如今，已經有許多公司適應了「數據驅動」的運營決策方法。但數據的作用是改進決策，想要發揮最大的作用，處理器才是關鍵。
從「數據驅動」一詞就能看出，數據作為一股力量的背後是由人來管理和總結的。也有不少人認為人類才是最佳的「處理器」，也就是決定者。
但想要充分挖掘數據中包含的價值，公司需要將人工智慧（AI）引入其工作流程，有時候甚至必須將人類剔除在外。
這就意味著，我們需要從數據驅動的工作模式發展到AI驅動的工作模式。
而「數據驅動」和「AI驅動」不僅僅是語義上的不同。兩個術語反映出來的行動也有所區別，前者側重於數據，後者側重於處理能力。
數據提供了能夠做出更好決策的信息；處理是提取這些見解並採取行動的方法。人類和AI都是處理器，但各自擁有著完全不同的能力。
為了了解如何更好地利用每一種方法，回顧人類自身的生物進化和知道決策是如何在工業中演變的，也許能有所幫助。
就在50到75年前，人類的判斷力還是商業決策的CPU。有著多年經驗的專業人士依賴於他們對行業高度靈敏的直覺（和相對很小的數據資源），來為廣告活動挑選合適的創意、確定合適的庫存水平，或批准合適的金融投資。
可以說，經驗和直覺是我們當時分辨好壞、高低、風險和安全的絕大部分來源。
也許，這太「人性化」了。而我們的直覺遠非理想的決策工具。
我們的大腦受到許多認知偏見的影響，這些偏見以可預見的方式削弱了人們的判斷力。
但這正是人類幾十萬年進化的結果。作為早期的狩獵-採集者，我們形成了一個推理系統，該系統依賴於簡單的啟發式——規避處理大量信息的高成本的捷徑或經驗法則。
簡單來說，這使人類能夠迅速做出幾乎無意識的決定，使我們擺脫潛在的危險境地。然而，「快速且幾乎無意識」並不總是意味著最佳或準確。
想像一下，我們的祖先圍在篝火旁，附近的灌木叢突然發出了沙沙聲。這時，「快速且幾乎無意識」的決定是什麼？
一種情況是得出這是一種危險食肉動物引發的聲音的結論，他們應該立刻逃跑；另一種是繼續試探，收集更多的信息，看看它是否是潛在的獵物——比如說，一隻兔子。
不管當時的人做出了何種決定。不可否認的是，那些更謹慎的先輩——決定逃跑的人——很可能比那些更好奇的人活得更長。
從這個例子可以看到，損失一隻兔子的代價遠遠低於冒著生命危險留在原地並被捕食者吃掉的結果。
但也正是由於結果的不對稱性，進化往往傾向於導致代價更低的結果特徵，即使這意味著要犧牲準確性。
因此，衝動決策和信息處理較少的特徵在後代群體中普遍存在。到了現代，生存啟發模式也已成為我們的遺傳大腦中預先加載的無數認知偏見之一。
這些偏見以偏離理性客觀的方式影響我們的判斷和決策，讓我們過分重視形象的或最近發生的事件。
我們依賴以前的經驗，即使它完全無關緊要。我們也傾向於對那些實際上只是隨機的事件做出似是而非的解釋。
不僅如此，人們還會粗略地將觀察對象分類到廣義的刻板印象當中，但僅依靠這些刻板印象並不能充分解釋它們之間的差異。
這些只是認知偏見困擾人類判斷的幾十種方式中的幾種。而通過上面的描述，我們現在知道，僅僅依靠人類的直覺是低效的、反覆無常的、易犯錯誤的，並且限制了組織的能力。
更讓人驚訝的是，幾十年來，認知偏見一直都是商業決策的核心處理器。
數據支持決策
先來看看「數據驅動」。
進入網絡時代，連接到一起的設備捕獲了難以想像的大量數據。謝天謝地謝數據，多虧了它，每一筆交易、每一個客戶的每一個選擇、每一個微觀和宏觀經濟指標，所有這些信息都能提供更好的決策。
為了響應這個新的數據豐富的環境，人們調整了工作模式。IT部門使用機器（資料庫、分布式文件系統等）支持信息流，將處理不了的數據量減少到可供人類「消化」的範圍。
然後，人類使用電子表格、儀錶盤和分析APP等工具進一步提取關鍵信息。最終，經過高度處理的、可管理的小型數據被顯示出來並用作人們進行決策的手段。
至於中央處理器，仍然是人工判斷，只不過現在是使用匯總數據作為新的依據。
雖然這無疑比僅僅依靠直覺要好，但是人類扮演CPU的角色仍然存在一些限制。
首先，人類無法權衡所有的數據。
確實，人類具備多方位思考的能力，也能毫不費力地處理大量周圍環境信息。但在面對處理數百萬或數十億條記錄的結構化數據時，這完全超出了我們的現有極限。
進而為了適應人類CPU的水平，必須減少數據。但摘要數據可能會掩蓋原始（大）數據集中包含的許多洞見、關係和模式。
比如說，一個人可能會對銷售數字和平均銷售價格的變化很敏感。可一旦開始思考價值的完整分布，以及最關鍵的數據元素之間的關係，他的大腦可能就不好用了。後者對做出正確的決策反而更重要。
這並不是說數據摘要沒有用處。可以肯定的是，它們提供了對業務的基本可視性。但其在決策中幾乎沒有什麼價值，因為在準備的過程中已經損失了太多內容。
