MIT重磅报告：一文看清AI商业化现状与将来

本文由 「 AI前线」原创，原文连接： MIT重磅报告：一文看清AI商业化现状与将来
做者｜MIT斯隆管理评论
编辑｜Emily

AI 前线导读：”人工智能显然已经成为 2017 年最为火热的话题之一，愈来愈多的企业开始关注并探索人工智能的相关实践。为了了解人工智能在世界范围内的落地状况，知名期刊《麻省理工大学斯隆管理评论》进行了系列分析和调查，并得出了一年一度的报告。本文旨在为读者呈现出全球企业在 AI 方面的发展计划和现状。固然，这份报告不是经过猜测和预测，而是创建在可靠的调查数据之上，麻省理工斯隆学院对全球各行业超过 3000 名高管和分析人员，以及 30 位行业专家和高管进行了深度访谈，并总结出了这份 AI 商业化报告。AI 前线翻译了报告的部份内容，但愿对各位有所帮助！”

《麻省理工大学斯隆管理评论》(MIT Sloan Management Review) 是由知名高校麻省理工大学斯隆管理学院出版发行，也是全球十大综合管理类期刊之一，世界顶级商学院专家进行研究的必备工具。

如下为报告部份内容：

概述：

企业的愿景和现实之间存在着巨大的鸿沟。报告显示，四分之三的管理者认为 AI 将会帮助公司进入新的商业领域，将近 85% 的受访者认为 AI 将会帮助公司得到或保持竞争优点。然而，目前仅有五分之一的企业已在产品或服务中采用 AI 相关技术。20 家企业中仅有一家已大规模采用 AI，而仅有不到 39% 的企业已将 AI 做为公司的发展战略。员工数超过 10 万人的大公司表示均有制定 AI 战略的计划，但实际上只有一半企业已经制定了 AI 发展战略。

咱们的调查发现，那些已经理解和采用 AI 的公司——先锋企业，与落后的企业之间有着巨大的鸿沟。其中一个至关大的差别是数据获取的方式。AI 算法不是生来就是“智能”的，它们只有经过不断分析数据才会变得“聪明”。虽然大多数公司管理层对 AI 很是感兴趣，已经创建起强大的数据架构，但仍有不少公司缺少数据分析的经验或数据获取的渠道。咱们的报告揭示了人们对 AI 训练所必需的资源方面的一些误解。先锋企业不只比落后企业在 AI 训练所须要的资源方面有更深的理解，并且更倾向于在领导决策和 AI 商业落地层面给予 AI 发展更多的支持。

关于该报告：

为了解 AI 相关的挑战和机遇，MIT 斯隆管理学院和波士顿咨询公司合做，联合完成了一年一度的调查报告，受访者来自全球逾 3000 名企业和组织的管理者、经理和分析专家。

该调查报告于 2017 年春季进行，获取了来自全球 112 个国家，21 各行业，各类规模的企业和组织管理人员对于 AI 的见解。其中，超过三分之二的受访者来自美国以外的国家和地区，样原本源多样，包括《MIT 斯隆管理学院评论》的读者和其余的团体。

此外，咱们还采访了来自不一样行业和学术界的管理人员做为补充，以了解现在企业面对的实际问题，他们的观点丰富了对数据的理解。

在此报告中，咱们使用了牛津字典对”artificial intelligence“的定义：”AI 是指计算机系统可以完成一般须要人类智能才能完成的任务，例如视觉感知、语音识别、决策、语言翻译。“

然而，随着 AI 的发展，人们对 AI 的理解和定义在不断发正变化。

AI 在实际工做中

AI 对管理和组织实践会产生影响。如今已经有不少企业和组织使用不一样的人工智能模型，但灵活性还是全部模型的核心。在一些管理者看来，对于大公司，完成应用人工智能所需的文化变革将是一个艰巨的任务。

咱们的受访者比那些可能会因 AI 而失业的人对 AI 更为乐观，他们中的大多数管理者并不认为人工智能会在将来五年内致使他们的公司大规模裁人。 相反，他们但愿人工智能将代替人类完成一些无聊和让人不愉快的任务。

