创新风格测评网说到推行AI运用，许多公司的执行规模都太小，试探性质太强。据调查，在90％已经进行一些AI投资的公司中，三年来取得商业效益的不到40％，因为小规模运用的成效有限。那么，那些大力投入AI运用并取得成功的公司，做对了什么？
关于本文艺术作品／卡罗琳．杜塞特（Carolyn Doucette）的数位修改照片，探究自然界中人的存在。
若请某个人举例，说出有哪些公司将人工智慧（AI）置于业务核心，你可能会得到一张意料之内的科技巨擘名单：字母公司〔Alphabet（Google）〕、Meta〔脸书（Facebook）〕、亚马逊（Amazon）、微软（Microsoft）、腾讯、阿里巴巴。但在其他产业的传统组织中，许多领导人认为，使用AI来推动自身转型，超出了公司的能力范围。这项技术相当新颖，十年前还没有一家公司采用AI，因此所有在这方面已经很成功的公司，都必须完成相同的基本任务：安排人员负责创建AI；收集所需的数据、网罗人才，以及投入经费进行必要的投资；并且尽可能积极地培养本身的能力。
本文观念精粹
问题 许多公司只是试验性应用AI，而不是规画或编列预算，准备全面部署AI。
原因 这通常是因为没有分配足够的资源、能力和时间于AI专案。
解决方案 十分积极采用，加上与策略、营运作最佳的整合，最后将带来最大的业务价值。
说比做容易？是的。许多组织的AI行动方案都规模太小、试验性质太浓，而且从来没有走到能够增添经济价值的唯一一步，即大规模地部署AI模型。《麻省理工学院史隆管理评论》（MIT Sloan Management Review）和波士顿顾问集团（Boston Consulting Group）于2019年进行的调查发现，有十分之七的公司表示，本身的AI工作所产生的影响微乎其微，或者根本没有影响。同一项调查显示，在90％已经进行一些AI投资的公司中，三年来有获得商业效益的不到40％。这并不令人惊讶：试行计画或实验只能产生有限的成效。
过去几年我们所作的研究，找出了30家公司和政府机构已全力投入AI（这些组织不见得是以精通技术著称），并从中获益。其中许多公司在银行、零售和消费品等产业中竞争。我们研究这些公司的AI发展历程之后，确认这30个组织采取了十项行动，因而得以成功采用AI。
你的组织若想从AI获取可观的价值，就必须彻底重新思考工作环境中的人机互动方式。你应该聚焦的应用，是能改变员工执行工作的方式，也改变顾客与公司互动方式的应用。你应该考虑在每个关键职能和营运作业中，有系统地部署AI，以支持新的流程和数据驱动的决策方式。同样地，应该要让AI推动新的产品和服务，以及商业模式的发展。换句话说，最终应该要让AI技术改造你公司业务的每一个层面。
“你的组织若想从AI获取可观的价值，就必须彻底重新思考工作环境中的人机互动方式。
本文列出的十项要务，每一项都会使你的组织更接近转型；但若要完全转型，你必须避免片段零星的修补行动，而应该推行所有这十项要务。文中会提出案例，详细说明一些组织如何取得成功。你的组织可以选择以不同的方式处理这些要务，或者以不同的顺序来处理。
- 知道你想要达成什么
具有企图心的公司很清楚知道为何要应用AI。它们当然希望财务表现更亮丽，但若要确认和发展转型AI，就需要更明确的目标。一些企业开始使用AI技术来改善流程速度、降低营运成本，或者提高行销能力。不管你运用AI的原因是什么，我们都建议要先确定一个妥善定义的总目标，并以这个目标作为你采用AI的指导原则。
2014年，德勤（Deloitte）的审计和鉴证实务部门开始发展专有的AI平台Omnia，当时的指导原则是要改善全球的服务品质。要在那个领域创建一项全球性的工具，并不像将数据转译成多种语言那么简单。各国用以规范数据的法规，包括隐私标准、审计流程和风险管理，都存在重大的差异。
