新智元推薦
作者：MIT 斯隆管理評論
【新智元導讀】人工智慧顯然已經成為 2017 年最為火熱的話題之一， 越來越多的企業開始關注並探索人工智慧的相關實踐。
《麻省理工大學斯隆管理評論》(MIT Sloan Management Review) 是由知名高校麻省理工大學斯隆管理學院出版發行， 也是全球十大綜合管理類期刊之一， 世界頂級商學院專家進行研究的必備工具。
以下為報告部分內容：
概述：
企業的願景和現實之間存在著巨大的鴻溝。 報告顯示， 四分之三的管理者認為 AI 將會幫助公司進入新的商業領域， 將近 85% 的受訪者認為 AI 將會幫助公司獲得或保持競爭優勢。 然而， 目前僅有五分之一的企業已在產品或服務中採用 AI 相關技術。 20 家企業中僅有一家已大規模採用 AI，
我們的調查發現， 那些已經理解和採用 AI 的公司——先鋒企業， 與落後的企業之間有著巨大的鴻溝。 其中一個相當大的差異是資料獲取的方式。 AI 演算法不是生來就是 “智慧” 的， 它們只有通過不斷分析資料才會變得“聰明”。 雖然大多數公司管理層對 AI 非常感興趣， 已經建立起強大的資料架構， 但仍有很多公司缺乏資料分析的經驗或資料獲取的管道。 我們的報告揭示了人們對 AI 訓練所必需的資源方面的一些誤解。 先鋒企業不僅比落後企業在 AI 訓練所需要的資源方面有更深的理解，
關於該報告：
為瞭解 AI 相關的挑戰和機遇， MIT 斯隆管理學院和波士頓諮詢公司合作， 聯合完成了一年一度的調查報告， 受訪者來自全球逾 3000 名企業和組織的管理者、經理和分析專家。
該調查報告於 2017 年春季進行， 獲取了來自全球 112 個國家， 21 個行業， 各種規模的企業和組織管理人員對於 AI 的看法。 其中， 超過三分之二的受訪者來自美國之外的國家和地區， 樣本來源多樣， 包括《MIT 斯隆管理學院評論》的讀者和其他的團體。
此外， 我們還採訪了來自不同行業和學術界的管理人員作為補充， 以瞭解如今企業面對的實際問題， 他們的觀點豐富了對資料的理解。
在此報告中， 我們使用了牛津字典對“artificial intelligence”的定義：“AI 是指電腦系統能夠完成通常需要人類智慧才能完成的任務， 例如視覺感知、語音辨識、決策、語言翻譯。 ”然而， 隨著 AI 的發展， 人們對 AI 的理解和定義在不斷發正變化。
AI 在實際工作中
AI 對管理和組織實踐會產生影響。 現在已經有很多企業和組織使用不同的人工智慧模型， 但靈活性仍是所有模型的核心。 在一些管理者看來， 對於大公司， 完成應用人工智慧所需的文化變革將是一個艱巨的任務。
我們的受訪者比那些可能會因 AI 而失業的人對 AI 更為樂觀， 他們中的大多數管理者並不認為人工智慧會在未來五年內導致他們的公司大規模裁員。 相反， 他們希望人工智慧將代替人類完成一些無聊和讓人不愉快的任務。
Airbus（空中客車公司）是歐洲一家民航飛機製造公司，總部設於法國布拉尼亞克。隨著 Airbus 開始增加 A350 飛機（新產品）的產量時，該公司面臨著資金方面的挑戰。用 Matthew Evans（一家位於法國圖盧茲的數位化轉型公司的副總裁）的話來說：“我們的計畫是以前所未有的速度提高飛機的生產率。要做到這一點，我們需要解決快速回應生產中斷等常見故障問題。”
為此，Airbus 將目光轉向了人工智慧，以將過去的生產計畫資料與 A350 程式的持續輸入、模糊匹配，以及自主學習演算法結合起來，識別生產問題的模型。在某些領域，該系統幾乎可以即時地匹配之前採用的 70% 的生產中斷解決方案。Evans 描述了 AI 是如何讓整個 Airbus 生產線快速學習，並應對業務上的挑戰：
“系統所做的事情實質上是查看問題描述，並理解所有的上下文資訊，然後將其與問題本身的描述進行匹配，進而為用戶提出建議。雖然對系統來說這可能是新的問題，但其實可能在一周前的生產線，或在生產線不同的班次或部分遇到過類似的問題。這使得我們能夠將處理生產中斷所需的時間縮短三分之一以上。”Evans 表示。
採用人工智慧讓 Airbus 能夠更快速、更有效地解決業務問題（例如代替人力，對數百甚至數千個案例進行原因分析）。
正如 AI 提高了 Airbus 公司的業務處理速度和效率一樣，其他應用了 AI 的組織也開拓出更新、更好的處理常式，如 BP、Infosys、Wells、法戈和平安保險等大公司已經在使用 AI 解決重要業務問題。然而，仍有其他的組織尚未開始採用 AI。
各行業對 AI 的高期望
各個行業、各種規模和不同地域的公司對 AI 均抱有很高的期望。雖然目前大多數高管還沒有看到人工智慧的實質性影響，但他們顯然期望在未來五年可以看到。在所有的組織中，只有 14％的受訪者認為人工智慧目前在其組織產品中有很大（非常大或巨大）的影響。但是，63％受訪者表示希望在未來五年內可以看到效果。
圖 1：各行業對未來五年內 AI 將對企業產品產生影響的期望持續增長
圖 2：各行業對採用 AI 將對工作流程產生影響的預測
人工智慧將對公司產品產生影響，各個行業整體上期待值一直很高。（見圖 1）在技術、媒體和電信行業中，有 72％的受訪者預計，未來五年人工智慧會產生較大的影響，比報告中目前認為 AI 會對企業產生較大影響的受訪者數量高出 52%。然而，即使公共部門（對人工智慧效應總體預期最低的行業）也有 41％的受訪者預計，五年內人工智慧產生的巨大影響將比目前的水準提高 30%。不同規模和地區的組織均對 AI 持看漲的態度。
在組織內部，受訪者對人工智慧將對流程產生巨大影響也抱有同樣的高度期望。15％的受訪者表示人工智慧對當前流程有很大的影響，超過 59％的受訪者預計在五年內會出現較大的影響。 （見圖 2）大多數組織預計 AI 將對資訊技術、運營和製造、供應鏈管理，以及面向客戶的活動產生巨大的影響。（圖 3）例如：
資訊技術業：業務流程外包提供商是一個可以證明人工智慧潛力的例子。Infosys 公司 CEO 兼董事總經理 Vishal Sikka 1 表示：“Infosys 在 IT 服務業舉足輕重，這個行業在過去的 20 年左右發展迅猛。” 許多被轉移到低勞動力成本國家的工作是比較機械的工作：系統管理、IT 管理、商業運營、認證。隨著 AI 技術的發展，我們的系統可以代替人類完成這些工作。雖然我們還處於完成工作的初始階段，但是再過幾年，系統將可以完成大部分，甚至全部此類工作。然而，AI 技術可以完成目前存在的、分工明確的任務，同樣也可以創造不存在的、新的、具有突破性的工作。”
受影響最大的行業
圖 3：大多數企業預計 AI 將對 IT、運營和麵對消費者的行業產生巨大影響
運營和製造業：工業企業的高管預計，AI 將會對運營和製造業產生的影響將最大。例如，BP plc 通過人工智慧提高人的技能，以改善現場操作能力。Upstream Technology 全球負責人 Ahmed Hashmi 表示：“我們設有一個 BP 鑽井顧問的 AI“崗位”，它從鑽井系統中提取資料，為工程師提供調整鑽井最佳區域參數的建議，並提醒他們潛在的操作異常和風險。我們嘗試自動分析失敗的原因，並訓練系統進行快速評估，並根據描述進行預測。
