波士頓諮詢聯手MIT發布萬字人工智慧報告，詳解企業如何跨越「AI應用鴻溝」

GIF/1720K

圖：pixabay

原文來源：BCG波士頓諮詢

摘要

人們對人工智慧（AI）抱有極高的期待，但實際效果往往差強人意。本文希望提供貼近實際的AI應用業界基準，從而讓各個公司以此為鑒，對自身在AI方面的願景定位和實際情況有更客觀、全面地了解。這項研究基於全球範圍諸多行業3,000餘位高管、管理者和市場、技術分析人員的問卷調查，並對30多名技術專家和高管進行了深度採訪，力求相關分析和結論信息全面、數據紮實（參閱「關於本研究」）。

對於AI，多數公司的期望和實際應用相差甚遠。3/4的高管認為，AI可以讓公司發展出新的業務；近85%的受訪者認為AI讓公司獲得或保持競爭優勢。但只有約1/5的公司將AI應用於部分產品、服務或流程中；只有1/20的公司將AI進行了廣泛應用；制定AI戰略的公司不到39%；員工數超過十萬的大公司應當制定AI戰略，但實際這樣做了的只有一半。

我們的研究表明，理解並應用AI的領先者與落後者之間差距巨大，兩者對待數據的方式大相徑庭。AI演算法並非天生「智能」，而是通過分析數據進行歸納學習。多數領先者在AI人才方面投資，建立起穩健的信息系統，而另一些公司卻缺乏數據分析的專業人員，數據可得性低。我們的研究揭示了一些對於訓練AI所需資源的誤解。與落後者相比，領先者不僅更了解訓練AI所需的資源，還更重視為AI項目提供高管層的支持，並找到了AI的應用場景。

AI會給組織管理帶來影響。構建AI組織有多種模式，其核心都強調組織的靈活性。我們與企業高管交流得知，應用AI所需要的文化變革對於大公司來說挑戰很大。

參與我們調查和訪談的對象對於AI是否會導致人類失業持較樂觀的態度。多數管理者認為自己所在的組織未來五年里不會因為AI而裁員，他們希望AI能夠替他們處理一部分繁瑣的工作。

關於本研究

為了解有關應用AI的機遇和挑戰，《MIT斯隆管理評論》與波士頓諮詢公司合作，首次開展了年度調查，調查對象包括來自世界各地各行業組織的3,000多位高管、管理者和分析人員。

調查於2017年春季開展，受訪者分別來自112個國家、21個行業，所在組織規模各異。超過2/3的受訪者來自美國以外的國家和地區。調查取樣來源多樣，包括《MIT斯隆管理評論》的讀者和其他有關各方。

除了調查，我們還採訪了一些行業的公司高管和學者，了解當今組織面臨的現實問題。他們提供的觀點幫助我們更好地理解數據。

我們的調查使用《牛津詞典》對人工智慧的定義：「人工智慧是有關能夠執行通常需要人類智能的任務（如視覺感知、語音識別、決策和語言轉換等）的計算機系統的理論和開發。」不過，AI本身及其定義都在迅速演進。

人工智慧的優勢

空中客車公司（Airbus，下稱空客）開始提升新的A350機型產量，公司面臨數十億歐元的挑戰。用法國圖盧茲數字轉型副總馬修·埃文斯（Matthew Evans）的話來說，「我們計劃以前所未有的速度提升該機型的產量。為此，我們必須像應對工廠故障一樣迅速應對問題，因為真的會出故障。」

空客開始採用人工智慧，將過去生產項目中的數據與當前A350生產項目中提供的實時數據相結合，通過模糊匹配和自主學習演算法發現生產問題的規律。在某些領域，這套系統為約70%的生產故障匹配到了之前用過的解決方案，速度近乎實時。埃文斯描述了AI助力整個空客生產線快速學習、應對商業挑戰的過程：

系統深入理解某項問題描述，結合所有背景信息，與問題信息匹配，並迅速向一線員工推薦可行方案。問題本身對於系統而言可能是初次出現，但我們以前可能碰到過類似的問題，或者是另一種情況下、生產線的另一個部分出現過類似問題。這樣一來就可以把我們應對故障的時間縮短1/3以上。

AI令空客應對業務問題的速度更快，效率提升，優於之前的其他方法（比如對數百或數千個案例進行人工分析的因果分析法）。

正如空客的這個例子所顯示的，善於利用AI的領先者組織可以憑藉AI能力實現新的、更好的流程，得到更好的結果。英國石油公司（BP）、印孚瑟斯（Infosys）、美國富國銀行（Wells Fargo）和平安保險等其他大型公司已經開始運用AI應對重要的商業問題，然而還有許多公司尚未起步。

