人工智能如何为化学品带来新的可能性

它一直ChatGPT 和其他生成式人工智能 (gen AI) 工具推出已近两年，彻底改变了行业、企业和其他用户感知和消费人工智能的方式。当时，麦肯锡专家估计，新一代人工智能所释放的能力已帮助人类的表现水平平均提高了十年。¹生成式人工智能的经济潜力：下一个生产力前沿，麦肯锡，2023 年 6 月 14 日。

任何行业都受到新一代人工智能的影响，但采用水平差异很大。尤其是化学工业，仍然是谨慎的采用者。麦肯锡全球研究院 (MGI) 最近的一项调查估计，能源和材料（包括化学品）对新一代人工智能工具的使用率最低，为 14%，而跨行业平均水平为 23%。2^{2023 年人工智能的现状：生成式人工智能的突破年}，麦肯锡，2023 年 8 月 1 日。与此同时，化学公司拥有巨大的未开发潜力，可以利用生成技术带来的最新进展超越竞争对手。这种潜力源于该行业对科学数据创新的依赖、（通常是分散的）客户数据的可用性以及该行业细致入微且复杂的制造流程。

3^{超越炒作：新一代人工智能在能源和材料领域的新机遇}，麦肯锡，2024 年 2 月 5 日。简而言之，gen AI 为这些数据增添了智能和完整性，然后可用于为决策提供信息、加快流程并提高整体效率。总而言之，我们的估计显示，新一代人工智能在能源和材料领域的商业、研发、运营和支持功能中的应用可以创造 800 亿至 1400 亿美元的价值。

利用这项新技术并不容易。除非一定程度的数字化、技术能力和科学专业知识已经到位，否则许多用例无法实现。本文概述了当今最相关的机会领域，并为化工行业参与者开始采取具体行动提供了途径。

化学品和人工智能：概述

化学工业在全球经济中发挥着至关重要的作用，为大多数其他行业提供必需的材料。如今，化工公司面临的市场力量需要新的思维方式，包括寻找更新的材料来支持能源转型的未来创新需求。⁴净零材料转型：对全球供应链的影响，麦肯锡，2023 年 7 月 5 日。其他力量包括新客户和现有客户的增长重振、为增长和创新提供资金的制造和供应链的效率以及劳动力流动导致的人才和能力的严重流失。

“Gen AI”指的是能够处理各种非结构化数据（例如实验室笔记、技术规格表、科学文献和销售演示）以及结构化数据（例如客户数据）的应用程序。关系管理和交易数据）以帮助综合、建议和新内容生成。通过这种方式，gen AI 通过识别数据集中的模式来产生新的想法，特别是在涉及寻找新应用、获取客户以及分子或材料发现等复杂任务时。相比之下，更传统的分析型人工智能通常通过分析数据并根据结构化数据集和预定义规则进行预测来解决特定任务。

AI 和 gen AI 不是竞争技术；相反，它们可以互相补充。这两种技术的结合，在这里被称为“gen AI”，有可能改变化学工业的几乎所有方面，改变公司的运营方式，并可能释放数十亿美元的收入在价值上。尽管核心定价和预测模型可能继续基于传统人工智能，但生成技术使组织能够更快地准备数据，利用内部和外部资源，并支持可带来定价或预测见解的对话能力。

公司可能需要将数字化、技术能力和科学专业知识结合起来，然后才能利用人工智能的潜力，而且并非每个用例都适用。还必须考虑人工智能的潜在风险，包括响应的准确性、网络攻击的安全性、竞争敏感数据的保护、有偏见的输出以及知识产权侵权的风险。⁵超越炒作：新一代人工智能在能源和材料领域的新机遇，麦肯锡，2024 年 2 月 5 日。

化学品领域的人工智能机遇

化学工业的创新进展缓慢。相比之下，亚马逊 2022 年在技术和基础设施（其中主要组成部分是研发）上花费了 730 亿美元，⁶而整个美国化学工业花费了130亿美元。⁷这种缓慢的部分原因是结构性的，源于该行业的重资产性质、与软件或消费品相比更长的创新周期、加强的监管考虑以及分散的客户群（主要是由于 B2B 性质）供品）。然而，该行业也是新技术采用较晚的行业，并且随后在部署新技术以获取商业价值方面进展缓慢。