面向客戶的業務：市值 1200 億美元的中國第二大保險公司——中國平安保險股份有限公司（中國第二大保險公司），正在通過人工智慧改善其保險和金融服務組合，為客戶提供更好的服務。例如，平安現在可以在三分鐘內提供線上貸款，這部分歸功於一個內部開發的基於人臉識別功能的客戶評分工具，它比人類的精准度更高。這個工具已經驗證了 3 億多人的面孔並用於各種用途，對平安的認知 AI 功能，包括語音和圖像識別進行了補充。
採用 AI 帶來的機會和風險
圖 4：80% 以上組織認為 AI 是戰略性機遇，將近 40% 將其視為戰略性風險
雖然高管對人工智慧的期望值高漲，但同時也認識到其潛在風險。Sikka 對 AI 持樂觀但又謹慎的態度：“從 1956 年起，縱觀 AI 的歷史，我們會發現 AI 的發展經歷過高峰，也經歷過低谷，現在我們正處於一個 AI 發展火爆的時代，一切都似乎預示著 AI 處於快速發展的時期。“超過 80％的受訪高管正瞄準這個高峰，把人工智慧看作一個戰略性的機遇。（見圖 4）事實上，50％的受訪者只看到人工智慧是一個機遇。而另一些人則看到了 AI 競爭加劇的潛力，以及將會帶來的風險和收益。另外，有 40％的管理者將人工智慧視為戰略性風險。而僅有 13％受訪者認為人工智慧既不是機會，也不也是風險。
人們對 AI 商業化的高期望值和興趣背後意味著什麼呢？我們沒有一個簡單的解釋。（見圖 5）大多數受訪者認為，人工智慧將使組織受益，例如帶來新業務或降低成本 ; 84％的人認為，Al 將讓他們的組織獲得或維持競爭優勢。四分之三的管理者認為，人工智慧將帶領他們進入新的業務領域。
同時，高管們意識到，他們的組織不可能是 AI 的唯一受益者。受訪者預計，新入局和已經進入的組織都同樣有獲益的可能性。四分之三的受訪者預計，新的競爭者將通過 AI 進入市場，而 69％的受訪者預計，目前的競爭對手將會在他們的業務中採用人工智慧。此外，他們意識到，他們的商業生態系統中供應商和客戶將越來越期望他們能夠使用 AI 提供服務。
AI 採用和理解上的差異
儘管人們對 AI 抱有很高的期望，但商業化應用開發還處於初級階段，即期望與行動之間存在著巨大的鴻溝。儘管五分之四的高管認同人工智慧是他們的一次戰略性機遇，但只有五分之一的組織已經在某些產品和流程中採用人工智慧。僅有二十分之一的企業在其產品或流程中廣泛地引入了人工智慧。（見圖 6）
採用 AI 的原因
圖 5：組織期望通過採用 AI 獲得競爭優勢，但競爭對手的加入使得競爭加劇
圖 6：目前，僅有四分之一的企業採用了 AI 技術
組織採用 AI 情況的差異性是很驚人的，特別是在同一行業。例如，旗下有 110 名資料科學家的中國平安已經推出了約 30 個 CEO 發起的人工智慧計畫，部分原因是為了回應 “技術是推動公司 2018 年快速增長關鍵動力的口號，“平安首席創新官 Jonathan Larsen 說道。然而，與保險行業的其他領域形成鮮明對比，其他大公司的人工智慧計畫僅限於” 聊天機器人產品的試驗。“這家大型保險公司的高管如此描述其公司的 AI 項目。
另外，報告顯示，企業對於 AI 的理解也是大相徑庭。例如，16% 的受訪者一致認為公司理解開發 AI 相關產品和服務產生的成本。然而，17% 的受訪者表示其所在組織並不理解相關成本的產生。相似地，19% 的受訪者認為所在企業理解訓練 AI 所需的資料投入，16% 則不同意這一觀點。
根據對 AI 的理解和採用程度，企業的成熟度可以分為四種類型：先鋒、研究者、實驗者和消極者。
先鋒（19％）：瞭解並採用 AI 的組織。這些組織在將 AI 融入其組織產品和內部流程方面處於領先地位。
研究者（32％）：瞭解人工智慧，但僅限於試驗 AI 階段的組織。這些組織對 AI 具有前瞻性的理解。
實驗者（13％）：試點採用人工智慧，但對其缺乏深入瞭解的組織。這些組織在實踐中學習 AI。
消極者（36％）：沒有採用或不瞭解 AI 的組織。
既然組織對 AI 的期望如此之高，那麼是什麼在阻礙企業採用 AI 呢？即使在一向具有整合新技術和管理資料理念的行業中，推廣人工智慧的障礙也很難克服。例如，在金融服務方面，瑞銀集團（UBS）首席投資官西蒙 · 斯邁爾斯（Simon Smiles）就這樣說道：“大型金融機構在業務中更積極地利用技術（包括人工智慧）和資料，為終端使用者提供更好的客戶體驗的潛力是巨大的。但問題在於，這些傳統機構是否真的能夠抓住機遇。“抓住人工智慧帶來的機遇需要組織的承諾，並跨越許多伴隨著人工智慧而來的不可避免的挑戰。
然而，導致這些差異的原因較少涉及技術限制，而更多的是商業。總體而言，受訪者將競爭投資重點和不清晰的商業案例列為部署 AI 的更大的障礙，排在技術障礙之前。Airbus 的 Evans 指出了關鍵性的區別所在：“嚴格來說，我們不投資人工智慧、自然語言處理和圖像分析。相反地，我們投資是因為要解決具體的業務問題。“Airbus 採用人工智慧，是因為它能解決業務問題 ; 向人工智慧投資比向其他方向投資更有意義。
瑞銀集團的 Smiles 稱，組織要面臨的困難其實不一而同。對於大公司和金融科技創業公司，他說道：“它們之間存在著巨大的差異，前者的規模讓他們足以開發比較大的平臺，而後者雖然有更先進的模式，但是缺乏客戶和相關資料來充分利用這個機會。“這樣的差異導致不同組織人工智慧採用率上的差異。
圖 7：先鋒企業採用 AI，而消極者企業人不理解 AI
採用 AI 的障礙
這些組織分為不同的類型表明他們採用 AI 所面臨的障礙不同，進而影響了 AI 的採用率。（見圖 6）先鋒組織已經克服了理解上問題：這些公司中有四分之三已經有了 AI 實踐的商業案例。領導組織 AI 計畫的高級管理人員面臨的最大障礙，是如何挖掘 AI 人才，並獲得優先投資，他們也更容易接受人工智慧所帶來的安全問題。相比之下，被動者型組織還沒有認識到 AI 能為他們做什麼，也並未確定符合他們投資標準的商業實踐案例。缺乏 AI 計畫上的領導，技術也是一個障礙，甚至許多人還未意識到他們在挖掘人工智慧人才和專家上將面臨的困難。
不同類型的組織在對 AI 的理解上業存在著巨大差異。
商業潛力：人工智慧可能會改變組織創造商業價值的方式。報告顯示，先鋒（91％）和研究者（90％）比實驗者（32％）和消極者（23％）組織更能意識到 AI 對商業的影響。Airbus 的 Evans 表示：“我們只是在嘗試解決飛機產品的服務問題。“
工作場所的影響：現如今，在工作場所把人類和機器的能力結合起來是需首要解決的問題。人工智慧在很大程度上改變了日常的工作環境。先鋒和研究者組織能夠更好地意識到，工作場所中的機器將改變組織內的行為。麻省理工學院航空學副教授 Julie Shah 說道：“即使你可以開發一個針對某項任務（目前由人類完成）的系統，但除非流程中完全不需要人類工作，否則就會有新的問題產生，因為人類在協調工作，以及協助 AI 系統之間進行交流必不可少。這樣的交流問題仍然是我們亟待解決的難題。
行業環境
企業是在行業規則和環境下運行的；實驗者和消極者的受訪者並未感受到 AI 將會對行業生態產生多大的影響。
資料、訓練和演算法需求
