HBR: 4 yếu tố chính giúp các công ty này tăng cường hiệu suất và tối ưu hóa đầu tư AI

- Nghiên cứu được thực hiện bởi MIT và McKinsey vào năm 2023 cho thấy khoảng cách giữa các công ty dẫn đầu và các công ty khác đã nới rộng; hiệu suất của nhóm hàng đầu gấp 3,8 lần nhóm dưới cùng.
- Giai đoạn hoàn vốn cho các khoản đầu tư AI hiện chỉ còn từ 6 đến 12 tháng, so với 18 đến 24 tháng ở các công ty kém hiệu quả.
- 4 yếu tố chính tạo sự khác biệt cho các công ty thành công gồm:
  1. Sponsorship từ cấp lãnh đạo: Hơn 75% công ty thành công có cấp lãnh đạo (CEO hoặc hội đồng) tham gia hỗ trợ các dự án AI.
  2. Mạng lưới đối tác: Các công ty tiên phong chuyển từ hợp tác với các viện nghiên cứu và startup sang các nhà tư vấn, nhà cung cấp và đối tác trong ngành, cho thấy AI đã trưởng thành và cần những cách tiếp cận thực tiễn.
  3. Tương tác giữa các phòng ban: Các công ty thành công thiết lập các trung tâm xuất sắc (CoE) giúp đảm bảo việc triển khai AI hiệu quả và giảm thiểu rủi ro.
  4. Quản lý dữ liệu: Các công ty hàng đầu đầu tư vào hệ thống để ghi lại và quản lý dữ liệu thiết bị một cách chính xác và khoa học.
- Các công ty như Titan Cement đã sử dụng dữ liệu từ hàng nghìn cảm biến để tối ưu hóa quy trình sản xuất, dẫn đến lợi nhuận 500%.
- Sự nổi lên của AI tạo sinh (GenAI) đã làm tăng khả năng thu thập và phân tích dữ liệu không có cấu trúc, giúp các công ty hợp lý hóa quy trình và giảm thiểu thời gian ngừng hoạt động.
- Nhân viên có thể thu thập thông tin từ kinh nghiệm thực tế, giúp cải thiện tốc độ và độ chính xác trong quy trình bảo trì, như Panasonic Energy đã thực hiện.

📌 Các công ty thành công với AI tập trung vào bốn yếu tố: lãnh đạo mạnh mẽ, mạng lưới đối tác đa dạng, tương tác hiệu quả giữa các phòng ban và quản lý dữ liệu xuất sắc. Kết quả là hiệu suất vượt trội và thời gian hoàn vốn ngắn.

https://hbr.org/2025/01/what-companies-succeeding-with-ai-do-differently

#HBR

Các công ty thành công với AI làm điều gì khác biệt
Tác giả: Bruce Lawler, Vijay D’Silva, và Vivek Arora
Ngày 09 tháng 1 năm 2025

Tóm tắt.
Năm 2021, các nhà nghiên cứu tại MIT và McKinsey đã hợp tác để khảo sát hơn 100 công ty về cách họ sử dụng AI trong hoạt động của mình và tìm hiểu những yếu tố giúp các công ty có hiệu năng cao nhất vượt trội so với phần còn lại. Họ đã thực hiện một cuộc khảo sát tương tự vào năm 2023 để xem điều gì đã thay đổi. Họ phát hiện khoảng cách giữa các công ty dẫn đầu và các công ty khác đã nới rộng; thời gian hoàn vốn cho các khoản đầu tư vào AI đã rút ngắn đáng kể; và các công ty dẫn đầu giỏi hơn trong việc xác định và triển khai các trường hợp sử dụng (use case) mang lại kết quả tích cực với rủi ro thấp hơn. Họ cũng xác định được 4 yếu tố giúp các công ty dẫn đầu nổi bật: 1) Nỗ lực của họ có sự tài trợ từ lãnh đạo cấp cao; 2) Mạng lưới hợp tác đã chuyển từ học thuật và các startup sang một hệ sinh thái trưởng thành hơn gồm các nhà tư vấn, nhà cung cấp và đối tác trong ngành, cho thấy AI đã đủ trưởng thành để các cách tiếp cận thực tế được đánh giá cao nhất; 3) Các công ty thành công có sự phối hợp mượt mà hơn giữa các bộ phận; và 4) Các công ty dẫn đầu có xu hướng ghi lại và quản lý dữ liệu thiết bị liên quan tốt hơn.