人工智慧的影響力

各行各業、各種規模、各個地區的公司都對AI抱有很高的期待。多數高管雖然尚未看到AI產生大的影響，但也明確表示希望在未來五年里看到較大影響。在所有組織中，僅有14%的受訪者認為AI現在就對自己所在公司提供的產品或服務產生了較大影響，而期待在五年內看到較大影響的受訪者多達63%。

對行業及組織職能的影響

各行業對於AI影響公司產品或服務的期望一直很高（參閱圖1）。在技術、媒體與電信行業，72%的受訪者期待AI在五年里產生較大影響，比表示目前已有較大影響的受訪者高出52%。即便是在對AI期望值最低的公共部門領域，也有41%的受訪者期待AI在五年里產生大的影響，比目前階段的比例高30%。可以看出，這種趨勢與組織規模及所在地區無關。

在組織內部，受訪者也對AI改變流程抱有很高的期望。15%的受訪者表示AI已經對組織目前的流程產生了較大影響，59%希望在未來五年里看到較大的影響（參閱圖2）。多數組織預見到了信息技術（IT）、運營與製造、供應鏈管理以及面向客戶的活動受到的巨大影響（參閱圖3），例如：

IT：業務流程外包提供商為AI可能的應用提供了一個例子。「印孚瑟斯重視的IT服務行業，在過去二十多年裡有了巨大的發展，」印孚瑟斯CEO兼董事總經理史維學（在接受採訪期間，Vishal Sikka正擔任印孚瑟斯的CEO和董事總經理。但在此報告發布前，他從原崗位辭職並開始擔任公司的執行副主席）說，「很多外包給人工成本較低的國家的工作都比較機械，比如系統管理、IT管理、業務操作和驗證。現在有了AI技術，我們的系統可以承擔的這類工作就增加了。我們還在初期階段，這類工作只有一部分實現了自動化，但在未來幾年裡，我們可以將大部分乃至全部重複機械的工作實現自動化。不過，AI技術可以自動完成目前一些步驟清晰的工作，也給目前尚不存在的突破性的新工作創造了機會。」

運營和製造：工業企業高管認為受人工智慧影響最大的領域是運營和製造。例如BP用AI作為人工的輔助，改進現場操作。上游技術全球負責人艾哈邁德·哈什米（Ahmed Hashmi）說：「我們設有BP Well Advisor人工智慧顧問，收集鑽井系統的所有數據，為工程師提供建議，調整鑽井參數，保持在最佳操作區，並提醒工程師注意過程中潛在的操作問題。我們還嘗試將根源問題分析交給人工智慧，讓系統自我學習，有能力迅速做出評估，從描述問題進化到預測問題，再到診斷問題。」

面向客戶的活動：中國第二大保險商平安保險公司，市值1,200億美元，運用AI改進保險及金融的客戶服務。例如，該公司現在提供三分鐘在線貸款，部分依賴於一套客戶打分工具，具備內部開發的AI人臉識別功能，準確度比人類更高。這套工具驗證過的人臉超過3億，與該公司的語音和圖像識別功能互補。

人工智慧帶來的機會與風險

高管對AI期待極高，卻也意識到了潛在的風險。史維學雖然樂觀，但也對AI即將迎來熱潮持謹慎態度。他說：「AI從1956年出現以來一直有高峰有低谷，現在我們身在一個浮誇的時代，前方好像怎麼看都是輝煌的巔峰。」80%以上接受調查的高管看到了眼前的高峰，認為AI是戰略機會（參閱圖4）。近半數受訪者認為AI只會帶來機會，不存在風險，佔比最高；一些人看到了風險，認為AI會帶來好處，也可能使競爭加劇；近40%的管理者認為AI也是戰略風險；更少的一部分人（13%）覺得AI既非機會亦非風險。

業界對AI抱有期待和興趣的原因不一而足（參閱圖5）。多數受訪者認為，AI會給組織帶來好處，比如可以帶來新的業務，或者降低成本；84%的人認為AI會讓組織獲得或保持競爭優勢。3/4的管理者認為AI可以讓他們發展新業務。

高管們也意識到，AI帶來的優勢不止惠及自己所在的公司。受訪者認為成長企業和成熟企業會同時從人工智慧中獲益。3/4的受訪者預見到市場中會出現運用AI的新的競爭對手，69%認為現在的競爭對手也開始使用AI。此外他們還意識到，自己公司所在生態體系中的供應商和客戶將會更加希望他們使用AI。

人工智慧應用程度的差異

雖然期待值高，但AI的商業應用尚在初期階段，期望和實際行動尚有差距。4/5的高管贊同AI對於自己所在組織而言是戰略機會，然而只有1/5將AI應用在一部分產品、服務或流程中，只有1/20將AI廣泛應用於產品、服務或流程（參閱圖6）。