Airbus（空中客车公司）是欧洲一家民航飞机制造公司，总部设于法国布拉尼亚克。随着 Airbus 开始增长 A350 飞机（新产品）的产量时，该公司面临着资金方面的挑战。用 Matthew Evans（一家位于法国图卢兹的数字化转型公司的副总裁）的话来讲：“咱们的计划是之前所未有的速度提升飞机的生产率。要作到这一点，咱们须要解决快速响应生产中断等常见故障问题。“

为此，Airbus 将目光转向了人工智能，以将过去的生产计划数据与 A350 程序的持续输入、模糊匹配，以及自主学习算法结合起来，识别生产问题的模型。在某些领域，该系统几乎能够实时地匹配以前采用的 70% 的生产中断解决方案。Evans 描述了 AI 是如何让整个 Airbus 生产线快速学习，并应对业务上的挑战：

“系统所作的事情实质上是查看问题描述，并理解全部的上下文信息，而后将其与问题自己的描述进行匹配，进而为用户提出建议。虽然对系统来讲这多是新的问题，但其实可能在一周前的生产线，或在生产线不一样的班次或部分遇到过相似的问题。这使得咱们可以将处理生产中断所需的时间缩短三分之一以上。”Evans 表示。

采用人工智能让 Airbus 可以更快速、更有效地解决业务问题（例如代替人力，对数百甚至数千个案例进行缘由分析）。

正如 AI 提升了 Airbus 公司的业务处理速度和效率同样，其余应用了 AI 的组织也开拓出更新、更好的处理程序，如 BP、Infosys、Wells、法戈和平安保险等大公司已经在使用 AI 解决重要业务问题。然而，仍有其余的组织还没有开始采用 AI。

各行业对 AI 的高指望

各个行业、各类规模和不一样地域的公司对 AI 均抱有很高的指望。虽然目前大多数高管尚未看到人工智能的实质性影响，但他们显然指望在将来五年能够看到。在全部的组织中，只有 14％的受访者认为人工智能目前在其组织产品中有很大（很是大或巨大）的影响。可是，63％受访者表示但愿在将来五年内能够看到效果。

图 1：各行业对将来五年内 AI 将对企业产品产生影响的指望持续增加

图 2：各行业对采用 AI 将对工做流程产生影响的预测

人工智能将对公司产品产生影响，各个行业总体上期待值一直很高。（见图 1）在技术、媒体和电信行业中，有 72％的受访者预计，将来五年人工智能会产生较大的影响，比报告中目前认为 AI 会对企业产生较大影响的受访者数量高出 52%。然而，即便公共部门（对人工智能效应整体预期最低的行业）也有 41％的受访者预计，五年内人工智能产生的巨大影响将比目前的水平提升 30%。不一样规模和地区的组织均对 AI 持看涨的态度。

在组织内部，受访者对人工智能将对流程产生巨大影响也抱有一样的高度指望。15％的受访者表示人工智能对当前流程有很大的影响，超过 59％的受访者预计在五年内会出现较大的影响。 （见图 2）大多数组织预计 AI 将对信息技术、运营和制造、供应链管理，以及面向客户的活动产生巨大的影响。（图 3）例如：

信息技术业：业务流程外包提供商是一个能够证实人工智能潜力的例子。Infosys 公司 CEO 兼董事总经理 Vishal Sikka 1 表示：“Infosys 在 IT 服务业举足轻重，这个行业在过去的 20 年左右发展迅猛。”许多被转移到低劳动力成本国家的工做是比较机械的工做：系统管理、IT 管理、商业运营、认证。随着 AI 技术的发展，咱们的系统能够代替人类完成这些工做。虽然咱们还处于完成工做的初始阶段，可是再过几年，系统将能够完成大部分，甚至所有此类工做。然而，AI 技术能够完成目前存在的、分工明确的任务，一样也能够创造不存在的、新的、具备突破性的工做。“

受影响最大的行业

图 3：大多数企业预计 AI 将对 IT、运营和面对消费者的行业产生巨大影响

运营和制造业：工业企业的高管预计，AI 将会对运营和制造业产生的影响将最大。例如，BP plc 经过人工智能提升人的技能，以改善现场操做能力。Upstream Technology 全球负责人 Ahmed Hashmi 表示：“咱们设有一个 BP 钻井顾问的 AI“岗位”，它从钻井系统中提取数据，为工程师提供调整钻井最佳区域参数的建议，并提醒他们潜在的操做异常和风险。咱们尝试自动分析失败的缘由，并训练系统进行快速评估，并根据描述进行预测。

