深度丨MIT重磅报告：一文看清AI商业化现状与未来

”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。当然，这份报告不是通过猜想和预测，而是建立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。

《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。

以下为报告部分内容：

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 将会帮助公司获得或保持竞争优势。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 作为公司的发展战略。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。

我们的调查发现，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。其中一个相当大的差异是数据获取的方式。AI 算法不是生来就是“智能”的，它们只有通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 非常感兴趣，已经建立起强大的数据架构，但仍有很多公司缺乏数据分析的经验或数据获取的渠道。我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。先锋企业不仅比落后企业在 AI 训练所需要的资源方面有更深的理解，而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作，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，各种规模的企业和组织管理人员对于 AI 的看法。其中，超过三分之二的受访者来自美国之外的国家和地区，样本来源多样，包括《MIT 斯隆管理学院评论》的读者和其他的团体。

此外，我们还采访了来自不同行业和学术界的管理人员作为补充，以了解如今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，我们使用了牛津字典对”artificial intelligence“的定义：”AI 是指计算机系统能够完成通常需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 在实际工作中

AI 对管理和组织实践会产生影响。现在已经有很多企业和组织使用不同的人工智能模型，但灵活性仍是所有模型的核心。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。

我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未来五年内导致他们的公司大规模裁员。 相反，他们希望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 开始增加 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)的话来说：“我们的计划是以前所未有的速度提高飞机的生产率。要做到这一点，我们需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，该系统几乎可以实时地匹配之前采用的 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：

“系统所做的事情实质上是查看问题描述，并理解所有的上下文信息，然后将其与问题本身的描述进行匹配，进而为用户提出建议。虽然对系统来说这可能是新的问题，但其实可能在一周前的生产线，或在生产线不同的班次或部分遇到过类似的问题。这使得我们能够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 能够更快速、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原因分析)。

正如 AI 提高了 Airbus 公司的业务处理速度和效率一样，其他应用了 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，仍有其他的组织尚未开始采用 AI。

各行业对 AI 的高期望

各个行业、各种规模和不同地域的公司对 AI 均抱有很高的期望。虽然目前大多数高管还没有看到人工智能的实质性影响，但他们显然期望在未来五年可以看到。在所有的组织中，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(非常大或巨大)的影响。但是，63%受访者表示希望在未来五年内可以看到效果。

图 1：各行业对未来五年内 AI 将对企业产品产生影响的期望持续增长

图 2：各行业对采用 AI 将对工作流程产生影响的预测

人工智能将对公司产品产生影响，各个行业整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，未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，即使公共部门(对人工智能效应总体预期最低的行业)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高 30%。不同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同样的高度期望。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可以证明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作是比较机械的工作：系统管理、IT 管理、商业运营、认证。随着 AI 技术的发展，我们的系统可以代替人类完成这些工作。虽然我们还处于完成工作的初始阶段，但是再过几年，系统将可以完成大部分，甚至全部此类工作。然而，AI 技术可以完成目前存在的、分工明确的任务，同样也可以创造不存在的、新的、具有突破性的工作。“

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 通过人工智能提高人的技能，以改善现场操作能力。Upstream Technology 全球负责人 Ahmed Hashmi 表示：“我们设有一个 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作异常和风险。我们尝试自动分析失败的原因，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 亿美元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)，正在通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，平安现在可以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种用途，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期望值高涨，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，我们会发现 AI 的发展经历过高峰，也经历过低谷，现在我们正处于一个 AI 发展火爆的时代，一切都似乎预示着 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，把人工智能看作一个战略性的机遇。(见图 4)事实上，50%的受访者只看到人工智能是一个机遇。而另一些人则看到了 AI 竞争加剧的潜力，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 商业化的高期望值和兴趣背后意味着什么呢?我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，例如带来新业务或降低成本 ; 84%的人认为，Al 将让他们的组织获得或维持竞争优势。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，他们的组织不可能是 AI 的唯一受益者。受访者预计，新入局和已经进入的组织都同样有获益的可能性。四分之三的受访者预计，新的竞争者将通过 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越来越期望他们能够使用 AI 提供服务。