應用的差距可能很大，特別是同一行業內。例如，平安保險公司僱用了約110位數據科學家，啟動了約30個由CEO贊助的AI項目，在一定程度上支持其願景「技術將會成為未來幾年給公司帶來收入增長的關鍵驅動力」，如公司首席創新官喬納森·拉森（Jonathan Larsen）所說。然而其他一些大型保險公司的AI項目僅限於「試驗聊天機器人」，這是某家西方保險公司的高管描述自己所在公司AI項目的原話。兩者形成鮮明對比。

各個組織對AI的總體理解也顯示出極大的差異。例如，16%的受訪者強烈贊同「自己所在組織了解開發基於AI的產品及服務所需的開支」，強烈不同意這一點的比例與之相差無幾（17%）。19%的受訪者強烈贊同「自己所在組織了解訓練演算法所需要的數據」，16%強烈不贊同這一點。

將調查結果與有關AI理解和應用的問題結合在一起，我們將各組織根據AI能力分為了四類：先驅者（Pioneer）、研究者（Investigator）、試驗者（Experimenter）、被動者（Passive）。

先驅者（19%）：了解並應用了AI的組織，走在將AI應用於產品或服務以及組織內部流程的前沿。

研究者（32%）：了解AI但只停留在試用階段的組織，謹慎地研究AI可能會帶來的影響。

試驗者（13%）：試用或應用了AI但並未深入了解AI的組織，在實踐中學習。

被動者（36%）：不應用也不了解AI的組織。

既然對AI的期待很高，許多組織將之視為機遇，那麼一些組織不應用AI的原因何在？即使在一些長期應用新技術、管理數據的行業，應用AI可能也是困難重重。例如金融服務行業，瑞士銀行（UBS）超高凈值人士首席投資官西蒙·斯邁爾斯（Simon Smiles）說：「對於大型金融機構而言，在業務中更好地運用人工智慧等技術和數據，為終端用戶帶來更好的客戶體驗，這種潛力是巨大的。問題在於這些傳統大機構能否抓住機會。」要抓住機會，組織上下必須通力合作，克服許多AI項目帶來的不可避免的難題，也就是史維學所說的「應用鴻溝」。

難題並不是技術局限，而是在商業方面。受訪者總體認為，相比於技術能力限制，與之競爭的其他投資重點和商業可行性論證不清晰是阻礙企業應用人工智慧更重要的原因。空客的埃文斯說出了這個重要的區別：「嚴格地講，我們沒有投資AI。我們沒有投資自然語言處理，沒有投資圖像分析。我們一直在為某個業務問題投資。」空客採用AI，是因為AI解決了一個業務上的問題，投資AI是一種應對商業問題的有效方式。

UBS的斯邁爾斯提出，各組織面對的問題不盡相同。對於成熟公司和金融科技創業公司，他說：「要開發價值驚人的平台，對公司規模有要求。規模達到一定程度的公司往往被舊有商業模式和體系束縛，難以發展更好的模式。而沒有這種束縛的公司卻又缺乏客戶和相應的數據，難以充分把握機會。」這一類問題造成了AI應用率的差異。

調查中各類組織反映的AI阻礙因素各不相同，且對AI應用情況有影響（參閱圖7）。先驅者已經克服了有關理解的問題：這類公司有3/4找到了能夠應用AI的實際業務場景，高管直接領導涉及整個組織的AI項目，它們最大的問題是如何高效地培養或尋找合適的AI人才，以及為AI爭取投資。這些公司也更熟悉應用AI在安全方面的種種顧慮。與之相比，被動者尚未發現AI在商業上的用途，沒有找到符合投資標準的實際業務場景，領導不參與，技術是難題。許多公司甚至尚未意識到尋找和任命AI人才的困難程度。

我們的調查還揭示了各類公司在理解方面的細微差別。

商業潛力：AI會改變組織創造商業價值的方式。表示本組織了解AI如何影響商業價值的先驅者（91%）和研究者（90%）多於試驗者（32%）和被動者（23%）。空客的埃文斯說：「不是價值問題，是嘗試解決我們的一種機型上的某個實際問題。」

對實際工作的影響：如何協調人類和機器的能力相結合，這個問題將愈發棘手。AI會大大改變日常工作環境。在工作場合配備機器會改變組織中的行為，這一點先驅者和研究者更了解。MIT航空航天學副教授朱莉·沙阿（Julie Shah）說：「人們沒有覺察的是融合問題。即使你開發出的系統能完成現在由人類在做的特定任務，整個流程中也不能完全沒有人類，那麼就有一個新的問題——協調人與AI系統的工作，乃至協調雙方的交流。這個問題對於我們來說依然非常困難，目前無解。」