面向客户的业务：市值 1200 亿美圆的中国第二大保险公司——中国平安保险股份有限公司（中国第二大保险公司），正在经过人工智能改善其保险和金融服务组合，为客户提供更好的服务。例如，平安如今能够在三分钟内提供在线贷款，这部分归功于一个内部开发的基于人脸识别功能的客户评分工具，它比人类的精准度更高。这个工具已经验证了 3 亿多人的面孔并用于各类用途，对平安的认知 AI 功能，包括语音和图像识别进行了补充。

采用 AI 带来的机会和风险

图 4：80% 以上组织认为 AI 是战略性机遇，将近 40% 将其视为战略性风险

虽然高管对人工智能的指望值高涨，但同时也认识到其潜在风险。Sikka 对 AI 持乐观但又谨慎的态度：“从 1956 年起，纵观 AI 的历史，咱们会发现 AI 的发展经历太高峰，也经历太低谷，如今咱们正处于一个 AI 发展火爆的时代，一切都彷佛预示着 AI 处于快速发展的时期。“超过 80％的受访高管正瞄准这个高峰，把人工智能看做一个战略性的机遇。（见图 4）事实上，50％的受访者只看到人工智能是一个机遇。而另外一些人则看到了 AI 竞争加重的潜力，以及将会带来的风险和收益。另外，有 40％的管理者将人工智能视为战略性风险。而仅有 13％受访者认为人工智能既不是机会，也不也是风险。

人们对 AI 商业化的高指望值和兴趣背后意味着什么呢？咱们没有一个简单的解释。（见图 5）大多数受访者认为，人工智能将使组织受益，例如带来新业务或下降成本 ; 84％的人认为，Al 将让他们的组织得到或维持竞争优点。四分之三的管理者认为，人工智能将带领他们进入新的业务领域。

同时，高管们意识到，他们的组织不多是 AI 的惟一受益者。受访者预计，新入局和已经进入的组织都一样有获益的可能性。四分之三的受访者预计，新的竞争者将经过 AI 进入市场，而 69％的受访者预计，目前的竞争对手将会在他们的业务中采用人工智能。此外，他们意识到，他们的商业生态系统中供应商和客户将愈来愈指望他们可以使用 AI 提供服务。

AI 采用和理解上的差别

尽管人们对 AI 抱有很高的指望，但商业化应用开发还处于初级阶段，即指望与行动之间存在着巨大的鸿沟。尽管五分之四的高管认同人工智能是他们的一次战略性机遇，但只有五分之一的组织已经在某些产品和流程中采用人工智能。仅有二十分之一的企业在其产品或流程中普遍地引入了人工智能。（见图 6）

采用 AI 的缘由

图 5：组织指望经过采用 AI 得到竞争优点，但竞争对手的加入使得竞争加重

图 6：目前，仅有四分之一的企业采用了 AI 技术

组织采用 AI 状况的差别性是很惊人的，特别是在同一行业。例如，旗下有 110 名数据科学家的中国平安已经推出了约 30 个 CEO 发起的人工智能计划，部分缘由是为了响应“技术是推进公司 2018 年快速增加关键动力的口号，“平安首席创新官 Jonathan Larsen 说道。然而，与保险行业的其余领域造成鲜明对比，其余大公司的人工智能计划仅限于”聊天机器人产品的试验。“这家大型保险公司的高管如此描述其公司的 AI 项目。

另外，报告显示，企业对于 AI 的理解也是截然不同。例如，16% 的受访者一致认为公司理解开发 AI 相关产品和服务产生的成本。然而，17% 的受访者表示其所在组织并不理解相关成本的产生。类似地，19% 的受访者认为所在企业理解训练 AI 所需的数据投入，16% 则不一样意这一观点。

根据对 AI 的理解和采用程度，企业的成熟度能够分为四种类型：先锋、研究者、实验者和消极者。

• 先锋（19％）：了解并采用 AI 的组织。这些组织在将 AI 融入其组织产品和内部流程方面处于领先地位。
• 研究者（32％）：了解人工智能，但仅限于试验 AI 阶段的组织。这些组织对 AI 具备前瞻性的理解。
• 实验者（13％）：试点采用人工智能，但对其缺少深刻了解的组织。这些组织在实践中学习 AI。
• 消极者（36％）：没有采用或不了解 AI 的组织。

