科技行者報導
來源 ：Harvard Business Review
作者：Jacques Bughin;Brian McCarthy;Michael Chui
編譯 ：科技行者
「我覺得不行！」；「我覺得可以！」
這正是現在大家看待AI的兩種態度。有人覺得現在去談人工智慧的商業化為時尚早，但也有人覺得人工智慧已經在企業的許多業務場景中發揮至關重要的作用。無論如何，作為一個刷爆朋友圈，並且曝光度與日俱增的熱門話題，許多企業都已經對AI「蠢蠢欲動」，甚至「先下手為強」了。
不僅大大小小的科技公司都開始紛紛自覺貼上人工智慧的標籤，許多企業也開始嘗試利用人工智慧技術不斷優化企業的運營。
就在兩個月前，可口可樂公司向外界公布要應用人工智慧推出一款與可口可樂自動售貨機結合的智能APP，通過這個APP，消費者可以直接在線訂購，然後在自動售貨機上取貨。甚至在包括其它國家在內的任何位置，也可以為家人或朋友購買飲料。
同時，透過自動售貨機與雲端的連接，可口可樂公司還可以實現對機器的遠程控制，比如調整售貨機銷售的產品的價格、在特定位置引入折扣和促銷活動等等，同時，通過這樣一個通道，可口可樂公司還可以向消費者發送個性化信息，並提供一個互動的聊天平臺。
這樣的方式不僅給消費者帶來了便利，也使得可口可樂公司可以更好地收集消費者相關的數據、了解消費者行為，並相應地調整其產品和服務，改善公司的管理運營。
圖解行業場景中的人工智慧應用
這僅僅是人工智慧一個非常小的商用案例。關於人工智慧的商業化，麥肯錫全球研究院跨越14個行業、10個國家，對3073名企業高管進行了調查，並分析了160個案例，最終發布了《人工智慧：下一個數字前沿？》報告，其中，報告詳細描述了5個應用案例，並對零售、電力、醫療3個行業應用進行了圖解：
1
零售：連接消費者，改善購物體驗
圖像識別、機器學習和自然語言處理等技術等發展使得智能服務機器人能夠輕鬆與顧客打招呼、交流，可以預測訂單，提供引導；
通過機器學習，可以根據消費者到個人資料進行個性化促銷; 在顧客瀏覽店鋪商品時，店內的信標（Beacon）也可以通過手機向他們發送優惠信息
基於深度學習的計算機視覺技術，可以識別購物者打包的商品; 加上傳感器所獲取的數據，AI使得自動結帳和付款成為可能
使用深度學習技術的無人機快遞完成了零售業務鏈最後一英裡的交付，能夠實現避障並處理收貨人不在的狀況
具有計算機視覺和深度學習功能的互動屏幕和桌面可以識別商品並推薦適合消費者的相關產品
自動購物車會在商店中跟隨顧客，並運送商品到顧客的上車點，或通過機器人、無人機送貨上門
利用機器學習，商店開業根據競爭對手的價格、天氣情況、庫存情況等數據信息實時調整和優化商品價格，從而最大限度地提高收入
通過人工智慧強化的機器人可以持續跟蹤倉儲信息，識別空貨架並補貨，同時，其他機器人也可以在倉庫中進行打包
2
電力：更少的電站，更智能的電網
通過傳感器和機器學習系統，可以通過對風力條件的實時調整，最大限度地提高發電效率
通過機器學習可以預測電力的供需峰值，從而最大限度地利用間歇性可再生能源
智能電線與機器學習的結合，可以實現實時的電力調度，改善電網負載
無人機和小型機器人可以在不關停電路的情況下，檢測和預測設備故障
機器可以替代人工自動記錄數據並檢查設備狀態，從而減少對技術人員的需求數量，使他們可以花更多時間解決其它問題
在設備檢修過程中，現場工作人員仍然可以實時接收運行數據，以減少響應時間及中斷的影響
虛擬助手可以根據業務歷史對消費者進行分類，利用機器學習提供壞帳預警服務
基於機器學習，智能儀表可以根據使用量和天氣等因素，自動調整用電數據
通過人工智慧強化的機器人可以持續跟蹤倉儲信息，識別空貨架並補貨，同時，其他機器人也可以在倉庫中進行打包
3
醫療：更快的診斷，更好的治療
機器學習程序可以通過可穿戴設備遠程分析患者的健康狀況，並將數據與其醫療記錄進行比較，提供健康建議並預警疾病風險
使用機器學習和其他相關的AI技術，設備可以進行自主診斷並幫患者做簡單的體徵指標檢查，而無需人力輔助，從而減輕醫生和護士的工作壓力
根據患者的歷史醫療數據和記錄，基於AI的診斷工具可以更準確地診斷疾病
根據醫療和環境等因素，AI算法可以預測患者行為和疾病的概率，從而優化醫院運營、排班計劃和庫存管理
利用AI，可以分析患者的病史和環境因素，從而確定患有疾病風險的對象，並指導他們進行預防性保健
互動信息亭形式的虛擬助理，可以幫助患者進行登記，並將其轉交給合適的醫生進行診斷，縮短患者等待的時間，改善醫療體驗