行業背景：組織在監管和行業背景下運作。試驗者和被動者認為自己所在的組織並不了解AI會對行業格局產生何種影響。

對數據、訓練和演算法的需求

以上四類組織最顯著的差異，也許在於其對數據和AI演算法之間重要的相互依存關係的理解。與被動者相比，了解訓練演算法過程的先驅者比被動者多12倍，了解AI相關產品及服務開發成本的多出10倍，了解訓練AI演算法所需數據的多出8倍（參閱圖8）。

多數組織都不甚了解如何用組織自身的數據訓練AI演算法，使得演算法可以像空客的AI應用軟體那樣識別問題規律。表示自己所在組織了解訓練AI所需過程或數據的受訪者不到一半。

讓AI產生商業價值，與高效訓練AI演算法直接相關。目前許多AI應用軟體最初只是一種或多種基本演算法，經過訓練（主要是公司自身的數據）後才具備智能。要想成功訓練演算法，組織要有健全的信息系統，將相關數據收集到一起。很多先驅者組織已經擁有了穩健的數據及分析系統，並對訓練AI演算法所需的數據有著廣泛的了解。與之相比，研究者和試驗者則缺乏分析能力，大量數據難以集中。半數以上的先驅者組織在數據和訓練方面大量投資，其他幾類組織的投資情況遠不如先驅者。大量投資AI技術、訓練AI演算法所需的數據以及支持訓練流程的研究者組織只有1/4。

對人工智慧所需數據的誤解

我們的研究發現了一些與數據有關的誤解。其中一項誤解是，複雜精密的AI演算法不需要充足的數據就能提供有價值的商業解決方案。微軟數據科學總監雅各布·斯波爾斯特拉（Jacob Spoelstra）說：

我覺得大家還不是很懂機器學習可以做什麼。我們常看到的一種錯誤是，組織沒有歷史數據可供演算法提取規律，於是演算法無法提供可靠的預測。比如說，他們讓我們制定預測性的維護解決方案，而我們發現他們的錯誤記錄很少，甚至沒有。他們希望AI預測將來會出現什麼問題，卻沒有過去的例子可供AI學習。

演算法再精密，沒有歷史數據也無計可施。組織要用AI提升業績，理解這一點至關重要。數據稀缺的情況不容忽略。訓練AI往往既需要成功的數據點，也需要失敗的數據點，而失敗數據可能很難搜集。助力產品開發的材料信息AI平台Citrine Informatics，運用從研究機構關係網路中得到的公開實驗數據（多數是成功的實驗）和非公開實驗數據（包括失敗的實驗）。平台聯合創始人、首席科學官布賴斯·梅雷迪格（Bryce Meredig）說：「失敗的實驗數據幾乎不會公開，但要建立公正全面的資料庫，這部分數據不可或缺。」全面的數據讓Citrine得以將特定應用的研發時間縮短了一半。開發了Gore-Tex防水材料的戈爾公司（W. I. Gore & Associates）同樣記錄了創新過程中的成功和失敗結果，因為他們知道，失敗能夠幫助他們（或者高層領導者和決策者）找到下一步應當探索的方向。

如果演算法質量非常高，有時可以彌補數據上的不足，但質量欠佳的數據會產生負面影響。在開發AI應用軟體的過程中，數據收集和準備往往是最耗費時間的步驟，比選擇和調整模型更花時間。空客的埃文斯說：

我們做每個新項目，都要為整合數據進行投資，有時還要為數據平台引入新的資源進行投資。但我們過去做過的工作也都可以重複利用，因為我們可以高效管理那些業務對象，每個項目進展速度都會加快。開發所需的預付成本，也就是一次性成本相對較低。我們每做一個項目都可以充實資料庫，增加價值。

先驅者組織了解數據基礎設施對於人工智慧演算法的價值。

另外，公司有時錯誤地以為能夠接觸到開發AI所需的數據。數據所有權對於所有行業的管理者而言都是問題。一些數據是有專有權的，擁有這些數據的組織可能不想供其他公司使用。還有一些數據來自多個數據源，支離破碎，需要多個組織協商一致才能得到更完整的數據，用來訓練AI系統。還有一種情況是，重要數據的所有者不明確或有爭議。從AI中獲得商業價值在理論上可行，實際上可能很困難。

即使組織擁有所需要的數據，也可能由於多個系統間零散的存儲使得AI演算法訓練受阻。美國富國銀行（Wells Fargo & Co.）企業模型風險執行副總裁阿古斯·斯吉安托（Agus Sudjianto）說：

我們工作中一大部分就是處理凌亂的數據，比如文本挖掘，還有分析海量的交易數據，尋找規律。我們致力於不斷提升客戶體驗，改進決策，包括潛在客戶分析、信用審批和金融犯罪偵察。所有這些領域都有很大的應用AI的空間，但在規模很大的組織里，數據往往很零散。這就是大企業的核心問題——戰略性地處理數據。