在其他情況下，匯總的數據可能完全具有誤導性。混雜因素的集合實際上可以表現出積極卻完全相反的結果，具體可參見辛普森悖論。（簡單地將分組資料相加匯總，不一定能反映真實情況）
而且，一旦數據聚合起來，可能就無法恢復起作用的因素，也就失去了其作為輔助的目的。
也許，最佳實踐是使用隨機對照試驗，即A/B檢驗。沒有這種實踐，即使是AI也可能無法正確控制混雜因素。
簡而言之，通過使用人類作為數據的CPU，我們仍然在犧牲準確性，以規避人類數據處理的高成本。
其次，數據並不足以使我們免受認知偏見的影響。
數據匯總是由人類以一種容易產生所有這些認知偏見的方式進行的，並以一種對我們來說是直觀的方式來總結。
然而，就像上文提到的，如果只是粗略地將觀察對象分類到廣義的刻板印象當中，不能充分解釋它們之間的差異。
一個例子是，即使所研究的區域之間沒有明顯的差異，我們也可以將數據匯總到地理之類的屬性中。
數據摘要也可以看作是數據的「刻板印象」，畢竟，這只是對數據的粗略估計。拿地理信息來說，對地區的劃分也許只有「東部」、「西部」這樣的層級，但城市、郵政編碼甚至街道級別的數據可能都比前者更好用。
那麼，為什麼不這麼區分？因為對於人腦來說，這很難進行匯總和總結。
另外，我們還喜歡對各元素之間的關係給出簡單解釋。對於這一點，人們傾向於認為關係是線性的，因為這更容易理解。
價格與銷售、市場滲透率和轉化率、信貸風險與收益之間的關係等，所有這些假設都是線性的，即使數據顯示並非如此。
人們甚至喜歡對數據的趨勢和變化做出詳盡的解釋，即使自然變化或隨機變化更能充分地解釋數據的情況下也是如此。
可以說，當我們處理數據時，我們已經開始適應自己的偏見了。
引入人工智慧
為了進一步發展，將AI作為數據的主要處理器引入工作成為一種必要。而對於只依賴結構化數據的常規決策，將決策委託給AI來做也許是最好的選擇。
與人類相比，AI不太容易產生認知偏見。但使用本來就偏置的數據可能導致AI發現不公平的可疑聯繫，這是一個真實存在的風險。因此，除了了解如何使用數據，還要確保了解如何生成數據。
當AI經過訓練後，可以在總體中找出最能解釋細微差別的部分，即使它與人類的感知方式完全不同。不光如此，就算是讓AI處理成千上萬甚至上百萬的群組時也沒有任何問題。
另外，AI非常擅長處理非線性關係，無論是指數分布、冪法則、幾何級數關係、二項分布關係，還是其他關係。
該工作流程更好地利用了數據中包含的信息，並且在其決策中更加一致和客觀。它可以更好地確定哪個廣告創意最有效、要設置的最佳庫存水平，或進行哪些金融投資。
值得注意的是，雖然AI工作模式消除了人工因素，可能會幫助企業降低成本，但這只是一個增值收益，純粹的自動化並不是AI驅動的目標。
AI的價值在於，它能做出比單一的人類更好的決策。這在效率和啟用新功能上將帶來越級的改進。
權衡AI和人類CPU
將人員從只涉及結構數據處理的工作流中移除並不意味著人工操作已經過時。有許多業務決策不僅僅依賴於這類數據。
願景陳述、公司戰略、公司價值觀、市場動態都是例子，這些信息一定程度上只存在於我們的腦中，並只在思想和文化等形式中以一種非數字通信的形式傳播。
這些與業務決策極其相關的信息，AI卻無法訪問。
例如，AI可以客觀地確定正確的庫存水平，以實現利潤最大化。然而，在競爭環境中，公司可能會以犧牲利潤為代價去選擇更高的庫存水平，以提供更好的客戶體驗。
在另一種情況下，AI可能會給出在市場營銷上投入更多資金的決定，原因是這在公司可用的選項中投資回報率最高。但該公司可能會選擇減緩增長，以確保達到一如既往的高質量水平。
由此可見，人類獲得的額外信息，無論是策略、價值還是市場條件，都有可能背離AI的客觀合理性。
在這些案例中，AI可以被用來生成各種可能性，擁有額外信息的人類則可以從這些可能性中挑選出他們認為最好的選項。
對於執行順序，要依據具體情況而定。有時候先用AI可以減少人類的工作量，也有時候，人類的判斷可以作為AI處理的輸入項，又或者是在兩者的處理之間循環進行。
關鍵在於，人類並不是直接與數據交互，而是與AI處理數據所產生的可能性交互。而價值觀、戰略和文化成為我們協調決策與客觀理性的方式。
通過利用AI和人類，我們可以做出比單獨使用其中任何一種更好的決策。
進化的下一步
從數據驅動轉向AI驅動是我們進化的下一個階段。
在我們的工作流程中包含AI可以提供更好的結構化數據處理，並允許人類以互補的方式做出貢獻。
然而，這種進化不太可能發生在單個企業中，就像自然選擇的進化不會發生在個體中一樣。
更有可能的是，這是一個作用於總體的選擇過程。效率更高的組織，生存下來的機率也就更大。
由於成熟的公司更難適應環境的變化，新崛起的很可能是那些從起步就將AI和人類的作用融入工作模式裡的企業。
來源：蓋世汽車