MIT重磅報告：一文看清AI商業化現狀與將來

本文由 「 AI前線」原創，原文連接： MIT重磅報告：一文看清AI商業化現狀與將來
做者｜MIT斯隆管理評論
編輯｜Emily

AI 前線導讀：」人工智能顯然已經成爲 2017 年最爲火熱的話題之一，愈來愈多的企業開始關注並探索人工智能的相關實踐。爲了瞭解人工智能在世界範圍內的落地狀況，知名期刊《麻省理工大學斯隆管理評論》進行了系列分析和調查，並得出了一年一度的報告。本文旨在爲讀者呈現出全球企業在 AI 方面的發展計劃和現狀。固然，這份報告不是經過猜測和預測，而是創建在可靠的調查數據之上，麻省理工斯隆學院對全球各行業超過 3000 名高管和分析人員，以及 30 位行業專家和高管進行了深度訪談，並總結出了這份 AI 商業化報告。AI 前線翻譯了報告的部份內容，但願對各位有所幫助！」

《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。

如下爲報告部份內容：

概述：

企業的願景和現實之間存在着巨大的鴻溝。報告顯示，四分之三的管理者認爲 AI 將會幫助公司進入新的商業領域，將近 85% 的受訪者認爲 AI 將會幫助公司得到或保持競爭優點。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，而僅有不到 39% 的企業已將 AI 做爲公司的發展戰略。員工數超過 10 萬人的大公司表示均有制定 AI 戰略的計劃，但實際上只有一半企業已經制定了 AI 發展戰略。

咱們的調查發現，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着巨大的鴻溝。其中一個至關大的差別是數據獲取的方式。AI 算法不是生來就是「智能」的，它們只有經過不斷分析數據纔會變得「聰明」。雖然大多數公司管理層對 AI 很是感興趣，已經創建起強大的數據架構，但仍有不少公司缺少數據分析的經驗或數據獲取的渠道。咱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。先鋒企業不只比落後企業在 AI 訓練所須要的資源方面有更深的理解，並且更傾向於在領導決策和 AI 商業落地層面給予 AI 發展更多的支持。

關於該報告：

爲了解 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做，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 各行業，各類規模的企業和組織管理人員對於 AI 的見解。其中，超過三分之二的受訪者來自美國以外的國家和地區，樣原本源多樣，包括《MIT 斯隆管理學院評論》的讀者和其餘的團體。

此外，咱們還採訪了來自不一樣行業和學術界的管理人員做爲補充，以瞭解現在企業面對的實際問題，他們的觀點豐富了對數據的理解。

在此報告中，咱們使用了牛津字典對」artificial intelligence「的定義：」AI 是指計算機系統可以完成一般須要人類智能才能完成的任務，例如視覺感知、語音識別、決策、語言翻譯。「

然而，隨着 AI 的發展，人們對 AI 的理解和定義在不斷髮正變化。

AI 在實際工做中

AI 對管理和組織實踐會產生影響。如今已經有不少企業和組織使用不一樣的人工智能模型，但靈活性還是全部模型的核心。在一些管理者看來，對於大公司，完成應用人工智能所需的文化變革將是一個艱鉅的任務。

咱們的受訪者比那些可能會因 AI 而失業的人對 AI 更爲樂觀，他們中的大多數管理者並不認爲人工智能會在將來五年內致使他們的公司大規模裁人。 相反，他們但願人工智能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制造公司，總部設於法國布拉尼亞克。隨着 Airbus 開始增長 A350 飛機（新產品）的產量時，該公司面臨着資金方面的挑戰。用 Matthew Evans（一家位於法國圖盧茲的數字化轉型公司的副總裁）的話來講：「咱們的計劃是之前所未有的速度提升飛機的生產率。要作到這一點，咱們須要解決快速響應生產中斷等常見故障問題。「

爲此，Airbus 將目光轉向了人工智能，以將過去的生產計劃數據與 A350 程序的持續輸入、模糊匹配，以及自主學習算法結合起來，識別生產問題的模型。在某些領域，該系統幾乎能夠實時地匹配以前採用的 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：

