BCG聯合MIT：“将AI照進現實”企業行動完全指南

近年來，人工智能已經走出了機房，進入了主流商業的世界。由于深度學習和其他先進的人工智能技術、資料的驚人增長和原始處理能力的持續進步，人工智能的表現不斷在進步。這些發展促使了人工智能商業應用的爆炸式增長。

人工智能正成為幾乎每個商業領域的基礎科學，這掀起了一場新的戰争。資料顯示，即使在同一行業内，人工智能的了解和采用程度也明顯不同。近日，波士頓咨詢公司聯合麻省理工學院釋出了一份名為《将AI照進現實》的研究報告，報告指出，如果目前的模式繼續下去，這場戰争中的勝者和敗者之間的分離可能會特别戲劇化并不可逆轉。報告還指出，超過70%的高管希望人工智能在他們的公司中扮演重要角色。然而總的來說，許多公司的高管聲稱，他們所在的機構缺乏對人工智能的基本了解。

在這份報告中，波士頓咨詢與MIT對于大型機構如何全面認識和應用AI，提出了切實可行的步驟建議。雷鋒網為您進行如下編譯和解讀：

本報告主要包括以下三點内容：

提供對人工智能直覺和實際的了解。

在更深層次上，讨論人工智能的許多目前和潛在的用例，并研究人工智能對行業價值增長點、未來工作、以及競争優勢的影響。

最後，對如何在大型機構中引入和推廣人工智能提出一些實際的指導。

人工智能不是即插即用。公司不能簡單地“購買智能”并将其應用于他們的問題。盡管人工智能的元素在市場上是可用的，但仍需要内部努力來管理資料、流程和技術之間的互相作用。

将人工智能應用于工作的概念架構相當直覺。(見下表所示。)簡而言之，人工智能算法吸收資料，處理資料，然後生成動作。然而，這一過程依賴于幾個技術層面的适當整合，且确定從資料到行動的具體路徑，往往會對企業造成困擾。

AI的資料處理所需要的和大資料以及傳統資料分析有幾點基本不同：

a、資料、教育訓練和處理。裸人工智能算法是幾行簡單的計算機代碼。它們不是天生智能，需要感官輸入和回報來發展智力。在可預見的未來，人工智能教育訓練将需要公司自己的資料和努力。資料科學家必須給機器提供大量的資料，以準确地計算無數的相關性和連接配接，最終創造出一種算法，它的智力局限于特定的資料領域。這種經典的歸納學習方法解釋了為什麼人工智能經常被描述為資料饑渴。

b、行動。一個經過訓練的算法可以接受實時資料和傳遞行為——例如，信用評分決策并自動傳遞給客戶，或者基于醫學圖像的癌症診斷，或者是無人駕駛面對迎面而來的汽車向左轉。雖然這個資料操作過程與标準計算機程式的工作原理并無差別，但人工智能系統在不斷地學習和轉變。是以，資料是行動和自我改進的來源——就像一位企業高管一樣，他根據事實做出決策，并利用這些事實來完善未來的決策。

建立資料處理過程是一項艱巨的工作。公司不能在市場上購買到這個，而那些試圖逃避工作或走捷徑的公司将會以失望高中。BCG合著的《麻省理工斯隆管理評論》(MIT Sloan Management Review)援引一位制藥公司高管的說法稱，人工智能供應商提供的産品和服務是“非常年幼的孩子。”“供應商要求我們給他們大量的資訊讓他們學習，”他沮喪的說。“為了讓它長到17或18或者21歲好擷取AI服務而付出的努力，似乎并不值得。”

在可預見的未來，大多數公司将需要依靠内部資料科學家來尋找、收集、整理和建立資料來源，并開發和教育訓練公司特定的人工智能系統。當然，公司可以将整個過程或活動以及所有資料外包給服務提供商，例如人力資源管理活動，但一旦将這些責任外包給服務于多個客戶的供應商，公司可能就喪失了獲得競争優勢的機會。