圖 8：不同類型組織對 AI 相關技術和商業環境的理解程度不同
也許四種類型的組織最大的區別，在於它們對資料和 AI 演算法之間獨立性的理解存在的偏差。先鋒對訓練演算法過程、AI 產品服務開發成本、訓練演算法所需資料的瞭解程度分別是消極者組織的 12 倍、10 倍和 8 倍。（見圖 8）
參與調查的大多數組織都對他們的資料進行 AI 演算法訓練的必要性瞭解不深，以解決類似于 Airbus 在應用 AI 的過程中所遇到的問題。不到一半的受訪者表示，他們的組織理解訓練演算法的過程和演算法的資料需求。
AI 產生業務價值，與 AI 演算法的有效訓練直接相關。許多現有的 AI 應用程式都是從一個或多個 “裸” 演算法開始，只有經過訓練（主要是公司特有的資料）才會變得智慧化。成功的訓練取決於完善的資訊系統，可將相關培訓資料匯總在一起。許多先鋒組織已經擁有強大的資料和分析基礎設施，同時對開發人工智慧演算法資料所需要的知識有廣泛的理解。相比之下，研究者和實驗者組織卻因為他們幾乎沒有分析經驗，空有一座 “資料孤島” 而備受困擾。超過一半的先鋒組織對資料和訓練進行了大量投資，但其他類型的組織在這方面的投資卻甚少。例如，只有四分之一的研究者組織在人工智慧技術、訓練人工智慧演算法所需的資料，以及訓練過程方面進行了大量投資。
關於 AI 資料的誤解
我們的研究表明，很多組織對資料有一些誤解。其中一個誤解是，無需足夠的資料，僅靠複雜的 AI 演算法就可以提供有價值的業務解決方案。微軟的資料科學總監 Jacob Spoelstra 指出：
“我認為從人們對通過機器學習可以完成的事情的理解還是相當不成熟的。一個常見的誤解是，一些企業並沒有可以從中提取演算法，以做出預測所需的歷史資料。例如，他們請我們為他們建立一個預測性維護解決方案，但是我們發現有記錄的故障很少。他們希望 AI 在沒有學習資料的情況下能夠預測什麼時候會出現故障。”Jacob 如此說道。
沒有任何一個演算法可以克服缺乏資料的問題。這一點在所有企業希望 AI 能為他們的前沿業務帶來進步提升時，顯得尤為重要。
他們對於資料錯誤的認識不足：只有積極的結果對於訓練 AI 來說是不夠的。Citrine Informatics 是一個説明加速產品開發的 AI 平臺，使用相關研究機構提供的公開實驗（成功實驗）和為公開實驗（包括失敗的實驗）資料。Citrine 的聯合創始人兼首席科學家 Bryce Meredig 說道：“失敗的資料幾乎從未被公佈過，但負面結果語料庫對建立一個沒有偏見的資料庫至關重要。通過這種方法，Citrine 可以將研發時間縮短一半，以滿足特定的應用需求。Gore-Tex 防水面料的開發商 W.L.Gore＆Associates 公司也同樣記錄了成功和不成功的結果，這推動了他們的創新，瞭解不起作用的因素有助於幫助他們的下一步探索。
如果資料品質足夠好，有時複雜的演算法可以克服資料有限的障礙，但糟糕的資料只會導致演算法癱瘓。資料收集和準備通常是開發 AI 的應用程式過程中最耗時的活動，比選擇和調整模型耗時得多。正如 Airbus 的 Evans 所說：
“由於能夠重複使用之前所建專案的資源，使得他們在成本降低的情況下工作效率更高，從而為資料湖增加更多的價值和更多的業務內容。”
先鋒組織明白，他們的資料基礎設施對於 AI 演算法的價值。
此外，公司有時錯誤地認為，他們已經有權訪問建立 AI 演算法的資料。對於整個行業來說，資料所有權對管理者來說都是一個棘手的問題。一些資料是企業有的，他們似乎沒什麼理由共用出來。而其他資料來源分散，為獲得訓練 AI 系統的更完整的資料，他們需要與其他多個組織進行整合，達成協議。在其他情況下，重要資料的所有權可能是不確定的或有爭議的。理論上，靠 AI 獲得商業價值是可能的，但在實踐中卻很難實現。
即使組織擁有所需的資料，多個系統之間分散也會阻礙 AI 演算法的訓練過程。富國銀行公司風險模式執行副總裁 Agus Sudjianto 這樣說道：
我們的工作很大一部分是處理非結構化資料（如文本挖掘），並分析大量交易資料，查看模型，致力於不斷改進客戶體驗以及客戶勘察、信貸審批和金融犯罪檢測等方面的決策。在所有這些領域，應用 AI 都有很大的機會，但是在一個非常龐大的組織中，資料往往是分散的。這是大公司要解決的核心問題——戰略性地處理資料。
先鋒組織非常依賴於通過培訓或聘用人才來提高工作人員的技能。對 AI 理解不深，缺乏經驗的組織傾向于外包 AI 相關業務，但這樣的模式本身是有問題的。（見圖 9）
圖 9：先鋒組織通過訓練和招聘獲得 AI 相關技能，而消極者企業更多地依靠外包資源
一家大型製藥公司的 CIO 認為，AI 服務商提供的產品和服務水準就像是 “小孩子” 一樣。AI 技術供應商要求提供大量的學習資料，把 AI 訓練成 17、18 歲智力的投入入不敷出，他對此表示失望。
為了獲得 IT 管理類似的功能，很多公司選擇把整個流程外包。當然，儘管這些工作外包出去，他們也還需要自己人瞭解如何解決問題、處理資料，以及當機遇來臨時能夠有意識。
“五年之前，我們可以通過外包獲得成本較低的人力去做此類工作，同時供應商可以自動處理這些工作，但往往是我們的系統使用我們的框架，但是用的是他們的技術。這樣的方法顯然不適用於公司的特定需求和核心業務。
微軟研究室主任 Eric Horvitz 認為，“市面上已經有很多好用的 AI 演算法和工具，包括 Google 的 TensorFlow，GitHub 和來自技術供應商的應用程式設計發展介面。但是，因為這是一個競爭激烈的領域，雖然外界提供的工具和服務越來越便利，但並不意味著企業不需要擁有自己的內部專家，對於每個組織而言，擁有自己的機器學習和 AI 技術還是非常重要的。”
隱私和管理
圖 10：先鋒組織將公司放在管理和領導維度之上
訓練 AI 所需的資料和演算法能達到一定的準確性和性能還不夠，遵循隱私問題和相關法規也是一個需要提上議程的問題。然而，在我們的調查中，只有一半的受訪者認為其所在的行業已經形成了資料隱私相關的規則。
具有強大的資料管理實踐能力才能保障資料隱私。先鋒（73％）比實驗者（34％）和消極者（30％）組織更有可能有良好的資料管理實踐。（見圖 10）這個巨大的鴻溝是落後企業面臨的另一個挑戰。
在監控較為嚴格的行業，例如保險行業中產生資料隱私問題的可能性較大，這些行業處於從基於風險池的模式向綜合預測具體風險元素的風控方法轉變。但有些元素在法律上是禁止使用的，例如，雖然性別和宗教因素可以用來預測一些風險，但在某些應用和司法管轄區，監管機構是不能接受這些資訊被使用的。
其他金融市場的監管機構也有嚴格的透明度要求。正如富國銀行的 Sudjiant o 所說：“模型必須非常非常透明，並始終接受監管機構的審查。我們不使用機器學習的原因在於，監管要求解決方案少一些 “黑匣子”，以便監管機構監察。但是我們使用機器學習演算法來評估模型的非線性結構、變數和功能，並作為傳統模型表現的基準。