「系統所作的事情實質上是查看問題描述，並理解全部的上下文信息，而後將其與問題自己的描述進行匹配，進而爲用戶提出建議。雖然對系統來講這多是新的問題，但其實可能在一週前的生產線，或在生產線不一樣的班次或部分遇到過相似的問題。這使得咱們可以將處理生產中斷所需的時間縮短三分之一以上。」Evans 表示。

採用人工智能讓 Airbus 可以更快速、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緣由分析）。

正如 AI 提升了 Airbus 公司的業務處理速度和效率同樣，其餘應用了 AI 的組織也開拓出更新、更好的處理程序，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，仍有其餘的組織還沒有開始採用 AI。

各行業對 AI 的高指望

各個行業、各類規模和不一樣地域的公司對 AI 均抱有很高的指望。雖然目前大多數高管尚未看到人工智能的實質性影響，但他們顯然指望在將來五年能夠看到。在全部的組織中，只有 14％的受訪者認爲人工智能目前在其組織產品中有很大（很是大或巨大）的影響。可是，63％受訪者表示但願在將來五年內能夠看到效果。

圖 1：各行業對將來五年內 AI 將對企業產品產生影響的指望持續增加

圖 2：各行業對採用 AI 將對工做流程產生影響的預測

人工智能將對公司產品產生影響，各個行業總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，將來五年人工智能會產生較大的影響，比報告中目前認爲 AI 會對企業產生較大影響的受訪者數量高出 52%。然而，即便公共部門（對人工智能效應整體預期最低的行業）也有 41％的受訪者預計，五年內人工智能產生的巨大影響將比目前的水平提升 30%。不一樣規模和地區的組織均對 AI 持看漲的態度。

在組織內部，受訪者對人工智能將對流程產生巨大影響也抱有一樣的高度指望。15％的受訪者表示人工智能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 將對信息技術、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：

信息技術業：業務流程外包提供商是一個能夠證實人工智能潛力的例子。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做是比較機械的工做：系統管理、IT 管理、商業運營、認證。隨着 AI 技術的發展，咱們的系統能夠代替人類完成這些工做。雖然咱們還處於完成工做的初始階段，可是再過幾年，系統將能夠完成大部分，甚至所有此類工做。然而，AI 技術能夠完成目前存在的、分工明確的任務，一樣也能夠創造不存在的、新的、具備突破性的工做。「

受影響最大的行業

圖 3：大多數企業預計 AI 將對 IT、運營和麪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 經過人工智能提升人的技能，以改善現場操做能力。Upstream Technology 全球負責人 Ahmed Hashmi 表示：「咱們設有一個 BP 鑽井顧問的 AI「崗位」，它從鑽井系統中提取數據，爲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做異常和風險。咱們嘗試自動分析失敗的緣由，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 億美圓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），正在經過人工智能改善其保險和金融服務組合，爲客戶提供更好的服務。例如，平安如今能夠在三分鐘內提供在線貸款，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，它比人類的精準度更高。這個工具已經驗證了 3 億多人的面孔並用於各類用途，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% 以上組織認爲 AI 是戰略性機遇，將近 40% 將其視爲戰略性風險

雖然高管對人工智能的指望值高漲，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，咱們會發現 AI 的發展經歷太高峯，也經歷太低谷，如今咱們正處於一個 AI 發展火爆的時代，一切都彷佛預示着 AI 處於快速發展的時期。「超過 80％的受訪高管正瞄準這個高峯，把人工智能看做一個戰略性的機遇。（見圖 4）事實上，50％的受訪者只看到人工智能是一個機遇。而另外一些人則看到了 AI 競爭加重的潛力，以及將會帶來的風險和收益。另外，有 40％的管理者將人工智能視爲戰略性風險。而僅有 13％受訪者認爲人工智能既不是機會，也不也是風險。

