Emerj AI Research

寶潔數字化轉型總監Shaje Ganny在Emerj的AI in Business播客中討論了CPG企業如何透過以人為中心的運營原則負責任地擴充套件AI。他提出三大關鍵能力：以問題定義的AI運營模型、三利益相關方影響治理、以及高管層面的AI素養與問責設計。文章引用了MIT研究（95%的生成式AI試點未產生可衡量的財務影響）和McKinsey分析（全面部署AI可為100億美元的食品飲料企業創造8.1億至16億美元價值），同時強調消費者對AI的信任問題。

製藥公司因策略執行緩慢浪費數十億美元。AI可以透過即時訊號協調團隊、歸因真正驅動處方的因素、並將建議嵌入工作流程來縮小差距。

AI正在降低客戶服務成本，但也可能加速組織風險。斯坦福大學的研究顯示，通用AI聊天機器人在法律查詢中的幻覺率高達58%-82%。當AI無法解決問題時，品牌淨推薦值可能驟降70點。本文探討了企業如何在部署生成式AI時保持組織準備度，包括信任門檻、確定性AI基礎以及升級設計等關鍵洞察。

美國運通在2010年就開始將機器學習應用於欺詐檢測，如今已為幾乎所有員工提供AI工具，並在工程團隊中推廣AI輔助開發。其機器學習驅動的欺詐檢測系統每年監控超過1.2萬億美元的交易額，在毫秒內做出欺詐判定。公司正在探索70多個生成式AI用例，並透過Amex Ventures投資於信任與安全、企業效率和資料驅動體驗領域的初創公司。此外，運通還推出了代理商務（Agentic Commerce）開發工具包，為AI代理安全執行交易建立基礎設施。

本文探討了聯絡中心語音互動中的即時風險，包括AI驅動的欺詐、深度偽造和代理人流失。透過三部分系列訪談，Modulate和Thales集團的專家提出：必須在通話中檢測欺詐，使用專為音訊設計的AI架構，並建立工作流層面的治理機制。

護理文書已成為運營瓶頸，AI無法在不深入對齊工作流程和進行嚴格變革管理的情況下解決這一問題。護士現在花費高達41%的時間在電子健康記錄（EHR）上，系統綜述將EHR負擔直接與臨床倦怠聯絡起來。本文探討了AI如何透過環境文件、持續準確性調整和變革管理框架來減輕護理負擔。

從基於座位許可到混合及消費型AI定價的快速轉變，使得企業技術支出更加難以預測和控制。Adam Mansfield探討了新定價模式如何為買家帶來財務風險，以及為何在主要供應商談判中，清晰的預測、透明度和槓桿作用越來越難以實現。他強調了領導者現在必須採取的實際步驟——從審計當前使用情況、識別未充分利用的支出，到儘早與供應商接觸並利用更廣泛的市場環境。

企業AI專案常將設計視為最後一步，但HTEC首席產品與設計官Carsten Wierwille認為這是戰略性錯誤，導致許多AI工具技術可行卻無法改變實際工作方式。他探討了設計清晰度、認知設計等關鍵概念。

ServiceNow是一家美國企業軟體公司，總部位於加州聖克拉拉，全球員工超過29,000人。該公司大力投資AI和自動化，收購Passage AI、與NVIDIA合作、投入10億美元風投資金支援AI初創企業，並在加拿大投資1.1億加元推動公共部門AI應用。文章重點介紹兩個AI用例：利用生成式AI嵌入ITSM/CSM工作流，將解決記錄時間減少約80%；以及透過機器學習預測客戶升級，使主動參與率從11%提升至68%，誤報率僅約3%。

服務組織在複雜裝置行業因解析知識結構混亂而損失資金。本文探討了如何建立資料基礎以支援預測性維護，強調了構建解析基礎、AI就緒資料、因果對映和參考驗證解決方案的關鍵步驟。

