AI驱动的构成有哪些

你怎么知道一家公司是AI驱动的？它需要具备哪些组成部分才能匹配这种分类？目前，我们还没有一个大家普遍接受的组成部分清单，但在研究和咨询中，我们发现对这项技术采取特别积极态度的公司往往具有多种特质。在过去的4年，我们对这些公司的AI行动进行了3次调查，因此还可以引用这些调查中的很多反馈。

公司普遍通过使用多种技术来采用AI

AI驱动的公司在整个公司内部使用AI，通常采用多种用例或应用。AI是一项通用技术，可以用来支持公司的各种长期目标和短期目标。根据我们的调查，AI技术最常用于提高业务流程效率、改进决策质量，以及提升现有的产品和服务。根据德勤2020年的调查，这也是最有可能实现的3个短期目标。[2]但这些目标涵盖了AI的广泛应用领域。例如，改进业务流程可能包括更好地匹配供需以提高供应链效率、预测工厂设备的维护需求，甚至预测哪些应聘者被录用后将取得最佳效益。全力押注AI的公司最终会开发出涵盖各种功能和流程、决策以及产品或服务的用例。每项单独的用例可能不会改变一家公司，但它们全面集合起来就可以。

在我们最近发起的“企业AI”调查中，拥有最强AI能力和最大成就的公司占调查样本的28%，这些公司被称为“变革者”（transformer）。正如我们在下面介绍的那样，“变革者”在它们的AI历程中进展顺利，但这一类受访者很少最终成为AI驱动的公司（数量太少，无法在广泛的调查中被挑选出来）。平均而言，这类公司有大约6个全面部署的AI用例，并取得了大约7项业务成果。这些成果令人印象深刻，但与AI驱动的公司相比仍存在差距。“变革者”的标签表明，它们的目标可能是业务转型，但很少有公司已经通过AI完成了转型。依靠AI进行自我转型的公司通常在这方面走得更远，有些公司部署了数百个系统，业务成果数不胜数。当然，业务转型是一个持续的过程，没有一家公司能够完全实现转型。

全力押注AI的公司也不会将其AI产品组合局限于单一技术。相反，它们会利用AI所能提供的一切。表1–1展示了该领域涵盖的众多技术。让AI成为可能的基本资源只有4种——统计学、逻辑学及语义学形式的知识，所有这些知识都与计算联系在一起。但在这些资源中，有多种方法、工具和用例的变种。

AI驱动的企业，其领导者对这项技术有足够的了解，可以就将哪些技术应用于哪些用例做出明智的决策。这样做有时并不容易，因为不同的工具之间隐藏着复杂性。例如，表1–1列出了几种不同类型的机器学习技术，积极的用户需要知道为了什么而采用哪一种技术。此外，在要做出的选择中还要进一步选择。例如，表1–1中的“基于语义的AI”描述了面向语言的应用，如自然语言理解（NLU）和自然语言生成（NLG）。但自然语言理解应用的核心可以是深度学习算法，以及阐述术语“语义”所暗示的单词和概念之间联系的知识图谱。自然语言生成应用也可以如此，就像OpenAI（人工智能研究公司）开发的非常复杂的GPT–3（一种语言模型）系统一样，根据对“下一个单词”的预测生成各种类型的文本，从诗歌到计算机程序。简单的自然语言生成应用也可以由规则驱动。AI技术的类型非常复杂，因此，做出AI相关决策的公司高管在对工具和项目进行重大投资之前，需要做好功课。

有些公司针对同一用例或应用场景使用多种技术。Cotiviti是一家从事保险欺诈检测和医疗健康分析的公司，它将规则与机器学习相结合，形成了一种非常实用的组合。星展银行采用同样的组合来打击洗钱活动。很多公司都在使用机器人流程自动化（RPA），它可以自动执行后台的结构化工作流并根据规则进行决策。但越来越多的厂商及其客户将机器人流程自动化与机器学习相结合，以更好地进行决策，这有时被称为“智能流程自动化”。我们将会越来越多地看到这些技术结合在一起，或许还会赋予它们一些新名称。积极的采用者很可能会使用所有的AI技术，有些如表1–1所述，有些则是我们现在还无法完全介绍清楚的刚刚出现的组合形式。虚拟现实（VR）及其他形式的模拟、数字孪生和元宇宙都采用了各种形式的AI技术，未来很可能会得到广泛的应用。