人們對 AI 商業化的高指望值和興趣背後意味着什麼呢？咱們沒有一個簡單的解釋。（見圖 5）大多數受訪者認爲，人工智能將使組織受益，例如帶來新業務或下降成本 ; 84％的人認爲，Al 將讓他們的組織得到或維持競爭優點。四分之三的管理者認爲，人工智能將帶領他們進入新的業務領域。

同時，高管們意識到，他們的組織不多是 AI 的惟一受益者。受訪者預計，新入局和已經進入的組織都一樣有獲益的可能性。四分之三的受訪者預計，新的競爭者將經過 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能。此外，他們意識到，他們的商業生態系統中供應商和客戶將愈來愈指望他們可以使用 AI 提供服務。

AI 採用和理解上的差別

儘管人們對 AI 抱有很高的指望，但商業化應用開發還處於初級階段，即指望與行動之間存在着巨大的鴻溝。儘管五分之四的高管認同人工智能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能。僅有二十分之一的企業在其產品或流程中普遍地引入了人工智能。（見圖 6）

採用 AI 的緣由

圖 5：組織指望經過採用 AI 得到競爭優點，但競爭對手的加入使得競爭加重

圖 6：目前，僅有四分之一的企業採用了 AI 技術

組織採用 AI 狀況的差別性是很驚人的，特別是在同一行業。例如，旗下有 110 名數據科學家的中國平安已經推出了約 30 個 CEO 發起的人工智能計劃，部分緣由是爲了響應「技術是推進公司 2018 年快速增加關鍵動力的口號，「平安首席創新官 Jonathan Larsen 說道。然而，與保險行業的其餘領域造成鮮明對比，其餘大公司的人工智能計劃僅限於」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 的理解也是截然不同。例如，16% 的受訪者一致認爲公司理解開發 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。類似地，19% 的受訪者認爲所在企業理解訓練 AI 所需的數據投入，16% 則不一樣意這一觀點。

根據對 AI 的理解和採用程度，企業的成熟度能夠分爲四種類型：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％）：瞭解人工智能，但僅限於試驗 AI 階段的組織。這些組織對 AI 具備前瞻性的理解。
• 實驗者（13％）：試點採用人工智能，但對其缺少深刻了解的組織。這些組織在實踐中學習 AI。
• 消極者（36％）：沒有采用或不瞭解 AI 的組織。

既然組織對 AI 的指望如此之高，那麼是什麼在阻礙企業採用 AI 呢？即便在一貫具備整合新技術和管理數據理念的行業中，推廣人工智能的障礙也很難克服。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（包括人工智能）和數據，爲終端用戶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可以抓住機遇。「抓住人工智能帶來的機遇須要組織的承諾，並跨越許多伴隨着人工智能而來的不可避免的挑戰。

然而，致使這些差別的緣由較少涉及技術限制，而更多的是商業。整體而言，受訪者將競爭投資重點和不清晰的商業案例列爲部署 AI 的更大的障礙，排在技術障礙以前。Airbus 的 Evans 指出了關鍵性的區別所在：「嚴格來講，咱們不投資人工智能、天然語言處理和圖像分析。相反地，咱們投資是由於要解決具體的業務問題。「Airbus 採用人工智能，是由於它能解決業務問題 ; 向人工智能投資比向其餘方向投資更有意義。

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：「它們之間存在着巨大的差別，前者的規模讓他們足以開發比較大的平臺，然後者雖然有更先進的模式，可是缺少客戶和相關數據來充分利用這個機會。「這樣的差別致使不一樣組織人工智能採用率上的差別。

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

這些組織分爲不一樣的類型代表他們採用 AI 所面臨的障礙不一樣，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 計劃的高級管理人員面臨的最大障礙，是如何挖掘 AI 人才，並得到優先投資，他們也更容易接受人工智能所帶來的安全問題。相比之下，被動者型組織尚未認識到 AI 能爲他們作什麼，也並未肯定符合他們投資標準的商業實踐案例。缺少 AI 計劃上的領導，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能人才和專家上將面臨的困難。

