来源：中国信息化百人会

摘要
人们对人工智能（AI）抱有极高的期待，但实际效果往往差强人意。本文希望提供贴近实际的AI应用业界基准，从而让各个公司以此为鉴，对自身在AI方面的愿景定位和实际情况有更客观、全面地了解。这项研究基于全球范围诸多行业3,000余位高管、管理者和市场、技术分析人员的问卷调查，并对30多名技术专家和高管进行了深度采访，力求相关分析和结论信息全面、数据扎实（参阅“关于本研究”）。

对于AI，多数公司的期望和实际应用相差甚远。3/4的高管认为，AI可以让公司发展出新的业务；近85%的受访者认为AI让公司获得或保持竞争优势。但只有约1/5的公司将AI应用于部分产品、服务或流程中；只有1/20的公司将AI进行了广泛应用；制定AI战略的公司不到39%；员工数超过十万的大公司应当制定AI战略，但实际这样做了的只有一半。

我们的研究表明，理解并应用AI的领先者与落后者之间差距巨大，两者对待数据的方式大相径庭。AI算法并非天生“智能”，而是通过分析数据进行归纳学习。多数领先者在AI人才方面投资，建立起稳健的信息系统，而另一些公司却缺乏数据分析的专业人员，数据可得性低。我们的研究揭示了一些对于训练AI所需资源的误解。与落后者相比，领先者不仅更了解训练AI所需的资源，还更重视为AI项目提供高管层的支持，并找到了AI的应用场景。

AI会给组织管理带来影响。构建AI组织有多种模式，其核心都强调组织的灵活性。我们与企业高管交流得知，应用AI所需要的文化变革对于大公司来说挑战很大。

参与我们调查和访谈的对象对于AI是否会导致人类失业持较乐观的态度。多数管理者认为自己所在的组织未来五年里不会因为AI而裁员，他们希望AI能够替他们处理一部分繁琐的工作。

关于本研究

为了解有关应用AI的机遇和挑战，《MIT斯隆管理评论》与波士顿咨询公司合作，首次开展了年度调查，调查对象包括来自世界各地各行业组织的3,000多位高管、管理者和分析人员。

调查于2017年春季开展，受访者分别来自112个国家、21个行业，所在组织规模各异。超过2/3的受访者来自美国以外的国家和地区。调查取样来源多样，包括《MIT斯隆管理评论》的读者和其他有关各方。

除了调查，我们还采访了一些行业的公司高管和学者，了解当今组织面临的现实问题。他们提供的观点帮助我们更好地理解数据。

我们的调查使用《牛津词典》对人工智能的定义：“人工智能是有关能够执行通常需要人类智能的任务（如视觉感知、语音识别、决策和语言转换等）的计算机系统的理论和开发。”不过，AI本身及其定义都在迅速演进。

人工智能的优势

空中客车公司（Airbus，下称空客）开始提升新的A350机型产量，公司面临数十亿欧元的挑战。用法国图卢兹数字转型副总马修·埃文斯（Matthew Evans）的话来说，“我们计划以前所未有的速度提升该机型的产量。为此，我们必须像应对工厂故障一样迅速应对问题，因为真的会出故障。”

空客开始采用人工智能，将过去生产项目中的数据与当前A350生产项目中提供的实时数据相结合，通过模糊匹配和自主学习算法发现生产问题的规律。在某些领域，这套系统为约70%的生产故障匹配到了之前用过的解决方案，速度近乎实时。埃文斯描述了AI助力整个空客生产线快速学习、应对商业挑战的过程：

“系统深入理解某项问题描述，结合所有背景信息，与问题信息匹配，并迅速向一线员工推荐可行方案。问题本身对于系统而言可能是初次出现，但我们以前可能碰到过类似的问题，或者是另一种情况下、生产线的另一个部分出现过类似问题。这样一来就可以把我们应对故障的时间缩短1/3以上。”

AI令空客应对业务问题的速度更快，效率提升，优于之前的其他方法（比如对数百或数千个案例进行人工分析的因果分析法）。

正如空客的这个例子所显示的，善于利用AI的领先者组织可以凭借AI能力实现新的、更好的流程，得到更好的结果。英国石油公司（BP）、印孚瑟斯（Infosys）、美国富国银行（Wells Fargo）和平安保险等其他大型公司已经开始运用AI应对重要的商业问题，然而还有许多公司尚未起步。