是自行開發，還是直接購買

公司投資新技術時往往面對一個老問題：是自製還是購買。AI演算法要用合適的數據加以訓練，對這個決定有著廣泛的影響。用AI創造價值，又比單純為某個業務過程開發或者購買AI更加複雜。訓練AI演算法涉及多種技能，要了解如何構建演算法，如何收集和整合相關數據用於訓練，如何監督演算法訓練過程。斯吉安托說：「我們必須引入不同學科的人才。而且，我們當然需要機器學習與AI人才。能夠全面領導這類團隊的人才非常重要。」

先驅者十分依賴通過培訓或招聘來培養內部能力。經驗較少、比較不了解AI的組織更注重向外部尋求AI相關技能，但這種做法導致了一些問題（參閱圖9）。

某大型製藥公司的首席信息官將AI供應商提供的產品和服務描述為「幼兒」。他說，AI技術供應商「要求我們提供大量數據供AI學習」，話里流露出不滿。「要讓AI相關服務從幼兒長到成年，需要付出的努力和回報似乎並不對等。我們覺得不值得這樣做。」

當然，對於IT管理和員工薪酬支持等支持性質的職能，公司可以選擇將整個流程外包（並傳輸所有數據）。不過，即使公司希望依賴外部支持，也需要內部有相應人員了解如何構建問題、處理數據並留意不斷變化的機遇。上文提到的這位首席信息官說：「如果是五年前，我們會利用勞力套利，大量外包給勞力成本較低的供應商。與此同時供應商所做的就是開始將這類流程交給AI，經常是在我們的系統里，用我們的設施，但技術是他們的。我並不認為它們只是基於規則的自動化，而這些供應商能夠利用更為先進的啟發法對這些工作進行自動化。」但這種方法顯然不適合公司的特色產品或服務以及核心流程。

微軟研究院負責人埃里克·霍維茨（Eric Horvitz）認為，科技行業正在迅速發展新模式，提供技術工具、使用公司專有的數據，即「向行業提供整套工具、計算和存儲器，以此推廣AI」。許多AI演算法和工具已經存在於公共平台，如谷歌Tensor Flow、GitHub，以及技術提供商的應用編程界面。霍維茨說：

因為自身有競爭空間，所以工具變得更加易於使用，參與了推廣和使用這些工具的組織能夠更好地發揮其性能。不是說組織不必配備相應的專業人員。有了工具和服務，事情會變得簡單，但組織自身依然要有機器學習和AI方面的專業人員，這很重要。

隱私和監管

構成AI的數據和演算法不能只是準確高效，還要滿足隱私和監管方面的要求。調查中僅有一半受訪者表示自己所在行業有成型的數據隱私條款。

要確保數據隱私，應當有高效的數據治理方法和實踐。先驅者公司（73%）擁有良好的數據治理的比例高於試驗者（34%）和被動者（30%）（參閱圖10）。這個顯著的差異說明了在發展AI能力上落後的公司面臨的又一個障礙。

數據問題可以在監管程度較高的行業看到，比如保險，過去的保險模式基於風險分擔機制，現在則轉向綜合預測具體風險元素的新方式。但一些屬性是不可觸及的禁區，例如，性別和宗教因素可以用來預測某些風險，但監管方不允許這類因素出現在應用軟體和司法審判中。

其他金融市場的監管者對透明度也有嚴格的要求。富國銀行的斯吉安托說：「模型必須完全透明，隨時接受監管者檢查。我們沒有選擇機器學習作為最終模型，是因為監管規定常常要求解決方案少一些『黑箱』，以便監管者視察。但我們可以用機器學習演算法評估模型的非線性結構，加入變數和特徵，以此對照傳統模型的結果。」

技術發展超過了消費者的期待與偏好，企業和公共部門更謹慎地應對AI項目涉及的隱私保護和客戶服務。一些金融服務提供商用聲音識別技術，識別電話里的客戶，節省驗證身份的時間。客戶並不排斥這種體驗，部分原因是他們看重公司提供的服務，且信賴公司不會濫用相關技術和數據。與之相似，某技術供應商提供基於AI的服務，運用實時聲音數據情感分析，幫助客服中心識別客戶是否生氣。然而，不久的將來可能會出現不那麼受歡迎的用法。幾年之後，中國的1.7億個攝像頭和美國的5,000萬個攝像頭都可能用於識別人臉。事實上，這類用法已經在上海抓到了亂穿馬路的行人。

人工智慧技術以外的管理難題

AI需要的不止是駕馭數據。公司要引入AI，還面臨著許多管理方面的挑戰。

不出意料，來自先驅者組織的受訪者在一些綜合管理方面給自己所在公司評價較高，如視野和領導力、對變革的接受度和變革能力、長遠思考、業務和技術戰略緊密聯繫，以及高效合作。這些能力與其他技術方面的轉變一樣，是優秀公司必不可少的綜合能力。

