麦肯锡的AI实战案例:将100年、10万+文档与访谈的知识资产汇聚成核心知识库，形成70%以上员工活跃应用的聊天机器人Lilli
麦肯锡公司（McKinsey）
麦肯锡公司是世界级领先的全球管理咨询公司，由美国芝加哥大学商学院教授詹姆斯·麦肯锡（James O’McKinsey）于1926年在美国创建 。自1926年成立以来，公司的使命就是帮助领先的企业机构实现显著、持久的经营业绩改善，打造能够吸引、培育和激励杰出人才的优秀组织机构。
麦肯锡采取“公司一体”的合作伙伴关系制度，在全球44个国家有80多个分公司，共拥有7000多名咨询顾问。麦肯锡大中华分公司包括北京、香港、上海与台北四家分公司, 共有40多位董事和250多位咨询顾问。在过去十年中，麦肯锡在大中华区完成了800多个项目，涉及公司整体与业务单元战略、企业金融、营销/销售与渠道、组织架构、制造/采购/供应链、技术、产品研发等领域。
麦肯锡的经验是：关键是找那些企业的领导们，他们能够认识到公司必须不断变革以适应环境变化，并且愿意接受外部的建议，这些建议在帮助他们决定作何种变革和怎样变革方面大有裨益。国外许多行业的公司很早就知道，他们不可能在所有他们涉及的领域都处于世界先进水平，因此没有必要拥有那些在偶然情况下才会用到的专家。
案例概述
麦肯锡于2023年首次推出一个名为Lilli的人工智能聊天机器人，该机器人接受了该公司100年来的全部知识产权和10万份文件的培训。
Lilli是麦肯锡开发的内部AI工具，基于生成式大语言模型技术，汇集了超过10万份内部文档、演示文稿和访谈记录，覆盖麦肯锡过往100年的咨询经验、行业洞察和解决方案。
Lilli以麦肯锡1945年首位女性专业人士Lillian Dombrowski命名，象征灵活、敏锐和博学。
目标是通过AI实现知识的高效检索和应用，帮助员工更快速、智能地响应客户需求，推动麦肯锡的数字化转型。
据Business Insider报道，麦肯锡员工将他们的请求输入到Lilli中，Lilli会汇总关键点，确定五到七个相关的内部内容，并将用户指向公司内合适的专家。用户可以选择由公司的内部知识库或外部来源回答查询。Lilli还可以解析公司大部分知识库所在的Powerpoint文件。
麦肯锡的顾问们使用聊天机器人进行研究、总结文档、分析数据和头脑风暴。麦肯锡表示，员工使用Lilli节省了30%的时间，内容质量和准确性提高了20%。莉莉每月已经回答了50万个问题。
Lilli并不是麦肯锡唯一使用的人工智能工具。它还有一个名为Tone of Voice的人工智能代理，可以修复公司报告中的写作，使其与公司的写作风格保持一致。
有趣的是，麦肯锡的顾问无法访问ChatGPT，可能是因为数据安全问题。因此，该公司似乎已经创建了自己的人工智能聊天机器人，帮助顾问为客户提供更好的建议。
案例成效：
Lilli自2023年秋季推出以来，展现了显著成效：
高采用率：截至2025年6月，约70%的麦肯锡员工（约45,000人中的31,500人）使用Lilli，平均每周使用17次，显示出极高的产品粘性，在企业工具中较为罕见。
效率提升：Lilli通过快速检索和生成定制化洞察，显著减少员工搜索内部知识库的时间。例如，员工可直接向Lilli提问复杂业务问题，获得基于麦肯锡知识库的精准回答，节省了传统翻阅文档的时间。
客户服务改进：Lilli帮助顾问快速生成针对客户需求的分析和建议，提升响应速度和方案质量，增强了客户体验。
推动数字化转型：Lilli标志着麦肯锡在咨询行业AI应用的领先地位，为行业树立了利用AI重塑业务的标杆。
知识库构建的步骤
麦肯锡Lilli的成功，知识库构建是核心，主要涉及到以下关键步骤：
数据整合：麦肯锡整合了超过10万份内部文档，包括咨询报告、行业分析、演示文稿和访谈记录。这些数据涵盖了公司近百年的知识积累，涉及多个行业和职能领域。
数据结构化与清洗：为确保AI能高效理解和检索，麦肯锡对文档进行了结构化处理，提取关键信息并消除冗余或敏感内容。数据敏感性是重点，麦肯锡确保知识库中的信息符合内部合规和隐私要求。
嵌入生成式AI技术：Lilli基于大语言模型（可能是定制化的专业小模型），通过自然语言处理（NLP）和语义搜索技术，将非结构化文档转化为可查询的知识库。员工可以通过自然语言提问，获得精准、上下文相关的回答。
本地化部署：为保护数据安全，麦肯锡倾向于边缘计算架构，确保敏感数据不出本地服务器，AI推理在内部基础设施上完成，降低对公共云的依赖。
Lilli的开发和应用过程中，麦肯锡解决了以下关键问题：