在化学工业中，gen AI 代表了一次重大飞跃，使新分子和营销设计等见解和创意流程的生成变得更容易获取和定制。这种技术的民主化可以帮助公司，特别是那些业绩低于平均水平的公司，显着改善其运营。

此外，新一代人工智能正在通过使用不同数据源生成假设的新方法来重塑竞争格局，通过系统支持增强个人创造力，并将隐性知识嵌入制度优势。这种演变降低了新参与者的进入壁垒，新参与者现在可以更有效地使用客户数据并不受传统限制地提供产品。此外，由于透明度的提高，客户可以轻松比较和选择供应商。这些转变表明，化学品未来的竞争优势将在很大程度上依赖于人工智能的战略使用。

尽管人工智能最初被视为一种生产力杠杆，但在过去的一年里，一些组织也发现了它的增长潜力，特别是在新客户识别和账户管理方面。以下 11 个用例涵盖了麦肯锡专家认为具有最大近期影响潜力的三个化学领域（图表 1）。

商业的

化学品的商业周期涵盖从客户识别到重复购买的发展（图表 2）。Gen AI 在整个化学商业周期中拥有各种用例，包括新应用、新客户获取、战略客户管理、销售执行（包括定价和客户流失管理）和销售支持。

新应用

潜在影响：将寻找新应用程序所需的时间从几个月缩短到几天

Gen AI 可以成为发现现有化学品新应用的强大工具。通过分析来自各种来源（包括专利、出版物和行业新闻）的大量外部和非结构化数据，gen AI 可以识别以前未考虑过的潜在新市场和应用。它还可以显着减少应用程序识别和开发业务案例所花费的时间。此外，gen AI 可以根据潜在的市场规模和增长来优先考虑这些机会，帮助企业将研发和营销工作集中在最有前景的领域。理想情况下，这个过程不仅会加快创新周期，还会通过扩展现有产品的效用来开辟新的收入来源。

获客

潜在影响：提高新客户增长率并保持收入增长 10% 至 20%

寻找可能是特定产品用户的新客户可能具有挑战性。许多公司采用结构化方法仅为最大的客户识别新客户，而对其余客户则采取被动的方法。但人工智能正在重塑组织发现和接触新客户群的方式。通过深入分析网络内容、科学文献、公司报告和市场更新等海量数据源，gen AI 可以揭示新的增长机会。这样做可以简化潜在客户生成流程，挑选出最有希望的参与和转化前景。Gen AI 还可以整合历史交易数据并从中学习，完善客户档案以实现精准定位。这可以实现营销和销售资源的更具战略性的部署，优化客户获取并促进可持续的业务增长。通过 gen AI 实现的精确定位还能够增强内部销售能力，并通过转化漏斗适当地吸引中低销量的客户，并在需要时在销售代表即将做出购买决定时将其返还给他们。

战略客户管理

潜在影响：开发渠道中的增量机会增加 20% 至 30%

许多组织都在努力将大客户管理实践转化为业务的真正增长动力。例如，他们经常以类似清单的方式进行大客户管理，通过研究历史趋势来识别未来的机会或通过被动地满足客户需求。

Gen AI 工具可以通过利用公开报告来帮助用户了解更广泛的业务背景和客户的战略，然后将其转化为对终端市场可能产生的影响。然后，这些见解可以转化为特定产品的机会。在更简单的应用中，gen AI 可以在内部查看客户细分信息以及全球商业团队正在寻求的机会，以建议特定客户经理可能没有考虑的新机会。

例如，一家大型化学公司最近研究了其产品的独特性能在特定终端市场应用中可能带来的机会。使用 gen AI，该公司不仅能够了解应用程序市场的结构，还能了解其可以与客户一起寻求的具体机会。结果，为商业团队创造了一个额外的、以前未探索过的机会。

销售执行（包括定价和客户流失管理）

潜在影响：与历史流失率相比，实时优化定价，以确保 2% 到 5% 的销售回报率，并将收入流失率降低 10% 到 20%

高级定价需要访问大量数据，例如付款条件、客户访问报告、客户扩展计划和购买模式。然而，这些数据往往碎片化且质量参差不齐，使得它们难以有效分析和使用。为了获得优势，企业可以使用 gen AI 来分析十多种定价输入（包括市场数据、竞争对手价格、过去十年的购买模式以及消费者行为）并制定动态定价策略。高级定价可通过以下三个杠杆实现：