3 năm trước, khi khảo sát các công ty về cách họ sử dụng trí tuệ nhân tạo trong hoạt động, các công ty có hiệu năng cao nhất (những công ty dẫn đầu) nổi bật ở 5 lĩnh vực: quản trị, triển khai, hợp tác, nhân sự và khả năng tiếp cận dữ liệu. Kể từ đó, AI tạo sinh (gen AI) đã xuất hiện mạnh mẽ. Vì vậy, vào cuối năm 2023, chúng tôi đã thực hiện khảo sát lại, phỏng vấn hơn 100 công ty trong các ngành từ ô tô đến khai khoáng và tiến hành các cuộc phỏng vấn chuyên sâu với các giám đốc điều hành cấp cao.

Chúng tôi nhận thấy 3 phát triển đáng chú ý. Đầu tiên, khoảng cách giữa các công ty dẫn đầu và phần còn lại đã nới rộng. Các công ty dẫn đầu — được định nghĩa là top 25% số người trả lời khảo sát — hiện đang có mức hiệu năng cao gấp 3,8 lần so với nửa dưới của các công ty, tăng từ mức 2,7 lần vào năm 2021. Một lý do cho điều này là khi các công ty dẫn đầu xây dựng được những khả năng khác biệt, các khả năng này có tác động cộng hưởng theo thời gian, giúp gia tăng lợi thế về hiệu năng.

Thứ hai, thời gian hoàn vốn cho các khoản đầu tư liên quan đến AI đã rút ngắn — chỉ còn từ 6 đến 12 tháng đối với tất cả các công ty được khảo sát. Năm 2021, chỉ có các công ty dẫn đầu đạt được tác động trong khoảng thời gian này, trong khi các công ty tụt hậu thường mất từ 18 đến 24 tháng. Kinh nghiệm đã trở thành người thầy tốt. Các thực hành quản trị tốt hơn đã giúp các công ty xác định và triển khai những trường hợp sử dụng đầy triển vọng nhất. Các công ty hiện cũng có dữ liệu hoàn thiện hơn, dễ tiếp cận hơn và chất lượng cao hơn, cũng như một hệ sinh thái lớn hơn gồm các nhà cung cấp giải pháp phần mềm AI. Các nhà cung cấp này có thể cung cấp kết quả nhất quán với mức phí hàng tháng, giúp các công ty không phải thực hiện các khoản đầu tư tốn kém ban đầu. Và khi tiềm năng tạo ra giá trị của AI đã trở nên rõ ràng, các rào cản về triển khai và tổ chức, từng khiến chi phí tăng cao trong quá khứ, đã giảm đáng kể.

Thứ ba, mặc dù có một làn sóng sáng kiến AI, các công ty chiến thắng lại giỏi hơn trong việc xác định và triển khai những trường hợp sử dụng mang lại kết quả tích cực với rủi ro thấp.

Kết quả khảo sát của chúng tôi gợi ý rằng có 4 yếu tố nền tảng dẫn đến những phát triển này:

1. Ủng hộ từ lãnh đạo cấp cao
Trong khảo sát năm 2023, hơn ba phần tư các công ty dẫn đầu AI có sự ủng hộ từ cấp lãnh đạo C-level — phần lớn đến từ CEO hoặc hội đồng quản trị. Việc xác định lợi tức đầu tư (ROI) cho các sáng kiến AI rất khó khăn: Các khoản tiết kiệm có thể không xuất hiện ngay lập tức, và một số lợi ích, chẳng hạn như giải phóng thời gian của nhân viên để họ thực hiện các công việc tạo ra giá trị gia tăng hơn, là gián tiếp.

