(fēng)險(xiǎn)GenAI的廣泛使用做好了充分準(zhǔn)21%GenAIGenAIGenAI32%51%麥肯錫評論AlexanderSukharevsky全球資深董事合伙人，QuantumBlack，AIbyMcKinsey全球負(fù)責(zé)人大家都知道GenAI20%AI相GenAI的GenAI圖3:不準(zhǔn)確、網(wǎng)絡(luò)安全和知識產(chǎn)權(quán)侵權(quán)是生成式AI應(yīng)用中最常被提及的風(fēng)險(xiǎn)。企業(yè)認(rèn)為重要且正在著手解決的生成式AI相關(guān)風(fēng)險(xiǎn)，受訪者占比（%）156325356325338462545283918392034133116291614411611510 218監(jiān)管合規(guī)可解釋性個(gè)人隱私取代人工公平公正組織聲譽(yù)國家安全人身安全環(huán)境影響政治穩(wěn)定1.僅對表示其所在企業(yè)已在至少一個(gè)職能采納AI均為913。1684名受訪者涵蓋組織各個(gè)層級，2023年4月日至21日進(jìn)行AIGenAI少20%GenAIGenAIGenAI圖4:來自人工智能高績效企業(yè)的受訪者將降本視為生成式AI首要目標(biāo)的比例較低。組織GenAI活動的首要目標(biāo)，受訪者占比（%）1AI領(lǐng)先公司的受訪者2

所有其他受訪者21123321123330272319降本創(chuàng)造新業(yè)務(wù)和增加核心業(yè)務(wù)收入

100%33通過嵌入AI功能或洞見，提升產(chǎn)品/服務(wù)價(jià)33值備注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%。僅對表示其所在企業(yè)已至少在一個(gè)職能采納AI技術(shù)的受訪者提問。表示其組織2022年至少有20%的息稅前利潤源自AI=45=712。資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行20%4GenAI圖5:模型和工具是領(lǐng)先企業(yè)面臨的最大AI挑戰(zhàn)，其他企業(yè)則更多被戰(zhàn)略難題所困。實(shí)現(xiàn)人工智能潛力價(jià)值的最大挑戰(zhàn)，在受訪者中占比（%）1

AI高績效企業(yè)受訪者2

所有其他受訪者2024技術(shù)人才模型和工具

22224181315216注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%。該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者。2022年至少有20%的息稅前利潤源自AI應(yīng)用的受訪者。AI高績效企業(yè)受訪者人=49=792。資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行BryceHall全球副董事合伙人6GenAIGenAIGenAIAIGenAI即“”“”調(diào)研結(jié)果進(jìn)一步驗(yàn)證了我們的結(jié)論：在諸如機(jī)器學(xué)習(xí)運(yùn)維35%19%AIMLOpsGenAI系12%能AIAI39%28%GenAI圖6:人工智能相關(guān)崗位招聘仍然很難，不過受訪者反映許多崗位的招聘難度在2022年后有所下降。表示其所在組織面臨人工智能相關(guān)崗位招聘難題的受訪者占比（%）1難度較低 難度較高0機(jī)器學(xué)習(xí)工程師數(shù)據(jù)科學(xué)家轉(zhuǎn)譯員產(chǎn)品負(fù)責(zé)人或經(jīng)理提示工程師軟件工程師數(shù)據(jù)工程師設(shè)計(jì)專家數(shù)據(jù)可視化專家

20 40

80 該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)、且過去122022年未詢問受訪者。資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行3AI20%20%GenAIGenAI5060%0圖7:受訪者預(yù)計(jì)人工智能將對企業(yè)的員工隊(duì)伍有重大影響對未來3年應(yīng)用人工智能技術(shù)對企業(yè)員工隊(duì)伍所產(chǎn)生影響的預(yù)期，受訪者占比（%）1員工數(shù)量變化 將重塑技能的員工占比不知道增加20%以上增加11%~20增加3%~10