公司审计的一个重要部分，是以易于分析的格式，来收集财务和营运数据。各公司的数据结构不同，因此提取相关的数据并载入审计平台，可能相当耗时费工。Omnia在一家美国客户公司试营运，但想让它成为全球性工具的目标，在一开始就产生几个独特的挑战，例如开发一个能在不同客户和地区运作的单一数据模型。
德勤的开发人员在创建Omnia之前，就将它设想为全球性的工具，因此能够专注于把来自不同国家、不同公司的资讯标准化；而这是一项艰钜的任务，在开发过程的后期会更具挑战。
- 与伙伴组成的生态系统合作
建构Omnia需要审计和鉴证实务部门来察看世界各地的新创科技公司，以找到符合德勤需求的解决方案。若没有那些伙伴，德勤就不得不在内部开发这些技术，而这虽然有可能办到，成本却高得多，时程进度也慢得多。公司需要强大的合作伙伴关系，才能在AI方面取得成功。
德勤和加拿大的新创公司Kira Systems合作，后者开发的软体能从法律文件撷取合约字词。德勤的审计师以前必须读完许多合约，用人力执行这项任务，但现在Kira Systems的自然语言处理技术，可以自动辨识和撷取关键字词。另一家伙伴公司Signal AI则建构了一座平台，可分析公开提供的财务数据，以找出客户业务中的潜在风险因素。德勤的Omnia平台最近新增了「诚信AI」（Trustworthy AI），这个模组是与评估AI模型偏见的话匣子实验室（Chatterbox Labs）合作开发的。
- 擅长分析
大多数成功采用AI的组织在迅速推动AI之前，都会慎重执行分析行动方案。任何形式的机器学习，都可能包括其他不是以分析为基础的技术，例如自主行动、机器人技术和元宇宙，但核心仍然是分析。正因如此，擅长分析对采用AI非常重要。
但「擅长分析」究竟是什么意思？在本文探讨的情况当中，这是指致力使用数据和分析来制定大多数的决策，而这表示必须改变你和顾客往来的方式、将AI嵌入产品和服务，以及用更为自动化和智慧的方式执行许多任务，甚至执行整个商业流程。企业若要运用AI来改造业务，必须日益拥有独特或专有的数据，因为如果他们所有的竞争对手都有相同的数据，大家都会得到类似的机器学习模型和类似的成果。
希捷科技（Seagate Technology）是全球最大的磁碟机制造商，旗下各工厂里有大量的感测器数据，并在过去五年广泛使用这些数据，来改善制造流程的品质和效率。这项工作的一个重点，是将矽晶圆的目视检查作业和制造矽晶圆的工具都自动化（矽晶圆用于制造磁碟机的磁头）。整个晶圆的制造过程中，各种不同的工具组会拍下多张显微镜图像。希捷科技在美国明尼苏达州的工厂使用这些图像提供的数据，创建一套自动化系统，让机器直接寻找和分类晶圆的瑕疵。其他的图像分类模型会侦测监控工具中的失焦电子显微镜，以确定是否确实有瑕疵。这些模型在2017年底首次部署启用，此后希捷设于美国和北爱尔兰的晶圆工厂日益广泛使用这些模型，节省了数百万美元的检查人力成本和废料预防成本。目视检查的准确率在几年前是50％，现在超过90％。
数据是机器学习成功的基础，如果缺乏大量的好数据，模型便无法做出准确的预测。可以说，大多数组织扩大AI系统规模面临的单一最大障碍，是获取、清理和整合正确的数据。为新的AI行动方案积极寻找新的数据来源也很重要。本文稍后会谈这一点。
- 创建模组化、弹性的IT架构
你会需要一种方法，可在企业的各项应用上轻松部署数据、分析和自动化。这方面需要的技术基础设施，要能够沟通和理解来自公司内外其他资讯科技（IT）环境的数据。传统数据中心里的软体，通常设计为只能与同一数据中心的软体沟通。把这套软体与来自那个基础设施之外的软体整合起来，可能耗时又昂贵。