幸運的是，公司不需要自己開發所有的人工智能機器。市場上有配套的平台和服務。公司可以在雲上租用原始的計算能力，或者将其部署在特定的硬體上，這些硬體可以處理并行的許多任務，這是人工智能技術(如深層神經網絡)的基本能力。公司還可以根據開源代碼通路快速開發的人工智能資料架構。最先進的人工智能算法在公共領域是可用的，而且領先的科學家已經保證繼續在這些算法上釋出和開源他們的工作。此外，企業也制造了人工智能平台——如谷歌的TensorFlow——作為一種服務。

企業也可以通路我們所說的人工智能構造塊。這些構造塊，如機器視覺，比裸算法更實用，但并不是完全自主操作的。人工智能的每一個用途都依賴于一個或多個建構塊，每個構造快都依賴于算法、API和預先訓練的資料集。在研究和經驗的基礎上，我們确定了10個正在快速發展的建築闆塊。管理人員需要了解這些構造塊的功能和潛在價值。有些事情在今天艱難但可行，未來幾年内可能變得很容易，而今天不可能的事在三到五年内也可能會得到實作。

人工智能的構造塊

然而，對于那些希望處于領先地位的公司來說，市場可能并不是總能提供最好的選擇。譬如當平安想要采用面部識别軟體的時候，它對市場上可用的産品的性能不滿意，是以它自己制造了産品。最終的内部系統識别出了中國面孔的輪廓和特征，比市面上的商業替代品更好，而且這個工具已經在不同用途下識别了超過3億張臉。它補充了平安的其他認知系統，如聲音和圖像識别。這家保險公司的經驗表明，所有公司都應該評估他們使用人工智能構造塊的能力，以争取獲得競争優勢。

根據BCG與MIT的調查，人工智能在商業領域的有效應用仍然很低：在20家公司中，隻有1家公司廣泛應用了人工智能。然而，每個行業都有領先于該行業的公司。雖然沒有公司在所有功能上都取得了卓越AI方面的成就，但許多公司都在利用人工智能創造巨大的商業價值。

以下是幾個行業的簡要應用示例，涉及到各種組織功能和過程，展示了人工智能的普及程度，以及它在合适的環境中的巨大效用。

1、市場和銷售

人工智能為公司提供了提供個性化服務、廣告和互動的機會。賭注是巨大的。整合先進數字技術和專有資料以創造個性化體驗，品牌可以增加6%至10%的收入，是沒有這樣做的品牌的三倍。BCG估計，在零售業、醫療保健和金融服務行業，未來5年，将有8000億美元的收入将轉移到提供個性化公司服務的top15%。

人工智能在分散式設定中通常非常有效——如零售或金融服務，這得益于豐富的上下文和特定的客戶資料的提供。适當建構的試點項目通常可以在四到六周内驗證概念，并幫助确定全面推出所需要的的資料基礎設施和技能建構。

2、研究和發展

與營銷和銷售相比，研發對人工智能來說是一個不太成熟的領域。與大型零售連鎖店相比，研發所産生的資料要少得多，而且這些資料往往無法以數字方式捕捉到。此外，許多研發問題相當複雜，技術含量高，受到嚴格的科學限制。即便如此，人工智能在這一領域仍有很高的潛力。例如，在生物制藥行業，研發是主要的利潤驅動因素，人工智能可以改變扭轉成本上漲和開發周期延長的趨勢。

在工業産品領域，領先的制造商将人工智能、工程軟體和操作資料——如維修頻率——結合在一起，以優化設計。人工智能在增量制造設計方面特别有幫助，它也被稱為3D列印，因為它的算法驅動程式不受工程學慣例的限制。

積極的資料收集應該是設計研發領域的人工智能試驗的一個關鍵因素。可能需要與大學合作，将曆史記錄數字化，甚至從零開始生成新的資料。考慮到參與研發所需的知識和專業能力，很難獲得有用的AI解決方案。相反，科學家必須依靠系統性試驗作為指導，來建立未來人工智能應用程式所需的資料清單。

