蒂姆·方汀 布賴恩·麥卡錫 塔米姆·薩利赫

人工智能（AI）正在重塑商業(yè)，不過速度不像很多人想象的那么快。的確，從農(nóng)作物收成到銀行貸款，現(xiàn)在各個領(lǐng)域的決策都由AI指導，而且，過去似乎遙不可及的東西，比如無需人工的純AI客服，已經(jīng)逐漸成為現(xiàn)實。開發(fā)平臺、強大的處理能力以及龐大的數(shù)據(jù)存儲空間等AI背后的技術(shù)，正在迅速發(fā)展，應用成本越來越低。眼下似乎是企業(yè)開始采用AI獲利的好時機。據(jù)我們推測，今后十年，AI將為全球經(jīng)濟增加13萬億美元。

然而，AI發(fā)展前景雖好，許多公司卻并未做好充分準備。我們開展調(diào)查，了解了數(shù)千名高管所在公司對AI及高級分析技術(shù)的應用和相應組織情況，調(diào)查數(shù)據(jù)表明，只有8%的公司開展了支持AI大規(guī)模應用的核心工作。多數(shù)公司只做了臨時的試點項目，或只在某一項業(yè)務流程中采用AI。公司進展這么慢，原因何在？上升到最高層面，這反映了組織未能做好AI所需的轉(zhuǎn)型。在調(diào)查以及與數(shù)百名客戶的合作中，我們發(fā)現(xiàn)，AI項目面臨著難以跨越的巨大文化及組織障礙。但我們也看到，在項目開端采取措施克服障礙的領(lǐng)導者，能夠很好地抓住AI帶來的機遇。

實現(xiàn)轉(zhuǎn)變

領(lǐng)導者最大的一個錯誤是，將AI視為能夠迅速帶來回報的即插即用式技術(shù)。他們決定啟動幾個項目，就開始投資幾百萬給數(shù)據(jù)基礎(chǔ)設施、AI軟件工具、數(shù)據(jù)專業(yè)技能和模型開發(fā)。少數(shù)組織的一部分試點項目勉強實現(xiàn)了一點點盈利，但之后再過幾個月乃至幾年，都未能取得高管期望的巨大成功。

還有，領(lǐng)導者往往對運用AI的必備條件考慮得不夠充分。前沿技術(shù)和人才自然必不可少，但公司文化、結(jié)構(gòu)和工作方式也要支持廣泛應用AI，這方面的調(diào)整與技術(shù)和人才同等重要。但在多數(shù)并非天生數(shù)字化的公司，傳統(tǒng)思維方式和工作方式與AI的需求相悖。

要擴大AI應用范圍，公司必須做出三項轉(zhuǎn)變

從孤島作業(yè)轉(zhuǎn)為跨領(lǐng)域合作。由具備多種能力和視角的跨職能團隊開發(fā)的AI最能發(fā)揮影響力。讓業(yè)務人員和技術(shù)人員合作，加上分析專業(yè)人士，能夠確保項目照應到整個組織的重點議題，不只關(guān)注單一部門的問題。多樣性團隊還可以充分考慮到應用新技術(shù)要求的運營變革——這樣的團隊更能發(fā)現(xiàn)和反映問題，比如說，要引入一項算法用來預測維護需求，應當同時對維護工作流程進行相應的調(diào)整。此外，如果開發(fā)團隊在設計項目時讓終端用戶參與，項目得到應用的可能性會大幅度提升。

從由領(lǐng)導者推進的基于經(jīng)驗的決策，轉(zhuǎn)為由數(shù)據(jù)推進的一線決策。AI得到廣泛應用時，算法推薦會讓組織上下各層級員工的判斷和感知得到增強，得出人類或機器單獨無法獲得的更好的答案。不過，要想充分發(fā)揮這種作用，各層級員工必須信任算法給出的建議，并感到自己有權(quán)利做決定——這意味著要摒棄傳統(tǒng)的自上而下的決策方法。如果員工在采取行動之前必須先請示上級，AI應用就會受到阻礙。