Cần có sự lãnh đạo để quyết định tiến hành mà không có kỳ vọng rõ ràng, đồng thời chỉ đạo nguồn lực vào các dự án có tiềm năng cao nhất. Ví dụ, sáng kiến học máy ban đầu của nhà sản xuất công nghiệp Cooper Standard đã thất bại khi một đối tác hợp tác không ăn ý. Nhưng một nhà tài trợ cấp cao đã tham gia để dẫn dắt nghiên cứu nội bộ, từ đó phát triển một quy trình điều khiển sản xuất tiên tiến dựa trên AI hiệu quả đến mức nó đã trở thành một doanh nghiệp phụ thành công.

2. Một mạng lưới đối tác
Các năng lực nội bộ là điều cần thiết; gần 90% các công ty dẫn đầu trong khảo sát năm 2023 cho biết họ sử dụng nguồn lực nội bộ để phát triển các giải pháp AI. Tuy nhiên, điều này thường không đủ: Hai phần ba các công ty dẫn đầu cũng hợp tác với các đối tác bên ngoài, thường để lấp đầy các khoảng trống về chuyên môn, đẩy nhanh tốc độ phát triển và rút ngắn thời gian hoàn vốn.

Điều khiến chúng tôi ngạc nhiên là loại hình hợp tác đã thay đổi đáng kể. Trong khảo sát năm 2021, các tổ chức học thuật và startup là đối tác phổ biến nhất; nhưng 2 năm sau, những người trả lời khảo sát lại nhắc đến một hệ sinh thái trưởng thành hơn, gồm các nhà tư vấn, nhà cung cấp và đối tác trong ngành. Điều này ngụ ý rằng AI đã đạt đến mức trưởng thành đủ để các cách tiếp cận thực tiễn được đánh giá cao nhất.

Ngoài ra, phạm vi và chiều sâu của sự hợp tác giữa các ngành là rất đáng chú ý, với các công ty dẫn đầu tham gia với các bên khác thông qua hội thảo, tạp chí chuyên ngành, và các cuộc họp trực tiếp, cho phép họ áp dụng các trường hợp sử dụng tương tự vào hoạt động của mình. Trước khi đầu tư lớn vào AI, ví dụ, công ty khai khoáng Freeport-McMoRan đã đến thăm các công ty trong các ngành khác, và áp dụng những gì học được từ cách các công ty dược phẩm sử dụng AI để lập bản đồ phân tử vào công việc của mình để lập bản đồ hợp chất hóa học.

Lập bản đồ hệ sinh thái đối tác AI. Biểu đồ này cho thấy các đối tác bên ngoài nào đã tham gia vào thành công của các sáng kiến AI tại các công ty dẫn đầu trong năm 2021 và 2023. Năm 2021, 83% công ty hợp tác với các tổ chức học thuật hoặc startup; con số này giảm xuống 50% vào năm 2023. Năm 2021, 75% công ty làm việc với các nhà tư vấn và nhà cung cấp, giảm xuống còn 72% cho cả hai vào năm 2023. Và cả năm 2021 và 2023, 67% công ty hợp tác với các đối tác trong ngành. Nguồn: MIT MIMO và McKinsey.

3. Giao tiếp giữa các bộ phận
Ở các công ty thành công, chúng tôi nhận thấy sự phối hợp mượt mà giữa IT và bộ phận vận hành. Một cách tiếp cận phổ biến là thành lập một “trung tâm xuất sắc” (center of excellence - CoE), một tổ chức nội bộ xuyên qua các silo, tập hợp các nhân viên có kỹ năng khoa học dữ liệu. CoE đảm bảo rằng các dự án AI được triển khai hiệu quả và mang lại giá trị, đồng thời giải quyết các vấn đề như an ninh mạng, lỗi dữ liệu và tuân thủ quy định. CoE thường xây dựng các quy trình tiêu chuẩn và duy trì nguồn nhân lực thông qua cả tuyển dụng và phát triển năng lực. Các CoE có thể tận dụng sự hợp tác lớn hơn, nhân tài, và sự đa dạng trong kinh nghiệm mà một nhóm lớn mang lại. Gần 6 trên 10 công ty dẫn đầu được khảo sát có CoE báo cáo trực tiếp ở cấp công ty hoặc đơn vị kinh doanh.