弹性的IT架构会使复杂的流程更容易自动化，例如德勤从法律文件撷取关键字词的流程。如果你不能自行开发这种架构（极少中小企业办得到），可能就必须和其他公司建立伙伴关系，例如与微软Azure、亚马逊网路服务（Amazon Web Services，简称AWS）或Google Cloud等公司合作。
第一资本（Capital One）几十年来一直被公认为分析领域的翘楚，运用分析法来了解消费者的支出型态、降低信用风险，并改善顾客服务。（资讯揭露：本文作者之一的汤玛斯，一直是第一资本的付费论坛演讲人。）2011年，第一资本做了一项策略决策，要重塑和现代化本身的公司文化、营运流程和核心技术基础设施。这项转型包括：转向敏捷模式来交付软体、建立大型工程组织，以及雇用数千人担任数位职务。这项转型也推动公司将数据送上云端。
第一资本和AWS合作建立本身的云端架构。但在迁移到云端之前，第一资本的高阶主管必须重新设想银行业的未来。顾客迁移到数位通路，例如银行的网站和行动应用程式（app），而这些数位通路产生的数据，远多于面对面互动的数据，这使第一资本有机会更加了解顾客如何与其互动。转向云端具有策略意义，部分原因是这会降低数据储存的成本。根据美国南加州大学马歇尔商学院（USC’s Marshall School of Business）的数据，1960年储存10亿位元组（GB）数据的成本是200万美元。1980年代这项成本降到20万美元，到2000年代初只要7.70美元，而由于云端储存的出现，2017年更低到2美分。
第一资本判断，AWS可以在云端提供由软体驱动、可扩大规模、即时可用的数据储存和运算能力，而且成本远低于在公司内部储存数据。AWS也提供创新的新机器学习工具和平台。由第一资本的IT组织为所有这些数据建构和管理基础设施的解决方案，已不再有意义。相反地，IT组织开始专注于培养软体和业务能力。今天，第一资本即时分析来自网路和行动交易、自动柜员机和信用卡交易源源不绝的数据流，以满足顾客的需求和防止诈骗。到2020年，这家银行关闭了最后一座数据中心，将所有的应用程式和数据移到AWS云端。
许多公司的确已经将数据和应用程式移到云端（或者数据和应用程式原本就起源于云端）。还没有这么做的公司，会更难成为积极的AI采用者。
- 将AI整合到目前的工作流程中
缺乏弹性的商业流程可能和缺乏弹性的IT架构一样具有局限性。本文提到的公司不遗余力地将AI整合到员工和顾客的日常工作流程中。要在你的组织做到这一点，必须确定你的哪些工作流程适合AI的速度和智慧程度，并且尽快开始将AI整合到其中。不要试图将AI塞进无法从机器的速度和规模获益的工作流，例如既不包含也不会产生大量数据、没有一再重复进行，且极少使用的商业流程。
若要进行工作流程整合，需要比第一项任务「知道你想要达成什么」更具体得多的行动计画。假设你已经确定要改善顾客服务。但若要将AI整合到目前的顾客服务工作流程中，就必须对这些流程有敏锐的实地了解，而极少最高层主管能有这种知识。然而，生产线员工拥有理想的视角，能够确定哪些流程可以从AI受益，以及这些流程可以如何具体改善。