某公司將一個復雜的手動排程方法換成了全新的AI系統(tǒng)，決策過程明顯改變。過去，這家公司的活動策劃者用彩色的標簽、大頭針和貼紙來標記時間沖突、參與者需求及其他要注意的地方，常常根據(jù)直覺和上級管理者的建議做決策，而管理者也是憑直覺行事。新系統(tǒng)能夠迅速分析大量日程安排組合，先用一個算法在幾億種排法中提取出幾百萬種，再用另一個算法將這幾百萬種縮減為幾百種，最后為每位參與者排出幾種最佳日程供選擇。隨后，有經(jīng)驗的活動策劃人運用自己的專業(yè)知識，在數(shù)據(jù)支持下做出最終決定，無須向管理者征求意見。策劃人迅速適應了這個新系統(tǒng)，十分信任系統(tǒng)給出的結(jié)果，因為他們參與了系統(tǒng)參數(shù)和限制條件的設置，而且知道最終做決定的還是自己。

從僵硬固化、趨避風險轉(zhuǎn)為敏捷、試驗、可適應。組織必須擺脫“只有完全成熟的創(chuàng)意才能實行”或“只有設計完善的商業(yè)工具才能使用”的思維。AI應用需要迭代，絕少在投入應用之初就具備組織需求的功能。組織要具備“從測試中學習”的態(tài)度，將錯誤轉(zhuǎn)為新知的來源，減少對出錯的擔憂。收集初期用戶的反饋，用于升級AI工具，會使公司在小問題發(fā)展成為代價高昂的大問題之前及時將其糾正。發(fā)展會逐漸加速，讓小規(guī)模AI團隊能在幾周（而非幾個月）內(nèi)開發(fā)出最小可行產(chǎn)品。

要實現(xiàn)這種根本性的轉(zhuǎn)變絕非易事，需要領(lǐng)導者幫助員工做好準備，提供動力和相應的培訓。但首先領(lǐng)導者自己必須先做好準備。我們看到過很多次由于高管對AI缺乏基礎(chǔ)認知而導致的失敗。

為成功做好準備

為了讓員工積極參與，并讓AI順利投入應用，領(lǐng)導者應當在初期重視以下幾項工作：

解釋原因。有說服力的解釋，可以幫助組織上下理解對改變的迫切需求，以及改變能夠為各方帶來的益處。對于AI項目，這一點尤為重要，因為員工擔心AI取代自己的工作，就會產(chǎn)生抵觸情緒。

領(lǐng)導者必須提供一種愿景，讓全體人員圍繞一個共同的目標團結(jié)起來。員工必須了解AI對本公司的重要意義，以及自己如何適應以AI為主導的新文化。領(lǐng)導者必須向員工保證，AI會協(xié)助他們更好地工作，而非抹消乃至取代他們的作用。

此外，孤島式流程也可能影響AI的廣泛應用。按照職能部門分配預算的企業(yè)，可能很難組織起跨職能的敏捷團隊。

回顧過去的轉(zhuǎn)型項目如何跨越障礙，可以找到一些解決方案。將AI項目與看似是障礙的文化價值觀相結(jié)合，也不失為一種解決思路。

新出現(xiàn)的一類專業(yè)人士——分析解讀員（analytics translator），能夠協(xié)助公司找到影響AI發(fā)展的障礙。分析解讀員在技術(shù)領(lǐng)域的數(shù)據(jù)工程師、科學家與經(jīng)營領(lǐng)域的營銷、供應鏈、制造和風險管理等員工之間架起橋梁，確保AI工具回應確實的商業(yè)需求，且能順利推廣。AI投入應用初期，分析解讀員會對終端用戶開展問卷調(diào)查，觀察他們的工作習慣，研究工作流程，以期診斷并解決問題。了解影響改變的阻礙，不僅能使領(lǐng)導者了解如何與員工溝通，還能幫助領(lǐng)導者確定在何處投資、哪些AI項目最具可行性、應當提供怎樣的培訓、必須提供怎樣的獎勵，等等。

為整合與推廣應用安排跟技術(shù)本身相當（或更多）的預算。我們的一項調(diào)查顯示，廣泛應用AI獲得成功的公司中，有近90%將一半以上的分析預算投入到推廣應用相關(guān)的活動上，如工作流程調(diào)整、溝通和培訓。其他公司則只有23%采取類似的資源分配方式。