不一樣類型的組織在對 AI 的理解上業存在着巨大差別。

• 商業潛力：人工智能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：「咱們只是在嘗試解決飛機產品的服務問題。「
• 工做場所的影響：現現在，在工做場所把人類和機器的能力結合起來是需首要解決的問題。人工智能在很大程度上改變了平常的工做環境。先鋒和研究者組織可以更好地意識到，工做場所中的機器將改變組織內的行爲。麻省理工學院航空學副教授 Julie Shah 說道：「即便你能夠開發一個針對某項任務（目前由人類完成）的系統，但除非流程中徹底不須要人類工做，不然就會有新的問題產生，由於人類在協調工做，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咱們亟待解決的難題。

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覺到 AI 將會對行業生態產生多大的影響。

數據、訓練和算法需求

圖 8：不一樣類型組織對 AI 相關技術和商業環境的理解程度不一樣

也許四種類型的組織最大的區別，在於它們對數據和 AI 算法之間獨立性的理解存在的誤差。先鋒對訓練算法過程、AI 產品服務開發成本、訓練算法所需數據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數據進行 AI 算法訓練的必要性瞭解不深，以解決相似於 Airbus 在應用 AI 的過程當中所遇到的問題。不到一半的受訪者表示，他們的組織理解訓練算法的過程和算法的數據需求。

AI 產生業務價值，與 AI 算法的有效訓練直接相關。許多現有的 AI 應用程序都是從一個或多個「裸」算法開始，只有通過訓練（主要是公司特有的數據）纔會變得智能化。成功的訓練取決於完善的信息系統，可將相關培訓數據彙總在一塊兒。許多先鋒組織已經擁有強大的數據和分析基礎設施，同時對開發人工智能算法數據所須要的知識有普遍的理解。相比之下，研究者和實驗者組織卻由於他們幾乎沒有分析經驗，空有一座「數據孤島」而備受困擾。超過一半的先鋒組織對數據和訓練進行了大量投資，但其餘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能技術、訓練人工智能算法所需的數據，以及訓練過程方面進行了大量投資。

關於 AI 數據的誤解

咱們的研究代表，不少組織對數據有一些誤解。其中一個誤解是，無需足夠的數據，僅靠複雜的 AI 算法就能夠提供有價值的業務解決方案。微軟的數據科學總監 Jacob Spoelstra 指出：

「我認爲從人們對經過機器學習能夠完成的事情的理解仍是至關不成熟的。一個常見的誤解是，一些企業並無能夠從中提取算法，以作出預測所需的歷史數據。例如，他們請咱們爲他們創建一個預測性維護解決方案，可是咱們發現有記錄的故障不多。他們但願 AI 在沒有學習數據的狀況下可以預測何時會出現故障。」Jacob 如此說道。

沒有任何一個算法能夠克服缺少數據的問題。這一點在全部企業但願 AI 能爲他們的前沿業務帶來進步提高時，顯得尤其重要。

他們對於數據錯誤的認識不足：只有積極的結果對於訓練 AI 來講是不夠的。Citrine Informatics 是一個幫助加速產品開發的 AI 平臺，使用相關研究機構提供的公開實驗（成功實驗）和爲公開實驗（包括失敗的實驗）數據。Citrine 的聯合創始人兼首席科學家 Bryce Meredig 說道：「失敗的數據幾乎從未被公佈過，但負面結果語料庫對創建一個沒有偏見的數據庫相當重要。經過這種方法，Citrine 能夠將研發時間縮短一半，以知足特定的應用需求。Gore-Tex 防水面料的開發商 W.L.Gore＆Associates 公司也一樣記錄了成功和不成功的結果，這推進了他們的創新，瞭解不起做用的因素有助於幫助他們的下一步探索。

若是數據質量足夠好，有時複雜的算法能夠克服數據有限的障礙，但糟糕的數據只會致使算法癱瘓。數據收集和準備一般是開發 AI 的應用程序過程當中最耗時的活動，比選擇和調整模型耗時得多。正如 Airbus 的 Evans 所說：