隨著技術競爭也來越激烈，企業和公共部門在 AI 計畫、隱私保護和客戶服務之間的規則越來越細化。一些金融服務提供者正在使用語音辨識技術識別來電客戶，以節省驗證身份的時間。客戶對此表示歡迎的部分原因是他們喜歡這項服務，並且相信公司不會濫用使用者的資料。技術服務商還提供人工智慧服務，使用使用者的語音資料，説明呼叫中心運營商即時進行客戶的情緒分析。然而，不太受歡迎的應用程式可能即將出現。幾年後，中國安裝的 1.7 億台攝像機和美國 5000 萬攝像機能夠識別出人臉。事實上，據說上海已經應用這些圖像資料源來懲罰街頭流浪者。
技術之外：管理挑戰
AI 需要的不僅是資料，組織在引入 AI 時也面臨著許多管理方面的挑戰。
不出所料，先鋒組織的受訪者對其所在公司的總體管理和領導力方面：願景和領導力、開放性和變革能力、高瞻遠矚的思維、業務和技術戰略之間的緊密結合，以及有效的合作方面評價更高。與其他技術驅動的轉型一樣，這些是公司保持良好經營狀況必不可少的能力。
但是，公司在管理方面也面臨一些具體的挑戰：高管可能仍然需要
（1）更深入地瞭解更 AI;
（2）深化理解如何將業務與 AI 結合 ;
（3）以更廣闊的視野看待業務競爭格局。
挑戰 1：培養瞭解 AI 的直觀思維
管理人員和其他管理人員至少需要對人工智慧有基本的理解，這一觀點得到了高管和學者的一致贊同。TIAA 公司企業資料管理總監 JD Elliott 補充說：“我不認為每個前線經理都需要瞭解神經網路深度學習和淺層學習之間的差異。但是，對於依靠分析和資料，而不是直覺能夠產生更好、更準確結果，我們需要有一個基本的認識，這是非常重要的。“多倫多大學羅特曼管理學院市場行銷學教授 Avi Goldfarb 指出：“我們會擔心一個不成熟的管理者在看到一次預測之後就下結論認定這個模型好或不好。” 麻省理工學院媒體實驗室主任認為，“每個經理都必須對 AI 有一個直觀的理解。”
管理者應該花一些時間來學習基礎知識，比如可以從簡單的線上課程或線上工具開始。瞭解程式如何從資料中學習，也許是他們理解人工智慧如何讓業務受益的最重要的方法。
圖 11：雖然大多數組織認為發展 AI 刻不容緩，但只有一半已採用 AI
挑戰 2：組織 AI 部門
調查發現，這些公司為發展 AI 進行了很多探索。先鋒組織選擇的 AI 部門組成類型均勻分佈在集中、分散和混合型。研究者和實驗者組織也傾向於選擇混合型的組織方法，但兩種類型的企業中均僅有 30% 的 AI 部門有明確的職責。約有 70% 的消極者組織還未開始明確 AI 部門的職責，也許部分原因是不足 50% 的消極者組織認為，AI 在未來五年會對其工作流程和產品產生較大影響。
最後，混合型組織方式可能對於大多數企業來說意義更大，因為他們需要集中化和當地語系化的 AI 資源。以 TIAA 為例，其擁有一個高性能的資料分析中心和一些分散的團體。“整個組織的資料分析工作不全由資料中心來完成，它為其他內部 AI 部署和分析團隊提供專業知識、指導和方向。
而四種類型組織均將文化列在採用 AI 面臨的障礙中相對靠後的位置，僅有一半的受訪者表示公司理解 AI 需要的知識和技能方面的挑戰。平安執行副總裁 Jessica Tan 表示，其公司面臨的最大挑戰是各部門之間的配合，以及建立集中和分散式的科技團隊，他們需要三種人才：可以用不同方法工作的技術人員；瞭解特定商業領域的技術人員，以及有組織、諮詢能力或專案經驗的人。
接下來怎麼做？
人工智慧只是公司完成整體數位化轉型的一個要素，還是探索人工智慧需要另闢蹊徑？一方面，AI 和其他數位技術一樣存在許多相同的問題和挑戰，公司可以通過多種方式建立數位和分析程式。但另一反面，AI 也具有鮮明的特點。
確保客戶的信任。人工智慧的功能類似於許多數位計畫，它們依賴于客戶資料，客戶也信任公司會尊重和保護他們的個人資料。但是，確保人工智慧值得信賴的方法與其他資料相關的數位計畫有所不同。首先，管理者可能無法準確解釋客戶的個人資料會如何被用來生產某些 AI 產品，因為一些機器學習程式的內部運作是不透明的。其次，越來越多的人工智慧系統能夠模仿人類的代理人，在這種情況下，管理者有責任明確地與客戶溝通，告知他們是在與機器還是與人類交流。第三，一些人工智慧系統能夠遠端評估人類的情緒，識別細節。這種能力會產生新的資訊管理問題，包括哪些員工可以訪問這些資訊，以及在什麼情況下可以訪問等。
進行一次 AI 健康檢查。這與數位健康檢查有一些相似之處，從支援基礎架構的程式、技術、流程，以及快速回應故障進行檢查。與許多數位計畫一樣，人工智慧的成功取決於資料來源的訪問權（內部或外部），以及對資料基礎架構的投資。大公司可能擁有他們所需要的資料，但是如果這些資料是分散、孤立的，則會大大限制其戰略的發展和進步。與其他數位計畫不同的是，人工智慧健康檢查包括對正確執行人工智慧訓練所需的技能進行評估，包括訓練系統變得更聰明，直至部署後繼續學習的全過程。
認識到不確定性。公司通常通過預估一個項目創造的價值和所需時間來確定其優先順序，但是 AI 進行實驗和學習可能會比其他數位計畫花費更多的時間，成功和失敗的不確定性更高。因此，管理者需要認識到這種不確定性。
基於場景需要。與數字相同，人工智慧有可能改變企業創造價值的方式。AI 需要更激進的思維，因此，企業需要更加廣泛地思考自己的業務，構建連貫的應用場景，並測試這些場景對計畫的依賴性。這種基於場景的計畫將提高系統識別有可能將觸發影響業務的大事件的能力。
重視勞動力問題。人工智慧會影響人們的工作和事業已成事實，也會造成社會的不安。因此，建立一個 AI 計畫相關的工作項目是十分必要的，這個專案應包括 AI 相關的知識交流、教育和培訓。另外，吸引和訓練對 AI 感興趣的人才，將商業和技術結合起來也變得非常重要。
AI 的未來之路
人工智慧的採用可能會對工作，價值創造和競爭優勢產生深遠的影響。在未來，企業應該如何應對這些變化呢？
未來的工作
圖 12：組織對 AI 未來五年內將對勞動力產生的影響持謹慎樂觀的態度
隨著人工智慧日益應用於知識相關工作，此前有眾多預測稱，AI 將使得工作場所發生重大轉變。相反地，我們的報告顯示，多數企業對這個問題持謹慎樂觀的態度。例如，大多數受訪者並不認為人工智慧會在未來五年內導致其組織中的工作崗位減少。近七成的受訪者表示，他們並不擔心 AI 會取代他們的工作。相當一部分的受訪者表示希望 AI 可以代替他們做一些無聊或讓他們感到不愉快的任務。然而，受訪者一致認同，AI 將迫使員工在未來五年內學習新的技能，並提高現有技能。（見圖 12）麻省理工大學斯隆管理學院 Schussel Family 教授 Erik Brynjolfsson 說道：“即使發展迅速，人工智慧也不會很快取代大部分人類的工作。但幾乎在每個行業中，使用人工智慧的人都會替代不使用人工智慧的人，而這種趨勢只會加劇。”
價值創造發生變化
人工智慧在哪些領域將會創造、摧毀或轉移經濟價值呢？
健康護理支出在美國經濟總量中的占比達六分之一，平均約為經濟合作與發展組織（OECD）成員國的十分之一。
AI 已經在改變醫療產值鏈：機器可以讀取診斷圖像，外科醫生越來越依賴機器人，並且越來越多的即時醫療設備資料可以改善疾病預防和慢性疾病護理。
雖然人工智慧可以在一個行業內創造價值，但是究竟哪個領域的產值將因此上升，哪些將下降還是一個未知數。當 IT 服務商、醫療技術公司、放射科醫生網、醫院、創業公司，甚至保險公司都開始利用人工智慧來降低診斷成本時，人工智慧的影響可能會發生不均衡的狀況。