人工智能的影响力

各行各业、各种规模、各个地区的公司都对AI抱有很高的期待。多数高管虽然尚未看到AI产生大的影响，但也明确表示希望在未来五年里看到较大影响。在所有组织中，仅有14%的受访者认为AI现在就对自己所在公司提供的产品或服务产生了较大影响，而期待在五年内看到较大影响的受访者多达63%。

对行业及组织职能的影响

各行业对于AI影响公司产品或服务的期望一直很高（参阅图1）。在技术、媒体与电信行业，72%的受访者期待AI在五年里产生较大影响，比表示目前已有较大影响的受访者高出52%。即便是在对AI期望值最低的公共部门领域，也有41%的受访者期待AI在五年里产生大的影响，比目前阶段的比例高30%。可以看出，这种趋势与组织规模及所在地区无关。

在组织内部，受访者也对AI改变流程抱有很高的期望。15%的受访者表示AI已经对组织目前的流程产生了较大影响，59%希望在未来五年里看到较大的影响（参阅图2）。多数组织预见到了信息技术（IT）、运营与制造、供应链管理以及面向客户的活动受到的巨大影响（参阅图3），例如：

IT：业务流程外包提供商为AI可能的应用提供了一个例子。“印孚瑟斯重视的IT服务行业，在过去二十多年里有了巨大的发展，”印孚瑟斯CEO兼董事总经理史维学（在接受采访期间，Vishal Sikka正担任印孚瑟斯的CEO和董事总经理。但在此报告发布前，他从原岗位辞职并开始担任公司的执行副主席）说，“很多外包给人工成本较低的国家的工作都比较机械，比如系统管理、IT管理、业务操作和验证。现在有了AI技术，我们的系统可以承担的这类工作就增加了。我们还在初期阶段，这类工作只有一部分实现了自动化，但在未来几年里，我们可以将大部分乃至全部重复机械的工作实现自动化。不过，AI技术可以自动完成目前一些步骤清晰的工作，也给目前尚不存在的突破性的新工作创造了机会。”

运营和制造：工业企业高管认为受人工智能影响最大的领域是运营和制造。例如BP用AI作为人工的辅助，改进现场操作。上游技术全球负责人艾哈迈德·哈什米（Ahmed Hashmi）说：“我们设有BP Well Advisor人工智能顾问，收集钻井系统的所有数据，为工程师提供建议，调整钻井参数，保持在最佳操作区，并提醒工程师注意过程中潜在的操作问题。我们还尝试将根源问题分析交给人工智能，让系统自我学习，有能力迅速做出评估，从描述问题进化到预测问题，再到诊断问题。”

面向客户的活动：中国第二大保险商平安保险公司，市值1,200亿美元，运用AI改进保险及金融的客户服务。例如，该公司现在提供三分钟在线贷款，部分依赖于一套客户打分工具，具备内部开发的AI人脸识别功能，准确度比人类更高。这套工具验证过的人脸超过3亿，与该公司的语音和图像识别功能互补。

人工智能带来的机会与风险

高管对AI期待极高，却也意识到了潜在的风险。史维学虽然乐观，但也对AI即将迎来热潮持谨慎态度。他说：“AI从1956年出现以来一直有高峰有低谷，现在我们身在一个浮夸的时代，前方好像怎么看都是辉煌的巅峰。”80%以上接受调查的高管看到了眼前的高峰，认为AI是战略机会（参阅图4）。近半数受访者认为AI只会带来机会，不存在风险，占比最高；一些人看到了风险，认为AI会带来好处，也可能使竞争加剧；近40%的管理者认为AI也是战略风险；更少的一部分人（13%）觉得AI既非机会亦非风险。

业界对AI抱有期待和兴趣的原因不一而足（参阅图5）。多数受访者认为，AI会给组织带来好处，比如可以带来新的业务，或者降低成本；84%的人认为AI会让组织获得或保持竞争优势。3/4的管理者认为AI可以让他们发展新业务。

高管们也意识到，AI带来的优势不止惠及自己所在的公司。受访者认为成长企业和成熟企业会同时从人工智能中获益。3/4的受访者预见到市场中会出现运用AI的新的竞争对手，69%认为现在的竞争对手也开始使用AI。此外他们还意识到，自己公司所在生态体系中的供应商和客户将会更加希望他们使用AI。

人工智能应用程度的差异

虽然期待值高，但AI的商业应用尚在初期阶段，期望和实际行动尚有差距。4/5的高管赞同AI对于自己所在组织而言是战略机会，然而只有1/5将AI应用在一部分产品、服务或流程中，只有1/20将AI广泛应用于产品、服务或流程（参阅图6）。