生产部署中的众多AI系统

应用AI的挑战之一是让这些系统进入生产部署。很多公司会着手进行试点、概念验证或原型设计，但它们很少或根本没有将系统投入生产。通过这样的实验进行学习是很好的，但公司并不能从中获得任何经济价值。AI驱动的公司确实在设法让系统投入生产，我们最近关于“企业AI”的调查发现，“变革者”（最成功和最有经验的受访公司）平均有6个AI系统进行生产部署。这使它们被归为最积极的受访者之列，但在我们为本书采访的一些公司中，有更多的AI模型投入了生产。[3]

尽管AI驱动的公司相对成功，但还有很多其他调查数据支持我们的一个断言，即部署AI很困难。IBM（国际商业机器公司）在2021年的一项调查发现，在7个国家的5 000多名技术决策者中，只有31%的人表示他们的公司“已将AI作为业务运营的一部分进行了积极部署”；41%的受访者表示，他们“正在探索，但尚未在业务运营中部署AI”[4]。《麻省理工斯隆管理评论》与波士顿咨询集团在2019年的一项调查中发现，“在接受调查的10家公司中，有7家说迄今为止AI的影响很小或没有影响。在对AI进行过投资的90%的公司中，只有不到2/5的公司报告称，在过去3年从AI中获得了业务收益……这意味着在对AI领域进行重大投资的企业中，有40%没有报告从AI中获得了业务收益”[5]。在我们的调查中，AI面临的前三大挑战是实施问题、将AI集成到公司的角色和职能中的问题，以及数据问题，所有这些都是大规模部署所涉及的因素。[6]这种情况已经开始发生变化，很多公司开始报告它们正在部署更多的AI系统，并从这些系统中获得更多的经济回报。[7]但是，数据科学家的调查仍然发现，实际上只有少数AI模型得到了部署。

公司在部署AI方面面临挑战并不令人感到意外。项目试点包括创建模型和编写最小化可行产品（MVP）的代码，但生产部署的规模大得多，并且通常涉及很多其他活动，例如更改业务流程、增加员工数量以及与现有系统集成。此外，一些数据科学家认为，创建一个适应数据的良好的机器学习模型之后，他们的工作就结束了。系统部署通常被认为是其他人的工作，但这项工作的责任归属往往并不清晰。

非常成功的AI驱动公司如何解决这些问题并部署系统？首先，它们从一开始就对部署进行计划，除非项目在早期阶段出现问题。其次，它们通常会安排专人负责整个开发和部署过程，专人有时被称为基于AI的系统和流程的产品经理，这个人会确保系统得到部署。最后，它们会指派数据科学家和产品经理，从一开始就与业务方面的利益相关方密切合作，这些公司期望进行系统部署以及与之相关的所有行动。

利用AI对工作流程进行重新设想和设计

20世纪90年代初，一场名为“业务流程再造”的运动让很多商界人士感到兴奋。在这场运动中，公司对其工作方式进行了彻底的重新设计（本书的作者之一托马斯·达文波特参与发起了这场运动）。当时出现了一些新技术——企业资源计划（ERP）系统，以及后来出现的互联网——可以实现新的流程。不幸的是，在很多公司里，流程再造变成了盲目裁员，但利用新技术推动新的工作方式的想法仍然是有效的，AI现在就是最突出的例子。

德勤将当前称为“与的时代”（Age of With），即人类“与”智能机器协作的时代。托马斯·达文波特也很喜欢这个想法，他经常称之为“增强”，甚至为此与人合著了两本关于这个主题的书。[8]虽然很多预言家预测AI将会取代人类，但到目前为止，这种情况并不多见，而且大多数公司都在利用这项技术，让人类员工腾出时间来完成更复杂的任务。因此，AI推动的公司面临的首要问题不是如何用AI取代人类员工，而是如何通过重新设计工作岗位、重新培训员工以及在工作流程中充分利用这两者来提高效率。

在我们的调查中，有相当大比例的公司高管表示，AI已经给就业带来了适度或重大的变化（在2019年的调查中，持这种观点的人所占的比例是72%，82%的受访者预计3年内会发生巨大的变化）。但是，在很多情况下，这种变化并没有出现在正式的业务流程环境下。这意味着，可能整个公司缺乏对流程工作流、衡量标准和统一执行的说明。