AI 采用和理解上的差异

尽管人们对 AI 抱有很高的期望，但商业化应用开发还处于初级阶段，即期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广泛地引入了人工智能。(见图 6)

采用 AI 的原因

图 5：组织期望通过采用 AI 获得竞争优势，但竞争对手的加入使得竞争加剧

图 6：目前，仅有四分之一的企业采用了 AI 技术

组织采用 AI 情况的差异性是很惊人的，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，部分原因是为了响应“技术是推动公司 2018 年快速增长关键动力的口号，“平安首席创新官 Jonathan Larsen 说道。然而，与保险行业的其他领域形成鲜明对比，其他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 的理解也是大相径庭。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。相似地，19% 的受访者认为所在企业理解训练 AI 所需的数据投入，16% 则不同意这一观点。

根据对 AI 的理解和采用程度，企业的成熟度可以分为四种类型：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 具有前瞻性的理解。
实验者(13%)：试点采用人工智能，但对其缺乏深入了解的组织。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 的期望如此之高，那么是什么在阻碍企业采用 AI 呢?即使在一向具有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能够抓住机遇。“抓住人工智能带来的机遇需要组织的承诺，并跨越许多伴随着人工智能而来的不可避免的挑战。

然而，导致这些差异的原因较少涉及技术限制，而更多的是商业。总体而言，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，排在技术障碍之前。Airbus 的 Evans 指出了关键性的区别所在：“严格来说，我们不投资人工智能、自然语言处理和图像分析。相反地，我们投资是因为要解决具体的业务问题。“Airbus 采用人工智能，是因为它能解决业务问题 ; 向人工智能投资比向其他方向投资更有意义。

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异，前者的规模让他们足以开发比较大的平台，而后者虽然有更先进的模式，但是缺乏客户和相关数据来充分利用这个机会。“这样的差异导致不同组织人工智能采用率上的差异。

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

这些组织分为不同的类型表明他们采用 AI 所面临的障碍不同，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，并获得优先投资，他们也更容易接受人工智能所带来的安全问题。相比之下，被动者型组织还没有认识到 AI 能为他们做什么，也并未确定符合他们投资标准的商业实践案例。缺乏 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。

不同类型的组织在对 AI 的理解上业存在着巨大差异。

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：“我们只是在尝试解决飞机产品的服务问题。“

工作场所的影响：现如今，在工作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日常的工作环境。先锋和研究者组织能够更好地意识到，工作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：“即使你可以开发一个针对某项任务(目前由人类完成)的系统，但除非流程中完全不需要人类工作，否则就会有新的问题产生，因为人类在协调工作，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我们亟待解决的难题。

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受到 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：不同类型组织对 AI 相关技术和商业环境的理解程度不同

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偏差。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，以解决类似于 Airbus 在应用 AI 的过程中所遇到的问题。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，只有经过训练(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起。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需要的知识有广泛的理解。相比之下，研究者和实验者组织却因为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，但其他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

我们的研究表明，很多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 算法就可以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：

“我认为从人们对通过机器学习可以完成的事情的理解还是相当不成熟的。一个常见的误解是，一些企业并没有可以从中提取算法，以做出预测所需的历史数据。例如，他们请我们为他们建立一个预测性维护解决方案，但是我们发现有记录的故障很少。他们希望 AI 在没有学习数据的情况下能够预测什么时候会出现故障。”Jacob 如此说道。

没有任何一个算法可以克服缺乏数据的问题。这一点在所有企业希望 AI 能为他们的前沿业务带来进步提升时，显得尤为重要。

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 来说是不够的。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建立一个没有偏见的数据库至关重要。通过这种方法，Citrine 可以将研发时间缩短一半，以满足特定的应用需求。Gore-Tex 防水面料的开发商 W.L.Gore&Associates 公司也同样记录了成功和不成功的结果，这推动了他们的创新，了解不起作用的因素有助于帮助他们的下一步探索。