Trong một lần triển khai, CoE tại Target, một trong 10 nhà bán lẻ hàng đầu theo doanh thu toàn cầu, chỉ mất 6 tháng để phát triển một chatbot AI tạo sinh dùng trong cửa hàng. Vài tháng sau, chatbot này được triển khai tại gần 2.000 địa điểm bán lẻ của Target. Chatbot này giúp hàng nghìn trang hướng dẫn và tài liệu thực hành tốt nhất trở nên dễ dàng truy cập đối với nhân viên tại cửa hàng, giảm thời gian đào tạo, nhu cầu đối với các chuyên gia nội bộ, và có thể là cả tỷ lệ nghỉ việc.

Một cách tiếp cận thay thế là tạo ra các đội nhóm chuyên trách liên chức năng, bao gồm các nhà khoa học dữ liệu, chuyên gia vận hành, và kỹ sư trong một đơn vị kinh doanh. Đôi khi, các đội này được đặt chung vị trí tại các cơ sở sản xuất và được giao nhiệm vụ giải quyết các chủ đề ưu tiên cao cho đơn vị kinh doanh, nhưng có mức độ tiêu chuẩn hóa thấp hơn so với các bộ phận khác trong công ty.

4. Quản lý dữ liệu
Để sử dụng AI hiệu quả, các công ty cần dữ liệu chính xác, phù hợp và được tổ chức tốt. Tuy nhiên, thường xuyên xảy ra trường hợp các công ty không thu thập đúng thông tin cần thiết hoặc dữ liệu được thu thập lại không chính xác và được quản lý kém đến mức không thể sử dụng được.

Các công ty dẫn đầu mà chúng tôi đã nói chuyện đầu tư vào các hệ thống và quy trình để đảm bảo điều đó không xảy ra. Đầu tiên, họ có xu hướng ghi lại dữ liệu thiết bị liên quan nhiều hơn, chẳng hạn như các phép đo quá trình quan trọng đối với chất lượng, tốc độ sản xuất và thời gian ngừng hoạt động. Sau đó, họ quản lý dữ liệu một cách tỉ mỉ, thường là trên nền tảng đám mây, cho phép họ đưa ra các quyết định sáng suốt thúc đẩy hiệu quả và đổi mới.

Các công ty dẫn đầu về AI có xu hướng ghi lại và lưu trữ dữ liệu hiệu năng thiết bị tốt hơn. Các công ty này đầu tư vào hệ thống và quy trình để xác định và ghi lại dữ liệu từ nhiều thiết bị hơn, giúp họ đưa ra các quyết định tốt hơn. Biểu đồ cột này cho thấy sự khác biệt giữa các công ty dẫn đầu và các công ty tụt hậu (hoặc nửa dưới) trong số 100 công ty được khảo sát. 58% các công ty dẫn đầu về AI ghi và lưu trữ dữ liệu cảm biến hoặc dữ liệu từ internet vạn vật trên hơn 50% thiết bị của mình, so với chỉ 26% các công ty tụt hậu. 33% các công ty dẫn đầu ghi và lưu trữ dữ liệu này trên 10 đến 50% thiết bị của họ, trong khi 32% các công ty tụt hậu cũng làm như vậy. Nhưng chỉ 9% các công ty dẫn đầu ghi và lưu trữ dữ liệu trên dưới 10% thiết bị của họ, trong khi 42% các công ty tụt hậu chỉ ghi dữ liệu trên một lượng thiết bị tối thiểu. Nguồn: MIT MIMO và McKinsey.