• 全面的客户分析。分析大量数据并识别消费者行为的模式和趋势，使公司能够深入了解客户偏好、购买行为和价格敏感性。
• 实时定价调整。动态定价使企业能够快速响应市场波动并相应优化定价策略。例如，如果某种聚乙烯等级突然飙升，人工智能可以自动提高价格以实现利润最大化。
• 解锁相互依赖性。分析整个类别的轻微价格调整的影响可以提供更全面的视图，例如，显示一种产品的定价变化如何影响产品组合中其他产品的销售。

Gen AI 还可以通过分析财务报告、市场分析和交易数据等各种数据源来监控客户流失和客户保留风险。它可以发现市场和客户趋势，将其转化为客户流失的早期指标，并使企业能够主动应对客户流失风险。例如，传统的基于人工智能的预测流失模型可以通过外部数据来丰富，例如社交媒体评论或收益估计。通过评估这些见解，公司可以做出更好的决策以防止客户流失。最后，gen AI 可以加快对这些风险的响应时间，从而实现快速且有针对性的客户保留策略，包括针对已识别的客户流失驱动因素的个性化优惠和促销。

销售支持

潜在影响：高达 20% 的卖家产能被重新部署以实现增长

Gen AI 可以通过将复杂的客户数据整合到单一的、可操作的视图中来推动销售团队前进，从而实现更丰富的客户理解和更好的执行重点。它还可以帮助标准化跨区域的销售人员能力，例如，靠近总部的销售人员可以更轻松地使远程销售人员了解当前和新产品的最新情况。这个统一的系统可以全面了解客户需求，推动个性化参与和量身定制的销售方法。此外，Gen AI 聊天机器人的实时帮助可以提供对关键信息的即时访问（从竞争对手分析到多语言支持），帮助卖家及时适应和做出反应。其结果是简化的销售流程，不仅节省了更多的销售时间，而且还增强了整体销售体验。

例如，一家北美化学公司利用 gen AI 来解决执行商业卓越杠杆方面的挑战。公司领导发现销售团队成员对预期的商业行为缺乏了解，从而导致了严重的价值流失。该公司正在利用 gen AI 将对话界面集成到其客户关系管理系统中，该系统为销售代表提供有针对性的商业行动触发器，并使销售代表能够查询和理解商业行动的理由。尽管销售组织中的许多高绩效人员都擅长以自己直观的方式追求一些销售增强实践，但 gen AI 使组织能够显着提升低绩效人员。

研究与开发

如今，化学品的研发过程需要很长时间。新分子或材料的发现可能需要数年时间，并且从构思到大规模部署需要数千万美元的研究经费。然而，新一代人工智能工具有望通过更快的发现、新分子或材料识别、快速精确的配方以及有效利用内部和外部研发知识来提高创新的新陈代谢率，从而增强创新周期。

处于研发加速核心的基础模型具有更高的数据效率，并且可以强大地部署在闭环研究系统（CLRS）中，从而优化研究创新。因此，与传统人工智能相比，研发迭代次数和所需数据可以大幅减少（在某些情况下减少 90% 至 99%）。

考虑到所有这些，新兴的生成式人工智能方法已经证明了其在三个重点领域的价值：新分子或材料的发现、快速而精确的配方以及增强的知识提取。

新分子或材料的发现

潜在影响：通过发现新的可专利化学物质并针对最终状态产品特性进行优化，使材料或分子的发现速度加快两到三倍

化学物质的一些发现挑战需要大量时间。例如，新配方可以帮助优化成本或性能，新分子可以更具可持续性（例如不含全氟烷基物质和多氟烷基物质（PFA）的分子），并且可以改善材料的相关性能（例如热性能和水热性能）石化催化剂的稳定性）。

例如，北美的一家化学公司最近研究了配制新涂料的可能性解决其在终端市场应用之一中面临的挑战。借助 gen AI，该公司利用外部数据以及自己的专有研发数据挖掘了各种材料，并最终确定了可以提供所需功能的分子。这使得该公司能够从缓慢且昂贵的用户定制周期转变为快速定制周期，而成本却很低。

