McKinsey 算了笔账:生成式 AI 一年值 2.6 到 4.4 万亿,可它真正动的是谁?

前段时间,McKinsey 放了一份 68 页的报告。

我读到那个数字的时候,愣了一下。

一年 2.6 到 4.4 万亿美元。

为了让你对这数字有点感觉:英国 2021 年一整年的 GDP,大概是 3.1 万亿美元。也就是说,光生成式 AI 这一项,每年可能往全球经济里多塞一个英国。

我当时第一反应:这数字会不会太乐观了?

读完才发现,McKinsey 不是拍脑袋。他们拆了 63 个具体用例,覆盖 16 个业务职能,再映射到 850 种职业、2100 多项「详细工作活动」上,一笔一笔算出来的。

这笔账,值得跟你捋一捋。

什么叫「台阶式跃升」?

先说清楚一件事:生成式 AI,跟我们过去十年喊的那个 AI,不是同一个东西。

过去你听到的「AI」,大多是判别式的——给它一堆数据,它帮你分类、预测、优化。它很强,但它只会算数。

生成式 AI 不一样。它能写、能画、能对话、能根据一段大白话生成代码。它把一件过去机器干不了的事干起来了:理解自然语言。

这件事为什么关键?

因为全世界有接近四分之一的工作活动,都需要中等以上的人类语言能力。你想想看,开会、写邮件、做客服、谈客户、查资料、带新人……这些活儿,过去机器是碰不到的。

现在,它能碰了。

McKinsey 把这一波叫「台阶式跃升」。台阶,不是斜坡。

75% 的钱,集中在四个地方

那这 2.6 到 4.4 万亿,到底会落在谁的口袋里?

McKinsey 给出的答案很反常识:它高度集中在四个职能上。客户运营、营销销售、软件工程、研发。

就这四个,加起来吃掉总价值的 75%。

为什么是这四个?

因为它们有一个共同点——天然是语言密集、创造密集的活儿。客服要说话、营销要写字、程序员要写代码、研发要写方案。生成式 AI 最擅长的,恰恰是这些。

给你一个具体例子。

有一家公司,5000 个客服。上了生成式 AI 之后,问题解决率每小时涨了 14%,每个问题处理时间缩短 9%,客服流失率和要求找主管的次数都掉了 25%。

更有意思的是后面这条:提升最大的是新手客服,顶尖客服几乎没涨,甚至偶尔下滑。

为什么?

因为 AI 在帮新手学到老员工的「说话技巧」。新手被拉到了老员工的水平,而老员工本身就在那,没东西可拉了。

你看,这跟过去自动化技术的逻辑完全不一样。过去机器替代的是重复的、低端的活,这次它是在「教」人。

这一次,打的是高薪的人

说到这儿,我得停一下。

过去几十年,所有自动化的故事都是同一个版本:机器吃了低技能工人的饭。 流水线工人、收银员、搬运工,学历越低、工资越低,越容易被替代。

生成式 AI 把这个故事翻了个面。

它最愿意动的,反而是高学历、高工资的知识工作者。

为什么?

因为它的核心能力是处理自然语言和专业知识。而这些,恰恰是律师、医生、分析师、教授、工程师、产品经理这些「脑力劳动者」每天干的事。

McKinsey 自己的数据:2017 年他们估「专业知识应用」这件事的自动化潜力是某个数字,2023 年重新算,这个潜力跳了 34 个百分点;「管理与培养人才」从 16% 跳到 49%。

翻译成人话:过去我们觉得机器永远干不了的「动脑子、带人」的活儿,现在它摸到门了。

这有点像什么呢?

过去自动化是「下扫堂腿」,扫的是站得低的人。生成式 AI 是「从天而降的掌」,压的是塔尖。

时间表,前移了十年

那这场变化什么时候发生?

McKinsey 给了一个时间窗口:今天的工作活动里,一半被自动化,会发生在 2030 到 2060 年之间,中点是 2045 年。

听起来挺远?