「因爲可以重複使用以前所建項目的資源，使得他們在成本下降的狀況下工做效率更高，從而爲數據湖增長更多的價值和更多的業務內容。」

先鋒組織明白，他們的數據基礎設施對於 AI 算法的價值。

此外，公司有時錯誤地認爲，他們已經有權訪問創建 AI 算法的數據。對於整個行業來講，數據全部權對管理者來講都是一個棘手的問題。一些數據是企業有的，他們彷佛沒什麼理由共享出來。而其餘數據源分散，爲得到訓練 AI 系統的更完整的數據，他們須要與其餘多個組織進行整合，達成協議。在其餘狀況下，重要數據的全部權多是不肯定的或有爭議的。理論上，靠 AI 得到商業價值是可能的，但在實踐中卻很難實現。

即便組織擁有所需的數據，多個系統之間分散也會阻礙 AI 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：

咱們的工做很大一部分是處理非結構化數據（如文本挖掘），並分析大量事務數據，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。在全部這些領域，應用 AI 都有很大的機會，可是在一個很是龐大的組織中，數據每每是分散的。這是大公司要解決的核心問題——戰略性地處理數據。

自建 vs 購買

使用合適的數據來訓練人工智能算法的需求，對公司面臨技術投資時決定自建仍是購買系統有着很大的影響。AI 產生價值是一件比單純地創建或購買 AI 複雜得多的事情。訓練 AI 算法涉及多種技能，包括理解如何構建算法，如何收集和整合相關數據用於訓練，以及如何監督算法的訓練。 「咱們必須引進不一樣學科的人才。固然，咱們須要機器學習和 AI 研究人員，「Sudjianto 說道，「可以領導 AI 項目的人才很是重要。」

先鋒組織很是依賴於經過培訓或聘用人才來提升工做人員的技能。對 AI 理解不深，缺少經驗的組織傾向於外包 AI 相關業務，但這樣的模式自己是有問題的。（見圖 9）

圖 9：先鋒組織經過訓練和招聘得到 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 認爲，AI 服務商提供的產品和服務水平就像是「小孩子」同樣。AI 技術供應商要求提供大量的學習數據，把 AI 訓練成 1七、18 歲智力的投入入不敷出，他對此表示失望。

爲了得到 IT 管理相似的功能，不少公司選擇把整個流程外包。固然，儘管這些工做外包出去，他們也還須要本身人瞭解如何解決問題、處理數據，以及當機遇來臨時可以有意識。

「五年以前，咱們能夠經過外包得到成本較低的人力去作此類工做，同時供應商能夠自動處理這些工做，但每每是咱們的系統使用咱們的框架，可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 認爲，「市面上已經有不少好用的 AI 算法和工具，包括 Google 的 TensorFlow，GitHub 和來自技術供應商的應用程序編程接口。可是，由於這是一個競爭激烈的領域，雖然外界提供的工具和服務愈來愈便利，但並不意味着企業不須要擁有本身的內部專家，對於每一個組織而言，擁有本身的機器學習和 AI 技術仍是很是重要的。「

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 所需的數據和算法能達到必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須要提上議程的問題。然而，在咱們的調查中，只有一半的受訪者認爲其所在的行業已經造成了數據隱私相關的規則。

具備強大的數據管理實踐能力才能保障數據隱私。先鋒（73％）比實驗者（34％）和消極者（30％）組織更有可能有良好的數據管理實踐。（見圖 10）這個巨大的鴻溝是落後企業面臨的另外一個挑戰。

在監控較爲嚴格的行業，例如保險行業中產生數據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能夠用來預測一些風險，但在某些應用和司法管轄區，監管機構是不能接受這些信息被使用的。

其餘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 Sudjianto 所說：「模型必須很是很是透明，並始終接受監管機構的審查。咱們不使用機器學習的緣由在於，監管要求解決方案少一些「黑匣子」，以便監管機構監察。可是咱們使用機器學習算法來評估模型的非線性結構、變量和功能，並做爲傳統模型表現的基準。