Kết quả từ những nỗ lực này có thể rất đáng kể. Để quản lý dữ liệu của mình, Titan Cement, một công ty tại Brussels, đã tích hợp hàng nghìn cảm biến, đầu tư vào lưu trữ dữ liệu trên đám mây, kết nối tất cả các nhà máy của mình và thành lập một nhóm khoa học dữ liệu tập trung, được bảo vệ bằng hệ thống an ninh mạng tiên tiến. Bằng cách theo dõi việc sử dụng năng lượng và thông lượng sản xuất, Titan đã cải thiện cả hai đáng kể. Và bằng cách sử dụng dữ liệu được tổ chức tốt để phát triển các thuật toán độc đáo, Titan đã tối ưu hóa sản xuất, cải thiện độ tin cậy và hợp lý hóa logistics. Tổng cộng, những nỗ lực này mang lại ước tính ROI lên đến 500% cho Titan.

Với sự phát triển của AI tạo sinh, dữ liệu văn bản không có cấu trúc giờ đây có thể thúc đẩy cải tiến nhanh chóng và giúp lấp đầy khoảng trống kỹ năng mà nhiều công ty đang gặp phải. Ví dụ, Panasonic Energy North America đã sử dụng Nền tảng Trí tuệ Nhân tạo (Artificial Intelligence Platform) của Palantir để tạo ra một trợ lý bảo trì được huấn luyện trên 1 triệu phiếu bảo trì nhằm hỗ trợ 350 kỹ thuật viên bảo trì sản xuất 5,5 triệu pin mỗi ngày. Trợ lý này cung cấp các khuyến nghị sửa chữa chính xác cho các kỹ thuật viên tuyến đầu bằng cách tích hợp thông tin từ lịch sử phiếu bảo trì, hướng dẫn bảo trì, dữ liệu cảm biến của máy móc và kiến thức của các chuyên gia. Các kỹ thuật viên đóng góp và tinh chỉnh cơ sở kiến thức theo thời gian thực, giúp giảm thời gian ngừng máy, tăng thông lượng và rút ngắn thời gian đào tạo kỹ thuật viên mới.

Khai thác giá trị từ AI trong vận hành là một thách thức, và AI tạo sinh làm tăng thêm độ phức tạp. Nhưng phần thưởng là rất thực tế: Nghiên cứu của McKinsey cho thấy rằng, trong nhiều ngành khác nhau, các công ty dẫn đầu về AI mang lại lợi nhuận cổ đông cao hơn.

Với các giải pháp và công cụ phân tích ngày càng trưởng thành, AI đang trở nên dễ tiếp cận hơn. Ngay cả những người mới bắt đầu về kỹ thuật số và khoa học dữ liệu cũng có thể sử dụng các công cụ học máy, hạ thấp rào cản gia nhập. Do đó, việc bắt kịp trở thành một khả năng thực tế. Để làm điều này, các công ty tụt hậu nên tập trung vào 4 yếu tố này — về cơ bản, làm theo những gì các công ty dẫn đầu đã làm. Nếu không, họ có nguy cơ bị loại khỏi cuộc cạnh tranh hoàn toàn.

Lời cảm ơn từ các tác giả. Các tác giả muốn cảm ơn những người sau đây vì những đóng góp của họ: MIT Leaders for Global Operations: Giáo sư Duane S. Boning và Retsef Levi, và Nhà khoa học Nghiên cứu Ben Armstrong. Tại McKinsey: Kyle Danner, Arnav Dey, Pete Kimball, và Delphine Zurkiya. Các sinh viên MIT: Caeley Harihara, Rachael Harkavy, Ryan Kochert, Dave Lauzun, Carla Lorente, Max Malinowski và Will McNulty.