3、操作運作

操作實踐和運作對人工智能非常合适。它們通常有類似的例程和步驟，生成大量的資料，并産生可測量的輸出。在一個行業中運作的的許多AI概念在另一個行業中也能發揮作用。人工智能目前流行的用途包括預測維護和非線性生産優化，它對生産環境的元素進行整體分析，而不是按順序或孤立地進行分析。

4、采購和供應鍊管理

在采購方面，人工智能的潛力是巨大的——因為結構化資料和重複交易十分常見——然而基本上沒有應用。今天的機器可以打敗世界上頂級的撲克玩家，也可以交易證券，但他們還沒有表現出在企業購買方面勝過供應商的能力——至少公開的資訊是這樣。(企業可能會使用支援AI的采購系統，但不會告訴供應商或其他任何人，以保持競争優勢。)

已知的人工智能采購案例包括聊天機器人，半自動合同設計與稽核，以及基于對新聞、天氣、社交媒體和需求的分析提供建議。重要的增強甚至自動化采購現在才剛剛出現。

供應鍊管理和物流則是完全不同的。這些過程很容易獲得曆史資料，使它們理所當然成為機器學習的應用目标。需要注意的是，收集資料、建立資料結構比建立機器學習模型要費時的多。

5、支撐功能

公司通常會部分外包支撐功能，這些功能在各個機構中都很相似。但很快他們就可以為這些功能購買支援AI的解決方案了。IBM、埃森哲(Accenture)和印度四大巨頭(HCL、Infosys、Wipro、Tata)等外包巨頭正在進行大規模的人工智能開發。這些公司正将重點從強調降低勞動力成本和規模，轉向建設智能和自動化平台，以提供更高價值的服務。

許多服務機構開始認識到人工智能與機器人處理自動化(RPA)相結合的好處。他們使用基于規則的軟體機器人來代替人類的桌面活動，然後通過人工智能學習增強靈活性、智能，和學習。這種方法結合了RPA的快速回報和AI的進階潛力。

6、AI能提供優質産品和服務

涉及到提供先進的産品和服務的人工智能應用程式——數字個人助理、自動駕駛汽車和機器人投資顧問——大多都受到了廣泛的關注。提供支援AI服務的公司急于向公衆展示這些産品的優越性能和特性。

由于他們的産品和服務， 乃至于整個商業模式都有一定風險，公司必須建立強大的内部人工智能團隊。

與此同時，自動化也創造了新的商業模式。例如，保險公司和制造商将能夠使用人工智能預測更準确的風險，允許他們在使用、護理或穿戴的基礎上定價。

7、企業之外：行業價值池如何轉變

總的來說，使用案例和潛在的場景會影響整個行業結構。

醫療保健就是一個生動的例子。它由幾個部門組成，包括醫療技術、生物制藥、支付者和提供者，每個部門都有不同的、經常互相競争的利益。該行業是整個價值鍊中豐富的人工智能實驗的場景，特别是在研發、診斷、護理、護理管理、患者行為矯正和疾病預防等領域。

表2展示了一個潛在的場景，說明随着人工智能的采用，整個醫療保健價值池可能會發生怎樣的變化。當然，各個行業的玩家的價值增長點變化會有所不同，每個行業都有赢家和輸家。最初，大多數公司都會從AI公司的内部運作過程中獲益(圖2中标記為1的箭頭)。受益于研發效率、個性化營銷和合理化精簡的支援功能，生物制藥公司和支付者很可能從這些努力中獲益最多。

在接下來的五年裡，我們預計人工智能在診斷疾病方面會有很大的吸引力。在診斷某些特定形式的癌症時，視覺人工智能代理已經超過了業界領先的放射科醫生，許多初創公司和科技巨頭更早就在研究AI方法來檢測癌症，并提供更準确的預測。在初級醫療環境中，人工智能可以改善或替代一些醫生的操作。與此同時，遠端診斷可以消除或大幅減少病人到醫院就診的次數。這些變化可能主要有利于醫療科技公司(arrow 2)，同時可能某些程度上損害生物制藥公司(arrow 3)和醫療提供者(箭頭4)。更好的結果是，早期的診斷和方法可以減少對治療的需求。