隨着技術競爭也來越激烈，企業和公共部門在 AI 計劃、隱私保護和客戶服務之間的規則愈來愈細化。一些金融服務提供商正在使用語音識別技術識別來電客戶，以節省驗證身份的時間。客戶對此表示歡迎的部分緣由是他們喜歡這項服務，而且相信公司不會濫用用戶的數據。技術服務商還提供人工智能服務，使用用戶的語音數據，幫助呼叫中心運營商實時進行客戶的情緒分析。然而，不太受歡迎的應用程序可能即將出現。幾年後，中國安裝的 1.7 億臺攝像機和美國 5000 萬攝像機可以識別出人臉。事實上，聽說上海已經應用這些圖像數據源來懲罰街頭流浪者。

技術以外：管理挑戰

AI 須要的不只是數據，組織在引入 AI 時也面臨着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整體管理和領導力方面：願景和領導力、開放性和變革能力、高瞻遠矚的思惟、業務和技術戰略之間的緊密結合，以及有效的合做方面評價更高。與其餘技術驅動的轉型同樣，這些是公司保持良好經營情況必不可少的能力。

可是，公司在管理方面也面臨一些具體的挑戰：高管可能仍然須要

（1）更深刻地瞭解更 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：培養了解 AI 的直觀思惟

管理人員和其餘管理人員至少須要對人工智能有基本的理解，這一觀點獲得了高管和學者的一致贊同。TIAA 公司企業數據管理總監 JD Elliott 補充說：「我不認爲每一個前線經理都須要瞭解神經網絡深度學習和淺層學習之間的差別。可是，對於依靠分析和數據，而不是直覺可以產生更好、更準確結果，咱們須要有一個基本的認識，這是很是重要的。「多倫多大學羅特曼管理學院市場營銷學教授 Avi Goldfarb 指出：「咱們會擔憂一個不成熟的管理者在看到一次預測以後就下結論認定這個模型好或很差。」麻省理工學院媒體實驗室主任認爲，「每一個經理都必須對 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，好比能夠從簡單的在線課程或在線工具開始。瞭解程序如何從數據中學習，也許是他們理解人工智能如何讓業務受益的最重要的方法。

圖 11：雖然大多數組織認爲發展 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，這些公司爲發展 AI 進行了不少探索。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，也許部分緣由是不足 50% 的消極者組織認爲，AI 在將來五年會對其工做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講意義更大，由於他們須要集中化和本地化的 AI 資源。以 TIAA 爲例，其擁有一個高性能的數據分析中心和一些分散的團體。「整個組織的數據分析工做不全由數據中心來完成，它爲其餘內部 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 須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，以及創建集中和分散式的科技團隊，他們須要三種人才：能夠用不一樣方法工做的技術人員；瞭解特定商業領域的技術人員，以及有組織、諮詢能力或項目經驗的人。

接下來怎麼作？

人工智能只是公司完成總體數字化轉型的一個要素，仍是探索人工智能須要另闢蹊徑？一方面，AI 和其餘數字技術同樣存在許多相同的問題和挑戰，公司能夠經過多種方式創建數字和分析程序。但另外一反面，AI 也具備鮮明的特色。

確保客戶的信任。人工智能的功能相似於許多數字計劃，它們依賴於客戶數據，客戶也信任公司會尊重和保護他們的我的數據。可是，確保人工智能值得信賴的方法與其餘數據相關的數字計劃有所不一樣。首先，管理者可能沒法準確解釋客戶的我的數據會如何被用來生產某些 AI 產品，由於一些機器學習程序的內部運做是不透明的。其次，愈來愈多的人工智能系統可以模仿人類的代理人，在這種狀況下，管理者有責任明確地與客戶溝通，告知他們是在與機器仍是與人類交流。第三，一些人工智能系統可以遠程評估人類的情緒，識別細節。這種能力會產生新的信息管理問題，包括哪些員工能夠訪問這些信息，以及在什麼狀況下能夠訪問等。