既然组织对 AI 的指望如此之高，那么是什么在阻碍企业采用 AI 呢？即便在一贯具备整合新技术和管理数据理念的行业中，推广人工智能的障碍也很难克服。例如，在金融服务方面，瑞银集团（UBS）首席投资官西蒙·斯迈尔斯（Simon Smiles）就这样说道：“大型金融机构在业务中更积极地利用技术（包括人工智能）和数据，为终端用户提供更好的客户体验的潜力是巨大的。但问题在于，这些传统机构是否真的可以抓住机遇。“抓住人工智能带来的机遇须要组织的承诺，并跨越许多伴随着人工智能而来的不可避免的挑战。

然而，致使这些差别的缘由较少涉及技术限制，而更多的是商业。整体而言，受访者将竞争投资重点和不清晰的商业案例列为部署 AI 的更大的障碍，排在技术障碍以前。Airbus 的 Evans 指出了关键性的区别所在：“严格来讲，咱们不投资人工智能、天然语言处理和图像分析。相反地，咱们投资是由于要解决具体的业务问题。“Airbus 采用人工智能，是由于它能解决业务问题 ; 向人工智能投资比向其余方向投资更有意义。

瑞银集团的 Smiles 称，组织要面临的困难其实不一而同。对于大公司和金融科技创业公司，他说道：“它们之间存在着巨大的差别，前者的规模让他们足以开发比较大的平台，然后者虽然有更先进的模式，可是缺少客户和相关数据来充分利用这个机会。“这样的差别致使不一样组织人工智能采用率上的差别。

图 7：先锋企业采用 AI，而消极者企业人不理解 AI

采用 AI 的障碍

这些组织分为不一样的类型代表他们采用 AI 所面临的障碍不一样，进而影响了 AI 的采用率。（见图 6）先锋组织已经克服了理解上问题：这些公司中有四分之三已经有了 AI 实践的商业案例。领导组织 AI 计划的高级管理人员面临的最大障碍，是如何挖掘 AI 人才，并得到优先投资，他们也更容易接受人工智能所带来的安全问题。相比之下，被动者型组织尚未认识到 AI 能为他们作什么，也并未肯定符合他们投资标准的商业实践案例。缺少 AI 计划上的领导，技术也是一个障碍，甚至许多人还未意识到他们在挖掘人工智能人才和专家上将面临的困难。

不一样类型的组织在对 AI 的理解上业存在着巨大差别。

• 商业潜力：人工智能可能会改变组织创造商业价值的方式。报告显示，先锋（91％）和研究者（90％）比实验者（32％）和消极者（23％）组织更能意识到 AI 对商业的影响。Airbus 的 Evans 表示：“咱们只是在尝试解决飞机产品的服务问题。“
• 工做场所的影响：现现在，在工做场所把人类和机器的能力结合起来是需首要解决的问题。人工智能在很大程度上改变了平常的工做环境。先锋和研究者组织可以更好地意识到，工做场所中的机器将改变组织内的行为。麻省理工学院航空学副教授 Julie Shah 说道：“即便你能够开发一个针对某项任务（目前由人类完成）的系统，但除非流程中彻底不须要人类工做，不然就会有新的问题产生，由于人类在协调工做，以及协助 AI 系统之间进行交流必不可少。这样的交流问题仍然是咱们亟待解决的难题。

行业环境

企业是在行业规则和环境下运行的；实验者和消极者的受访者并未感觉到 AI 将会对行业生态产生多大的影响。

数据、训练和算法需求

图 8：不一样类型组织对 AI 相关技术和商业环境的理解程度不一样

也许四种类型的组织最大的区别，在于它们对数据和 AI 算法之间独立性的理解存在的误差。先锋对训练算法过程、AI 产品服务开发成本、训练算法所需数据的了解程度分别是消极者组织的 12 倍、10 倍和 8 倍。（见图 8）

参与调查的大多数组织都对他们的数据进行 AI 算法训练的必要性了解不深，以解决相似于 Airbus 在应用 AI 的过程当中所遇到的问题。不到一半的受访者表示，他们的组织理解训练算法的过程和算法的数据需求。