应用的差距可能很大，特别是同一行业内。例如，平安保险公司雇用了约110位数据科学家，启动了约30个由CEO赞助的AI项目，在一定程度上支持其愿景“技术将会成为未来几年给公司带来收入增长的关键驱动力”，如公司首席创新官乔纳森·拉森（Jonathan Larsen）所说。然而其他一些大型保险公司的AI项目仅限于“试验聊天机器人”，这是某家西方保险公司的高管描述自己所在公司AI项目的原话。两者形成鲜明对比。

各个组织对AI的总体理解也显示出极大的差异。例如，16%的受访者强烈赞同“自己所在组织了解开发基于AI的产品及服务所需的开支”，强烈不同意这一点的比例与之相差无几（17%）。19%的受访者强烈赞同“自己所在组织了解训练算法所需要的数据”，16%强烈不赞同这一点。

将调查结果与有关AI理解和应用的问题结合在一起，我们将各组织根据AI能力分为了四类：先驱者（Pioneer）、研究者（Investigator）、试验者（Experimenter）、被动者（Passive）。

先驱者（19%）：了解并应用了AI的组织，走在将AI应用于产品或服务以及组织内部流程的前沿。

研究者（32%）：了解AI但只停留在试用阶段的组织，谨慎地研究AI可能会带来的影响。

试验者（13%）：试用或应用了AI但并未深入了解AI的组织，在实践中学习。

被动者（36%）：不应用也不了解AI的组织。

既然对AI的期待很高，许多组织将之视为机遇，那么一些组织不应用AI的原因何在？即使在一些长期应用新技术、管理数据的行业，应用AI可能也是困难重重。例如金融服务行业，瑞士银行（UBS）超高净值人士首席投资官西蒙·斯迈尔斯（Simon Smiles）说：“对于大型金融机构而言，在业务中更好地运用人工智能等技术和数据，为终端用户带来更好的客户体验，这种潜力是巨大的。问题在于这些传统大机构能否抓住机会。”要抓住机会，组织上下必须通力合作，克服许多AI项目带来的不可避免的难题，也就是史维学所说的“应用鸿沟”。

难题并不是技术局限，而是在商业方面。受访者总体认为，相比于技术能力限制，与之竞争的其他投资重点和商业可行性论证不清晰是阻碍企业应用人工智能更重要的原因。空客的埃文斯说出了这个重要的区别：“严格地讲，我们没有投资AI。我们没有投资自然语言处理，没有投资图像分析。我们一直在为某个业务问题投资。”空客采用AI，是因为AI解决了一个业务上的问题，投资AI是一种应对商业问题的有效方式。

UBS的斯迈尔斯提出，各组织面对的问题不尽相同。对于成熟公司和金融科技创业公司，他说：“要开发价值惊人的平台，对公司规模有要求。规模达到一定程度的公司往往被旧有商业模式和体系束缚，难以发展更好的模式。而没有这种束缚的公司却又缺乏客户和相应的数据，难以充分把握机会。”这一类问题造成了AI应用率的差异。

调查中各类组织反映的AI阻碍因素各不相同，且对AI应用情况有影响（参阅图7）。先驱者已经克服了有关理解的问题：这类公司有3/4找到了能够应用AI的实际业务场景，高管直接领导涉及整个组织的AI项目，它们最大的问题是如何高效地培养或寻找合适的AI人才，以及为AI争取投资。这些公司也更熟悉应用AI在安全方面的种种顾虑。与之相比，被动者尚未发现AI在商业上的用途，没有找到符合投资标准的实际业务场景，领导不参与，技术是难题。许多公司甚至尚未意识到寻找和任命AI人才的困难程度。

我们的调查还揭示了各类公司在理解方面的细微差别。

商业潜力：AI会改变组织创造商业价值的方式。表示本组织了解AI如何影响商业价值的先驱者（91%）和研究者（90%）多于试验者（32%）和被动者（23%）。空客的埃文斯说：“不是价值问题，是尝试解决我们的一种机型上的某个实际问题。”

对实际工作的影响：如何协调人类和机器的能力相结合，这个问题将愈发棘手。AI会大大改变日常工作环境。在工作场合配备机器会改变组织中的行为，这一点先驱者和研究者更了解。MIT航空航天学副教授朱莉·沙阿（Julie Shah）说：“人们没有觉察的是融合问题。即使你开发出的系统能完成现在由人类在做的特定任务，整个流程中也不能完全没有人类，那么就有一个新的问题——协调人与AI系统的工作，乃至协调双方的交流。这个问题对于我们来说依然非常困难，目前无解。”