進行一次 AI 健康檢查。這與數字健康檢查有一些類似之處，從支持基礎架構的程序、技術、流程，以及快速響應故障進行檢查。與許多數字計劃同樣，人工智能的成功取決於數據來源的訪問權（內部或外部），以及對數據基礎架構的投資。大公司可能擁有他們所須要的數據，可是若是這些數據是分散、孤立的，則會大大限制其戰略的發展和進步。與其餘數字計劃不一樣的是，人工智能健康檢查包括對正確執行人工智能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。

認識到不肯定性。公司一般經過預估一個項目創造的價值和所需時間來肯定其優先級，可是 AI 進行實驗和學習可能會比其餘數字計劃花費更多的時間，成功和失敗的不肯定性更高。所以，管理者須要認識到這種不肯定性。

基於場景須要。與數字相同，人工智能有可能改變企業創造價值的方式。AI 須要更激進的思惟，所以，企業須要更加普遍地思考本身的業務，構建連貫的應用場景，並測試這些場景對計劃的依賴性。這種基於場景的計劃將提升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。人工智能會影響人們的工做和事業已成事實，也會形成社會的不安。所以，創建一個 AI 計劃相關的工做項目是十分必要的，這個項目應包括 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很是重要。

AI 的將來之路

人工智能的採用可能會對工做，價值創造和競爭優點產生深遠的影響。在將來，企業應該如何應對這些變化呢？

將來的工做

圖 12：組織對 AI 將來五年內將對勞動力產生的影響持謹慎樂觀的態度

隨着人工智能日益應用於知識相關工做，此前有衆多預測稱，AI 將使得工做場所發生重大轉變。相反地，咱們的報告顯示，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爲人工智能會在將來五年內致使其組織中的工做崗位減小。近七成的受訪者表示，他們並不擔憂 AI 會取代他們的工做。至關一部分的受訪者表示但願 AI 能夠代替他們作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 將迫使員工在將來五年內學習新的技能，並提升現有技能。（見圖 12）麻省理工大學斯隆管理學院 Schussel Family 教授 Erik Brynjolfsson 說道：「即便發展迅速，人工智能也不會很快取代大部分人類的工做。但幾乎在每一個行業中，使用人工智能的人都會替代不使用人工智能的人，而這種趨勢只會加重。「

價值創造發生變化

人工智能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佔比達六分之一，平均約爲經濟合做與發展組織（OECD）成員國的十分之一。

AI 已經在改變醫療產值鏈：機器能夠讀取診斷圖像，外科醫生愈來愈依賴機器人，而且愈來愈多的實時醫療設備數據能夠改善疾病預防和慢性疾病護理。

雖然人工智能能夠在一個行業內創造價值，可是究竟哪一個領域的產值將所以上升，哪些將降低仍是一個未知數。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能來下降診斷成本時，人工智能的影響可能會發生不均衡的情況。

所以，如今就下結論說哪一種類型的組織可能從醫療保健 AI 中獲益還爲時過早。正如慕尼黑保險集團業務負責人馬庫斯·溫特（Marcus Winter）所言：「在當今世界，隨着大數據的普及，僅有少數幾個獨家數據集。大多數狀況下，咱們能夠經過其餘來源得到咱們須要的信息。「換句話說，數據和 AI 算法的結合能夠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餘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。

保持競爭優點

許多公司的管理人員都專一於如何經過 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點——當每一個人的效率都提升到相同水平時，基準會相應地發生變化。要想經過 AI 得到競爭優點，企業必須明白如何將人類和計算機的優點結合起來，創造最大的競爭優點。而這這並不容易：企業須要得到數據的訪問專權，而這是目前不少公司所作不到的。他們必須學會如何讓人和機器高效地共同工做，這是一個目前的先鋒組織都不具有的能力。他們須要創建靈活的組織結構，而這意味着企業和員工須要經歷一次文化大變革的洗禮。

更多幹貨內容，可關注AI前線，ID：ai-front，後臺回覆「AI」、「TF」、「大數據」可得到《AI前線》系列PDF迷你書和技能圖譜。