組織不必只關(guān)注能夠快速帶來回報的項目。應當設置多個回報時間長短不一的項目。舉例來說，AI檢測欺詐等無需人工干涉的項目，可以在幾個月內(nèi)帶來回報，而需要人工干預的項目，如AI客服，回報時間則更長。確立重點時應當有長期（通常是三年）視角，還要考慮時間線不同的多個項目如何組合才能發(fā)揮出最大價值。

調(diào)整組織結(jié)構(gòu)

AI和分析能力在組織里應當占據(jù)怎樣的位置，這個話題一直有許多爭論。領(lǐng)導者往往只會問：“哪個組織模型效果最好？”然后聽取其他公司的成功經(jīng)驗，在以下三種模式中選擇一種：將AI和分析能力的大部分集合在某個“中心”部門；將AI和分析能力分散開來，集中于業(yè)務部門；將兩種能力結(jié)合在一起，運用混合（“中心及分支”）模式。我們發(fā)現(xiàn)，要擴大AI應用規(guī)模，這三種模式不相上下，哪一種最合適，取決于公司的具體情況。

比如我們服務過的兩家大型金融機構(gòu)。一家把AI和分析團隊集中在一個中心部門，全體分析人員向首席數(shù)據(jù)及分析官匯報工作，并按需分配到業(yè)務部門。另一家機構(gòu)將所有分析人員分散到各業(yè)務部門，以團隊形式向業(yè)務部門匯報。這兩個公司的AI推廣程度都達到了行業(yè)頂尖水平，第二家公司的盈利AI項目在兩年內(nèi)從30個增加到200個。兩家公司都是在充分考慮過組織結(jié)構(gòu)、能力、戰(zhàn)略和特性之后選擇了合適的模式。

中心。有幾項責任最好由中心部門負責，由首席分析官或首席數(shù)據(jù)官主導。這類責任包括數(shù)據(jù)治理、AI招聘及培訓戰(zhàn)略，以及與第三方數(shù)據(jù)、AI服務和軟件提供商合作。中心應當栽培AI人才，建立社區(qū)供AI專業(yè)人士分享最佳工作方法，并為AI在組織中的全局應用做好布局。我們的研究表明，成功地推廣了AI的公司設置中心部門的可能性是其他公司的3倍，對于建立模型、解讀洞見和部署AI新能力有明確方法的可能性是其他公司的2.5倍。

中心還應當負責與AI相關(guān)的體系和標準。這些方面應當由公司項目的需求決定，換言之，應該循序漸進，而非在業(yè)務開始前一蹴而就。我們看到過許多組織把大量的時間和金錢-幾億美元-浪費在整個公司的數(shù)據(jù)清理和數(shù)據(jù)整合項目上，然而這些項目半途而廢，回報極少，甚至毫無用處。

與之相比，歐洲一家銀行發(fā)現(xiàn)彼此沖突的數(shù)據(jù)管理戰(zhàn)略阻礙了新AI工具的開發(fā)，于是放慢速度，規(guī)劃在接下來四年里統(tǒng)一數(shù)據(jù)架構(gòu)和管理，同時打造多個業(yè)務計劃以實現(xiàn)AI轉(zhuǎn)型。這個項目多層次并行，還包括重新設計組織和調(diào)整人才戰(zhàn)略，預計一年內(nèi)產(chǎn)生的影響將超過9億美元。

分支。還有一些責任與AI系統(tǒng)的使用者關(guān)系最為密切，應當固定由分支部門負責。其中有與推廣相關(guān)的任務，包括培訓終端用戶、重新設計工作流程、激勵項目、績效管理和影響追蹤。

為鼓勵客戶積極使用由智能互聯(lián)設備提供的AI服務，某制造商的銷售及服務部門建立了SWAT團隊，為使用產(chǎn)品的客戶提供服務，并設置折扣促進推廣。這項工作顯然屬于分支部門的范疇，無法委托給負責分析的中心部門。

灰色地帶。成功的AI轉(zhuǎn)型中，許多工作在責任上來講都屬于灰色領(lǐng)域。關(guān)鍵任務如為AI項目設定方向、分析AI要解決的問題、制定算法、設計工具、與終端用戶測試工具、管理變更，以及設置IT配套基礎(chǔ)設施，都可以交給中心或分支部門中任意一方，或雙方共同承擔，或與IT部門一同完成。確定組織內(nèi)部的責任歸屬不算是一門精密科學，但應當參考以下三個因素：