不過還有一些具體的挑戰。高管仍然需要進一步了解AI，深入思考如何基於AI開展業務，並且更加廣泛地了解所在行業的競爭情況。

1

挑戰一：培養對AI的直觀了解

高管和其他管理者至少要對AI有基本的了解，學者和高管都認同這一點。名列《財富》100強的金融服務組織TIAA，管理的資產近萬億，該公司企業數據管理總監埃利奧特（J. D. Elliott）說：「我不認為每一位一線管理者都必須了解神經網路中深度學習和淺層學習的區別，但我覺得在應用分析和數據的過程中要有一些基本的了解，知道我們擁有的技術可以得出更好、更準確的結果和決策，比單靠直覺更好，這很重要。」多倫多大學羅特曼管理學院（Rotman School of Management）市場營銷學教授阿維·戈德法布（Avi Goldfarb）說：「你會擔心不懂AI的管理者看到一次預測準確就覺得肯定每次都是對的，看見一次預測錯了就覺得全部是錯的。」MIT媒體實驗室負責人伊藤穰一（Joi Ito）認為「每個管理者都必須對AI有直觀的了解。」

為了培養自己對數據的理解，許多高管去矽谷體驗數字原住民生活、設計思維方式和快速試錯文化等等。這些都是數字化業務發展的核心元素，但這樣的一趟旅行對了解AI沒有多少幫助。如果已經接觸過機器人、自動駕駛汽車和自動撲克機，在AI公司也沒什麼新鮮東西可體驗了。管理者應該花些時間學習AI基礎，可以從簡單的網路課程或在線工具起步。他們應當了解程序如何從數據中學習，最重要的或許是了解AI如何使某項具體的業務受益。

2

挑戰二：為AI調整組織

在整個公司廣泛應用AI，會提高對軟技能和組織靈活性的重視，促進新的合作形式，比如由人和機器一起組成項目團隊。

我們的調查發現，公司為發展AI能力探索了許多方法。先驅者公司的組織模式相對平均地分布在集中式、分散式和混合式。研究者和試驗者也在探索混合方式，但這兩類公司有近30%尚未在組織內設置清晰的AI職責。約70%的被動者同樣尚未開始為AI項目部署職責，也許部分原因是，只有不到50%的被動者組織認為AI會在未來五年里對本組織流程以及產品和服務產生大的影響。

歸根結底，最有效的或許是混合模式，因為許多公司在總部和分支機構都需要AI資源。例如，TIAA有卓越分析中心，還有一系列分散的團隊。TIAA的埃利奧特說：「卓越中心不會為整個組織提供分析，而是為其他執行AI及分析的內部團隊提供專業知識和指導。」

在阻礙AI的因素列表中，所有四類公司都沒有把文化抵觸排在前面，但只有一半受訪者表示自己所在公司了解未來AI需求所要求的不同的知識和技能。平安保險公司集團執行副總裁、集團首席運營官兼首席信息官陳心穎（Jessica Tan）說，自己所在公司面臨的最大挑戰始終是整合各業務單元合作，認識到「人類不想訓練演算法」的事實，建立集中和分散的技術團隊，以及尋找合適的人才。公司找的主要是三類人：有能力嘗試不同工作方式的技術人員，了解特定業務模塊的技術人員，以及具備諮詢或項目管理能力、能夠開展溝通促進合作的人。

3

挑戰三：重新思考競爭格局

超過60%的受訪者表示自己所在的組織迫切需要AI戰略，但只有一半人說自己所在組織制定好了戰略（參閱圖11）。就公司規模來看，員工數量超過十萬的大型公司最有可能制定好AI戰略，但只有一半（56%）大公司的確如此。

保險公司富衛集團（FWD Group）首席技術及運營官埃米·霍（Amy Hoe）說，她把訪問數據的許可權看作是自己公司競爭優勢的關鍵。FWD希望確保廣泛的數據來源，包括與其他公司合作，如電信、租車服務提供商，公司客戶、代理商、社交媒體、公共平台和外部數據分析供應商。數據量每過幾年就能翻倍，獲取數據特許權的工作永無止境。

下一步舉措

AI是否只是公司整體數字轉型中的一個環節，還是AI本身需要公司採取新的轉型方式？AI像其他數字化技術一樣，帶來了相似的問題和挑戰，公司可以通過多種方式培養數字和分析能力。但AI也有其自身不同於其他技術的特點。