因此，現在就下結論說哪種類型的組織可能從醫療保健 AI 中獲益還為時過早。正如慕尼克保險集團業務負責人馬庫斯 · 溫特（Marcus Winter）所言：“在當今世界，隨著大資料的普及，僅有少數幾個獨家資料集。大多數情況下，我們可以通過其他來源獲得我們需要的資訊。“換句話說，資料和 AI 演算法的結合可以創造新的更有效的解決方法。例如，當診斷成像不可用時，更準確地分析血液或其他體液樣本可能有助於診斷。這樣，價值創造的變化其實很難預測。
保持競爭優勢
許多公司的管理人員都專注于如何通過 AI 顯著改善現有的流程和產品的性能。然而，僅僅改進產品並不能創造可持續性的競爭優勢——當每個人的效率都提高到相同水準時，基準會相應地發生變化。要想通過 AI 獲得競爭優勢，企業必須明白如何將人類和電腦的優勢結合起來，創造最大的競爭優勢。而這這並不容易：企業需要獲得資料的訪問專權，而這是目前很多公司所做不到的。他們必須學會如何讓人和機器高效地共同工作，這是一個目前的先鋒組織都不具備的能力。他們需要建立靈活的組織結構，而這意味著企業和員工需要經歷一次文化大變革的洗禮。
新智元AI技術+產業社群招募中，歡迎對AI技術+產業落地感興趣的同學，加小助手微信號: aiera2015_1 入群；通過審核後我們將邀請進群，加入社群後務必修改群備註（姓名-公司-職位；專業群審核較嚴，敬請諒解）。
Airbus（空中客車公司）是歐洲一家民航飛機製造公司，總部設於法國布拉尼亞克。隨著 Airbus 開始增加 A350 飛機（新產品）的產量時，該公司面臨著資金方面的挑戰。用 Matthew Evans（一家位於法國圖盧茲的數位化轉型公司的副總裁）的話來說：“我們的計畫是以前所未有的速度提高飛機的生產率。要做到這一點，我們需要解決快速回應生產中斷等常見故障問題。”
為此，Airbus 將目光轉向了人工智慧，以將過去的生產計畫資料與 A350 程式的持續輸入、模糊匹配，以及自主學習演算法結合起來，識別生產問題的模型。在某些領域，該系統幾乎可以即時地匹配之前採用的 70% 的生產中斷解決方案。Evans 描述了 AI 是如何讓整個 Airbus 生產線快速學習，並應對業務上的挑戰：
“系統所做的事情實質上是查看問題描述，並理解所有的上下文資訊，然後將其與問題本身的描述進行匹配，進而為用戶提出建議。雖然對系統來說這可能是新的問題，但其實可能在一周前的生產線，或在生產線不同的班次或部分遇到過類似的問題。這使得我們能夠將處理生產中斷所需的時間縮短三分之一以上。”Evans 表示。
採用人工智慧讓 Airbus 能夠更快速、更有效地解決業務問題（例如代替人力，對數百甚至數千個案例進行原因分析）。
正如 AI 提高了 Airbus 公司的業務處理速度和效率一樣，其他應用了 AI 的組織也開拓出更新、更好的處理常式，如 BP、Infosys、Wells、法戈和平安保險等大公司已經在使用 AI 解決重要業務問題。然而，仍有其他的組織尚未開始採用 AI。
各行業對 AI 的高期望
各個行業、各種規模和不同地域的公司對 AI 均抱有很高的期望。雖然目前大多數高管還沒有看到人工智慧的實質性影響，但他們顯然期望在未來五年可以看到。在所有的組織中，只有 14％的受訪者認為人工智慧目前在其組織產品中有很大（非常大或巨大）的影響。但是，63％受訪者表示希望在未來五年內可以看到效果。
圖 1：各行業對未來五年內 AI 將對企業產品產生影響的期望持續增長
圖 2：各行業對採用 AI 將對工作流程產生影響的預測
人工智慧將對公司產品產生影響，各個行業整體上期待值一直很高。（見圖 1）在技術、媒體和電信行業中，有 72％的受訪者預計，未來五年人工智慧會產生較大的影響，比報告中目前認為 AI 會對企業產生較大影響的受訪者數量高出 52%。然而，即使公共部門（對人工智慧效應總體預期最低的行業）也有 41％的受訪者預計，五年內人工智慧產生的巨大影響將比目前的水準提高 30%。不同規模和地區的組織均對 AI 持看漲的態度。
在組織內部，受訪者對人工智慧將對流程產生巨大影響也抱有同樣的高度期望。15％的受訪者表示人工智慧對當前流程有很大的影響，超過 59％的受訪者預計在五年內會出現較大的影響。 （見圖 2）大多數組織預計 AI 將對資訊技術、運營和製造、供應鏈管理，以及面向客戶的活動產生巨大的影響。（圖 3）例如：
資訊技術業：業務流程外包提供商是一個可以證明人工智慧潛力的例子。Infosys 公司 CEO 兼董事總經理 Vishal Sikka 1 表示：“Infosys 在 IT 服務業舉足輕重，這個行業在過去的 20 年左右發展迅猛。” 許多被轉移到低勞動力成本國家的工作是比較機械的工作：系統管理、IT 管理、商業運營、認證。隨著 AI 技術的發展，我們的系統可以代替人類完成這些工作。雖然我們還處於完成工作的初始階段，但是再過幾年，系統將可以完成大部分，甚至全部此類工作。然而，AI 技術可以完成目前存在的、分工明確的任務，同樣也可以創造不存在的、新的、具有突破性的工作。”
受影響最大的行業
圖 3：大多數企業預計 AI 將對 IT、運營和麵對消費者的行業產生巨大影響
運營和製造業：工業企業的高管預計，AI 將會對運營和製造業產生的影響將最大。例如，BP plc 通過人工智慧提高人的技能，以改善現場操作能力。Upstream Technology 全球負責人 Ahmed Hashmi 表示：“我們設有一個 BP 鑽井顧問的 AI“崗位”，它從鑽井系統中提取資料，為工程師提供調整鑽井最佳區域參數的建議，並提醒他們潛在的操作異常和風險。我們嘗試自動分析失敗的原因，並訓練系統進行快速評估，並根據描述進行預測。
面向客戶的業務：市值 1200 億美元的中國第二大保險公司——中國平安保險股份有限公司（中國第二大保險公司），正在通過人工智慧改善其保險和金融服務組合，為客戶提供更好的服務。例如，平安現在可以在三分鐘內提供線上貸款，這部分歸功於一個內部開發的基於人臉識別功能的客戶評分工具，它比人類的精准度更高。這個工具已經驗證了 3 億多人的面孔並用於各種用途，對平安的認知 AI 功能，包括語音和圖像識別進行了補充。
採用 AI 帶來的機會和風險
圖 4：80% 以上組織認為 AI 是戰略性機遇，將近 40% 將其視為戰略性風險
雖然高管對人工智慧的期望值高漲，但同時也認識到其潛在風險。Sikka 對 AI 持樂觀但又謹慎的態度：“從 1956 年起，縱觀 AI 的歷史，我們會發現 AI 的發展經歷過高峰，也經歷過低谷，現在我們正處於一個 AI 發展火爆的時代，一切都似乎預示著 AI 處於快速發展的時期。“超過 80％的受訪高管正瞄準這個高峰，把人工智慧看作一個戰略性的機遇。（見圖 4）事實上，50％的受訪者只看到人工智慧是一個機遇。而另一些人則看到了 AI 競爭加劇的潛力，以及將會帶來的風險和收益。另外，有 40％的管理者將人工智慧視為戰略性風險。而僅有 13％受訪者認為人工智慧既不是機會，也不也是風險。