1.AI能力的成熟程度。公司開始AI應用早期，通常需要設置分析高管、數(shù)據(jù)科學家、數(shù)據(jù)工程師、用戶界面設計師和用圖形表示分析結(jié)果的可視化專家等專業(yè)人員，集中在中心部門，并根據(jù)需求分配到分支部門。這些專業(yè)人士合作，可以為公司建立起核心AI資產(chǎn)和能力，如通用分析工具、數(shù)據(jù)處理和交付方式。但一段時間后，流程逐漸標準化，專業(yè)人士分散在分支部門也能夠達到同樣乃至更高的工作效率。

2.商業(yè)模式復雜程度。AI工具要支持的職能部門、業(yè)務線和地區(qū)越多，就越有必要為AI專業(yè)人士建立同行業(yè)公會。業(yè)務復雜的公司通常把這些公會集中在中心，再根據(jù)需求分配到不同的業(yè)務部門、職能部門或地區(qū)。

3.所需技術(shù)創(chuàng)新的速度和級別。如果需要迅速創(chuàng)新，一些公司會把更多灰色地帶的戰(zhàn)略和能力構(gòu)建任務交給中心部門，這樣可以更好地觀察行業(yè)和技術(shù)變化，迅速安排AI資源應對競爭挑戰(zhàn)。

我們回到前文提到的兩家金融機構(gòu)。兩家公司都面臨競爭壓力，需要快速創(chuàng)新，但雙方分析能力成熟程度和業(yè)務復雜度不同。

把分析團隊放在中心部門的金融機構(gòu)，商業(yè)模式更為復雜，AI成熟程度相對較低。該公司已有的AI專業(yè)人士主要在風險管理部門。將數(shù)據(jù)科學家、工程師和其他許多灰色地帶的專業(yè)人士集中到中心部門，確保了所有業(yè)務部門和職能部門都能迅速獲得所需的專門技術(shù)。

另一家金融機構(gòu)的商業(yè)模式更為簡單，涉及的金融服務數(shù)量較少，且有大量AI相關(guān)經(jīng)驗和專業(yè)人士。因此，該機構(gòu)將AI人才分散，把許多灰色地帶的分析、戰(zhàn)略和技術(shù)專業(yè)人員派到各個業(yè)務分支部門。

這些例子說明，確定責任分配需要一些技巧。每家公司的能力和競爭壓力各不相同，以上三個關(guān)鍵因素不能單獨考慮，必須綜合起來進行考量。

監(jiān)管與執(zhí)行。雖然各個組織AI和分析職責的分配不盡相同，但成功推廣了AI的組織有兩個共同點：

1.由業(yè)務、IT和分析部門領(lǐng)導者組成的聯(lián)合治理團隊。徹底整合AI是一個漫長的過程。建立聯(lián)合工作團隊對該過程進行監(jiān)督，可以確保三項職能相互協(xié)作，共同承擔責任，不受職責和功能分配的影響。這樣的團隊通常由首席分析官牽頭，還有助于強力推進AI項目，在初期尤其如此。

2.根據(jù)任務劃分執(zhí)行團隊。成功推廣AI的組織在分支部門內(nèi)部建立跨職能團隊的可能性是其他組織的兩倍。這樣的跨職能團隊，將不同的視角聚合在一起，在培養(yǎng)、分配和監(jiān)督新的AI能力的過程中向一線員工征求意見。此類團隊通常在項目啟動之初組建，向中心部門和分支部門雙方尋求所需人才。一個團隊通常包括一位負責新AI工具的管理者（“產(chǎn)品負責人”）、解讀員、數(shù)據(jù)架構(gòu)師、數(shù)據(jù)工程師、數(shù)據(jù)科學家、設計師、可視化專家，以及業(yè)務分析員。這種團隊能夠及早解決執(zhí)行上的問題，以更快的速度獲取價值。

培訓員工

為確保AI工具得以推廣，公司必須自上而下對全體人員進行培訓。為此，一些企業(yè)建立內(nèi)部AI培訓班，一般包括課堂教學、研討會、在職培訓，乃至前往有經(jīng)驗的同行業(yè)公司參觀學習。多數(shù)AI培訓班一開始是邀請外部機構(gòu)編寫課程和提供培訓，但也經(jīng)常自行培養(yǎng)內(nèi)部教學能力。