獲得客戶信任。AI能力與許多數字化項目類似，要依靠客戶數據以及客戶信任公司會保護個人數據隱私。不過，要確保AI值得信賴，在幾個方面都不同於其他依賴數據的數字項目。第一，管理者可能無法具體解釋AI產品如何使用客戶個人數據得出特定結果。一些機器學習項目的內部操作是不透明的；第二，越來越多的AI系統可以模擬人類智能，管理者有責任向客戶說明在某一情況下與之交流的是機器還是人；第三，一些AI系統有能力遠距離評估情緒，識別個人信息。這種能力引起了新的信息管理問題，例如哪些員工可以在何種情況下訪問此類信息。

開展AI成熟度診斷。與數字化成熟度診斷相似，可以對組織從流程中的應用到賦能基礎設施、技術能力、敏捷流程和快速試錯氛圍進行評估。AI的成功與很多數字項目一樣要依賴數據源，無論是現有的內部、外部數據，還是投資建設數據系統。大公司可能擁有所需要的數據，但如果數據零散，相互沒有聯繫，就會大大限制戰略制定和執行。AI成熟度診斷與其他數字項目不同的是，要涉及AI訓練所必需的技能評估，從AI系統的初步培養到具備智能，再到投入使用後的繼續學習。這一點是決定性的新特點，多數公司都需要自行培養這種能力。現成的AI程序作用會受到公司這方面能力和相關工作的限制。

迎接不確定性。好創意來自於時間的打磨，這句話適用於數字技術，更適用於AI。公司往往根據項目的預估價值和得到結果所需的時間來為項目排序，但AI項目很難評估。因此，AI的試驗和學習時間可能比其他數字項目更長，成功和失敗的不確定性也更高。管理者必須做好準備，應對更高的不確定性，這會影響他們是否能妥善對項目和投資進行排序。

開展基於情景的規劃。AI像其他數字技術一樣，可能會改變商業在跨市場、流程和職能上創造價值的方式。AI對思考的要求更高，因為AI會影響以知識與判斷為基礎的專業領域，而市場新進入者可能會是機器。因此，公司必須對業務進行更廣泛的思考，建立對未來發展的全景圖，在這種圖景下檢測本公司未來規劃的適應性。這類基於情景的規劃能讓企業更好地識別會對自身業務帶來深刻影響的事件。

對未來的影響

AI應用可能將對工作、價值創造以及競爭優勢產生深遠影響。在不久的將來，公司如何應對這些改變？

調整工作結構

AI越來越多地應用於知識型工作，工作內容可能會發生重大轉變，影響中產階級的許多工作。我們的調查結果與最近對AI取代人工的悲觀預測相反，顯示出謹慎的樂觀。多數受訪者認為，未來五年里AI不會減少自己所在組織的工作崗位。近70%的受訪者表示並不害怕AI取代自己的工作。希望AI幫助自己處理一些令人厭煩的任務的受訪者比例與此近似。不過，受訪者普遍同意，AI既要求員工在未來五年里學習新的技能，又會強化他們目前的能力（參閱圖12）。

綜合來看，調查結果傾向於調整，而非消滅。MIT斯隆管理學院Schussel Family教席教授埃里克·布萊恩喬弗森（Erik Brynjolfsson）說：「即使AI迅速進步，也不可能迅速取代大部分工作。不過在幾乎所有行業，都會有運用AI的人逐漸取代不用AI的人，這個趨勢只會越來越快。」

改變價值創造

AI將在哪些領域創造、毀滅或改變經濟價值呢？

以醫療行業為例。醫療是全世界最大、復原力最強的一個經濟活動來源。醫療支出佔了美國經濟的1/6，在經濟合作與發展組織（OECD）成員國經濟中平均佔到1/10。AI正在改變醫療價值鏈：機器讀取醫療診斷圖像，外科醫生依靠機器人完成手術，越來越多的實時醫療設備貢獻和交流數據，改進預防性和慢性醫療措施。

AI會在某一行業中創造價值，但具體到組織會受何種影響，現在尚無法確定。IT提供商、醫療製品公司、放射醫師、醫院、專業化的創業公司乃至保險公司，都想利用AI改善和降低診斷成本，AI對各組織的影響可能並不均衡。

現在還無法確定醫療行業中哪類組織會因AI受益。但如果解決了監管問題，這個行業可以提供大量詳實的數據。正如慕尼黑再保險公司（Munich Re Group）的再保險業務發展負責人馬庫斯·溫特（Marcus Winter）所說的，「當今世界隨著大數據的迅速發展，很少有獨家的數據了。多數時候我們都可以從其他渠道獲得自己需要知道的信息。」換言之，數據和AI演算法組合在一起，催生了新的更高效的變通方案。例如，如果診斷圖像不可用，那麼可以參考更準確的血樣或其他體液分析來進行診斷。因此，很難預測價值創造會發生怎樣的變化。