人們對 AI 商業化的高期望值和興趣背後意味著什麼呢？我們沒有一個簡單的解釋。（見圖 5）大多數受訪者認為，人工智慧將使組織受益，例如帶來新業務或降低成本 ; 84％的人認為，Al 將讓他們的組織獲得或維持競爭優勢。四分之三的管理者認為，人工智慧將帶領他們進入新的業務領域。
同時，高管們意識到，他們的組織不可能是 AI 的唯一受益者。受訪者預計，新入局和已經進入的組織都同樣有獲益的可能性。四分之三的受訪者預計，新的競爭者將通過 AI 進入市場，而 69％的受訪者預計，目前的競爭對手將會在他們的業務中採用人工智慧。此外，他們意識到，他們的商業生態系統中供應商和客戶將越來越期望他們能夠使用 AI 提供服務。
AI 採用和理解上的差異
儘管人們對 AI 抱有很高的期望，但商業化應用開發還處於初級階段，即期望與行動之間存在著巨大的鴻溝。儘管五分之四的高管認同人工智慧是他們的一次戰略性機遇，但只有五分之一的組織已經在某些產品和流程中採用人工智慧。僅有二十分之一的企業在其產品或流程中廣泛地引入了人工智慧。（見圖 6）
採用 AI 的原因
圖 5：組織期望通過採用 AI 獲得競爭優勢，但競爭對手的加入使得競爭加劇
圖 6：目前，僅有四分之一的企業採用了 AI 技術
組織採用 AI 情況的差異性是很驚人的，特別是在同一行業。例如，旗下有 110 名資料科學家的中國平安已經推出了約 30 個 CEO 發起的人工智慧計畫，部分原因是為了回應 “技術是推動公司 2018 年快速增長關鍵動力的口號，“平安首席創新官 Jonathan Larsen 說道。然而，與保險行業的其他領域形成鮮明對比，其他大公司的人工智慧計畫僅限於” 聊天機器人產品的試驗。“這家大型保險公司的高管如此描述其公司的 AI 項目。
另外，報告顯示，企業對於 AI 的理解也是大相徑庭。例如，16% 的受訪者一致認為公司理解開發 AI 相關產品和服務產生的成本。然而，17% 的受訪者表示其所在組織並不理解相關成本的產生。相似地，19% 的受訪者認為所在企業理解訓練 AI 所需的資料投入，16% 則不同意這一觀點。
根據對 AI 的理解和採用程度，企業的成熟度可以分為四種類型：先鋒、研究者、實驗者和消極者。
先鋒（19％）：瞭解並採用 AI 的組織。這些組織在將 AI 融入其組織產品和內部流程方面處於領先地位。
研究者（32％）：瞭解人工智慧，但僅限於試驗 AI 階段的組織。這些組織對 AI 具有前瞻性的理解。
實驗者（13％）：試點採用人工智慧，但對其缺乏深入瞭解的組織。這些組織在實踐中學習 AI。
消極者（36％）：沒有採用或不瞭解 AI 的組織。
既然組織對 AI 的期望如此之高，那麼是什麼在阻礙企業採用 AI 呢？即使在一向具有整合新技術和管理資料理念的行業中，推廣人工智慧的障礙也很難克服。例如，在金融服務方面，瑞銀集團（UBS）首席投資官西蒙 · 斯邁爾斯（Simon Smiles）就這樣說道：“大型金融機構在業務中更積極地利用技術（包括人工智慧）和資料，為終端使用者提供更好的客戶體驗的潛力是巨大的。但問題在於，這些傳統機構是否真的能夠抓住機遇。“抓住人工智慧帶來的機遇需要組織的承諾，並跨越許多伴隨著人工智慧而來的不可避免的挑戰。
然而，導致這些差異的原因較少涉及技術限制，而更多的是商業。總體而言，受訪者將競爭投資重點和不清晰的商業案例列為部署 AI 的更大的障礙，排在技術障礙之前。Airbus 的 Evans 指出了關鍵性的區別所在：“嚴格來說，我們不投資人工智慧、自然語言處理和圖像分析。相反地，我們投資是因為要解決具體的業務問題。“Airbus 採用人工智慧，是因為它能解決業務問題 ; 向人工智慧投資比向其他方向投資更有意義。
瑞銀集團的 Smiles 稱，組織要面臨的困難其實不一而同。對於大公司和金融科技創業公司，他說道：“它們之間存在著巨大的差異，前者的規模讓他們足以開發比較大的平臺，而後者雖然有更先進的模式，但是缺乏客戶和相關資料來充分利用這個機會。“這樣的差異導致不同組織人工智慧採用率上的差異。
圖 7：先鋒企業採用 AI，而消極者企業人不理解 AI
採用 AI 的障礙
這些組織分為不同的類型表明他們採用 AI 所面臨的障礙不同，進而影響了 AI 的採用率。（見圖 6）先鋒組織已經克服了理解上問題：這些公司中有四分之三已經有了 AI 實踐的商業案例。領導組織 AI 計畫的高級管理人員面臨的最大障礙，是如何挖掘 AI 人才，並獲得優先投資，他們也更容易接受人工智慧所帶來的安全問題。相比之下，被動者型組織還沒有認識到 AI 能為他們做什麼，也並未確定符合他們投資標準的商業實踐案例。缺乏 AI 計畫上的領導，技術也是一個障礙，甚至許多人還未意識到他們在挖掘人工智慧人才和專家上將面臨的困難。
不同類型的組織在對 AI 的理解上業存在著巨大差異。
商業潛力：人工智慧可能會改變組織創造商業價值的方式。報告顯示，先鋒（91％）和研究者（90％）比實驗者（32％）和消極者（23％）組織更能意識到 AI 對商業的影響。Airbus 的 Evans 表示：“我們只是在嘗試解決飛機產品的服務問題。“
工作場所的影響：現如今，在工作場所把人類和機器的能力結合起來是需首要解決的問題。人工智慧在很大程度上改變了日常的工作環境。先鋒和研究者組織能夠更好地意識到，工作場所中的機器將改變組織內的行為。麻省理工學院航空學副教授 Julie Shah 說道：“即使你可以開發一個針對某項任務（目前由人類完成）的系統，但除非流程中完全不需要人類工作，否則就會有新的問題產生，因為人類在協調工作，以及協助 AI 系統之間進行交流必不可少。這樣的交流問題仍然是我們亟待解決的難題。
行業環境
企業是在行業規則和環境下運行的；實驗者和消極者的受訪者並未感受到 AI 將會對行業生態產生多大的影響。
資料、訓練和演算法需求
圖 8：不同類型組織對 AI 相關技術和商業環境的理解程度不同
也許四種類型的組織最大的區別，在於它們對資料和 AI 演算法之間獨立性的理解存在的偏差。先鋒對訓練演算法過程、AI 產品服務開發成本、訓練演算法所需資料的瞭解程度分別是消極者組織的 12 倍、10 倍和 8 倍。（見圖 8）
參與調查的大多數組織都對他們的資料進行 AI 演算法訓練的必要性瞭解不深，以解決類似于 Airbus 在應用 AI 的過程中所遇到的問題。不到一半的受訪者表示，他們的組織理解訓練演算法的過程和演算法的資料需求。
AI 產生業務價值，與 AI 演算法的有效訓練直接相關。許多現有的 AI 應用程式都是從一個或多個 “裸” 演算法開始，只有經過訓練（主要是公司特有的資料）才會變得智慧化。成功的訓練取決於完善的資訊系統，可將相關培訓資料匯總在一起。許多先鋒組織已經擁有強大的資料和分析基礎設施，同時對開發人工智慧演算法資料所需要的知識有廣泛的理解。相比之下，研究者和實驗者組織卻因為他們幾乎沒有分析經驗，空有一座 “資料孤島” 而備受困擾。超過一半的先鋒組織對資料和訓練進行了大量投資，但其他類型的組織在這方面的投資卻甚少。例如，只有四分之一的研究者組織在人工智慧技術、訓練人工智慧演算法所需的資料，以及訓練過程方面進行了大量投資。
關於 AI 資料的誤解
我們的研究表明，很多組織對資料有一些誤解。其中一個誤解是，無需足夠的資料，僅靠複雜的 AI 演算法就可以提供有價值的業務解決方案。微軟的資料科學總監 Jacob Spoelstra 指出：