各公司設置的培訓班不盡相同，但多半都提供四大類課程：

領(lǐng)導者。多數(shù)培訓班努力培訓高管和業(yè)務部門領(lǐng)導者，讓他們對AI工作原理有一個高層次的認識，學會識別AI機遇并判斷其重要程度。培訓班還會討論AI對員工職能的影響、推廣AI的障礙以及人才培養(yǎng)，并為逐漸推進AI組織所需的文化轉(zhuǎn)型提供指導。

分析人員。這部分課程關(guān)注的是數(shù)據(jù)科學家、工程師、架構(gòu)師以及其他負責數(shù)據(jù)分析、治理和AI解決方案的員工，持續(xù)培養(yǎng)他們的硬技能和軟技能。

解讀員。分析解讀員一般是業(yè)務人員，需要基礎(chǔ)的技術(shù)培訓。

終端用戶。對于一線員工，可能只需要大致介紹一下新的AI工具，之后提供在職培訓，教他們使用AI工具即可。

對改變加以鞏固

AI轉(zhuǎn)型多半要花18到36個月，還有一些轉(zhuǎn)型長達5年之久。為避免項目失去動力，領(lǐng)導者要做好以下四件事：

說到做到。領(lǐng)導者必須以身作則。AI轉(zhuǎn)型開始時，領(lǐng)導者可以帶頭參加培訓班，表現(xiàn)自己的積極性。

不過領(lǐng)導者也必須主動鼓勵員工采用新的工作方式。AI需要試驗，而且初期的迭代往往無法按照計劃順利進展。這個時候，領(lǐng)導者應當強調(diào)從試點項目中獲得的價值。這樣有助于鼓勵員工適當承擔風險。

我們遇到過的領(lǐng)導者里，以身作則最有成效的人十分謙遜。他們樂于提問，強調(diào)多元化視角的價值。他們定期與員工會面，討論數(shù)據(jù)，提出“我們做得對的時候有多少”“今天的決策有什么數(shù)據(jù)支持”這樣的問題。

我們知道的一個特色產(chǎn)品零售商的CEO就是一個很好的例子。她在每次會議上都邀請參與者分享經(jīng)驗和意見，自己最后開口。每過幾周，她就安排時間與業(yè)務部門和分析部門的員工見面，看看他們都做了些什么——無論是否啟動了新的試點項目或擴大了原有項目規(guī)模，她都會這樣做。

讓業(yè)務部門負責。由分析人員擔任AI產(chǎn)品負責人的情況并不少見。不過，分析只是解決商業(yè)問題的一種手段，因此業(yè)務部門必須領(lǐng)導項目，負責讓項目取得成功。項目責任應當指派給相關(guān)業(yè)務人員，由業(yè)務人員負責分配工作，從頭到尾引導項目。有時組織會在項目發(fā)展周期中的不同節(jié)點安排不同的負責人。這樣做也不對，因為會在交接時遺漏一些問題，或者錯失機會。為所有利益相關(guān)者記錄項目績效指標的計分卡，可以將分析團隊和業(yè)務團隊的目標整合一致，是一種非常好的方法。

監(jiān)督執(zhí)行的團隊可以根據(jù)需求調(diào)整流程。北美某零售商的AI項目負責人，發(fā)現(xiàn)門店管理者很難把AI試點項目的結(jié)果應用在跟蹤門店績效的實際工作中。這個AI工具的用戶界面不友好，而且給出的結(jié)論并未整合進門店管理者每天決策參考的控制面板。為解決這一問題，AI團隊簡化了用戶界面，調(diào)整了數(shù)據(jù)輸出方式，讓新的數(shù)據(jù)流出現(xiàn)在門店管理者的控制面板上。

為改變提供激勵。認同員工的工作，可以在漫長的過程中激勵他們。上文提到的特色產(chǎn)品零售商CEO，在會議開始時公開表揚一位幫助公司AI項目取得成功的員工（如產(chǎn)品經(jīng)理、數(shù)據(jù)科學家或一線員工）。在這家大型零售企業(yè)里，CEO為參與AI轉(zhuǎn)型的優(yōu)秀員工提供新的職位。例如，他讓在項目試點期間協(xié)助測試優(yōu)化解決方案的品類經(jīng)理負責該方案在各門店上線的工作，強調(diào)了積極參與AI轉(zhuǎn)型對個人職業(yè)發(fā)展起到的積極作用。