美国有些政府机构，便找到一些很适合AI速度和规模的具体任务与工作流程。例如，美国国家航空太空总署（NASA）在应付帐款和应收帐款、IT支出和人力资源方面，启动试行专案（由于这项人资专案，航太总署86％的人资交易是在没有人力插手的情况下完成的）。社会安全局（Social Security Administration）在裁定工作上使用AI和机器学习，以处理繁重的案件数量带来的挑战，并确保决策的准确性和一致性。在新冠疫情（Covid-19）严峻之初，美国退伍军人事务部（Department of Veterans Affairs）设置AI聊天机器人来回答问题、协助确定确诊病例的严重程度，并且寻找患者可以入院的地点。国土安全部科学技术局（Department of Homeland Security Science and Technology Directorate）的运输安全实验室，正在探索一些方式将AI和机器学习纳入运输安全管理局（TSA）的安检流程，以改善乘客和行李扫描作业。美国国税局（Internal Revenue Service）正使用AI测试哪些正式通知的组合，最有可能诱使欠税的纳税人寄出缴税支票。
- 在整个组织中建立解决方案
你的组织已经在内部测试和精通特定工作流程的AI之后，就应该要更积极地在整个组织的各单位里部署AI。你的目标不应该是为一个流程设计一套演算法模型，而应该是要找到一种统一的方法，可以在整个公司里复制使用。
克里夫兰医学中心（Cleveland Clinic）的企业分析与资讯管理执行总监克里斯．杜诺文（Chris Donovan）表示，这所医学中心「AI随处可见」。他的团队致力推动由员工主导的AI开发和部署工作，也提供由高阶主管领导的治理方法。到目前为止，这项工作一直由植根于企业分析、IT和道德部门的跨整体组织实务社群所推动。
与开始积极推动AI转型的大多数组织一样，克里夫兰医学中心面临数据和分析方面的巨大挑战。杜诺文表示，医院拥有的数据远比其他产业的组织要少，而且比较不可能是清理过且结构良好的数据。他表示，克里夫兰医学中心的数据有品质上的问题、以不理想的方式撷取、输入方式不同，而且在整个机构里有不同的定义。即使是血压等常见的指标，也可以在患者站立、坐着或仰卧时测量（这样通常会有不同的测量结果），并以各种不同方式记录。必须了解每种实务做法的数据结构，才能正确解读血压的数据。杜诺文的团队并没有将每个数据集的数据准备工作，留给医学中心内部的每个医疗单位去做，而是让它成为每个AI专案的一部分，并且努力提供有用的数据集给所有的AI专案。
克里夫兰医学中心也使用AI来评估人口健康领域的风险。它已在这个领域建立一个预测模型，以协助设定使用稀有资源的优先顺序，为最需要的患者提供医疗服务。目前，该中心主要是根据预测风险分数，来决定谁能接到电话通知去看医生。例如，难以控制病情的糖尿病患者，会获得高风险分数。这所医学中心建立另一个模型，来找出有某种疾病罹患风险，但没有病史或病征的患者。这个模型用于主动安排患者接受预防性照护。克里夫兰医学中心也致力找出生活或工作条件有问题，导致健康受到影响的患者；他们除了需要医生，也可能需要社会工作者的协助或一张公车票去看医生。
- 创建AI治理和领导结构
安排某个人负责决定如何在整个组织部署AI，会使转型更为容易。最优秀的领导人知道，整体而言AI能做什么、能为他们的公司做什么，以及可能会对策略、商业模式、流程和人员有什么含意。但领导人面临的最大挑战，是建立一种文化，强调依据数据做成决策和采取行动，以及引导员工对AI改善业务的潜力充满热忱。若缺少这种文化，即使组织中零星散布著一些AI拥护者，他们也无法取得建构出色应用所需的资源，无法聘雇到优秀的人才。而且即使建构了AI应用，企业也无法有效地运用。
“领导人面临的最大挑战，是建立一种文化，强调依据数据做成决策和采取行动，以及对AI改造业务的潜力充满热忱。