行业背景：组织在监管和行业背景下运作。试验者和被动者认为自己所在的组织并不了解AI会对行业格局产生何种影响。

对数据、训练和算法的需求

以上四类组织最显著的差异，也许在于其对数据和AI算法之间重要的相互依存关系的理解。与被动者相比，了解训练算法过程的先驱者比被动者多12倍，了解AI相关产品及服务开发成本的多出10倍，了解训练AI算法所需数据的多出8倍（参阅图8）。

多数组织都不甚了解如何用组织自身的数据训练AI算法，使得算法可以像空客的AI应用软件那样识别问题规律。表示自己所在组织了解训练AI所需过程或数据的受访者不到一半。

让AI产生商业价值，与高效训练AI算法直接相关。目前许多AI应用软件最初只是一种或多种基本算法，经过训练（主要是公司自身的数据）后才具备智能。要想成功训练算法，组织要有健全的信息系统，将相关数据收集到一起。很多先驱者组织已经拥有了稳健的数据及分析系统，并对训练AI算法所需的数据有着广泛的了解。与之相比，研究者和试验者则缺乏分析能力，大量数据难以集中。半数以上的先驱者组织在数据和训练方面大量投资，其他几类组织的投资情况远不如先驱者。大量投资AI技术、训练AI算法所需的数据以及支持训练流程的研究者组织只有1/4。

对人工智能所需数据的误解

我们的研究发现了一些与数据有关的误解。其中一项误解是，复杂精密的AI算法不需要充足的数据就能提供有价值的商业解决方案。微软数据科学总监雅各布·斯波尔斯特拉（Jacob Spoelstra）说：

“我觉得大家还不是很懂机器学习可以做什么。我们常看到的一种错误是，组织没有历史数据可供算法提取规律，于是算法无法提供可靠的预测。比如说，他们让我们制定预测性的维护解决方案，而我们发现他们的错误记录很少，甚至没有。他们希望AI预测将来会出现什么问题，却没有过去的例子可供AI学习。”

算法再精密，没有历史数据也无计可施。组织要用AI提升业绩，理解这一点至关重要。数据稀缺的情况不容忽略。训练AI往往既需要成功的数据点，也需要失败的数据点，而失败数据可能很难搜集。助力产品开发的材料信息AI平台Citrine Informatics，运用从研究机构关系网络中得到的公开实验数据（多数是成功的实验）和非公开实验数据（包括失败的实验）。平台联合创始人、首席科学官布赖斯·梅雷迪格（Bryce Meredig）说：“失败的实验数据几乎不会公开，但要建立公正全面的数据库，这部分数据不可或缺。”全面的数据让Citrine得以将特定应用的研发时间缩短了一半。开发了Gore-Tex防水材料的戈尔公司（W. I. Gore & Associates）同样记录了创新过程中的成功和失败结果，因为他们知道，失败能够帮助他们（或者高层领导者和决策者）找到下一步应当探索的方向。

如果算法质量非常高，有时可以弥补数据上的不足，但质量欠佳的数据会产生负面影响。在开发AI应用软件的过程中，数据收集和准备往往是最耗费时间的步骤，比选择和调整模型更花时间。空客的埃文斯说：

“我们做每个新项目，都要为整合数据进行投资，有时还要为数据平台引入新的资源进行投资。但我们过去做过的工作也都可以重复利用，因为我们可以高效管理那些业务对象，每个项目进展速度都会加快。开发所需的预付成本，也就是一次性成本相对较低。我们每做一个项目都可以充实数据库，增加价值。”

先驱者组织了解数据基础设施对于人工智能算法的价值。

另外，公司有时错误地以为能够接触到开发AI所需的数据。数据所有权对于所有行业的管理者而言都是问题。一些数据是有专有权的，拥有这些数据的组织可能不想供其他公司使用。还有一些数据来自多个数据源，支离破碎，需要多个组织协商一致才能得到更完整的数据，用来训练AI系统。还有一种情况是，重要数据的所有者不明确或有争议。从AI中获得商业价值在理论上可行，实际上可能很困难。

即使组织拥有所需要的数据，也可能由于多个系统间零散的存储使得AI算法训练受阻。美国富国银行（Wells Fargo & Co.）企业模型风险执行副总裁阿古斯·斯吉安托（Agus Sudjianto）说：