数据安全与隐私：麦肯锡的知识资产高度敏感，涉及客户机密信息。Lilli采用边缘计算和小模型架构，避免数据上云，满足企业数据安全的刚需。
专业性与通用性的平衡：通用大模型在企业场景下往往缺乏行业深度。Lilli通过定制化小模型，聚焦麦肯锡的咨询领域，确保回答的精准性和专业性。
用户接受度：企业工具的采用率往往受限于员工习惯。麦肯锡以用户为中心，从最初的4人开发团队扩展到150人，通过迭代设计和用户反馈优化Lilli的交互体验，确保其易用性和实用性。
成本与效率：依赖外部API调用大模型成本高且可能受限。麦肯锡通过自建AI基础设施，结合边缘计算，降低了长期运营成本，同时保证高频使用的稳定性。
相关启示
人工智能通常被视为提高效率的工具，但麦肯锡采取了不同的方法。他们没有将人工智能作为一项功能或事后补充，而是围绕它重建了整个商业模式。
1.人工智是核心基础设施，而不是补充
麦肯锡的人工智能方法不是试验技术或将其用于孤立的任务。相反，他们专注于将人工智能构建到运营的核心。
2.人工智能不是一个快速解决方案
虽然麦肯锡在Lilli的成功令人印象深刻，但它突显了企业的一个重要观点：人工智能不是一个快速解决方案。许多公司将人工智能视为一种附加解决方案，希望它能解决特定问题，而不满足他们更广泛的运营需求。
然而，要获得人工智能的全部好处，必须将其整合到业务的核心中。这需要付出巨大的努力、前期投资和组织运作方式的转变。
麦肯锡并没有简单地将人工智能作为一种工具。他们重建了整个知识工作方法。这种程度的转变需要时间，但结果是显而易见的。
将人工智能视为附加工具的企业将很难看到持续的成功。
3.AI将成为企业业务的新标准
麦肯锡与Lilli的成功证明了人工智能在改变商业运营方面的潜力。随着人工智能越来越融入日常运营，它将不再是奢侈品或趋势。这将成为标准。
对于高管来说，问题是如何将其整合到业务的核心中。人工智能必须不仅仅是一个附加工具。为了产生真正的影响，人工智能必须成为推动业务成果的支柱。
麦肯锡已经证明，当人工智能完全整合时，它会带来巨大的价值。在人工智能驱动的未来取得成功的企业将是那些围绕它重建基础设施的企业。
麦肯锡在Lilli开发中的经验为企业AI应用提供了宝贵启示：
以用户为中心的设计：Lilli的开发强调用户需求，通过持续迭代和反馈优化，确保工具贴合实际工作场景。
边缘计算与小模型的潜力：相比通用大模型，定制化小模型结合边缘计算更适合企业场景，能平衡成本、效率和安全。
数据安全优先：企业在构建AI工具时，需优先考虑数据隐私和合规性，尤其是涉及敏感知识资产时，本地化部署是关键。
长期投入与短期收益平衡：自建AI基础设施初期成本高，但随着使用规模扩大，长期成本效益显著。
行业定制化：AI工具需深度定制以匹配企业特定需求，通用模型难以满足专业场景的深度要求。
相关背景
麦肯锡的其他人工智能工具包括：
OptimusAI：提升重工业工厂绩效
生命科学AI：生命科学。AI提供了一个获得专利的AI工具包，为整个价值链中的制药、生物技术和医疗技术公司提供支持。
价值最大化工具：防止供应链中断发生
保险业人工智能：它提供可扩展的人工智能解决方案，帮助保险公司提高承保准确性，简化索赔处理，提高客户参与度。
Iguazio平台：帮助客户大规模推出生成式人工智能。（2023年收购）它正在得到回报…。
现在，麦肯锡40%的收入来自人工智能和技术咨询，为其2024年160亿美元的估计收入做出了贡献，仅次于埃森哲。
需要大量的AI技术人员参与。
据说在麦肯锡从事AI这部分事情的，从几个人到150人。2024年9月一篇关于数据和人工智能驱动企业路径的文章所指出的那样，目前有2500多名技术人员(45000人)组成了麦肯锡技术部门。
麦肯锡的人工智能革命导致工作岗位流失了吗？
自2023年以来（Lilli上线），麦肯锡削减了5000多个工作岗位，使员工人数从45000人增加到40000人。但这个裁员的部分原因是疫情后过度招聘，可能并非是人工智能的影响。
但麦肯锡坚称，这不是在取代人类，而是在重新定义角色。其全球管理合伙人Bob Sternfels告诉《华尔街日报》，“我们将继续招聘，但也将继续建立Agents。”
麦肯锡首席执行官鲍勃·斯特恩费尔斯在与《华尔街日报》的对话中表示：
- 必须以前所未有的速度学习
- 让人类和人工智能代理无缝协作。
- PPT制作和数据处理将是自动化的，但人的优势是领导力、说服力和驾驭办公室政治将是顾问最大的优势！
- 麦肯锡的愿景：每个顾问都有一个个人人工智能代理。
来源：案例由KMCenter整理