什么样的领导人可以培养正确的文化？首先，由熟悉IT的执行长或其他长字辈主管来领导AI行动方案，会有帮助。虽然没有技术背景的人也可以在你的公司领导AI工作，但那个人必须很快地学习很多东西。其次，领导人多管齐下开展工作很重要。他或她选择加入的具体计画会因组织而异，但资深高阶主管的参与特别重要，有助于表达出对技术的兴趣、建立由数据驱动决策的文化、促进整个企业的创新，以及激励员工采用新技能等等。第三，领导人掌握财务资源的权力。探索、开发和部署AI的费用很高。领导人必须投资或说服其他人投资足够的经费，让所有的层级都能采用。
有一个专门负责AI的领导人当然有帮助，但终究来说，对这项工作的投入必须深入到组织之中。如果上层、中层主管，甚至第一线经理人只是口头支持要用AI来转型，事情的进展就会相当缓慢，组织很可能会故态复萌。我们曾看到一些高度投入的领导人，以多项行动方案建立起聚焦于AI的公司。可是他们的接班人不相信这种做法，因此不再那么关注AI。
- 发展卓越中心并配置适当人员
大多数AI和分析主管仍然得花很多时间，向其他经理人宣导这种技术的价值和目的。所有事业单位的决策者都应该确保AI专案获得足够的经费和时间，也应该在自己的工作上实施AI。重要的是，要教育那个群体了解AI如何运作、何时适用，以及大幅投入AI要做些什么。对绝大多数公司来说，这种技能提升和再培训工作仍然处于早期阶段，而且不是每位员工都需要接受AI的培训。但有些公司显然这么做了，而且可能做得愈多愈好。本文提到的每家公司都晓得，经营要成功，就需要AI、数据工程和数据科学等方面大量的人才与培训。
“所有事业单位的决策者都应该确保AI专案获得足够的经费和时间，也应该在自己的工作上实施AI。
2009年，星展银行（DBS Bank）聘用高博德（Piyush Gupta）担任执行长时，是新加坡顾客服务评等最低的银行。高博德大力投资于AI实验，在过去几年内，每年投入约3亿美元，并给予事业单位和职能部门一些弹性去聘雇数据科学家，观察他们能够达成什么。这家银行的人资主管没有技术背景，却设立一个小型的工作小组，以确认和试运行各种AI应用，包括AI招募系统Jobs Intelligence Maestro（JIM），这套模型用于预测人员的流失，并协助该银行招募条件最符合的员工。今天在星展银行工作的1,000名数据科学家和数据工程师中，有许多人是透过这套JIM系统聘雇的。
高博德表示，星展银行现在的工程师人数是银行业务人员的两倍。那些工程师投入区块链和资产支持代币等新兴技术，以及各种AI专案。而且这家银行的文化已大幅改善。从2018到2021年的四年间，《欧洲货币》（Euromoney）杂志年年评选星展银行为全球最佳银行，而且它的资本状况和信用评等目前在亚太地区名列前茅。2019年，《哈佛商业评论》评选全球表现最佳执行长的排行榜上，高博德位列第89名。
- 持续投资
选择积极采用AI，并不是领导人轻易做出的决定。这项行动将在未来数十年对公司造成很大的影响，大型企业最后可能需要投入数亿或数十亿美元。我们研究的每一家成功采用AI的公司都告诉我们，这是在整个企业层级中致力大幅采用AI所需的成本。组织起初可能会觉得，像这样大规模投注资源相当吓人。但我们调查的AI驱动公司，在看到自身从早期的专案获得的效益之后，发现投注经费在AI导向的数据、技术和人员上要容易得多。
例如，CCC智慧解决方案（CCC Intelligent Solutions）已经每年支出超过1亿美元在AI和数据上，并且预期会继续这么做。（资讯揭露：汤玛斯一直是CCC的付费论坛演讲人。）这家公司成立于1980年，原名是认证抵押公司（Certified Collateral Corporation），经营的业务是提供汽车估价资讯给保险公司。