“我们工作中一大部分就是处理凌乱的数据，比如文本挖掘，还有分析海量的交易数据，寻找规律。我们致力于不断提升客户体验，改进决策，包括潜在客户分析、信用审批和金融犯罪侦察。所有这些领域都有很大的应用AI的空间，但在规模很大的组织里，数据往往很零散。这就是大企业的核心问题——战略性地处理数据。”

是自行开发，还是直接购买

公司投资新技术时往往面对一个老问题：是自制还是购买。AI算法要用合适的数据加以训练，对这个决定有着广泛的影响。用AI创造价值，又比单纯为某个业务过程开发或者购买AI更加复杂。训练AI算法涉及多种技能，要了解如何构建算法，如何收集和整合相关数据用于训练，如何监督算法训练过程。斯吉安托说：“我们必须引入不同学科的人才。而且，我们当然需要机器学习与AI人才。能够全面领导这类团队的人才非常重要。”

先驱者十分依赖通过培训或招聘来培养内部能力。经验较少、比较不了解AI的组织更注重向外部寻求AI相关技能，但这种做法导致了一些问题（参阅图9）。

某大型制药公司的首席信息官将AI供应商提供的产品和服务描述为“幼儿”。他说，AI技术供应商“要求我们提供大量数据供AI学习”，话里流露出不满。“要让AI相关服务从幼儿长到成年，需要付出的努力和回报似乎并不对等。我们觉得不值得这样做。”

当然，对于IT管理和员工薪酬支持等支持性质的职能，公司可以选择将整个流程外包（并传输所有数据）。不过，即使公司希望依赖外部支持，也需要内部有相应人员了解如何构建问题、处理数据并留意不断变化的机遇。上文提到的这位首席信息官说：“如果是五年前，我们会利用劳力套利，大量外包给劳力成本较低的供应商。与此同时供应商所做的就是开始将这类流程交给AI，经常是在我们的系统里，用我们的设施，但技术是他们的。我并不认为它们只是基于规则的自动化，而这些供应商能够利用更为先进的启发法对这些工作进行自动化。”但这种方法显然不适合公司的特色产品或服务以及核心流程。

微软研究院负责人埃里克·霍维茨（Eric Horvitz）认为，科技行业正在迅速发展新模式，提供技术工具、使用公司专有的数据，即“向行业提供整套工具、计算和存储器，以此推广AI”。许多AI算法和工具已经存在于公共平台，如谷歌Tensor Flow、GitHub，以及技术提供商的应用编程界面。霍维茨说：

“因为自身有竞争空间，所以工具变得更加易于使用，参与了推广和使用这些工具的组织能够更好地发挥其性能。不是说组织不必配备相应的专业人员。有了工具和服务，事情会变得简单，但组织自身依然要有机器学习和AI方面的专业人员，这很重要。”

隐私和监管

构成AI的数据和算法不能只是准确高效，还要满足隐私和监管方面的要求。调查中仅有一半受访者表示自己所在行业有成型的数据隐私条款。

要确保数据隐私，应当有高效的数据治理方法和实践。先驱者公司（73%）拥有良好的数据治理的比例高于试验者（34%）和被动者（30%）（参阅图10）。这个显著的差异说明了在发展AI能力上落后的公司面临的又一个障碍。

数据问题可以在监管程度较高的行业看到，比如保险，过去的保险模式基于风险分担机制，现在则转向综合预测具体风险元素的新方式。但一些属性是不可触及的禁区，例如，性别和宗教因素可以用来预测某些风险，但监管方不允许这类因素出现在应用软件和司法审判中。

其他金融市场的监管者对透明度也有严格的要求。富国银行的斯吉安托说：“模型必须完全透明，随时接受监管者检查。我们没有选择机器学习作为最终模型，是因为监管规定常常要求解决方案少一些‘黑箱’，以便监管者视察。但我们可以用机器学习算法评估模型的非线性结构，加入变量和特征，以此对照传统模型的结果。”

技术发展超过了消费者的期待与偏好，企业和公共部门更谨慎地应对AI项目涉及的隐私保护和客户服务。一些金融服务提供商用声音识别技术，识别电话里的客户，节省验证身份的时间。客户并不排斥这种体验，部分原因是他们看重公司提供的服务，且信赖公司不会滥用相关技术和数据。与之相似，某技术供应商提供基于AI的服务，运用实时声音数据情感分析，帮助客服中心识别客户是否生气。然而，不久的将来可能会出现不那么受欢迎的用法。几年之后，中国的1.7亿个摄像头和美国的5,000万个摄像头都可能用于识别人脸。事实上，这类用法已经在上海抓到了乱穿马路的行人。