打造競爭優勢

管理者希望目前AI相關產品或流程能有顯著的改進。然而此舉無法創造可持續的競爭優勢——如果每個人都達到同樣的效率，行業基線就會改變。要讓AI成為未來戰略的重要一環，公司必須設法讓人類和電腦相互促進，創造競爭優勢。要做到這一點並不容易：首先，公司需要明確數據許可權，而我們看到現在許多公司做不到；其次，公司必須學習讓人和機器高效合作，目前只有很少的幾家先驅者公司具備這種能力；最後，公司還必須有靈活的組織結構，這意味著公司和員工都要應對文化上的轉型。

如今幾乎所有公司都需要應對AI的規劃。多數公司並沒有，已經落後的公司要努力趕上去。如果繼續落後，這些公司會發現自己在行業內的處境會越來越艱難。

長遠的未來

參與調查者和多數受訪者都只展望了今後五年里AI帶來的變化。但AI帶來的更加戲劇化的影響會在10到20年內發生。在這期間，我們會看到什麼？

自動完成任務，不等於自動完成工作。歷史表明，工作隨著任務變化而演進。BP的艾哈邁德·哈什米說，公司的工程師曾經花大量時間尋找數據組織成報告，但「現在這個過程交給AI了。我們有一個資料庫，讓工程師可以訪問所有數據。工程師的數量沒變，但他們更多的精力用在改進業務，而不是尋找數據之類的準備工作。」換言之，在高科技行業，將重複性的任務交給AI，並不代表將全部工作交給AI。

AI創造就業。組織對AI依賴度提升，在滿足目前需求的同時會創造新的需求。例如，保險公司的工作位列「瀕危工種」榜首，但AI同時也拓寬了可保險事件的範疇。怡安風險諮詢（Aon Risk Solutions）COO詹姆斯·普拉特（James Platt）曾說過，「人們想確保自己避免的許多事情，比如品牌和名譽風險，或者更廣泛的網路安全保險，現在已經『不可確保』。沒有人能提供這種保險。」現在有了新的風險評估方式，保險公司可以開始提供這類新服務了。杜克大學人類及自動實驗室（Humans and Autonomy Laboratory）總監米西·康明斯（Missy Cummings）說：「我們通常不會想到的是，隨著新技術帶來新的業務，新的工作也會出現。」

2016年世界經濟論壇（WEF）報告《未來的工作》（The Future of Jobs）指出，「目前的就業格局即將瓦解，但這種瓦解更為複雜多樣，其原因不止是自動化」 。簡言之，改變工作性質的不止是數字技術和AI。包括AI在內的技術變革讓員工終生學習，接受事業靈活性，這已經不是新聞了，但正如WEF報告中所說的，起作用的不止是技術：「技術、社會經濟、地緣政治和人口發展以及這些因素間的相互作用會催生新的工作和職位，也會部分取代或完全取代一些工作。它們會改變許多行業的工作所需要的技能，改變人們工作的方式。」我們也已經看到，數字技術被用來解決這個問題。隨著AI的擴展，人類有了很多新的選擇可供學習：增強現實、新的培訓工具、在線教育（比如大規模開放在線課程MOOC和優達學城的「nanodegrees」）都在迅速發展。

在這樣一種更為廣闊的社會、人口、環境和全球政治發展的背景之下，預測AI對就業水平的影響很困難，因為這些因素相互牽扯。不過，AI可以幫助人們預測就業市場接下來的變動，發現（並滿足）新的培訓勞動力的需求，以此緩衝它自身及其他因素造成的影響。

即便如此，我們也不能鬆懈。企業不該被全球性的不確定性嚇住，需要採取行動時就要採取行動。例如，印孚瑟斯為12萬員工提供設計思維培訓。這種新能力讓員工有能力構建一系列新的基於AI的服務，也有能力將以往的業務流程自動化。

關於作者：

Sam Ransbotham（薩姆·蘭斯博撒姆）是波士頓學院卡羅爾商學院（Carroll School of Business）信息系統系副教授，《MIT斯隆管理評論》（MIT Sloan Management Review）人工智慧大思路項目（Artificial Intelligence Big Ideas Initiative）客座編輯。

David Kiron（戴維·吉隆）是《MIT斯隆管理評論》主編，該刊將學者的理論介紹給管理者付諸實踐。

Philipp Gerbert（菲利普·格伯特）是波士頓諮詢公司（BCG）德國慕尼黑辦公室資深合伙人兼董事總經理，BCG數字化戰略專題的全球負責人，也是BCG亨德森智庫（Henderson Institute）研究成員，專門研究人工智慧帶來的商業影響。

Martin Reeves（馬丁·里夫斯）是波士頓諮詢公司資深合伙人兼董事總經理，BCG亨德森智庫的全球負責人。BCG亨德森智庫致力於為具備前瞻思維的商界領袖帶來創意和啟發。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！