“我認為從人們對通過機器學習可以完成的事情的理解還是相當不成熟的。一個常見的誤解是，一些企業並沒有可以從中提取演算法，以做出預測所需的歷史資料。例如，他們請我們為他們建立一個預測性維護解決方案，但是我們發現有記錄的故障很少。他們希望 AI 在沒有學習資料的情況下能夠預測什麼時候會出現故障。”Jacob 如此說道。
沒有任何一個演算法可以克服缺乏資料的問題。這一點在所有企業希望 AI 能為他們的前沿業務帶來進步提升時，顯得尤為重要。
他們對於資料錯誤的認識不足：只有積極的結果對於訓練 AI 來說是不夠的。Citrine Informatics 是一個説明加速產品開發的 AI 平臺，使用相關研究機構提供的公開實驗（成功實驗）和為公開實驗（包括失敗的實驗）資料。Citrine 的聯合創始人兼首席科學家 Bryce Meredig 說道：“失敗的資料幾乎從未被公佈過，但負面結果語料庫對建立一個沒有偏見的資料庫至關重要。通過這種方法，Citrine 可以將研發時間縮短一半，以滿足特定的應用需求。Gore-Tex 防水面料的開發商 W.L.Gore＆Associates 公司也同樣記錄了成功和不成功的結果，這推動了他們的創新，瞭解不起作用的因素有助於幫助他們的下一步探索。
如果資料品質足夠好，有時複雜的演算法可以克服資料有限的障礙，但糟糕的資料只會導致演算法癱瘓。資料收集和準備通常是開發 AI 的應用程式過程中最耗時的活動，比選擇和調整模型耗時得多。正如 Airbus 的 Evans 所說：
“由於能夠重複使用之前所建專案的資源，使得他們在成本降低的情況下工作效率更高，從而為資料湖增加更多的價值和更多的業務內容。”
先鋒組織明白，他們的資料基礎設施對於 AI 演算法的價值。
此外，公司有時錯誤地認為，他們已經有權訪問建立 AI 演算法的資料。對於整個行業來說，資料所有權對管理者來說都是一個棘手的問題。一些資料是企業有的，他們似乎沒什麼理由共用出來。而其他資料來源分散，為獲得訓練 AI 系統的更完整的資料，他們需要與其他多個組織進行整合，達成協議。在其他情況下，重要資料的所有權可能是不確定的或有爭議的。理論上，靠 AI 獲得商業價值是可能的，但在實踐中卻很難實現。
即使組織擁有所需的資料，多個系統之間分散也會阻礙 AI 演算法的訓練過程。富國銀行公司風險模式執行副總裁 Agus Sudjianto 這樣說道：
我們的工作很大一部分是處理非結構化資料（如文本挖掘），並分析大量交易資料，查看模型，致力於不斷改進客戶體驗以及客戶勘察、信貸審批和金融犯罪檢測等方面的決策。在所有這些領域，應用 AI 都有很大的機會，但是在一個非常龐大的組織中，資料往往是分散的。這是大公司要解決的核心問題——戰略性地處理資料。
先鋒組織非常依賴於通過培訓或聘用人才來提高工作人員的技能。對 AI 理解不深，缺乏經驗的組織傾向于外包 AI 相關業務，但這樣的模式本身是有問題的。（見圖 9）
圖 9：先鋒組織通過訓練和招聘獲得 AI 相關技能，而消極者企業更多地依靠外包資源
一家大型製藥公司的 CIO 認為，AI 服務商提供的產品和服務水準就像是 “小孩子” 一樣。AI 技術供應商要求提供大量的學習資料，把 AI 訓練成 17、18 歲智力的投入入不敷出，他對此表示失望。
為了獲得 IT 管理類似的功能，很多公司選擇把整個流程外包。當然，儘管這些工作外包出去，他們也還需要自己人瞭解如何解決問題、處理資料，以及當機遇來臨時能夠有意識。
“五年之前，我們可以通過外包獲得成本較低的人力去做此類工作，同時供應商可以自動處理這些工作，但往往是我們的系統使用我們的框架，但是用的是他們的技術。這樣的方法顯然不適用於公司的特定需求和核心業務。
微軟研究室主任 Eric Horvitz 認為，“市面上已經有很多好用的 AI 演算法和工具，包括 Google 的 TensorFlow，GitHub 和來自技術供應商的應用程式設計發展介面。但是，因為這是一個競爭激烈的領域，雖然外界提供的工具和服務越來越便利，但並不意味著企業不需要擁有自己的內部專家，對於每個組織而言，擁有自己的機器學習和 AI 技術還是非常重要的。”
隱私和管理
圖 10：先鋒組織將公司放在管理和領導維度之上
訓練 AI 所需的資料和演算法能達到一定的準確性和性能還不夠，遵循隱私問題和相關法規也是一個需要提上議程的問題。然而，在我們的調查中，只有一半的受訪者認為其所在的行業已經形成了資料隱私相關的規則。
具有強大的資料管理實踐能力才能保障資料隱私。先鋒（73％）比實驗者（34％）和消極者（30％）組織更有可能有良好的資料管理實踐。（見圖 10）這個巨大的鴻溝是落後企業面臨的另一個挑戰。
在監控較為嚴格的行業，例如保險行業中產生資料隱私問題的可能性較大，這些行業處於從基於風險池的模式向綜合預測具體風險元素的風控方法轉變。但有些元素在法律上是禁止使用的，例如，雖然性別和宗教因素可以用來預測一些風險，但在某些應用和司法管轄區，監管機構是不能接受這些資訊被使用的。
其他金融市場的監管機構也有嚴格的透明度要求。正如富國銀行的 Sudjiant o 所說：“模型必須非常非常透明，並始終接受監管機構的審查。我們不使用機器學習的原因在於，監管要求解決方案少一些 “黑匣子”，以便監管機構監察。但是我們使用機器學習演算法來評估模型的非線性結構、變數和功能，並作為傳統模型表現的基準。
隨著技術競爭也來越激烈，企業和公共部門在 AI 計畫、隱私保護和客戶服務之間的規則越來越細化。一些金融服務提供者正在使用語音辨識技術識別來電客戶，以節省驗證身份的時間。客戶對此表示歡迎的部分原因是他們喜歡這項服務，並且相信公司不會濫用使用者的資料。技術服務商還提供人工智慧服務，使用使用者的語音資料，説明呼叫中心運營商即時進行客戶的情緒分析。然而，不太受歡迎的應用程式可能即將出現。幾年後，中國安裝的 1.7 億台攝像機和美國 5000 萬攝像機能夠識別出人臉。事實上，據說上海已經應用這些圖像資料源來懲罰街頭流浪者。
技術之外：管理挑戰
AI 需要的不僅是資料，組織在引入 AI 時也面臨著許多管理方面的挑戰。
不出所料，先鋒組織的受訪者對其所在公司的總體管理和領導力方面：願景和領導力、開放性和變革能力、高瞻遠矚的思維、業務和技術戰略之間的緊密結合，以及有效的合作方面評價更高。與其他技術驅動的轉型一樣，這些是公司保持良好經營狀況必不可少的能力。
但是，公司在管理方面也面臨一些具體的挑戰：高管可能仍然需要
（1）更深入地瞭解更 AI;
（2）深化理解如何將業務與 AI 結合 ;
（3）以更廣闊的視野看待業務競爭格局。
挑戰 1：培養瞭解 AI 的直觀思維
管理人員和其他管理人員至少需要對人工智慧有基本的理解，這一觀點得到了高管和學者的一致贊同。TIAA 公司企業資料管理總監 JD Elliott 補充說：“我不認為每個前線經理都需要瞭解神經網路深度學習和淺層學習之間的差異。但是，對於依靠分析和資料，而不是直覺能夠產生更好、更準確結果，我們需要有一個基本的認識，這是非常重要的。“多倫多大學羅特曼管理學院市場行銷學教授 Avi Goldfarb 指出：“我們會擔心一個不成熟的管理者在看到一次預測之後就下結論認定這個模型好或不好。” 麻省理工學院媒體實驗室主任認為，“每個經理都必須對 AI 有一個直觀的理解。”