人工智能技术以外的管理难题

AI需要的不止是驾驭数据。公司要引入AI，还面临着许多管理方面的挑战。

不出意料，来自先驱者组织的受访者在一些综合管理方面给自己所在公司评价较高，如视野和领导力、对变革的接受度和变革能力、长远思考、业务和技术战略紧密联系，以及高效合作。这些能力与其他技术方面的转变一样，是优秀公司必不可少的综合能力。

不过还有一些具体的挑战。高管仍然需要进一步了解AI，深入思考如何基于AI开展业务，并且更加广泛地了解所在行业的竞争情况。

1

挑战一：培养对AI的直观了解

高管和其他管理者至少要对AI有基本的了解，学者和高管都认同这一点。名列《财富》100强的金融服务组织TIAA，管理的资产近万亿，该公司企业数据管理总监埃利奥特（J. D. Elliott）说：“我不认为每一位一线管理者都必须了解神经网络中深度学习和浅层学习的区别，但我觉得在应用分析和数据的过程中要有一些基本的了解，知道我们拥有的技术可以得出更好、更准确的结果和决策，比单靠直觉更好，这很重要。”多伦多大学罗特曼管理学院（Rotman School of Management）市场营销学教授阿维·戈德法布（Avi Goldfarb）说：“你会担心不懂AI的管理者看到一次预测准确就觉得肯定每次都是对的，看见一次预测错了就觉得全部是错的。”MIT媒体实验室负责人伊藤穰一（Joi Ito）认为“每个管理者都必须对AI有直观的了解。”

为了培养自己对数据的理解，许多高管去硅谷体验数字原住民生活、设计思维方式和快速试错文化等等。这些都是数字化业务发展的核心元素，但这样的一趟旅行对了解AI没有多少帮助。如果已经接触过机器人、自动驾驶汽车和自动扑克机，在AI公司也没什么新鲜东西可体验了。管理者应该花些时间学习AI基础，可以从简单的网络课程或在线工具起步。他们应当了解程序如何从数据中学习，最重要的或许是了解AI如何使某项具体的业务受益。

2

挑战二：为AI调整组织

在整个公司广泛应用AI，会提高对软技能和组织灵活性的重视，促进新的合作形式，比如由人和机器一起组成项目团队。

我们的调查发现，公司为发展AI能力探索了许多方法。先驱者公司的组织模式相对平均地分布在集中式、分散式和混合式。研究者和试验者也在探索混合方式，但这两类公司有近30%尚未在组织内设置清晰的AI职责。约70%的被动者同样尚未开始为AI项目部署职责，也许部分原因是，只有不到50%的被动者组织认为AI会在未来五年里对本组织流程以及产品和服务产生大的影响。

归根结底，最有效的或许是混合模式，因为许多公司在总部和分支机构都需要AI资源。例如，TIAA有卓越分析中心，还有一系列分散的团队。TIAA的埃利奥特说：“卓越中心不会为整个组织提供分析，而是为其他执行AI及分析的内部团队提供专业知识和指导。”

在阻碍AI的因素列表中，所有四类公司都没有把文化抵触排在前面，但只有一半受访者表示自己所在公司了解未来AI需求所要求的不同的知识和技能。平安保险公司集团执行副总裁、集团首席运营官兼首席信息官陈心颖（Jessica Tan）说，自己所在公司面临的最大挑战始终是整合各业务单元合作，认识到“人类不想训练算法”的事实，建立集中和分散的技术团队，以及寻找合适的人才。公司找的主要是三类人：有能力尝试不同工作方式的技术人员，了解特定业务模块的技术人员，以及具备咨询或项目管理能力、能够开展沟通促进合作的人。

3

挑战三：重新思考竞争格局

超过60%的受访者表示自己所在的组织迫切需要AI战略，但只有一半人说自己所在组织制定好了战略（参阅图11）。就公司规模来看，员工数量超过十万的大型公司最有可能制定好AI战略，但只有一半（56%）大公司的确如此。

保险公司富卫集团（FWD Group）首席技术及运营官埃米·霍（Amy Hoe）说，她把访问数据的权限看作是自己公司竞争优势的关键。FWD希望确保广泛的数据来源，包括与其他公司合作，如电信、租车服务提供商，公司客户、代理商、社交媒体、公共平台和外部数据分析供应商。数据量每过几年就能翻倍，获取数据特许权的工作永无止境。

下一步举措

AI是否只是公司整体数字转型中的一个环节，还是AI本身需要公司采取新的转型方式？AI像其他数字化技术一样，带来了相似的问题和挑战，公司可以通过多种方式培养数字和分析能力。但AI也有其自身不同于其他技术的特点。