最后，公司必須確保對員工的激勵與AI應用相關(guān)。這里有一個反例，某實體零售店用AI模型優(yōu)化商品折扣，希望清空積壓的庫存。AI模型表明，與打折出售相比，丟棄積壓商品對利潤增長更有利。然而門店員工賣出商品可以得到獎勵，即使以極低的折扣價出售也是如此。由于AI建議與標準的獎勵模式相沖突，員工開始懷疑AI工具，棄之不用。銷售獎勵寫在員工合同里，無法輕易修改，于是公司修改AI模型，對利潤和獎勵的沖突做出妥協(xié)，幫助終端用戶接受AI工具，最后提升了收益。

擴大AI應用規(guī)模的舉措可以產(chǎn)生良性循環(huán)。從單一職能團隊轉(zhuǎn)為跨職能團隊，可以聚合不同的技能、視角和用戶意見，更好地改進工具。一段時間后，組織各部門的員工還可以再投入新的合作。

員工與其他職能、其他地區(qū)的同事關(guān)系拉近，思路就會得以擴展，從嘗試解決單個問題轉(zhuǎn)為徹底重新構(gòu)想業(yè)務和運營模式。因此，試點項目獲得成功，其采用的從測試中學習的方法推廣到組織的其他部門，創(chuàng)新速度就會提升。AI工具推廣到整個組織，終端用戶越來越能夠承擔過去由上級管理者負責的決策任務，使得組織結(jié)構(gòu)扁平化。這又能鼓勵進一步的合作，提升員工大局觀。

運用AI輔助決策的方法還在增加。新的應用方式將會在工作流程、職能和文化方面推動根本性的改變，有時改變還會十分艱難。領(lǐng)導者必須謹慎地帶領(lǐng)組織度過這一階段。人與機器合作可以獲得高于雙方單獨作業(yè)的成績，未來這種合作將會越來越多，在整個組織內(nèi)成功推廣AI應用的公司會擁有巨大的優(yōu)勢。

破壞AI項目的十種方法

很多組織為AI及分析工作投入大量資金，結(jié)果卻不盡如人意。是什么破壞了AI項目？公司推廣AI失敗通常是由于以下幾項：

一、缺乏對高級分析方法的明確認知，配備了數(shù)據(jù)科學家、工程師以及其他重要人才，卻不了解高級分析與傳統(tǒng)分析的不同之處。

二、不評估項目可行性、商業(yè)價值和投資回報期，啟動試點項目之前沒有充分考慮如何平衡第一年的短期成就和之后的長期回報。

三、只有用例，沒有戰(zhàn)略，根據(jù)當前狀況隨意處理AI，不考慮AI為本公司所在行業(yè)全局帶來的機遇和挑戰(zhàn)。

四、沒有對關(guān)鍵職能進行明確定義，因為不了解強大的AI項目所需的各種技能和要完成的任務。

五、沒有負責“解讀”的專業(yè)人士辨別高價值A(chǔ)I用例，向技術(shù)人員解釋業(yè)務需求，說服業(yè)務人員應用AI工具，即在業(yè)務部門和技術(shù)部門之間架起溝通的橋梁。

六、將分析部門嚴格限制在中心部門，或協(xié)調(diào)能力低下的孤島部門，與業(yè)務部門彼此隔離，未能讓分析人員和業(yè)務人員緊密合作。

七、浪費時間和資金進行全公司范圍內(nèi)的數(shù)據(jù)清理，而不是集中在最有價值的方面進行數(shù)據(jù)整理。

八、尚未找到業(yè)務應用實例就盲目構(gòu)建分析平臺，尚不了解數(shù)據(jù)用途就建立起數(shù)據(jù)庫等框架，還經(jīng)常對新平臺和舊有系統(tǒng)進行不必要的整合。

九、未能量化分析對企業(yè)損益的影響，沒有高效的績效管理方法，未能以清晰的指標跟蹤評估每個項目。

十、沒有重點關(guān)注倫理、社會和監(jiān)管影響，在數(shù)據(jù)獲取及運用、算法誤差等多個方面容易出錯，也可能產(chǎn)生負面的社會和法律影響。