AI 产生业务价值，与 AI 算法的有效训练直接相关。许多现有的 AI 应用程序都是从一个或多个“裸”算法开始，只有通过训练（主要是公司特有的数据）才会变得智能化。成功的训练取决于完善的信息系统，可将相关培训数据汇总在一块儿。许多先锋组织已经拥有强大的数据和分析基础设施，同时对开发人工智能算法数据所须要的知识有普遍的理解。相比之下，研究者和实验者组织却由于他们几乎没有分析经验，空有一座“数据孤岛”而备受困扰。超过一半的先锋组织对数据和训练进行了大量投资，但其余类型的组织在这方面的投资却甚少。例如，只有四分之一的研究者组织在人工智能技术、训练人工智能算法所需的数据，以及训练过程方面进行了大量投资。

关于 AI 数据的误解

咱们的研究代表，不少组织对数据有一些误解。其中一个误解是，无需足够的数据，仅靠复杂的 AI 算法就能够提供有价值的业务解决方案。微软的数据科学总监 Jacob Spoelstra 指出：

“我认为从人们对经过机器学习能够完成的事情的理解仍是至关不成熟的。一个常见的误解是，一些企业并无能够从中提取算法，以作出预测所需的历史数据。例如，他们请咱们为他们创建一个预测性维护解决方案，可是咱们发现有记录的故障不多。他们但愿 AI 在没有学习数据的状况下可以预测何时会出现故障。”Jacob 如此说道。

没有任何一个算法能够克服缺少数据的问题。这一点在全部企业但愿 AI 能为他们的前沿业务带来进步提高时，显得尤其重要。

他们对于数据错误的认识不足：只有积极的结果对于训练 AI 来讲是不够的。Citrine Informatics 是一个帮助加速产品开发的 AI 平台，使用相关研究机构提供的公开实验（成功实验）和为公开实验（包括失败的实验）数据。Citrine 的联合创始人兼首席科学家 Bryce Meredig 说道：“失败的数据几乎从未被公布过，但负面结果语料库对创建一个没有偏见的数据库相当重要。经过这种方法，Citrine 能够将研发时间缩短一半，以知足特定的应用需求。Gore-Tex 防水面料的开发商 W.L.Gore＆Associates 公司也一样记录了成功和不成功的结果，这推进了他们的创新，了解不起做用的因素有助于帮助他们的下一步探索。

若是数据质量足够好，有时复杂的算法能够克服数据有限的障碍，但糟糕的数据只会致使算法瘫痪。数据收集和准备一般是开发 AI 的应用程序过程当中最耗时的活动，比选择和调整模型耗时得多。正如 Airbus 的 Evans 所说：

“因为可以重复使用以前所建项目的资源，使得他们在成本下降的状况下工做效率更高，从而为数据湖增长更多的价值和更多的业务内容。”

先锋组织明白，他们的数据基础设施对于 AI 算法的价值。

此外，公司有时错误地认为，他们已经有权访问创建 AI 算法的数据。对于整个行业来讲，数据全部权对管理者来讲都是一个棘手的问题。一些数据是企业有的，他们彷佛没什么理由共享出来。而其余数据源分散，为得到训练 AI 系统的更完整的数据，他们须要与其余多个组织进行整合，达成协议。在其余状况下，重要数据的全部权多是不肯定的或有争议的。理论上，靠 AI 得到商业价值是可能的，但在实践中却很难实现。

即便组织拥有所需的数据，多个系统之间分散也会阻碍 AI 算法的训练过程。富国银行公司风险模式执行副总裁 Agus Sudjianto 这样说道：

咱们的工做很大一部分是处理非结构化数据（如文本挖掘），并分析大量事务数据，查看模型，致力于不断改进客户体验以及客户勘察、信贷审批和金融犯罪检测等方面的决策。在全部这些领域，应用 AI 都有很大的机会，可是在一个很是庞大的组织中，数据每每是分散的。这是大公司要解决的核心问题——战略性地处理数据。