Gen AI 模型还可以深入研究大量公共数据（例如专利、出版物和拨款），并建议在实验室或最终状态过程中测试的化学物质或配方，与传统人工智能相比，用于训练或精细处理所需的数据要少得多-调整。然后将实验室实验或放大测试的结果反馈到模型中以进一步改进性能，从而产生发现飞轮。例如，Google DeepMind 已经预测了 220 万种新材料的结构，其中 700 多种已在实验室中创建，目前正在接受测试。⁸

快速、精确的配方

潜在影响：实现所需配方的速度加快 30% 以上，成本节省约 5%

实现客户所需的规格或目标功能配置文件需要多次迭代以及单个配方设计师的专业知识。在某些情况下，配方规格过高，这可能会增加成本。考虑到这一点，通常有两个价值创造杠杆：1）优化配方规格，使其对于给定应用“足够好”（最大限度地减少过度规格），2）推荐最低的配方规格成本制定（基于各种原材料的特性和比例）以满足所需的规格。

除了优化原材料成本之外，还有机会优化生产工艺（例如温度和加工时间），从而降低能源成本。然而，实现这一目标需要基础模型和大型语言模型 (LLM)，以便从现有数据库、专利、文献和其他来源中发现相关化学物质。这样做可以帮助发现用于优化性能或作为配方设计中的替代品以降低成本的化学品。

增强知识提取

潜在影响：文献的初始手动评估增加 30% 以上

在化学品领域，科学家经常花费大量时间从专利和科学文献等不同来源提取和总结信息，以更好地了解分子或材料特性和反应机制。这一过程是劳动密集型的，并且由于涉及的数据量巨大且多样化，容易出现不完整或不准确的信息。相比之下，gen AI 可以通过高效的数据管理极大地增强科学知识的提取（图表 3）。此外，还可以在简单的基于文本和对话的界面中搜索和查询集成的专有数据。

例如，一家欧洲化学公司部署了 gen AI，自动从连接的实验室仪器收集数据，并允许科学家在实验室的任何地方记录笔记。反过来，研究人员可以访问科学协议，任何偏差都会立即被突出显示。

研发中的 Gen AI 还可以促进科学家之间的沟通与协作，帮助他们分享最佳实践和经验教训。这本质上提供了实时反馈和建议，帮助科学家更快、更有效地适应新技术。它还使科学家能够更好地跟踪进展并衡量新技术的影响，为持续改进提供宝贵的见解。

运营

化学制造过程会产生大量结构化和非结构化数据，到目前为止，这些数据对于传统分析来说过于笨重。然而，借助人工智能驱动的模型，可以轻松处理这些数据，以提高预测性和高效维护、运营生产力和吞吐量以及供应链优化。

预测性和高效的维护

潜在影响：维护劳动生产率提高 30% 至 40%

化学品维护的一个重要方面是了解设备故障模式并制定平衡成本和风险的缓解策略。一些公司正在利用 gen AI 将其内部维护历史记录与公开数据相结合，即时创建或增强故障模式和影响分析 (FMEA)（图表 4）。

此外，人工智能图像识别和处理的最新进展可以帮助操作员识别异常情况并预测现场故障。反过来，这可以实现预防性维护并提高设备的正常运行时间。人工智能还可以通过摄取 OEM 手册、预先存在的工作计划、维护评估和零件目录来生成维护计划。例如，一家化工公司创建了一个用于加工设备维护的“维护虚拟专家”，它可以回答技术人员的问题、诊断问题并创建链接到工单的程序和工作指令系统，大幅提高技术人员的生产力和制造设备的正常运行时间。

运营生产力和吞吐量

潜在影响：产量和吞吐量提高 10% 以上

实时过程优化器已被部署来近乎实时地处理传感器数据，并帮助控制室操作员做出决策，以最大限度地提高产量、能源和吞吐量。通过分层生成人工智能，这些优化器可以快速准确地回答技术人员的询问并解释模型建议，从而提高操作员的信心和采用率。运营中另一个有用的人工智能应用是控制室副驾驶，它可以利用大量技术文档并提供实时故障排除建议。人工智能还可以建议更改生产计划，以最大限度地减少停机时间并最大限度地提高产量，并确定特定化学工艺的最佳温度、压力和流量。