通過機器學習工具可以對特定患者的需求設計個性化的治療方案，從而提高治療效率，改善治療效果
根據人工智慧對大眾的健康分析結果，可以通過鼓勵護理人員更好地管理患者健康，並幫助患者降低住院費用和治療成本
通過人工智慧強化的機器人可以持續跟蹤倉儲信息，識別空貨架並補貨，同時，其他機器人也可以在倉庫中進行打包
4
製造：更智能、更靈活
對於工程和研發人員而言，人工智慧工具的使用意味著更快的周轉時間和更少的迭代次數，效率得到大大提升
獲取全球各地的供應商信息，降低採購過程中的成本，更好地管理供應鏈，使得收益最大化
項目經理可以使用基於人工智慧的高級分析，從而提高審查流程的有效性
AI可以幫助企業重新審視製造流程和生產線，並針對性地進行優化和調整，從而以降低成本、減少資源浪費，加快企業上市速度
製造商可以利用AI技術為客戶提供更優質的售後服務
工作人員與工廠的生產線必須更好地進行協同作業，從而挖掘AI的全部潛力，實現其中的價值
5
教育：不斷優化教學形式和效果
解決教育資源分布不均的問題，並根據市場需求幫助政府機構不斷優化教育制度，提高人才與市場的匹配度
為學生提供更有針對性的教學計劃，改善學習成果，並幫助學校不斷改進課程組合，提高畢業生就業率
通過自適應學習系統，在合適的時間以最佳方式向每個學生提供適當的內容，打造個性化教學
自然語言、計算機視覺和深度學習可以幫助教師回答學生的常規問題或擔任教學助教，使得教師可以把更多的時間花在更具價值的教學環節中
總而言之，人工智慧已經或多或少在行業中得到了應用。在麥肯錫的報告中，根據調查總結了當前AI在不同行業業務中的應用比例，以及未來的應用趨勢，如下圖：
▲目前人工智慧應用程度最高的企業，也是增加投資意願最強的企業
▲也可以看到，已經採用了AI策略的公司的利潤率得到了明顯提升
正因如此，越來越多的企業CEO開始重視人工智慧技術的影響，並親自主導相關項目的開展。據IBM商業價值研究院在今年6月份發布的一項調查結果顯示，73%受調查的企業CEO認為，人工智慧將為企業的未來起到重要的作用，其中，50%的CEO計劃在2019年前採用相關技術。
企業應用AI技術的10個關鍵思考點
當然，還未採用人工智慧技術的企業也不必感到焦慮和恐慌。企業未來戰略如何布局，如何更好地運用這些技術，在運用過程中如何推進，這些都成為目前擺在企業面前的問題。基於麥肯錫的報告，我們總結了企業在應用AI技術的過程中的10個關鍵思考點。
1不要聽信所有炒作
其實並非每個企業都已在使用人工智慧。雖然人們對AI的投資正在升溫，但企業對人工智慧技術的採用仍然有些滯後。雖然AI的總投資額（包括內部和外部的）在2016年達到了260億美元到390億美元，其中外部投資是2013年的三倍。然而，AI的應用仍處於初步階段，在麥肯錫的調查對象中，只有20%的受訪者在一個或一個以上的業務或是核心業務中大規模使用AI技術。（調查涵蓋了五個範疇下的AI技術系統：機器人和自動駕駛汽車、計算機視覺、語言、虛擬代理和機器學習）
▲雖然AI投資正在高速增長，但2017年的應用率仍舊走低僅有20%的受訪者表示已經在使用AI技術，41%的企業表示還不確定使用AI能帶來哪些收益
目前，對於那些仍在試驗或試用AI(41%的)公司而言，這是一個好消息。調查結果表明，要攀上學習曲線並使用AI展開競爭仍需要一段時間。
不過，我們現在很可能正處於採用AI技術的一個重要轉折點。基於神經網絡的機器學習和自然語言處理等AI技術已開始日漸成熟，價值也日漸顯現，迅速成為了所有AI技術採用者採用的中心技術。麥肯錫預計目前AI的試用者中至少有一部分用戶將在短期內實現與AI的完全整合。雖然應用的進度不同，但AI技術已經在各部門、各領域間平穩蔓延。 根據調查結果顯示，在接下來的三年裡，電信及金融等服務業均計劃每年在AI技術上的支出增加15％以上——這較跨行業費用支出的平均水平高出7個百分點。
2要相信AI可以提升公司的營收和利潤這類「炒作」
根據麥肯錫的調查，AI早期採用者（即大規模使用AI或在核心業務採用AI的公司）中有30%的用戶表示他們已經實現了收入的增長，利用AI獲得了更高的市場份額，或提升了產品和服務能力。此外，AI早期採用者中預計自己公司的利潤率增長到比同行高出5%的人相較其他人要多3.5倍。證據表明，人工智慧已經能夠直接提高企業利潤，使得AI投資的投資回報率（ROI）與其相關數位技術範疇的投資回報率相同，如大數據和高級分析。
3沒有領導的支持，你的AI轉型計劃可能會失敗