流程改进（如果不是根本性创新）与AI之间最紧密的联系可能就是机器人流程自动化。有些人认为机器人流程自动化的智能化不足以被称为AI，但它确实具有基于规则的决策能力。很多公司都将机器人流程自动化视为通向更智能、更基于机器学习的AI的垫脚石。有些公司已将机器人流程自动化集成到其流程改进计划中。在将流程自动化之前，公司会将衡量和改进技术应用到这个流程中。例如，在退休及金融服务公司Voya，其持续改进中心嵌入了一个自动化人才中心，该中心通常采用精益方法和六西格玛方法。Voya有一个三步程序：分析和改进流程、实施机器人流程自动化、评估自动化流程的性能。[9]但是，为了真正通过AI实现转型，公司必须在广泛的范围内做到这一点，并且至少偶尔在流程中寻求不仅仅是渐进式的性能改进。

我们还看到一些公司将流程的重新设计与机器人流程自动化之外的AI形式有效地结合起来。例如，星展银行在东南亚采用AI来改进其反洗钱工作，以及改进印度和新加坡客户中心的主要业务流程。评估潜在反洗钱案例的时间缩短为原来的2/3，而客户中心在不增加员工的情况下，客户数量增长了6倍，金融交易量增长了12倍。

更多的公司应该解决AI如何显著改进业务流程的问题。在某种程度上，能够促进这一点的是采用了AI的新技术：流程挖掘。它分析来自公司事务系统的数据，以了解流程的执行情况，然后使用AI提出改进建议。流程挖掘消除了流程改进中的大量细节工作，并在很多面向流程的公司中迅速流行起来。

公司的很大一部分人精通AI及其应用方式

我们将在本书中不止一次地指出，全力押注AI不仅关乎技术，也关乎人。希望在业务中大量使用AI的公司需要大量了解其工作原理的高管和普通员工。明智的公司正在对员工进行再培训和技能提升，以开发、解释和改进AI系统。随着AI系统的开发（尤其是机器学习）变得越来越自动化，以及未经深入专业培训的公民数据科学家（CDS）可以接管部分工作，这一点变得更加重要。

公司的高管需要通过自己的方式来提升AI技能。大多数AI和分析部门的负责人告诉我们，他们仍然会花大量时间向其他经理宣传这项技术的价值和用途。高管不仅应该为AI项目提供资金和时间，还应该在自己的工作中实施AI。AI通常可以自动做出决策，而此前部分决策是由人类高级经理做出的。因此，重要的是要让这个群体了解AI如何工作、何时适合使用AI，以及对他们自己和整个公司而言，应该对AI做出什么样的重大承诺。

对绝大多数公司来说，这种技能提升和再培训工作仍为时尚早，而且并不是所有员工都需要接受AI培训。但很明显，有些人确实需要，而且这样的机会可能越多越好。有些公司已经着手开展针对AI的技能提升计划，如空客和星展银行等。空客已经对1 000多名员工进行了AI和高级分析技能方面的再培训；星展银行已经对18 000多名员工进行了数据技能培训，并创建了一家公民数据科学家公司。在这些员工中，约有2 000人精通数据科学和商业智能等前沿领域，另有7 000人被认定在数据使用、分析和AI等学科领域的技能得到提升。

但是，在我们的一项AI调查中，只有10%的美国受访者明确表示倾向于再培训和留住现有员工。80%的受访者倾向于“保留或替换比例相当的员工”，或者“主要用新的人才替换现有员工”[10]。我们认为这是一种目光短浅的行为，而且公司可能无法找到或负担不起这么多新的AI人才。再培训和技能提升是一种显而易见的替代方法。

对AI的长期承诺和投资

一家公司的高管决定通过AI完成公司转型，这绝不是一项随随便便的决策。他们所做的决策将对公司未来的几十年产生重大影响，最终涉及数亿或几十亿美元。我们为本书采访的每一家公司都告诉我们，这是全力押注AI的代价。起初，这样的资源承诺可能会让公司感到害怕，但在看到从早期项目中获得的各种好处之后，这些AI驱动的公司发现，在面向AI的数据、技术和人才上投入资金要容易得多。

以AI为中心意味着公司承诺使用数据和分析来做出大多数的决策，以不同的方式与客户打交道，将AI嵌入产品和服务，并以更加自动化和智能化的方式执行很多任务，甚至执行整个业务流程。很多公司正处于数字化转型的阵痛之中，但基于AI的转型要更进一步。简言之，这是一笔很大的赌注，大多数公司还没有足够的勇气押注。