供应链优化

潜在影响：将与客户服务相关的销售损失减少 65% 以上，并节省管理成本 50% 以上

快速洞察生成是人工智能如何与供应链员工对话、合成非结构化实时数据以识别根本原因和趋势、检测潜在干扰并针对异常情况提出补救措施的示例之一。人工智能工具还可以自动评估各种供应链场景，模拟潜在的网络场景，以优化库存水平和成本。

下一代跨职能编排是人工智能充当智能中介的另一种方式，连接规划系统和优化库，自动回答与库存回收和流程相关的问题，并促进与外部利益相关者的协调。虚拟助理可以帮助创建内部文档，例如流程描述和词典，以及为销售和运营规划准备文档。此外，人工智能还可以通过对订单交付、库存回收、新产品等相关问题提供即时响应来增强客户服务。然而，这需要为客户部署做出数据策略决策。

发挥潜力：如何从化学品领域的人工智能中获取价值

许多化学公司仍处于人工智能之旅的早期阶段，因此需要迅速采取行动以获取最大价值。技术就在那里，但解决方案不仅仅是技术。公司需要在利用技术的同时获取价值和管理变革。这意味着公司需要与业务中的关键参与者进行规划，以确保决策由人工智能洞察力推动，并以人工智能为核心构建定制解决方案，同时根据现实世界的反馈不断完善这些工具。

首先也是最重要的一点是，领导者必须明白人工智能不能成为一项次要的举措；这应该是重中之重。鉴于许多大型组织的保守性质，首席高管必须做出真正的承诺。其次，尽管组织必须迅速采取行动以抓住竞争优势，但尝试太多太快可能会出现问题。第三，组织必须超越试点水平，制定清晰的路线图，以充分发挥人工智能的潜力。

组织可以通过采取双管齐下的方法来开始人工智能之旅：1）从可以快速产生影响并在业务中激发活力的有针对性的机会开始，2）探索将从根本上改变业务的用例。通过采用这种方法，组织可以在战略上平衡快速获胜，以保持动力并支持变革，为企业应对未来的挑战和机遇做好准备。

也就是说，这些机会通常需要从第三方数据或内部“混乱”数据中获得见解，需要更深入地了解 IT 和数字基础设施，需要将有意义的下游流程重新设计嵌入到工作流程，并需要重大的变革管理来获取该计划的全部价值。

随着组织开发其用例，他们需要在以下维度进行全面转型，以释放人工智能的全部潜力：

• 制定战略路线图。将新一代人工智能战略与组织更广泛的技术目标保持一致。以获取价值并确保竞争优势的方式进行转型。
• 管理人才。通过有效管理和培养人才来解决人工智能技能差距。这确保了该组织在新一代人工智能能力方面保持领先地位。
• 优化运营模​​式。组织组织内的团队和结构，以有效地实施生成式人工智能战略。
• 建设技术基础设施。建立可扩展的技术堆栈和基础设施，以支持多种生成式人工智能用例和解决方案。
• 建立数据基础。创建一个强大的数据基础，支持在整个组织内扩展新一代人工智能。在人工智能创造价值方面，数据质量和数量的门槛相当低，这意味着人工智能创造的价值可以成为更好地捕获数据的驱动力。
• 实施变革管理。设计一个扩展计划，以实现人工智能功能的轻松重用和可扩展。提供有效的培训以支持技能建设和管理组织内的文化变革。此外，应对风险并促进负责任地使用人工智能。

从人工智能中受益最多的公司可能是拥有数十年商业、运营或研发数据的老牌公司，或者是寻求利用人工智能和外部数据来更快缩小与现有公司差距的新公司。

从汽车工业到制药业，从制造业到农业，化学工业在许多日常产品和流程中发挥着至关重要的作用。反过来，人工智能的应用和加速也会产生深远的影响。现在正是数字化、技术能力和科学专业知识相结合的最佳时机，使公司能够在所有职能部门应用人工智能。那些行动迅速的企业可能会在短期和长期看到巨大的价值，而那些犹豫不决的企业可能会落后。