自建 vs 购买

使用合适的数据来训练人工智能算法的需求，对公司面临技术投资时决定自建仍是购买系统有着很大的影响。AI 产生价值是一件比单纯地创建或购买 AI 复杂得多的事情。训练 AI 算法涉及多种技能，包括理解如何构建算法，如何收集和整合相关数据用于训练，以及如何监督算法的训练。 “咱们必须引进不一样学科的人才。固然，咱们须要机器学习和 AI 研究人员，“Sudjianto 说道，“可以领导 AI 项目的人才很是重要。”

先锋组织很是依赖于经过培训或聘用人才来提升工做人员的技能。对 AI 理解不深，缺少经验的组织倾向于外包 AI 相关业务，但这样的模式自己是有问题的。（见图 9）

图 9：先锋组织经过训练和招聘得到 AI 相关技能，而消极者企业更多地依靠外包资源

一家大型制药公司的 CIO 认为，AI 服务商提供的产品和服务水平就像是“小孩子”同样。AI 技术供应商要求提供大量的学习数据，把 AI 训练成 1七、18 岁智力的投入入不敷出，他对此表示失望。

为了得到 IT 管理相似的功能，不少公司选择把整个流程外包。固然，尽管这些工做外包出去，他们也还须要本身人了解如何解决问题、处理数据，以及当机遇来临时可以有意识。

“五年以前，咱们能够经过外包得到成本较低的人力去作此类工做，同时供应商能够自动处理这些工做，但每每是咱们的系统使用咱们的框架，可是用的是他们的技术。这样的方法显然不适用于公司的特定需求和核心业务。

微软研究室主任 Eric Horvitz 认为，“市面上已经有不少好用的 AI 算法和工具，包括 Google 的 TensorFlow，GitHub 和来自技术供应商的应用程序编程接口。可是，由于这是一个竞争激烈的领域，虽然外界提供的工具和服务愈来愈便利，但并不意味着企业不须要拥有本身的内部专家，对于每一个组织而言，拥有本身的机器学习和 AI 技术仍是很是重要的。“

隐私和管理

图 10：先锋组织将公司放在管理和领导维度之上

训练 AI 所需的数据和算法能达到必定的准确性和性能还不够，遵循隐私问题和相关法规也是一个须要提上议程的问题。然而，在咱们的调查中，只有一半的受访者认为其所在的行业已经造成了数据隐私相关的规则。

具备强大的数据管理实践能力才能保障数据隐私。先锋（73％）比实验者（34％）和消极者（30％）组织更有可能有良好的数据管理实践。（见图 10）这个巨大的鸿沟是落后企业面临的另外一个挑战。

在监控较为严格的行业，例如保险行业中产生数据隐私问题的可能性较大，这些行业处于从基于风险池的模式向综合预测具体风险元素的风控方法转变。但有些元素在法律上是禁止使用的，例如，虽然性别和宗教因素能够用来预测一些风险，但在某些应用和司法管辖区，监管机构是不能接受这些信息被使用的。

其余金融市场的监管机构也有严格的透明度要求。正如富国银行的 Sudjianto 所说：“模型必须很是很是透明，并始终接受监管机构的审查。咱们不使用机器学习的缘由在于，监管要求解决方案少一些“黑匣子”，以便监管机构监察。可是咱们使用机器学习算法来评估模型的非线性结构、变量和功能，并做为传统模型表现的基准。

随着技术竞争也来越激烈，企业和公共部门在 AI 计划、隐私保护和客户服务之间的规则愈来愈细化。一些金融服务提供商正在使用语音识别技术识别来电客户，以节省验证身份的时间。客户对此表示欢迎的部分缘由是他们喜欢这项服务，而且相信公司不会滥用用户的数据。技术服务商还提供人工智能服务，使用用户的语音数据，帮助呼叫中心运营商实时进行客户的情绪分析。然而，不太受欢迎的应用程序可能即将出现。几年后，中国安装的 1.7 亿台摄像机和美国 5000 万摄像机可以识别出人脸。事实上，听说上海已经应用这些图像数据源来惩罚街头流浪者。

技术以外：管理挑战

AI 须要的不只是数据，组织在引入 AI 时也面临着许多管理方面的挑战。

不出所料，先锋组织的受访者对其所在公司的整体管理和领导力方面：愿景和领导力、开放性和变革能力、高瞻远瞩的思惟、业务和技术战略之间的紧密结合，以及有效的合做方面评价更高。与其余技术驱动的转型同样，这些是公司保持良好经营情况必不可少的能力。