不,这个数字本身就是新闻。因为 McKinsey 在 2017 年的预测是:中点 2053 年。

整整提前了八年。

为什么会前移?因为他们重新测了一遍,发现一个事:技术达到「人类中位水平」的年份被大幅拉前了。比如自然语言理解,原来估 2027 年,现在一看,2023 年其实已经到了。

更关键的是,被自动化的工作时间总量,从原来估的「占一半」,跳到了「占 60% 到 70%」。

也就是说,今天的打工人,有六到七成的时间,理论上机器是能干的。

只是「理论上」。能不能真的干,得看另一件事。

红利不会自己兑现

McKinsey 算完那笔账,加了很重要的一句话。

大意是:生成式 AI 每年能给全球劳动生产率贡献 0.1 到 0.6 个百分点的增长。但要兑现,有一个前提。

那些被挤出来的人,必须能转到「至少跟 2022 年同等产出水平」的别的活儿上去。

这一句话,我觉得是整份报告里最值钱的一句。

为什么?

因为前面的万亿数字,只是「上界」。它默认所有人都被妥善安置了、所有技能都被重新培训了、所有岗位转换都顺利发生了。

但现实我们都知道,不是这样的。

一个做了十年客服的人,被 AI 拉平了优势,他下一份工作去哪?一个写文案的,被 AI 写出了 80 分的稿子,他要往哪里挪?一个程序员,代码起草被 Copilot 干了 56% 更快,他的价值该重新定义成什么?

这些问题,McKinsey 没有给答案。它只是把账算清楚了。

但账清楚之后,真正难的部分才刚开始。

四个行业,看看它怎么下手

抽象地说完,我给你举几个具体的行业切片,你就知道这玩意儿是怎么进业务的。

银行业。一年能多出 2000 到 3400 亿美元。怎么来的?银行是重监管、重知识、重客户对话的行业,这三点全踩在生成式 AI 的强项上。风险报告、法规跟踪、客户对接、内部知识库检索,都是它最擅长的事。Morgan Stanley 已经在用 GPT-4 给一万六千名财富顾问做「随叫随到的内部专家」,把海量研究报告秒级拎出来;有一家欧洲银行用类似系统专门啃 ESG 长文档,连图和表都能抠出来回答问题。

零售和消费品。4000 到 6600 亿美元。这块的杠杆在「个性化」。Stitch Fix 已经在试 DALL·E,让顾客描述颜色、面料、风格,AI 直接画出可能的款式,造型师再去库里找最像的实品。把过去「翻完整个货架」变成「说出我想要的」。

制药和医疗产品。600 到 1100 亿美元。这块最戏剧化。药企一般把收入的 20% 投进 R&D,一款新药平均要花 10 到 15 年。其中一步叫「先导化合物识别」,传统深度学习都要干好几个月,生成式 AI 把它压到几周。这背后是钱,更是命。

你看,这三个行业有一个共同点:它们的价值,都来自生成式 AI 干了「过去机器干不了的事」,而不是它干得更快。

加速不算革命,干新活才算。

几个你必须知道的风险

讲完好处,我得说反话。

McKinsey 在报告最后列了一份风险清单,我觉得每一个都该被记住。

第一,公平性。模型有偏见,因为训练数据有偏见。一个虚拟试衣应用可能会歪曲某些体型的展示效果。

第二,知识产权。训练数据从哪来?生出来的东西会不会撞别人的版权?这是现在诉讼最多的一块。

第三,隐私。用户输入的信息会不会被「学习」进模型,再吐给别人?

可解释性也得提一句。它给你一个答案,但为什么是这个答案?模型自己也讲不清。再往深还有可靠性:同一个问题,它能给你两个不同的答案,你信哪个?

安全也得想。黑客可以「提示词注入」,让模型听他的话而不是听你的。环境成本也是,训练一个大模型大概要排 315 吨二氧化碳。

这些不是吓唬你。落地之前必须想清楚。

一项技术能用多久,看的从来不是它能做什么,而是它不会出什么错。

回到那个数字

文章开头那个 2.6 到 4.4 万亿,我现在再读一遍,感受已经不一样了。

它不是一个「哎呦 AI 好厉害」的数字。

它是一个选择题:这万亿的红利,谁来分?被它冲击的人,谁来接?

McKinsey 在报告末尾写了句话,大意是:这份报告本身,完全是由人写成的。

我读到那句的时候笑了一下。它有点像在说,你看,我们还在写报告。但下一次,可能就不一定了。

生成式 AI 已经到了。剩下的,是我们怎么接住它。

红利给准备好的人,冲击给没准备的人。

这是技术革命一直不变的规矩。