憑借其内在的性能特征，人工智能可能會加速以價值為基礎的醫療保健的發展趨勢——為結果而不是數量來買單。這種趨勢有利消費者作為付款者減少成本，并為提供者和生物制藥公司設定新的标準(箭頭5)。最後,大多數公司可能購買至少從技術供應商處(箭頭标示6)購買一個解決方案，這些技術供應商包括一些進入醫療賽道的傳統科技企業。

這一可能的場景——在人們對醫療保健需求增加的背景下——可能會改善健康狀況，但生物制藥公司會感受到壓力。此外，生物制藥公司可能在診斷方面采取更大膽的舉措，個性化藥物可能會起飛，開辟新的利潤池。此外，付費者可以自己開發遠端診斷，而供應商開始将人工智能納入他們的病人治療協定。無論如何，醫療科技公司和技術供應商都将獲利。

圍繞人工智能的發展存在如此多的不确定性，對于大多數公司來說，最聰明的做法是建立一個基于目前趨勢的短期行動組合，并通過建立功能和資料基礎設施為未來的機會做準備。

1、如何開始

高管們應該把他們的AI之旅分成三個步驟:構思和測試，優先考慮和開始試驗，以及擴大規模。（見圖3）

理念和測試。在這個階段，公司應該依賴于四個視角:客戶需求、技術進步(特别是涉及人工智能構造塊的技術)、資料源和流程的分解(或系統分解)，以确定最有前途的使用案例。在發現有價值的人工智能用途方面，客戶需要能夠提供關鍵的指導。客戶可能是外部的，或者在支撐功能的内部客戶。深入了解人工智能構造快的發展将是系統地整合技術進步的關鍵。豐富的資料池，尤其是新的資料池，提供了另一個重要的透鏡，因為AI依賴于它們。最後，通過将流程分解成相對正常和獨立的元素，公司可能會發現人工智能可以自動化的領域。除了客戶需求之外，這些角度與公司用來識别數字機會的截然不同。

對于AI經驗有限的公司，我們強烈建議基于一個很可能實作價值的案例，進行一個并行測試階段，它的定義應當是合理的，而且複雜程度适中。這個測試将幫助組織了解人工智能，并強調資料或資料內建需求群組織能力和能力，這是下一步的關鍵投入。

優先級和進行試驗點。高管們應該根據試驗的潛在價值和傳遞速度優先考慮試驗點。第一步的測試将提供對潛在試驗點的時間需求和複雜性的洞察。

一旦機構標明了一系列試驗點，它就應該像在靈活軟體開發中一樣，将它們作為測試和學習的沖刺運作。由于大多數試驗仍然需要處理蹩腳的資料內建和處理，他們将會是不完美的。但是，他們将幫助正确地劃分優先級和定義資料內建計劃的範圍，并确定全面營運AI過程所需的能力和規模。每個試驗都應該同時傳遞具體的客戶價值，并定義所需的基礎設施和內建架構。

規模化擴大。最後階段包括将試驗點擴充為可靠的運作流程和産品，并建構功能、流程、組織和網絡技術和資料基礎設施。盡管這一步可能會持續12到18個月，但靈活沖刺的持續節奏應該能将價值最大化并限制重大的，意想不到的流程修正。

2、如何執行

在執行這一營運項目時，高管們應該執行一系列活動，為自己和機構做好準備，将人工智能投入工作。

了解人工智能。高管們需要了解人工智能的基本知識，并對可能發生的事情有一個直覺的了解。他們不應隻是簡單地在媒體上讀到新的奇迹，而應開始嘗試用Tensorflow做一些實驗，或者上一些有益的、廣泛可用的線上課程。在它們的核心，算法很簡單;除了這些神秘的術語外，這個領域是相當容易接近的。是以，管理人員應該能夠對這個主題有一個功能性的了解。