可是，公司在管理方面也面临一些具体的挑战：高管可能仍然须要

（1）更深刻地了解更 AI;

（2）深化理解如何将业务与 AI 结合 ;

（3）以更广阔的视野看待业务竞争格局。

挑战 1：培养了解 AI 的直观思惟

管理人员和其余管理人员至少须要对人工智能有基本的理解，这一观点获得了高管和学者的一致赞同。TIAA 公司企业数据管理总监 JD Elliott 补充说：“我不认为每一个前线经理都须要了解神经网络深度学习和浅层学习之间的差别。可是，对于依靠分析和数据，而不是直觉可以产生更好、更准确结果，咱们须要有一个基本的认识，这是很是重要的。“多伦多大学罗特曼管理学院市场营销学教授 Avi Goldfarb 指出：“咱们会担忧一个不成熟的管理者在看到一次预测以后就下结论认定这个模型好或很差。”麻省理工学院媒体实验室主任认为，“每一个经理都必须对 AI 有一个直观的理解。”

管理者应该花一些时间来学习基础知识，好比能够从简单的在线课程或在线工具开始。了解程序如何从数据中学习，也许是他们理解人工智能如何让业务受益的最重要的方法。

图 11：虽然大多数组织认为发展 AI 刻不容缓，但只有一半已采用 AI

挑战 2：组织 AI 部门

调查发现，这些公司为发展 AI 进行了不少探索。先锋组织选择的 AI 部门组成类型均匀分布在集中、分散和混合型。研究者和实验者组织也倾向于选择混合型的组织方法，但两种类型的企业中均仅有 30% 的 AI 部门有明确的职责。约有 70% 的消极者组织还未开始明确 AI 部门的职责，也许部分缘由是不足 50% 的消极者组织认为，AI 在将来五年会对其工做流程和产品产生较大影响。

最后，混合型组织方式可能对于大多数企业来讲意义更大，由于他们须要集中化和本地化的 AI 资源。以 TIAA 为例，其拥有一个高性能的数据分析中心和一些分散的团体。“整个组织的数据分析工做不全由数据中心来完成，它为其余内部 AI 部署和分析团队提供专业知识、指导和方向。

而四种类型组织均将文化列在采用 AI 面临的障碍中相对靠后的位置，仅有一半的受访者表示公司理解 AI 须要的知识和技能方面的挑战。平安执行副总裁 Jessica Tan 表示，其公司面临的最大挑战是各部门之间的配合，以及创建集中和分散式的科技团队，他们须要三种人才：能够用不一样方法工做的技术人员；了解特定商业领域的技术人员，以及有组织、咨询能力或项目经验的人。

接下来怎么作？

人工智能只是公司完成总体数字化转型的一个要素，仍是探索人工智能须要另辟蹊径？一方面，AI 和其余数字技术同样存在许多相同的问题和挑战，公司能够经过多种方式创建数字和分析程序。但另外一反面，AI 也具备鲜明的特色。

确保客户的信任。人工智能的功能相似于许多数字计划，它们依赖于客户数据，客户也信任公司会尊重和保护他们的我的数据。可是，确保人工智能值得信赖的方法与其余数据相关的数字计划有所不一样。首先，管理者可能没法准确解释客户的我的数据会如何被用来生产某些 AI 产品，由于一些机器学习程序的内部运做是不透明的。其次，愈来愈多的人工智能系统可以模仿人类的代理人，在这种状况下，管理者有责任明确地与客户沟通，告知他们是在与机器仍是与人类交流。第三，一些人工智能系统可以远程评估人类的情绪，识别细节。这种能力会产生新的信息管理问题，包括哪些员工能够访问这些信息，以及在什么状况下能够访问等。

进行一次 AI 健康检查。这与数字健康检查有一些类似之处，从支持基础架构的程序、技术、流程，以及快速响应故障进行检查。与许多数字计划同样，人工智能的成功取决于数据来源的访问权（内部或外部），以及对数据基础架构的投资。大公司可能拥有他们所须要的数据，可是若是这些数据是分散、孤立的，则会大大限制其战略的发展和进步。与其余数字计划不一样的是，人工智能健康检查包括对正确执行人工智能训练所需的技能进行评估，包括训练系统变得更聪明，直至部署后继续学习的全过程。