製造業勞動力老齡化導致關鍵操作知識流失。本文探討如何利用生成式AI將專家經驗轉化為結構化數字工作指令，從而減少缺陷、提高產量，並確保知識傳承。

沃爾瑪企業服務高階副總裁David Glick討論了用即時迭代取代季度規劃、從整體式AI轉向聯邦式奈米代理，以及構建可擴充套件代理開發平臺的方法。

旅行者保險公司是美國最大的財產與意外險公司之一，在2023年實現總收入413.64億美元。該公司將人工智慧廣泛應用於核保、理賠和巨災分析。其AI驅動的理賠分類系統使用機器學習快速判定案件嚴重程度並自動分流，大幅縮短處理週期；AI增強的風險模型整合地理空間、氣象和歷史損失資料，提升核保精度。公司還與Anthropic合作，為近萬名員工部署Claude AI助手。自2016年以來，旅行者在技術上投資130億美元，費用率下降300個基點。

組織在採用AI時面臨挑戰：如何在推動增長和效率的同時不損害合規性或暴露敏感資料。本文討論了根據業務領域匹配AI風險偏好以及實施逐步資料分類的方法，基於TD銀行Naveen Kumar的見解。

勞埃德銀行集團作為英國最大金融服務集團之一，已將人工智慧作為核心戰略工具，從實驗性試點轉向規模化部署。集團於2024年任命前AWS資料與AI負責人Rohit Dhawan為集團AI與高階分析總監，成立集中式AI卓越中心。2025年，超過50個生成式AI解決方案投入生產，貢獻約5000萬英鎊價值，預計2026年AI相關價值將超過1億英鎊。技術基礎為Google Cloud Vertex AI平臺，支援300多名資料科學家和至少18個GenAI系統。本文重點介紹兩個內部AI用例：大型生成式AI用於前線知識檢索，以及即時機器學習用於簽帳金融卡欺詐檢測。

美國稅務系統面臨結構性失衡：K-1表格數量激增、監管披露要求擴大，而處理這些工作的專業人才卻不斷減少。文章探討了如何透過自動化工作流、數字化K-1資料和流程成熟度升級，從手動處理轉向直通式處理，以應對日益增長的稅務合規負擔。

AI正在透過跨臨床試驗階段的基於證據的決策來革新藥物開發。諾華公司的Shefali Kakar解釋了整合建模如何減少昂貴的後期失敗，並提供對患者特定藥物反應的更深入瞭解。

企業AI規模化面臨的核心挑戰是缺乏組織上下文。本文探討了透過專用上下文層為AI代理提供組織知識、系統意識和安全護欄，從而顯著提升任務準確率、降低令牌消耗並確保合規性。

配送和履約領導者面臨運營複雜性增加與績效期望上升的挑戰，而資料分散在多個系統導致可見性不足。本文探討了透過統一資料模型、合理排序AI投資以及衡量網路經濟而非部門績效來提升供應鏈效率的方法，並引用了Easy Metrics和Tyson Foods專家的見解。

生命科學企業面臨研發與製造加速而基礎設施滯後的困境。資料量激增，數字化專案失敗率高（約70%）。本文探討透過工作負載驅動的基礎設施部署、物件儲存作為AI資料層以及適應性架構來加速價值實現。引用阿斯利康全球雲與基礎設施負責人Robert Wenier的觀點。

西門子作為工業巨頭，在其工廠中大規模部署人工智慧，特別是在預測性維護和基於AI的視覺檢測方面。透過機器學習模型預測裝置故障，利用計算機視覺檢測電子製造中的微小缺陷，顯著降低了停機時間、提高了產品質量並節省了成本。

本文探討了人工智慧如何改變工業採購與供應鏈管理，從風險規避到動態評估，再到持續監控和自下而上的採用策略。

企業對其第三方網路中的風險缺乏可靠的可見性、控制和問責制，儘管在法律和運營上對此負有責任。本文探討了第三方風險管理如何從合規問題轉變為戰略企業風險，以及如何利用人工智慧實現規模化監控和自動化修復。