成功的人工智慧採用者往往擁有領導對新技術最強有力的支持。調查反饋顯示，已經成功大規模部署AI技術的調查對象得到公司管理層的支持率幾乎是那些沒有採用任何AI技術支持的公司的2倍。此外，除了從其公司CEO和IT部門主管那裡獲得了強有力的支持，他們還獲得了來自全部管理層高管和董事會的支持。
4不要一個人獨立專研AI，你還需要合作夥伴的才幹和能力
經歷數十年的「寒冬」，人工智慧領域最近才開始加速其創新的步伐，而具備專業技術和能力人才也出現了稀缺的情況。即便是亞馬遜和谷歌這樣的大型數字原生代公司也開始轉向通過外部市場的企業和人才，以增強其自身的AI技能。例如Google對DeepMind公司的收購，正是因為DeepMind能夠運用其機器學習能力幫助Google提升搜索優化等核心業務。另外，據調查顯示，AI的早期使用者主要是通過購買外部適用的技術解決方案來實現，只有少數的調查對象完全是由公司內部人才開發和實施人工智慧解決方案。
5避免讓技術團隊獨立進行人工智慧項目和計劃
在IT、數字或創新領域分別任命不同的部門主管，劃分人工智慧的管理職責，可能會導致「拿著錘子找釘子」的結果出現，為確保企業能夠把關注點放在最有價值的案例上，人工智慧項目應該由業務和技術部門主管共同評估和領導。
6採用投資組合的方式加速公司的AI歷程
AI工具如今的應用範圍已相當廣泛，能夠解決具體商業問題，例如用於預測性維護等等。各組織機構可以考慮在融合AI技術時採用一種基於投資組合的方法，從以下三個時間維度進行思考：
短期：專注於當前已有成熟技術解決方案的使用案例，並將它們推廣到整個組織機構中
中期：對當前新興但仍相對不成熟的技術(如深度學習、視頻識別技術)進行試驗，在推廣前先在核心業務中證明其價值
長期：與學術界或第三方研究機構合作，利用前沿的AI技術來解決具有更深遠影響力的使用場景（例如，增強人類在某個關鍵知識工作者角色中的決策能力）
7機器學習是一種強大的工具，但它並非適用於所有事物
機器學習及其最為突出的子領域深度學習已經吸引了眾多媒體的關注，並獲得了佔據2016年所有外部投資近60%份額的融資。
但即便如此，機器學習也只是眾多能夠解決企業問題的人工智慧技術中的一項。並不存在什麼放之四海而皆可用的人工智慧解決方案。例如，為實現客戶服務中心效率的提高所採用的AI技術可能與用於識別信用卡詐騙風險所採用的技術迥然不同。因此，在一個企業的數字與AI技術應用歷程的特定階段，尋找合適的工具解決每一個增值的業務問題才是至關重要的。
▲不同的人工智慧技術之間是有交集的
8數位化能力應該優先於AI
調查發現，在AI應用方面領先的行業，如高科技、電信和汽車等，也是數位化程度最高的行業。同樣，所有早期應用AI技術的企業都已在包括雲基礎架構和大數據的數位化能力方面進行了投資。事實上，沒有數位化轉型經驗的企業似乎很難輕易地跳躍到AI領域。通過一連串的統計分析，我們發現在數位化方面經驗較多的企業在融合AI技術時創造出利潤的可能性相比其他公司要高出50%。
▲數位化程度更高的行業和價值鏈更快採用了人工智慧技術
▲這些企業具有六大特點：數位化成熟、業務規模更大、再核心業務中使用AI、採用多種技術、關注企業增長勝過積累資金、對AI的支持來自企業最高層
9要大膽勇敢
在一項關於數位化顛覆（digital disruption）的獨立研究中，我們發現要扭轉數位化顛覆的「魔咒」，採取更「激進」的數位化戰略是最重要的因素。採用這樣策略的企業將從根本上調整其業務的投資組合，開發新的商業模式，以構建一個比其數位化前更加強大的增長途徑。截至目前，這一因素似乎也適用於AI：AI的早期應用者中恰好採取積極、「激進」策略的企業較其他企業擁有更好的利潤前景。
▲AI轉型與數位化轉型所需的相似的條件和要素
10人與流程是最大的挑戰
多數情況下，對管理層而言，將AI納入到企業的流程和決策過程的挑戰其實遠遠超過了實施AI的技術性挑戰。作為領導者，需要決定哪些任務由機器處理，哪些任務由人類執行，而且無論是新任務還是傳統任務，實施能夠讓員工持續學習的程序將是至關重要的。隨著AI技術與先進的可視化技術、協作和設計思維的繼續融合，企業未來需要將主要關注點從流程效率轉向決策管理的有效性，而這將進一步要求領導者打造一個持續改進和學習的文化氛圍。
毫無疑問，AI就是下一個數字前沿。儘管一些公司仍未從之前的數位化顛覆中「緩」過來，但新的數位化顛覆正在成型。不過目前我們仍在早期階段，還有時間將AI打造成自己的競爭優勢。不妨先從這10條建議入手，開始規劃自己的人工智慧戰略吧。