认识到不肯定性。公司一般经过预估一个项目创造的价值和所需时间来肯定其优先级，可是 AI 进行实验和学习可能会比其余数字计划花费更多的时间，成功和失败的不肯定性更高。所以，管理者须要认识到这种不肯定性。

基于场景须要。与数字相同，人工智能有可能改变企业创造价值的方式。AI 须要更激进的思惟，所以，企业须要更加普遍地思考本身的业务，构建连贯的应用场景，并测试这些场景对计划的依赖性。这种基于场景的计划将提升系统识别有可能将触发影响业务的大事件的能力。

重视劳动力问题。人工智能会影响人们的工做和事业已成事实，也会形成社会的不安。所以，创建一个 AI 计划相关的工做项目是十分必要的，这个项目应包括 AI 相关的知识交流、教育和培训。另外，吸引和训练对 AI 感兴趣的人才，将商业和技术结合起来也变得很是重要。

AI 的将来之路

人工智能的采用可能会对工做，价值创造和竞争优点产生深远的影响。在将来，企业应该如何应对这些变化呢？

将来的工做

图 12：组织对 AI 将来五年内将对劳动力产生的影响持谨慎乐观的态度

随着人工智能日益应用于知识相关工做，此前有众多预测称，AI 将使得工做场所发生重大转变。相反地，咱们的报告显示，多数企业对这个问题持谨慎乐观的态度。例如，大多数受访者并不认为人工智能会在将来五年内致使其组织中的工做岗位减小。近七成的受访者表示，他们并不担忧 AI 会取代他们的工做。至关一部分的受访者表示但愿 AI 能够代替他们作一些无聊或让他们感到不愉快的任务。然而，受访者一致认同，AI 将迫使员工在将来五年内学习新的技能，并提升现有技能。（见图 12）麻省理工大学斯隆管理学院 Schussel Family 教授 Erik Brynjolfsson 说道：“即便发展迅速，人工智能也不会很快取代大部分人类的工做。但几乎在每一个行业中，使用人工智能的人都会替代不使用人工智能的人，而这种趋势只会加重。“

价值创造发生变化

人工智能在哪些领域将会创造、摧毁或转移经济价值呢？

健康护理支出在美国经济总量中的占比达六分之一，平均约为经济合做与发展组织（OECD）成员国的十分之一。

AI 已经在改变医疗产值链：机器能够读取诊断图像，外科医生愈来愈依赖机器人，而且愈来愈多的实时医疗设备数据能够改善疾病预防和慢性疾病护理。

虽然人工智能能够在一个行业内创造价值，可是究竟哪一个领域的产值将所以上升，哪些将降低仍是一个未知数。当 IT 服务商、医疗技术公司、放射科医生网、医院、创业公司，甚至保险公司都开始利用人工智能来下降诊断成本时，人工智能的影响可能会发生不均衡的情况。

所以，如今就下结论说哪一种类型的组织可能从医疗保健 AI 中获益还为时过早。正如慕尼黑保险集团业务负责人马库斯·温特（Marcus Winter）所言：“在当今世界，随着大数据的普及，仅有少数几个独家数据集。大多数状况下，咱们能够经过其余来源得到咱们须要的信息。“换句话说，数据和 AI 算法的结合能够创造新的更有效的解决方法。例如，当诊断成像不可用时，更准确地分析血液或其余体液样本可能有助于诊断。这样，价值创造的变化其实很难预测。

保持竞争优点

许多公司的管理人员都专一于如何经过 AI 显著改善现有的流程和产品的性能。然而，仅仅改进产品并不能创造可持续性的竞争优点——当每一个人的效率都提升到相同水平时，基准会相应地发生变化。要想经过 AI 得到竞争优点，企业必须明白如何将人类和计算机的优点结合起来，创造最大的竞争优点。而这这并不容易：企业须要得到数据的访问专权，而这是目前不少公司所作不到的。他们必须学会如何让人和机器高效地共同工做，这是一个目前的先锋组织都不具有的能力。他们须要创建灵活的组织结构，而这意味着企业和员工须要经历一次文化大变革的洗礼。

更多干货内容，可关注AI前线，ID：ai-front，后台回复「AI」、「TF」、「大数据」可得到《AI前线》系列PDF迷你书和技能图谱。