不知道1232530812325308%4%18388變化很小或沒有變化變化幅度不超過2%）11-20%3%~10%減少20%

6-10%201782017810注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%1.僅對表示其所在企業(yè)已至少在一個(gè)職能采納AI技術(shù)的受訪者提問，受訪者人數(shù)=913資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行圖8:服務(wù)運(yùn)營是唯一一個(gè)大多數(shù)受訪者都認(rèn)為會因生成式AI而縮減規(guī)模的職能部門。未來3年生成式AI對員工數(shù)量的影響，按業(yè)務(wù)職能劃分，受訪者占比（%）1下降 變化很小或沒有變化增加 不知道30 35 2030 35 201531372012理融 282510393317124033121541301711453214954231210風(fēng)險(xiǎn)戰(zhàn)略與企業(yè)資金管營銷與銷售制造HR注：由于四舍五入，各項(xiàng)數(shù)據(jù)加總后不一定等于100%1.該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行AI330%AI3圖9:來自AI領(lǐng)先公司的受訪者所預(yù)計(jì)的企業(yè)重塑員工技能的力度大于其他公司。預(yù)計(jì)應(yīng)用人工智能后公司未來3年需要重塑技能的員工比例，受訪者占比（%）1來自AI領(lǐng)先公司的受訪者2

所有其他受訪者 9 不知道73217321381021-30% 9 10811-20%8該問題僅針對表明自己所在組織某一職能領(lǐng)域已采用人工智能技術(shù)的受訪者2022年至少有20%的息稅前利潤源自AI應(yīng)用的受訪者。來自AI領(lǐng)先企業(yè)的受訪=50863資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行麥肯錫評論LareinaYee麥肯錫全球資深董事合伙人；麥肯錫技術(shù)委員會主席GenAIGenAI技傳統(tǒng)AIGenAIAI技GenAIGenAI次顛覆性轉(zhuǎn)變，技術(shù)成了人人可用的強(qiáng)大工具。以GenAIGenAIGenAIGenAIGenAIGenAIGenAIAI1AI23%5%圖10:不足1/3的受訪者表示，所在企業(yè)已經(jīng)1個(gè)以上職能部門采用人工智能技術(shù)——該數(shù)字在2021年后幾乎沒有變化。受訪者所在組織應(yīng)用人工智能技術(shù)的業(yè)務(wù)部門數(shù)，受訪者占比（%）11個(gè)或以上職能部門