管理者應該花一些時間來學習基礎知識，比如可以從簡單的線上課程或線上工具開始。瞭解程式如何從資料中學習，也許是他們理解人工智慧如何讓業務受益的最重要的方法。
圖 11：雖然大多數組織認為發展 AI 刻不容緩，但只有一半已採用 AI
挑戰 2：組織 AI 部門
調查發現，這些公司為發展 AI 進行了很多探索。先鋒組織選擇的 AI 部門組成類型均勻分佈在集中、分散和混合型。研究者和實驗者組織也傾向於選擇混合型的組織方法，但兩種類型的企業中均僅有 30% 的 AI 部門有明確的職責。約有 70% 的消極者組織還未開始明確 AI 部門的職責，也許部分原因是不足 50% 的消極者組織認為，AI 在未來五年會對其工作流程和產品產生較大影響。
最後，混合型組織方式可能對於大多數企業來說意義更大，因為他們需要集中化和當地語系化的 AI 資源。以 TIAA 為例，其擁有一個高性能的資料分析中心和一些分散的團體。“整個組織的資料分析工作不全由資料中心來完成，它為其他內部 AI 部署和分析團隊提供專業知識、指導和方向。
而四種類型組織均將文化列在採用 AI 面臨的障礙中相對靠後的位置，僅有一半的受訪者表示公司理解 AI 需要的知識和技能方面的挑戰。平安執行副總裁 Jessica Tan 表示，其公司面臨的最大挑戰是各部門之間的配合，以及建立集中和分散式的科技團隊，他們需要三種人才：可以用不同方法工作的技術人員；瞭解特定商業領域的技術人員，以及有組織、諮詢能力或專案經驗的人。
接下來怎麼做？
人工智慧只是公司完成整體數位化轉型的一個要素，還是探索人工智慧需要另闢蹊徑？一方面，AI 和其他數位技術一樣存在許多相同的問題和挑戰，公司可以通過多種方式建立數位和分析程式。但另一反面，AI 也具有鮮明的特點。
確保客戶的信任。人工智慧的功能類似於許多數位計畫，它們依賴于客戶資料，客戶也信任公司會尊重和保護他們的個人資料。但是，確保人工智慧值得信賴的方法與其他資料相關的數位計畫有所不同。首先，管理者可能無法準確解釋客戶的個人資料會如何被用來生產某些 AI 產品，因為一些機器學習程式的內部運作是不透明的。其次，越來越多的人工智慧系統能夠模仿人類的代理人，在這種情況下，管理者有責任明確地與客戶溝通，告知他們是在與機器還是與人類交流。第三，一些人工智慧系統能夠遠端評估人類的情緒，識別細節。這種能力會產生新的資訊管理問題，包括哪些員工可以訪問這些資訊，以及在什麼情況下可以訪問等。
進行一次 AI 健康檢查。這與數位健康檢查有一些相似之處，從支援基礎架構的程式、技術、流程，以及快速回應故障進行檢查。與許多數位計畫一樣，人工智慧的成功取決於資料來源的訪問權（內部或外部），以及對資料基礎架構的投資。大公司可能擁有他們所需要的資料，但是如果這些資料是分散、孤立的，則會大大限制其戰略的發展和進步。與其他數位計畫不同的是，人工智慧健康檢查包括對正確執行人工智慧訓練所需的技能進行評估，包括訓練系統變得更聰明，直至部署後繼續學習的全過程。
認識到不確定性。公司通常通過預估一個項目創造的價值和所需時間來確定其優先順序，但是 AI 進行實驗和學習可能會比其他數位計畫花費更多的時間，成功和失敗的不確定性更高。因此，管理者需要認識到這種不確定性。
基於場景需要。與數字相同，人工智慧有可能改變企業創造價值的方式。AI 需要更激進的思維，因此，企業需要更加廣泛地思考自己的業務，構建連貫的應用場景，並測試這些場景對計畫的依賴性。這種基於場景的計畫將提高系統識別有可能將觸發影響業務的大事件的能力。
重視勞動力問題。人工智慧會影響人們的工作和事業已成事實，也會造成社會的不安。因此，建立一個 AI 計畫相關的工作項目是十分必要的，這個專案應包括 AI 相關的知識交流、教育和培訓。另外，吸引和訓練對 AI 感興趣的人才，將商業和技術結合起來也變得非常重要。
AI 的未來之路
人工智慧的採用可能會對工作，價值創造和競爭優勢產生深遠的影響。在未來，企業應該如何應對這些變化呢？
未來的工作
圖 12：組織對 AI 未來五年內將對勞動力產生的影響持謹慎樂觀的態度
隨著人工智慧日益應用於知識相關工作，此前有眾多預測稱，AI 將使得工作場所發生重大轉變。相反地，我們的報告顯示，多數企業對這個問題持謹慎樂觀的態度。例如，大多數受訪者並不認為人工智慧會在未來五年內導致其組織中的工作崗位減少。近七成的受訪者表示，他們並不擔心 AI 會取代他們的工作。相當一部分的受訪者表示希望 AI 可以代替他們做一些無聊或讓他們感到不愉快的任務。然而，受訪者一致認同，AI 將迫使員工在未來五年內學習新的技能，並提高現有技能。（見圖 12）麻省理工大學斯隆管理學院 Schussel Family 教授 Erik Brynjolfsson 說道：“即使發展迅速，人工智慧也不會很快取代大部分人類的工作。但幾乎在每個行業中，使用人工智慧的人都會替代不使用人工智慧的人，而這種趨勢只會加劇。”
價值創造發生變化
人工智慧在哪些領域將會創造、摧毀或轉移經濟價值呢？
健康護理支出在美國經濟總量中的占比達六分之一，平均約為經濟合作與發展組織（OECD）成員國的十分之一。
AI 已經在改變醫療產值鏈：機器可以讀取診斷圖像，外科醫生越來越依賴機器人，並且越來越多的即時醫療設備資料可以改善疾病預防和慢性疾病護理。
雖然人工智慧可以在一個行業內創造價值，但是究竟哪個領域的產值將因此上升，哪些將下降還是一個未知數。當 IT 服務商、醫療技術公司、放射科醫生網、醫院、創業公司，甚至保險公司都開始利用人工智慧來降低診斷成本時，人工智慧的影響可能會發生不均衡的狀況。
因此，現在就下結論說哪種類型的組織可能從醫療保健 AI 中獲益還為時過早。正如慕尼克保險集團業務負責人馬庫斯 · 溫特（Marcus Winter）所言：“在當今世界，隨著大資料的普及，僅有少數幾個獨家資料集。大多數情況下，我們可以通過其他來源獲得我們需要的資訊。“換句話說，資料和 AI 演算法的結合可以創造新的更有效的解決方法。例如，當診斷成像不可用時，更準確地分析血液或其他體液樣本可能有助於診斷。這樣，價值創造的變化其實很難預測。
保持競爭優勢
許多公司的管理人員都專注于如何通過 AI 顯著改善現有的流程和產品的性能。然而，僅僅改進產品並不能創造可持續性的競爭優勢——當每個人的效率都提高到相同水準時，基準會相應地發生變化。要想通過 AI 獲得競爭優勢，企業必須明白如何將人類和電腦的優勢結合起來，創造最大的競爭優勢。而這這並不容易：企業需要獲得資料的訪問專權，而這是目前很多公司所做不到的。他們必須學會如何讓人和機器高效地共同工作，這是一個目前的先鋒組織都不具備的能力。他們需要建立靈活的組織結構，而這意味著企業和員工需要經歷一次文化大變革的洗禮。
新智元AI技術+產業社群招募中，歡迎對AI技術+產業落地感興趣的同學，加小助手微信號: aiera2015_1 入群；通過審核後我們將邀請進群，加入社群後務必修改群備註（姓名-公司-職位；專業群審核較嚴，敬請諒解）。