如果你曾发生车祸，需要大修，可能那时曾受益于CCC的数据、生态系统，以及以AI为基础的决策。四十多年来，CCC已经演变发展为收集和管理愈来愈多的数据、和汽车保险业的各方建立愈来愈多的关系，并且根据数据、分析，最后则是根据AI，做出愈来愈多的决策。在过去的23年里，这家公司一直由曾任技术长的吉塞希．拉玛默西（Githesh Ramamurthy）领导。CCC成长稳健，年营收接近7亿美元。
CCC的机器学习模型是根据以下资料建立的：价值超过一兆美元的历史索赔资料、数十亿张历史图像，以及汽车零组件、维修厂、碰撞损坏和法规等其他数据。它也透过车载远程通讯技术和感测器，收集了超过500亿英里的历史数据。它提供数据给一个广泛的生态系统，其中包括约300家保险公司、26,000家维修厂、3,500家零组件供应商，以及所有的主要汽车原厂设备制造商，而且它提供的决策也愈来愈多。CCC的目标是连接这些各式各样的组织，形成一个密接无缝的生态系统，以快速处理索赔申请。所有这些交易目前都在云端上处理，CCC是在2003年把各种系统移到云端。它们连接3万家公司和50万名个人用户，处理价值达1,000亿美元的商业交易。可以想像，已经花了不少钱和时间才能做到这个程度。
- 时时寻求新的数据来源
对大公司来说，收集数据通常不成问题，但AI策略在很大的程度上是由可以收集到的任何数据所驱动的。能有更多的数据，不错。能有更准确的数据，很棒。可以立即用于AI模型的更准确、结构化数据，很理想。德勤的AI发展历程里最具挑战性的部分，可能就是整合来自客户的系统里的数据。第一资本一直拥有强大的数据，但需要设法在弹性的IT架构中储存和使用那些数据。CCC用自身的第一个商业模式来累积数据，因此为转向以AI为基础的模式做好准备。但是当CCC学会使用五年前还不存在的大量数据库时，才巩固了从数据导向业务过渡成为AI导向业务的过程。
谈到数据时，不要以为数据只是文字和数字。对CCC来说，车辆的图像是可以应用于几个关键流程的数据。CCC历年来累积了数十亿张图像，但那些是由车辆损坏现场的保险理赔理算师或维修厂商拍摄的照片。这些照片需要配备特殊显示卡的专业相机来储存和发送。
2012年左右，CCC的高阶主管注意到业余相机的性能正在迅速改良，并且被纳入智慧型手机之中。他们设想的未来是：受损车辆的车主可以自行拍照，并从手机直接发送照片，来估计保险理赔金额。高阶主管预期，在不需要专业摄影师和相机的情况下，这个流程会更快，而且更具成本效益。他们找来顶尖大学的几位教授探讨这种能力。在此同时，CCC的高阶主管开始研究一种新的AI图像分析方法，称为深度学习神经网路，只要有足够的训练数据，有时候这种方法的成效可与人力分析相当，甚至更高。
CCC网罗了一群才华洋溢的数据科学家，他们学会如何将照片对应到各种车辆的结构上，以及注释或标记照片以供训练之用。到2021年的年中，这套系统已经准备好可以部署，美国联合服务汽车协会（USAA）成为它的首批顾客之一。更多的数据、更好的模型、更多的业务和更多的数据所形成的良性循环，使得CCC的智慧型手机图像应用功能强大。新的数据会继续流进该公司，用于改善估算预测和其他的功能。这有助于CCC的客户做出更好的决策，很可能因此为CCC带来更多的业务和数据。
全力投入
我们相信，最积极采用AI、AI与策略和营运整合得最好、执行最佳的公司，将获得最大的商业价值。了解居于领先地位的采用者正在做什么事，可协助其他公司尝试评估运用AI技术推动事业转型的潜力。你的组织可以采取本文所述的十项行动，朝相同方向迈进。
我们也相信，策略性地大规模应用AI，攸关未来几乎每一家企业的经营成败。数据正在快速增加，这情况不会改变。AI是大规模理解数据，并确保在整个组织做出明智决策的方法。这一点也不会改变。AI将继续存在。积极应用AI的公司，未来数十年将称霸本身所属的产业。
文章来源：哈佛商业评论 2023/1月号