2個(gè)或以上職能部門

3個(gè)或以上職能部門

4個(gè)或以上職能部門

5個(gè)或以上職能部門56555056555027

17 14

9 6

4 2 320212022202120222021202220212022202120221.In2021,n=1843;in2022,n=1492;in2023,n=1684資料來源：麥肯錫全球人工智能調(diào)查的1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行麥肯錫評論MichaelChui麥肯錫全球研究院董事合伙人GenAIAI的GenAIAI55%2/3AI富”GenAI超過2/3的受訪者預(yù)測圖11:企業(yè)繼續(xù)在采用人工智能技術(shù)的職能部門看到長期效益。2022年AI技術(shù)應(yīng)用的降本成效，受訪者占比（%）1≥20%10-19%<10%人力資源4102640制造144155營銷與銷售4112641研發(fā)、產(chǎn)品或產(chǎn)品開發(fā)491831風(fēng)險(xiǎn)51326448127 519318127 519319334 1042282434戰(zhàn)略與企業(yè)資金管理供應(yīng)鏈管理所有職能的平均值2022年AI用例落地后營收增加，受訪者占比（%）2>10% 6-10% 34917人力資源 34917161634161634198381983825122425122416133516133514103314103316103216103223330233301863518635“成本上漲”、“無變化”、“不適用”或“不知道”的受訪者?！盃I收下降”、“無變化”、“不適用”或“不知道”的受訪者資料來源：麥肯錫全球人工智能調(diào)查，1684名受訪者涵蓋組織各個(gè)層級，2023年4月11日至21日進(jìn)行2/33本次研究相關(guān)信息本次研究相關(guān)信息本次調(diào)研于2023年2116841AI20%Theeconomicpotentialofgenerativenextproductivityfrontier年14日。MichaelBryceQuantumBlackAlexanderSukharevskyQuantumBlackShivaniGuptaAbhisekJenaBegumOrtaogluBarrSeitz麥肯錫公司2023年版權(quán)所有。式讀59生成式AI：CEO必讀指南Ie們MichaelRogerRobertsRodchenkoAlexSinglaAlexSukharevskyLareina和DelphineZurkiyaMckinseyDigital（McKinseyTechnology和QuantumBlack,AIbyMcKinsey2023年秋季刊2023年秋季刊PAGE60PAGE69ChatGPTBardClaudeMidjourneyAICEOChatGPT1AIAIAIiPhoneAIAIAI“窄”2105AIAIAIAIAI成式CEOAI的CEOAI更4AICEO生成式AI入門指南AI式圖1:生成式人工智能技術(shù)飛速演進(jìn)在ChatGPT推出后的幾個(gè)月里，主要大型語言模型（LLM）的發(fā)展時(shí)間線3月30日彭博宣布以金融數(shù)據(jù)訓(xùn)練3月30日彭博宣布以金融數(shù)據(jù)訓(xùn)練LLM，以支持金融行業(yè)的自然語言任務(wù)3月16日微軟宣布將GPT-4整合到其Offce365套件中，或有助于廣泛提升工作效率3月14日Anthropic推出Claude，一款使用名為“合憲人工智能”方法訓(xùn)練的人工智能助理，旨在減少有害輸出概率3月7日Salesforce發(fā)布EinsteinGPT（利用OpenAI的模型），這是第一款用于客戶關(guān)系管理的生成性AI技術(shù)3月13日OpenAI發(fā)布GPT-4，在準(zhǔn)確性和減少幻覺方面有明顯改進(jìn)，聲稱與GPT-3.5相比有40%的提升12月12日Cohere發(fā)布首款支持100多種語言的LLM，可在其企業(yè)人工智能平臺使用12月26日谷歌的Med-PaLM等LLM針對臨床知識等特定用例和領(lǐng)域接受訓(xùn)練2月27日微軟推出Kosmos-1，一款多模態(tài)LLM，除了自然語言外，還能對圖像和音頻提示做出回應(yīng)OpenAI的ChatGPT（由2020年GPT-3版本的改進(jìn)版GPT-3.5驅(qū)動）成為第一個(gè)被廣泛使用的文本生成產(chǎn)品，在2個(gè)月內(nèi)收獲了創(chuàng)紀(jì)錄的1億用戶量

2月2日亞馬遜的多模態(tài)-CoT模型包含了“思維鏈提示”，模型可解釋其推理，且在多個(gè)基準(zhǔn)上優(yōu)于GPT-3.52022 2023

