价值
对于通讯行业，运营商有大量的结构化的客户数据，非常适合传统分析技术和AI分析技术 。AI分析技术还将用于各个行业的风险管理，如保险业更为精准的风险评估和保费设置，制药公司将AI算法用于降低临床试验风险，矿业公司预测生产中断风险，实现更有效的勘探、钻探和开采规划等。此外，AI还可创造新的产品和业务模式，如用于银行客户类型识别，可以有效改进的欺诈检测。
AI最大的价值机遇是供应链管理和制造业中营销和销售环节。对于公司而言，他们必须检查自己的部门组合，理解行业的价值驱动，寻找人工智能的布局机会，已确定合适的投资部署。
此外，零售与高科技等消费行业将出现更多AI营销和销售应用，这是由于更为频繁的数字交互，特别是对电商平台而言，基于AI分析实时制定促销、价格和产品动态，利用生成模型优化端到端的供应链等，将有效降低各项成本，提高运营效率，实现精准营销。
潜力
预测维护传统系统，已经能够对传感器时序数据，包括检测温度、振动状态等，进行分析，实现预测异常检测和预测维护（对组件的剩余使用寿命做出预测）了。但深度学习将这个功能带到了一个新的高度：可以对数据进行分层，从而分析海量的、高维度的，包括图像、音频等各种形式的传感器数据，一些原先不适用的低质量数据（来自廉价的麦克风和照相机）也能被用起来。
物流优化
以AI为导向的物流优化可以实时预测，降低成本，指导行为，提高燃油效率，减少交货时间。
客户管理
AI正在成为客户服务管理和个性化市场营销的重要工具。
呼叫中心将AI用于语音识别（不仅是语言内容，甚至是情绪语调）和呼叫路径规划，可以更有效的为客户提供更为无缝的体验；在销售领域（如亚马逊和Netflix），AI也成功的用于个性化的“下一个”产品推荐，大幅提高了销售转化率；在保险领域，汽车保险保费可以根据驾驶数据（驱动模式和距离）进行调整。
挑战
尽管人工智能前途远大，它依旧面临着诸多的挑战和限制。可以把困难归纳为五点：训练数据的标记常常需要人工手动，难以获取足够大且全面的训练数据集（特别影响医疗用例），模型透明度有待提高（直接影响汽车、医疗认证等领域的应用），学习缺乏可概括性（难以从一个应用迁移到另一个相似的应用），数据和算法中存在偏差的风险（更社会化的问题）。
此外，人工智能还存在恶意使用的问题，包括更为复杂的黑客攻击和高度个性化的政治虚假信息运动、欺骗性的视频等一些列安全威胁。