当然，如果领导者是这个想法的坚定拥护者，那么这会有所帮助。CEO的承诺会推动公司做出很多其他类型的承诺，但这最终还是不够的。如果公司的高层、中层甚至一线管理人员只是口头上支持用AI推动业务发展，那么事情就会进展缓慢，公司也很可能会回归老路。我们已经看到，一些高度敬业的CEO通过多项举措建立了以分析和AI为中心的公司。但在他们离开公司之后，下一任CEO并不相信AI，因此公司对数据、分析和AI的关注也就沦为平常。

在下一章中，我们将进一步阐述领导力和承诺的重要性。我们还将介绍一些领导者的实例，他们以全面而富有戏剧性的方式，展现了将AI作为战略力量的承诺。

独特且庞大的数据来源，实时分析并采取行动

如果AI可以驱动公司发展，那么数据就可以驱动AI发展。对AI持审慎态度的公司必须认真对待数据——搜集数据、整合数据、存储数据，并使其广泛可用，这些都不是新的挑战，但如果一家公司关注AI，那么数据就比平常情况下更重要。在我们2020年的AI调查中，当被要求选择通过AI增强竞争优势的举措时，采用了AI的公司将“实现AI数据基础设施的现代化”作为首选。事实上，我们采访过的所有公司都在采取AI举措之前或同时，启动了重大数据管理项目。

除了拥有良好的数据之外，渴望通过AI实现业务转型的公司必须拥有越来越多的独特数据或专有数据。如果一个行业中的所有竞争对手都拥有相同的数据，那么它们都将拥有相似的机器学习模型和相似的结果。AI能让你的公司脱颖而出的部分原因在于，你要找到尚未被充分利用的现有数据源，或者获得新数据的访问权限。

银行业和零售业的数据量已经非常庞大。加拿大的丰业银行、美国的第一资本银行和新加坡的星展银行等银行利用它们的数据来了解更多关于客户和交易的信息，并将这些数据反馈给客户，以帮助他们理财。美国的克罗格和加拿大的罗布劳等零售机构则更多地利用了销售点数据、库存数据、购物者忠诚度数据等，这些数据量可能超过了它们的所有竞争对手。

在某些情况下，积极采用AI的公司已经开发了新的商业模式，可以更多地访问数据。中国平安有一个非常合理的“生态系统”模型，它不仅可以开放给客户和供应商，还允许数据分析模型访问。“智慧天空”（Skywise）是空客公司的航空开放数据平台，可以在全球很多使用空客飞机的航空公司和其他原始设备制造商（OEM）之间共享数据。这些公司从具有平台型商业模式的电子商务初创公司那里了解到，拥有来自多个参与方的数据是业务增长和企业价值提升的重要驱动力。

高度依赖AI的公司不只是搜集数据并在有空的时候进行分析。它们会尽可能采用实时方法，以当代企业的速度做出基于数据的决策。它们在销售点为客户提供实时的报价，并防止欺诈交易发生。它们对业务中断的反应更快，会监控模型的运行情况，并在必要时对模型进行重新训练。这在一定程度上是因为它们拥有现代技术堆栈，但也因为它们有适当的流程来管理数据供应链和利用数据的紧迫感。当然，没有哪家公司的数据是完美的，但AI密集型公司的数据环境要比大多数公司好得多。

建立合乎伦理和值得信赖的AI框架

一家公司的业务如果高度依赖AI，那么它就需要确保其使用的AI系统合乎伦理且值得信赖，否则很可能会因AI而得不偿失。到目前为止，大多数关于AI伦理的正式治理机制和结构都在科技公司那里，它们都拥有大量的AI产品和服务，并且希望向客户证明自己是负责任的。也许是因为科技公司相对而言是AI的早期采用者，它们过去也最有可能被指控存在AI偏见或其他违反伦理的行为。[11]

公司并不需要付出巨大的努力来打造一种合乎伦理和值得信赖的AI方法。很多可用的框架有助于创建一套原则，我们将在第5章中讨论这些原则。当然，挑战在于将原则付诸实践，我们也会在该章讨论这一点。

我们可以成立一个由具备强大技术和业务专业知识的高管组成的小组，来评估所有要投入生产的AI系统的每条标准。事实上，我们听说有几家公司设立了算法审查委员会之类的团体，不过我们认为需要审查的不仅仅是算法。一位伦理顾问呼吁成立一个AI机构审查委员会，就像那些针对人体受试者的学术或医学研究的委员会一样，以确保AI系统的任何方面都不违反伦理原则。[12]毕竟，AI工作通常也涉及人类。