获得客户信任。AI能力与许多数字化项目类似，要依靠客户数据以及客户信任公司会保护个人数据隐私。不过，要确保AI值得信赖，在几个方面都不同于其他依赖数据的数字项目。第一，管理者可能无法具体解释AI产品如何使用客户个人数据得出特定结果。一些机器学习项目的内部操作是不透明的；第二，越来越多的AI系统可以模拟人类智能，管理者有责任向客户说明在某一情况下与之交流的是机器还是人；第三，一些AI系统有能力远距离评估情绪，识别个人信息。这种能力引起了新的信息管理问题，例如哪些员工可以在何种情况下访问此类信息。

开展AI成熟度诊断。与数字化成熟度诊断相似，可以对组织从流程中的应用到赋能基础设施、技术能力、敏捷流程和快速试错氛围进行评估。AI的成功与很多数字项目一样要依赖数据源，无论是现有的内部、外部数据，还是投资建设数据系统。大公司可能拥有所需要的数据，但如果数据零散，相互没有联系，就会大大限制战略制定和执行。AI成熟度诊断与其他数字项目不同的是，要涉及AI训练所必需的技能评估，从AI系统的初步培养到具备智能，再到投入使用后的继续学习。这一点是决定性的新特点，多数公司都需要自行培养这种能力。现成的AI程序作用会受到公司这方面能力和相关工作的限制。

迎接不确定性。好创意来自于时间的打磨，这句话适用于数字技术，更适用于AI。公司往往根据项目的预估价值和得到结果所需的时间来为项目排序，但AI项目很难评估。因此，AI的试验和学习时间可能比其他数字项目更长，成功和失败的不确定性也更高。管理者必须做好准备，应对更高的不确定性，这会影响他们是否能妥善对项目和投资进行排序。

开展基于情景的规划。AI像其他数字技术一样，可能会改变商业在跨市场、流程和职能上创造价值的方式。AI对思考的要求更高，因为AI会影响以知识与判断为基础的专业领域，而市场新进入者可能会是机器。因此，公司必须对业务进行更广泛的思考，建立对未来发展的全景图，在这种图景下检测本公司未来规划的适应性。这类基于情景的规划能让企业更好地识别会对自身业务带来深刻影响的事件。

对人的重视。AI必然给员工带来不安，毕竟连最渊博的专家都很难断言程序会有怎样的表现，什么职能或流程应当禁止引入AI，什么时候应当阻止AI。AI对员工目前工作和职业发展造成威胁，容易让员工焦虑不安。AI项目中应当为AI活动划定重点，制定清晰的工作计划，说明应用范围和方式，包括日常交流、教育和培训。吸引和培养具备商业和技术两方面能力的人才至关重要，组建跨职能团队的能力也同样重要，需要个人和组织都具备灵活性。

对未来的影响

AI应用可能将对工作、价值创造以及竞争优势产生深远影响。在不久的将来，公司如何应对这些改变？

调整工作结构

AI越来越多地应用于知识型工作，工作内容可能会发生重大转变，影响中产阶级的许多工作。我们的调查结果与最近对AI取代人工的悲观预测相反，显示出谨慎的乐观。多数受访者认为，未来五年里AI不会减少自己所在组织的工作岗位。近70%的受访者表示并不害怕AI取代自己的工作。希望AI帮助自己处理一些令人厌烦的任务的受访者比例与此近似。不过，受访者普遍同意，AI既要求员工在未来五年里学习新的技能，又会强化他们目前的能力（参阅图12）。

综合来看，调查结果倾向于调整，而非消灭。MIT斯隆管理学院Schussel Family教席教授埃里克·布莱恩乔弗森（Erik Brynjolfsson）说：“即使AI迅速进步，也不可能迅速取代大部分工作。不过在几乎所有行业，都会有运用AI的人逐渐取代不用AI的人，这个趋势只会越来越快。”

改变价值创造

AI将在哪些领域创造、毁灭或改变经济价值呢？

以医疗行业为例。医疗是全世界最大、复原力最强的一个经济活动来源。医疗支出占了美国经济的1/6，在经济合作与发展组织（OECD）成员国经济中平均占到1/10。AI正在改变医疗价值链：机器读取医疗诊断图像，外科医生依靠机器人完成手术，越来越多的实时医疗设备贡献和交流数据，改进预防性和慢性医疗措施。