如果数据质量足够好，有时复杂的算法可以克服数据有限的障碍，但糟糕的数据只会导致算法瘫痪。数据收集和准备通常是开发 AI 的应用程序过程中最耗时的活动，比选择和调整模型耗时得多。正如 Airbus 的 Evans 所说：

“由于能够重复使用之前所建项目的资源，使得他们在成本降低的情况下工作效率更高，从而为数据湖增加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，他们已经有权访问建立 AI 算法的数据。对于整个行业来说，数据所有权对管理者来说都是一个棘手的问题。一些数据是企业有的，他们似乎没什么理由共享出来。而其他数据源分散，为获得训练 AI 系统的更完整的数据，他们需要与其他多个组织进行整合，达成协议。在其他情况下，重要数据的所有权可能是不确定的或有争议的。理论上，靠 AI 获得商业价值是可能的，但在实践中却很难实现。

即使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：

我们的工作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。在所有这些领域，应用 AI 都有很大的机会，但是在一个非常庞大的组织中，数据往往是分散的。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还是购买系统有着很大的影响。AI 产生价值是一件比单纯地建立或购买 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。 “我们必须引进不同学科的人才。当然，我们需要机器学习和 AI 研究人员，“Sudjianto 说道，“能够领导 AI 项目的人才非常重要。”

先锋组织非常依赖于通过培训或聘用人才来提高工作人员的技能。对 AI 理解不深，缺乏经验的组织倾向于外包 AI 相关业务，但这样的模式本身是有问题的。(见图 9)

图 9：先锋组织通过训练和招聘获得 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”一样。AI 技术供应商要求提供大量的学习数据，把 AI 训练成 17、18 岁智力的投入入不敷出，他对此表示失望。

为了获得 IT 管理类似的功能，很多公司选择把整个流程外包。当然，尽管这些工作外包出去，他们也还需要自己人了解如何解决问题、处理数据，以及当机遇来临时能够有意识。

“五年之前，我们可以通过外包获得成本较低的人力去做此类工作，同时供应商可以自动处理这些工作，但往往是我们的系统使用我们的框架，但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，“市面上已经有很多好用的 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。但是，因为这是一个竞争激烈的领域，虽然外界提供的工具和服务越来越便利，但并不意味着企业不需要拥有自己的内部专家，对于每个组织而言，拥有自己的机器学习和 AI 技术还是非常重要的。“

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一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需要提上议程的问题。然而，在我们的调查中，只有一半的受访者认为其所在的行业已经形成了数据隐私相关的规则。

具有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可以用来预测一些风险，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。

其他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：“模型必须非常非常透明，并始终接受监管机构的审查。我们不使用机器学习的原因在于，监管要求解决方案少一些“黑匣子”，以便监管机构监察。但是我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，并作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越来越细化。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原因是他们喜欢这项服务，并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 万摄像机能够识别出人脸。事实上，据说上海已经应用这些图像数据源来惩罚街头流浪者。

技术之外：管理挑战

AI 需要的不仅是数据，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总体管理和领导力方面：愿景和领导力、开放性和变革能力、高瞻远瞩的思维、业务和技术战略之间的紧密结合，以及有效的合作方面评价更高。与其他技术驱动的转型一样，这些是公司保持良好经营状况必不可少的能力。

但是，公司在管理方面也面临一些具体的挑战：高管可能仍然需要

(1)更深入地了解更 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 的直观思维

管理人员和其他管理人员至少需要对人工智能有基本的理解，这一观点得到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：“我不认为每个前线经理都需要了解神经网络深度学习和浅层学习之间的差异。但是，对于依靠分析和数据，而不是直觉能够产生更好、更准确结果，我们需要有一个基本的认识，这是非常重要的。“多伦多大学罗特曼管理学院市场营销学教授 Avi Goldfarb 指出：“我们会担心一个不成熟的管理者在看到一次预测之后就下结论认定这个模型好或不好。”麻省理工学院媒体实验室主任认为，“每个经理都必须对 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，比如可以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 进行了很多探索。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，也许部分原因是不足 50% 的消极者组织认为，AI 在未来五年会对其工作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说意义更大，因为他们需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作不全由数据中心来完成，它为其他内部 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 需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，以及建立集中和分散式的科技团队，他们需要三种人才：可以用不同方法工作的技术人员;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。

接下来怎么做?

