人工智能(AI)正在重塑商业，但它的速度并没有很多人想象的那么快。的确，从农作物收获到银行贷款，现在各个领域的决策都是由AI来指导，过去看似遥不可及的事情，比如没有人工的纯AI客服，也逐渐变成了现实。

AI背后的开发平台、强大的处理能力、巨大的数据存储空间等技术发展迅速，应用成本越来越低。现在似乎是企业开始利用AI盈利的好时机。我们推测，未来十年，AI将使全球经济增长13万亿美元。

然而，尽管AI前景光明，但许多公司还没有做好充分准备。据统计，一家公司的AI转型需要18到36个月，有的转型长达5年。

我们进行了一项调查，以了解人工智能和高级分析技术在数千名高管工作的公司中的应用和相应组织。调查数据显示，只有8%的公司开展了支持AI大规模应用的核心工作。大部分公司只是做了临时性的试点项目，或者只是在某个业务流程中采用了AI。公司进展缓慢的原因是什么？

上升到最高级别，这反映了组织未能实现AI所要求的转型。通过对数百家客户的调查和合作，我们发现AI项目面临着难以克服的巨大文化和组织障碍。但我们也看到，在项目初期采取措施克服障碍的领导者，能够抓住AI带来的机会。

领导者最大的错误之一，就是把AI当成一种可以带来快速回报的即插即用技术。当他们决定启动几个项目时，他们开始在数据基础设施、AI软件工具、数据专业知识和模型开发方面投资数百万。

少数组织的一些试点项目设法取得了一点利润，但在接下来的几个月甚至几年里，它们未能取得高管们期望的巨大成功。公司很难将这样的试点项目推广到整个公司，AI也很难将分散的问题(比如增强客户细分)聚焦到大的业务问题(比如优化整个客户旅程)。

还有，领导往往没有充分考虑使用AI的必要条件。尖端技术和人才自然是必须的，但公司文化、架构和工作方式也要支持AI的广泛应用。这方面的调整和技术、人才一样重要。然而，在大多数本质上不是数字化的公司，传统的思维和工作方式与人工智能的需求背道而驰。

要扩大AI的应用范围，公司必须做出三点改变。

一是从孤岛运营到跨域合作。由各种能力和视角的跨职能团队开发的AI最具影响力。业务人员和技术人员以及分析专业人员之间的合作可以确保项目关注整个组织的关键问题，而不仅仅是关注单个部门的问题。

多元化团队还可以充分考虑新技术应用所需要的运营变化。——这样的团队可以更好地发现和反映问题。例如，为了引入一种算法来预测维护需求，维护工作流应该进行相应的调整。此外，如果开发团队让最终用户参与项目设计，项目被应用的可能性将大大提高。

二是从领导者驱动的基于经验的决策到数据驱动的一线决策。当AI被广泛应用时，算法推荐会增强组织各级员工的判断力和感知力，得到单靠人类或机器无法得到的更好的答案。

但是，为了充分发挥这一作用，各级员工必须信任算法给出的建议，觉得自己有决策权。如果员工在采取行动前必须询问上级，AI应用就会受到阻碍。

某公司将一种复杂的人工排班方式改为全新的AI系统，决策流程发生明显变化。过去，这家公司的活动策划人员用五颜六色的标签、别针和贴纸来标记时间冲突、参与者的需求等需要关注的地方，往往基于直觉和建议做出决策

新系统可以快速分析大量的日程组合。首先，使用一种算法从数亿个计划中提取数百万个计划，然后使用另一种算法将这数百万个计划减少到数百个计划。最后，安排了几个最佳时间表供每个参与者选择。

然后，经验丰富的活动策划人员运用自己的专业知识，在数据的支持下做出最终决定，无需征求经理的意见。计划者很快适应了新的系统，并相信系统给出的结果，因为他们参与了系统参数和约束的设置，并且知道最终决定的是他们自己。

第三，从刚性固化和风险规避到敏捷性、试验性和适应性。组织必须摆脱“只有完全成熟的想法才能实现”或“只有设计良好的业务工具才能使用”的思维。AI的应用需要迭代，很少有组织在应用之初所需要的功能。组织要有“从测试中学习”的态度，把错误变成新知识的来源，减少对错误的担忧。

收集早期用户的反馈来升级人工智能工具将使公司能够在小问题发展成代价高昂的大问题之前及时纠正它们。开发会逐渐加速，这样小规模的AI团队可以在几周而不是几个月内开发出最小的可行产品。

实现这一根本转变并不容易。领导者需要帮助员工做好准备，提供动力并进行相应的培训。但首先，领导人自己必须做好准备。我们看到过很多高管缺乏AI基础知识导致的失败。

为了保证AI工具的普及，公司必须从上到下培训所有人员。为此，一些企业建立了内部AI培训班和通用包。

括课堂教学(在线课程或面授)、研讨会、在职培训，乃至前往有经验的同行业公司参观学习。多数AI培训班一开始是邀请外部机构编写课程和提供培训，但也经常自行培养内部教学能力。

各公司设置的培训班不尽相同，但多半都提供四大类课程:

领导者。多数培训班努力培训高管和业务部门领导者，让他们对AI工作原理有一个高层次的认识，学会识别AI机遇并判断其重要程度。培训班还会讨论AI对员工职能的影响、推广AI的障碍以及人才培养，并为逐渐推进AI组织所需的文化转型提供指导。

分析人员。这部分课程关注的是数据科学家、工程师、架构师以及其他负责数据分析、治理和AI解决方案的员工，持续培养他们的硬技能和软技能。

解读员。分析解读员一般是业务人员，需要基础的技术培训，例如运用分析方法解决商业问题、构建AI实践案例等。这部分课程可以包含在线课程、实际操作、模仿有经验的解读员，在“期末考试”中要求参与培训的员工实际执行一个AI项目并获得成功。

终端用户。对于一线员工，可能只需要大致介绍一下新的AI工具，之后提供在职培训，教他们使用AI工具即可。负责营销和财务等方面的战略决策者可能需要更高层次的培训课程，学习在真实商业场景中运用AI工具辅助产品发布等决策。

运用AI辅助决策的方法还在增加。新的应用方式将会在工作流程、职能和文化方面推动根本性的改变，有时改变还会十分艰难。领导者必须谨慎地带领组织渡过这一阶段。人与机器合作可以获得高于双方单独作业的成绩，未来这种合作将会越来越多，在整个组织内成功推广AI应用的公司会拥有巨大的优势。

---

免责声明： 本文由用户上传，如有侵权请联系删除！

---

标签：