AI会在某一行业中创造价值，但具体到组织会受何种影响，现在尚无法确定。IT提供商、医疗制品公司、放射医师、医院、专业化的创业公司乃至保险公司，都想利用AI改善和降低诊断成本，AI对各组织的影响可能并不均衡。

现在还无法确定医疗行业中哪类组织会因AI受益。但如果解决了监管问题，这个行业可以提供大量详实的数据。正如慕尼黑再保险公司（Munich Re Group）的再保险业务发展负责人马库斯·温特（Marcus Winter）所说的，“当今世界随着大数据的迅速发展，很少有独家的数据了。多数时候我们都可以从其他渠道获得自己需要知道的信息。”换言之，数据和AI算法组合在一起，催生了新的更高效的变通方案。例如，如果诊断图像不可用，那么可以参考更准确的血样或其他体液分析来进行诊断。因此，很难预测价值创造会发生怎样的变化。

打造竞争优势

管理者希望目前AI相关产品或流程能有显著的改进。然而此举无法创造可持续的竞争优势——如果每个人都达到同样的效率，行业基线就会改变。要让AI成为未来战略的重要一环，公司必须设法让人类和电脑相互促进，创造竞争优势。要做到这一点并不容易：首先，公司需要明确数据权限，而我们看到现在许多公司做不到；其次，公司必须学习让人和机器高效合作，目前只有很少的几家先驱者公司具备这种能力；最后，公司还必须有灵活的组织结构，这意味着公司和员工都要应对文化上的转型。

如今几乎所有公司都需要应对AI的规划。多数公司并没有，已经落后的公司要努力赶上去。如果继续落后，这些公司会发现自己在行业内的处境会越来越艰难。

长远的未来

参与调查者和多数受访者都只展望了今后五年里AI带来的变化。但AI带来的更加戏剧化的影响会在10到20年内发生。在这期间，我们会看到什么？

自动完成任务，不等于自动完成工作。历史表明，工作随着任务变化而演进。BP的艾哈迈德·哈什米说，公司的工程师曾经花大量时间寻找数据组织成报告，但“现在这个过程交给AI了。我们有一个数据库，让工程师可以访问所有数据。工程师的数量没变，但他们更多的精力用在改进业务，而不是寻找数据之类的准备工作。”换言之，在高科技行业，将重复性的任务交给AI，并不代表将全部工作交给AI。

AI创造就业。组织对AI依赖度提升，在满足目前需求的同时会创造新的需求。例如，保险公司的工作位列“濒危工种”榜首，但AI同时也拓宽了可保险事件的范畴。怡安风险咨询（Aon Risk Solutions）COO詹姆斯·普拉特（James Platt）曾说过，“人们想确保自己避免的许多事情，比如品牌和名誉风险，或者更广泛的网络安全保险，现在已经‘不可确保’。没有人能提供这种保险。”现在有了新的风险评估方式，保险公司可以开始提供这类新服务了。杜克大学人类及自动实验室（Humans and Autonomy Laboratory）总监米西·康明斯（Missy Cummings）说：“我们通常不会想到的是，随着新技术带来新的业务，新的工作也会出现。”

2016年世界经济论坛（WEF）报告《未来的工作》（The Future of Jobs）指出，“目前的就业格局即将瓦解，但这种瓦解更为复杂多样，其原因不止是自动化” 。简言之，改变工作性质的不止是数字技术和AI。包括AI在内的技术变革让员工终生学习，接受事业灵活性，这已经不是新闻了，但正如WEF报告中所说的，起作用的不止是技术：“技术、社会经济、地缘政治和人口发展以及这些因素间的相互作用会催生新的工作和职位，也会部分取代或完全取代一些工作。它们会改变许多行业的工作所需要的技能，改变人们工作的方式。”我们也已经看到，数字技术被用来解决这个问题。随着AI的扩展，人类有了很多新的选择可供学习：增强现实、新的培训工具、在线教育（比如大规模开放在线课程MOOC和优达学城的“nanodegrees”）都在迅速发展。

在这样一种更为广阔的社会、人口、环境和全球政治发展的背景之下，预测AI对就业水平的影响很困难，因为这些因素相互牵扯。不过，AI可以帮助人们预测就业市场接下来的变动，发现（并满足）新的培训劳动力的需求，以此缓冲它自身及其他因素造成的影响。

即便如此，我们也不能松懈。企业不该被全球性的不确定性吓住，需要采取行动时就要采取行动。例如，印孚瑟斯为12万员工提供设计思维培训。这种新能力让员工有能力构建一系列新的基于AI的服务，也有能力将以往的业务流程自动化。