人工智能只是公司完成整体数字化转型的一个要素，还是探索人工智能需要另辟蹊径?一方面，AI 和其他数字技术一样存在许多相同的问题和挑战，公司可以通过多种方式建立数字和分析程序。但另一反面，AI 也具有鲜明的特点。

确保客户的信任。人工智能的功能类似于许多数字计划，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个人数据。但是，确保人工智能值得信赖的方法与其他数据相关的数字计划有所不同。首先，管理者可能无法准确解释客户的个人数据会如何被用来生产某些 AI 产品，因为一些机器学习程序的内部运作是不透明的。其次，越来越多的人工智能系统能够模仿人类的代理人，在这种情况下，管理者有责任明确地与客户沟通，告知他们是在与机器还是与人类交流。第三，一些人工智能系统能够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，包括哪些员工可以访问这些信息，以及在什么情况下可以访问等。

进行一次 AI 健康检查。这与数字健康检查有一些相似之处，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。与许多数字计划一样，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需要的数据，但是如果这些数据是分散、孤立的，则会大大限制其战略的发展和进步。与其他数字计划不同的是，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。

认识到不确定性。公司通常通过预估一个项目创造的价值和所需时间来确定其优先级，但是 AI 进行实验和学习可能会比其他数字计划花费更多的时间，成功和失败的不确定性更高。因此，管理者需要认识到这种不确定性。

基于场景需要。与数字相同，人工智能有可能改变企业创造价值的方式。AI 需要更激进的思维，因此，企业需要更加广泛地思考自己的业务，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高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作和事业已成事实，也会造成社会的不安。因此，建立一个 AI 计划相关的工作项目是十分必要的，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非常重要。

AI 的未来之路

人工智能的采用可能会对工作，价值创造和竞争优势产生深远的影响。在未来，企业应该如何应对这些变化呢?

未来的工作

图 12：组织对 AI 未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作，此前有众多预测称，AI 将使得工作场所发生重大转变。相反地，我们的报告显示，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未来五年内导致其组织中的工作岗位减少。近七成的受访者表示，他们并不担心 AI 会取代他们的工作。相当一部分的受访者表示希望 AI 可以代替他们做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 将迫使员工在未来五年内学习新的技能，并提高现有技能。(见图 12)麻省理工大学斯隆管理学院 Schussel Family 教授 Erik Brynjolfsson 说道：“即使发展迅速，人工智能也不会很快取代大部分人类的工作。但几乎在每个行业中，使用人工智能的人都会替代不使用人工智能的人，而这种趋势只会加剧。“

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，平均约为经济合作与发展组织(OECD)成员国的十分之一。

AI 已经在改变医疗产值链：机器可以读取诊断图像，外科医生越来越依赖机器人，并且越来越多的实时医疗设备数据可以改善疾病预防和慢性疾病护理。

虽然人工智能可以在一个行业内创造价值，但是究竟哪个领域的产值将因此上升，哪些将下降还是一个未知数。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降低诊断成本时，人工智能的影响可能会发生不均衡的状况。

因此，现在就下结论说哪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。大多数情况下，我们可以通过其他来源获得我们需要的信息。“换句话说，数据和 AI 算法的结合可以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他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。

保持竞争优势

许多公司的管理人员都专注于如何通过 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势——当每个人的效率都提高到相同水平时，基准会相应地发生变化。要想通过 AI 获得竞争优势，企业必须明白如何将人类和计算机的优势结合起来，创造最大的竞争优势。而这这并不容易：企业需要获得数据的访问专权，而这是目前很多公司所做不到的。他们必须学会如何让人和机器高效地共同工作，这是一个目前的先锋组织都不具备的能力。他们需要建立灵活的组织结构，而这意味着企业和员工需要经历一次文化大变革的洗礼。