執行人工智能健康檢查。高管們應該清楚地看到他們在技術基礎設施、組織技能、設定和靈活性方面的起始位置。此外，他們應該了解内部和外部資料的通路級别。

增加員工的觀點。人工智能可能會對勞動力造成破壞。盡管員工對即将失業的擔憂往往誇大了實際情況，但引入人工智能确實會産生情緒壓力，需要進行大規模的再教育訓練。想想一個工廠的員工和一個機器人一起工作，一個采購經理從一個應用程式接收輸入，或者一個呼叫中心代理無縫地接管了一個聊天機器人的互動。工作場所的溝通、教育和教育訓練需要成為最初試驗設計的一部分。

3、思考明天之外

AI的未來——包括其以激進方式改變價值創造的潛力——仍然是高度不确定的。應對這種不确定性的最佳方法是繪制并測試多種場景，并建立一個将單個計劃結合在一起的路線圖。這些努力将使各公司能夠明智地修改其原有計劃，并解決其對資料、技能、組織和未來工作的影響:

資料。人工智能的突破很大程度上依賴于對新的、獨特的或豐富的資料資産的通路。幸運的是，至少在某些領域，機器學習模型可以從初始的資料集開始，并在進一步添加資料時改進。但是，由于現有資料的數量每兩年翻一番，基于過去的資料所獲得的競争優勢是很容易崩壞的，對于未來資料的擷取是非常重要的。

聯合研究項目表明，資料所有權對于跨行業以及行業内的管理者來說都是一個棘手的問題。例如，調查受訪者對專有資料、公共和公司所有資料的混合以及公共領域資料哪一種在行業中最為普遍這一問題都存在分歧。至關重要的是，排他性資料的數量往往決定了競争優勢，這要求高管們需要更深入地了解行業和公司内部資料來源的價值和可用性。

技能。研究表明，隻有一小部分公司了解未來人工智能所需要的知識和技能。而那些擁有先進人工智能能力的公司往往很難雇傭和留住那些精明的資料科學家。随着大學和網絡教育提供商擴大他們的人工智能産品提供，這種迫切的需求将逐漸消失。長期而言，更有價值的可能是資料科學家的管理，以及将AI洞見和能力與已有流程、産品和服務相結合的商業執行能力。

組織。根據研究，企業對于一個集中式、分散的或混合的組織模式是否最有利于發展人工智能存在分歧。更關鍵的問題是，随着機構的人員和機器越來越緊密地合作，具有人工智能和業務專長的人需要機構内靈活的、跨職能的團隊合作。

除了整體的組織設計，越來越明顯的是，人工智能作為一種技術，在強調分散行為的結構中比集中結構中效果更好。無論是自動駕駛汽車、實時營銷、預測維護，還是全球性企業的支援功能，都是如此。一個中心實體收集和處理所有分散代理的資料，以最大化學習集，然後它部署新的模型，并在聚合資料池的集中學習的基礎上對這些代理進行微調。

未來的工作。人工智能無疑會影響未來工作的結構。但是，盡管擔心人工智能将導緻大規模的失業，研究表明，在可預見的未來，會發生的影響還是有限的。大多數受訪者并不認為人工智能将在未來五年内導緻公司裁員。超過三分之二的受訪者并不擔心人工智能會使他們的工作自動化;相反，他們希望人工智能能夠接管他們目前所從事的不愉快的任務。但同時,幾乎所有的受訪者都承認,AI将要求員工學習新的技能,就像汽車力學使得他們不得不擴充技能一樣。不同之處在于,他們将沒有幾十年的适應時間,是以他們可能需要利用新的教育産品和AI本身加快再訓練的過程。機構需要靈活，但員工和高管也是如此。對長遠成功的最好準備是建立改變的能力。

AI将會從根本上改變商業。你成功的最好機會就是不去加入大肆炒作，去做必要的工作。行動是不可替代的。

本文作者：嫣然