2月24日作為一款較小的模型，Meta的LLaMA比其他一些模型更具使用效率，且與其他模型相比，在一些任務(wù)上持續(xù)表現(xiàn)良好2023

3月21日谷歌發(fā)布基于LaMDA系列LLM的人工智能聊天機(jī)器人Bard

4月13日亞馬遜發(fā)布Bedrock，這是第一款有完全管理的服務(wù)，除了亞馬遜自己的TitanLLMs，還可以通過API使用多個(gè)供應(yīng)商（例如Anthropic）的模型資料來源：麥肯錫分析不僅是聊天機(jī)器人AIAIChatGPTAI:分類AI工具AI編輯AIAI總結(jié)(Venndiagram)AI“”AIAI生成式AI與其他AI的不同之處AI和過往AI“”如AI“”AI術(shù)語表模AI是指軟件有能力執(zhí)行過去需要人類智能才能完成的任務(wù)。（deep“”（foundationmodel,GPT-4PaLMDALL·E2和StableDiffusionIGeAAAI（graphicsprocessingunits,“”（largelanguagemodel,token）GPT-4（ChatGPT和（machinelearning,MLOpsAI任（promptAI（structured（unstructured下一個(gè)單詞。這就是為什么ChatGPT能夠回答不同主題的問題、而DALL-E2和StableDiffusion能夠根據(jù)描述生成圖像?！啊盇I生成式AI生態(tài)系統(tǒng)正在興起A“大腦”MLOpsAnthropic和AI21圖2:支持生成式A系統(tǒng)的價(jià)值鏈正在迅速發(fā)展生成式AI價(jià)值鏈服務(wù)圍繞如何利用生成式AI（如，訓(xùn)練、反饋和強(qiáng)化學(xué)習(xí)）的專業(yè)知識而提供的服務(wù)應(yīng)用使用基礎(chǔ)模型的B2B或B2C產(chǎn)品，基本直接使用或根據(jù)特定用例進(jìn)行微調(diào)模型中心和MLOps管護(hù)、托管、微調(diào)或管理基礎(chǔ)模型的工具（例如，應(yīng)用程序和基礎(chǔ)模型之間的虛擬門面）基礎(chǔ)模型用于建立生成式AI應(yīng)用的核心模型云平臺提供計(jì)算機(jī)硬件訪問的平臺專用硬件為訓(xùn)練和運(yùn)行模型而優(yōu)化的加速器芯片（例如，圖形處理器GPU）資料來源：麥肯錫分析負(fù)責(zé)任地使用生成式負(fù)責(zé)任地使用生成式AIAI。1JimBoehmLizGrennanAlexSingla和KateSmaje2022“Wydigitaltrusttrulymatter”AIAIAI過”promptinjectioAIAI315。2AnanyaGaneshAndrewMcCallum和EmmaStrubell2019年yadysrpeagnP（Proceedingsofthe57thAnnualMeetingoftheAssociationforComputational將生成式AI應(yīng)用于工作CEOAI生成式AICEOCEOAI生成式AI4這圖3:生成式人工智能對組織的要求從低到高不等，具體取決于用例低 1 6 高用例技術(shù)路徑成本技術(shù)人才專有數(shù)據(jù)流程調(diào)整工作使用軟件即服務(wù)(SaaS)工具許多SaaS工1具提供固定費(fèi)率的訂閱服務(wù)，每名用戶每月10至30美元；一些產(chǎn)品則按使用情況定價(jià)不太需要技術(shù)人才——可能負(fù)責(zé)選擇合適的解決方案和輕度的整合工作有數(shù)據(jù)流程基本保1持不變，但工作人員應(yīng)系統(tǒng)地檢查模型結(jié)果的準(zhǔn)確性和適當(dāng)性API層需要前期投3資開發(fā)用戶界面、整合解決方案并建立后處理層API使用和軟件維護(hù)的持續(xù)成本需要軟件開發(fā)、產(chǎn)品管理和數(shù)據(jù)庫集成能力，工程師、設(shè)計(jì)師和前端開發(fā)人員有數(shù)據(jù)護(hù)機(jī)制，出于風(fēng)險(xiǎn)或成本考慮而限制使用作調(diào)數(shù)據(jù)清理和標(biāo)記以及模型微調(diào)導(dǎo)致人力資本成本增加，初始成本比基于API構(gòu)建高出約2倍模型維護(hù)和云計(jì)算的持續(xù)成本更高經(jīng)驗(yàn)豐富的3數(shù)據(jù)科學(xué)和工程團(tuán)隊(duì)，擁有機(jī)器學(xué)習(xí)運(yùn)營（MLOps）知識和資源，可以檢查或創(chuàng)建所需的標(biāo)簽數(shù)據(jù)需要專有、3帶標(biāo)簽的數(shù)據(jù)集以微調(diào)模型，盡管在某些情況下該數(shù)據(jù)及可能相對較小需設(shè)置流程4以管理分流、將問題上報(bào)人工處理以及對模型安全做定期評估發(fā)現(xiàn)前期人力資6本和技術(shù)基礎(chǔ)設(shè)施成本導(dǎo)致初始成本比基于API構(gòu)建高出約10-20倍模型維護(hù)和云計(jì)算的持續(xù)成本與上一條