What Companies Succeeding with AI Do Differently
by Bruce Lawler, Vijay D’Silva, and Vivek Arora
January 09, 2025
Summary.   
In 2021, researchers at MIT and McKinsey teamed up to ask more than 100 companies how they were using AI in their operations and to learn what separated the highest-performing companies from the rest. They conducted a similar survey in 2023 to see what had changed. They found that the gap between leading companies and the rest had widened; that the payback-period for AI investments was much shorter; and that leading companies were better at identifying and implementing use cases that delivered positive outcomes with lower risk. They also identified four factors that set leading companies apart: 1) Their efforts had executive sponsorship; 2) That the network of partnerships had shifted away from academia and startups to a maturing ecosystem of consultants, vendors, and industry partners, suggesting AI had matured enough that practical approaches are most valued; 3) That successful companies had smoother cross-departmental collaboration; and 4) That leading companies were more likely to record and manage relevant equipment data.close
Three years ago, when we asked companies how they were using artificial intelligence in their operations, the highest-performing companies (the leaders), stood out in five areas: governance, deployment, partnerships, people, and data availability. Since then, generative AI (gen AI) has burst on the scene. So, in late 2023, we followed up, surveying more than 100 companies in sectors from automotive to mining and conducting in-depth interviews with senior executives.
We saw three notable developments. First, the gap between the leaders and the rest has widened. The leaders — defined as the top 25% of respondents — now see performance levels 3.8x that of the bottom half of companies, up from 2.7x in 2021. One reason for this is that as leaders build differentiated capabilities, these have a compounding effect over time, widening the performance advantage.
Second, the payback period for AI-related investments is much shorter — converging at just six to 12 months for all of the companies we surveyed. In 2021, only the leaders saw an impact in that timeframe, while the laggards took much longer, typically 18 to 24 months. Experience has been a successful teacher. Better governance practices have enabled companies to identify and implement the most promising use cases. Companies also now have more complete, more accessible, and higher-quality data, as well as a larger ecosystem of AI software solution providers. These can provide consistent results for a monthly fee, freeing companies from the need to make costly upfront investments. And as the value-creation potential of AI has become clear, there are fewer implementation and organizational barriers that in the past drove up costs.
Third, while there has been a tsunami of AI initiatives, the winners are better at identifying and implementing use cases that deliver positive outcomes with lower risk.
Our survey results suggested four factors underlying these developments:
1. Executive sponsorship
In our 2023 survey, more than three-quarters of AI leaders had C-level sponsorship — most of the time coming from the CEO or board. Determining the return on investment (ROI) for AI initiatives is difficult: The savings may not be immediate, and some of the benefits, such as freeing up employee time to perform more value-added work, are indirect.
It takes leadership to decide to move forward without clear expectations, while also directing resources to projects with the highest potential. For example, industrial manufacturer Cooper Standard’s initial machine-learning initiative fell short when a partnership didn’t click. But a senior-level champion stepped in to lead the in-house research that developed an AI-driven advanced process control manufacturing operation that worked so well it became a successful subsidiary business.

2. A network of partners
In-house capabilities are necessary; almost 90% of leaders in the 2023 survey reported using internal resources to develop AI solutions. But they’re often not sufficient: Two-thirds of leaders also had outside partners, typically to fill gaps in expertise and to accelerate development and payback.
What surprised us is that the kind of partnerships changed significantly. In our 2021 survey, academia and startups were the most common partners; two years later, respondents named a maturing ecosystem of consultants, vendors, and industry partners. The implication is that AI has matured enough that practical approaches are valued the most.
In addition, the extent and depth of cross-industry collaboration is notable, with leaders engaging with others through conferences, journals, and face-to-face meetings, allowing them to apply analogous use cases to their own operations. Before investing big in AI, for example, mining company Freeport-McMoRan visited companies in other industries, applying what it learned about how pharmaceutical companies use AI to map out molecules to its own work mapping chemical compounds.
Mapping the AI Partnership Ecosystem. This chart shows which external partners were involved in the success of AI initiatives at leading companies 2021 and 2023. In 2021, 83% of companies partnered with academic institutions or startups; those numbers fell to 50% in 2023. In 2021, 75% of companies worked with consultants and vendors, dropping to 72% for both in 2023. And in both 2021 and 2023, 67% of companies worked with industry partners. Source: MIT MIMO and MickKinsey.
See more HBR charts in Data & Visuals 
3. Cross-department communication
In successful companies, we saw smooth collaboration between IT and operations. One common approach is to create a “center of excellence” (CoE), a cross-silo internal organization staffed with employees with data-science skills. The CoE ensures that AI projects get implemented efficiently and deliver value, while also addressing issues such as cybersecurity, data error, and compliance. CoEs typically create standardized processes and keep the talent pipeline filled, through both hiring and capability-building. They can leverage the greater collaboration, talent, and diversity in experience that comes with a larger team. Almost six in 10 leaders surveyed have a CoE reporting at either the corporate or business-unit level.
In one implementation, a CoE at Target, a top 10 retailer by global revenue, took only six months to develop an in-store gen AI chatbot. A few months later, it was rolled out to their nearly 2,000 retail locations. The chatbot makes thousands of pages of best practices and manuals easily accessible to store employees, reducing training time, the demand for internal experts, and, perhaps, attrition.
An alternative approach is to create dedicated cross-functional teams of data scientists, operational gurus, and engineering expert within a business unit. Sometimes co-located at a production site, this group is given a mandate to address high-priority topics for the business unit, but with lower standardization with other parts of the company.

4. Data management
For companies to use AI well, they need accurate, pertinent, and well-organized data. Too often, though, they either don’t collect the right information, or it is so inaccurate and poorly managed that it isn’t useful.
The leaders we talked to invest in systems and processes to make sure that doesn’t happen. For a start, they are much more likely to record relevant equipment data, such as critical-to-quality process measurements, production rate, and downtime. Then they manage it meticulously, often in the cloud, allowing them to make informed decisions that drive efficiency and innovation.
AI Leaders Are More Likely to Capture and Store Equipment Performance Data. Companies that are AI leaders invest in systems and processes to identify and record relevant data from more equipment, helping them to make better decisions. This bar chart shows the difference between the leading companies and the laggards (or bottom half) of 100 companies surveyed. Fifty-eight percent of the AI leaders re-cord and store sensor or internet of things data on more than 50% of their equipment, compared to just 26% of laggards. Thirty-three percent of leading companies re-cord and store this data on 10 to 50% of their equipment, while 32% of laggards do. But only 9% of leading companies re-cord and store data on less than 10% of their equipment, while 42% of laggards re-cord and store this data on the minimum amount of equipment. Source: MIT MIMO and McKinsey.
See more HBR charts in Data & Visuals 
The results of such efforts can be substantial. To manage its data, Brussels-based Titan Cement integrated thousands of sensors, invested in cloud-based data storage, connected all its plants, and established a centralized data-science team, with sophisticated cybersecurity keeping everything secure. By tracking energy usage and production throughput, Titan improved both significantly. And by using its well-organized data to develop unique algorithms, it optimized production, improved reliability and streamlined logistics. All told, these efforts led to an estimated ROI of 500% for Titan.
With the rise of gen AI, unstructured text-based data can now drive rapid improvement and help fill the skills gap that many companies experience. For example, Panasonic Energy North America has used Palantir’s Artificial Intelligence Platform to create a maintenance assistant trained on 1 million tickets to assist 350 maintenance technicians in making 5.5 million batteries per day. The assistant delivers precise repair recommendations to front-line technicians by integrating insights from ticket history, maintenance manuals, machine telemetry, and captured expert knowledge. Technicians contribute to and refine the knowledge base in real-time, resulting in reduced machine downtime, greater throughput, and rapid onboarding of new technicians.
. . .
Capturing value from AI in operations is a challenge, and gen AI adds more complexity. But the rewards are real: McKinsey research has found that, across sectors, AI leaders deliver higher shareholder returns.
With more mature solutions and analytics tools, AI is increasingly accessible. Even digital and data science novices can now use machine learning tools, lowering the barriers to entry. Catching up, then, is a distinct possibility. To do so, the laggards would do well to focus on these four elements — essentially, to follow the leaders. If they don’t, they risk falling out of the competition altogether.
The authors would like to thank the following people for their contributions. MIT Leaders for Global Operations: Professors Duane S. Boning and Retsef Levi, and Research Scientist Ben Armstrong. At McKinsey: Kyle Danner, Arnav Dey, Pete Kimball, and Delphine Zurkiya.  MIT students: Caeley Harihara, Rachael Harkavy, Ryan Kochert, Dave Lauzun, Carla Lorente, Max Malinowski and Will McNulty.