類似需要大型數(shù)據(jù)科學(xué)和工程團(tuán)隊(duì)，具基礎(chǔ)模型可3以通過大量公開數(shù)據(jù)訓(xùn)練，但長期的差異性優(yōu)勢來自于增加自有的標(biāo)記或未標(biāo)記數(shù)據(jù)（更易于收集）包括以上所4有流程，在對外部數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，需要開展徹底的法律審查，以防止發(fā)生知識產(chǎn)權(quán)問題資料來源：麥肯錫分析改變軟件工程工作AIAIAI達(dá)50%式AI1030幫助客戶經(jīng)理及時(shí)了解公共信息和數(shù)據(jù)通過APIAIAIAPI“幻”也稱“”AIAPIAI“”“拍”“”AI“”API或APIAPIMLOps加速藥物發(fā)現(xiàn)AIAPI20MLOps上述案例對CEO的關(guān)鍵啟示CEOAI。起步時(shí)需考慮的因素AI也跨職能部署生成式AIAIAI如AIAIAI統(tǒng)實(shí)現(xiàn)滿載的技術(shù)棧CEOAPIAIAIAI打造“燈塔”CEO在2023年20222020AICEOAI過“”“”AI“”“”AIAI平衡風(fēng)險(xiǎn)與價(jià)值創(chuàng)造4AIAIAI3AIAIAI并保CEOAIAIAI應(yīng)用生態(tài)系統(tǒng)方法建立合作伙伴關(guān)系并解決生成式AIAIAI技術(shù)迅速地為AI聚焦所需的人才和技能AISaaSAIAIAIAIAIAI2023年AI20222022年AI5MichaelRobertsRodchenkoLareinaSinglaAlexSukharevskyQuantumblackAIbyMcKinseyDelphineZurkiya是麥肯錫全球資深董事合伙人，常駐波士頓分公司。麥肯錫公司2023年版權(quán)所有。式和83生成式AI引發(fā)科技變革：CIO和CTO參考指南和MichaelChui，EricHazan，LareinaYee，BryceHall，AlexSingla和AlexanderSukharevskyPAGEPAGE100和PAGE89AIAI2.61CIO和CTOAIA”：AI“AI和回報(bào)。AI充分利用現(xiàn)有服務(wù)或改編生成式AIAI。AI和數(shù)據(jù)源的協(xié)作運(yùn)行方式。AIMLOps成式AI對不同職能的影響各異，需根據(jù)具體崗位及員工的熟練程度定制技能提升計(jì)劃。關(guān)鍵術(shù)語表生成式AI屬于人工智能技術(shù)，通過機(jī)器學(xué)習(xí)（ML）技術(shù)對大量PaLM和StableDiffusion便屬CohereCommand（Promptengineering）AI1、明確公司對生成式AI應(yīng)用的態(tài)度CIO和App和AIAICIO和CTOAICIO和“”CEOCFOAI和CTOAIAI10%，40%2。CIO和CTOAIAICIO和CTOFinAIAI3、重塑技術(shù)職能AICIO和CTO需AI初期工作可以集中在以下三個(gè)領(lǐng)域：AI45%至50%3AIAI8DevSecOps20%4CIO和AIIT和CTOITOpsAIAI4、充分利用現(xiàn)有服務(wù)或改編生成式AI開源模型AI“建”AICIO和CTO可將不同選項(xiàng)分為三種模式進(jìn)行思考：使用GitHubCopilAI式AIAI“”“找”圖1:每種模式都有對應(yīng)的成本，需要技術(shù)領(lǐng)導(dǎo)斟酌類型 示例用例 總擁有成本(估算)碼助手通用的客戶服僅具有提示工程和文本聊天~50200萬美元，一次性費(fèi)用──取用者(Taker)現(xiàn)成的編碼助手：~506人34個(gè)月通用的客服聊天機(jī)器人：~200萬美元用于在第三方模型API之上構(gòu)建插件層。費(fèi)用包括一個(gè)8人團(tuán)隊(duì)工作9個(gè)月?~50萬美元每年，重復(fù)性費(fèi)用──~201，000個(gè)用通用的客服聊天機(jī)器人：~20萬美元，假設(shè)每天1,000個(gè)客戶聊天和每次聊天10,000個(gè)代幣插件層維護(hù)：每年~20萬美元，假設(shè)開發(fā)成本的10%塑造者(Shaper)塑造者(Shaper)創(chuàng)造者(Maker)創(chuàng)造者(Maker)

~200萬到1000萬美元，一次性費(fèi)用，除非模型需進(jìn)一步微調(diào)數(shù)據(jù)和模型管道構(gòu)建：~50萬美元。成本包括5到6名機(jī)器學(xué)1620周，收集和標(biāo)記ETL1模型微調(diào)2：~10600萬美元3低成本情景：成本包括計(jì)算（例如算力），和2名數(shù)據(jù)2個(gè)月的成本高成本情景：基于公共閉源模型的計(jì)算和微調(diào)成本─插件層構(gòu)建：~100萬美元到300萬美元，成本包括一個(gè)6到8人的團(tuán)隊(duì)工作6到12個(gè)月~50萬美元每年