创新指南｜揭秘AI转型之旅：企业如何布局五大务实策略

Runwise 创研院

2023-12-28

Runwise 创研院

跨越数字化鸿沟，探索企业如何通过五大务实策略推动AI转型，提升效率和创新能力。深入分析，在AI技术迅猛发展和变革的当前时代，企业领导者可如何采取行动，引领团队走向人工智能的未来，实现业务增长和竞争优势。

1. AI时代已经到来

在短短几十年内，数字技术已经将一个依赖固定电话、没有个人电脑和互联网的世界转变为一个算法和数据支撑全球经济以及我们生活、工作和娱乐的世界。但即使是这种巨大的转变也可能只是人工智能时代的预热行为，人工智能时代正开始以惊人的速度展开。人工智能最近的快速发展催生了具有逻辑推理等新功能的模型，远远超出了预测这些突破的时间，并且令该领域许多最有影响力的先驱者感到惊讶。现在AI的向前发展正在通过帮助创建人工智能的两个重要要素：数据和处理能力的模型来实现。通过帮助生成数据集和设计增强型处理器，人工智能可以训练功能更强大的人工智能模型，就像递归向上螺旋的飞轮一样。即使在未来人工智能发展最保守的合理场景中，包括没有进一步的突破，比如发现通用人工智能（数字思维在所有领域与人类智力相媲美，这是领先人工智能实验室的既定目标），最近的进展已经奠定了基础实现深刻的规模和速度的转变。

这些进步首次创造了具有感知和决策能力的实体，可以在各种任务上与人类相媲美，包括驾驶汽车等常规任务、生成业务场景等战略任务、作曲等创造性任务以及分析任务就像评估房屋一样。

然而，人工智能的潜力远远超出了复制人类任务的范围，还包括解决以前棘手的“重大挑战”，从核聚变到气候变化和粮食安全。一个例子是蛋白质折叠，2021 年 Google DeepMind 宣布它已经预测了几乎所有已知蛋白质的结构。这正在加速几乎所有生物学领域的发现，从精准医学到分解塑料废物的酶。

仅人工智能预期的近期影响就令人震惊。各种预测预计，到 2030 年，全球经济产出每年将增长 15 万亿美元，相当于日本、德国、印度和英国产出的总和，相当于当今世界经济 100 万亿美元的 15% 。根据生成式AI和其他技术的最新进展进行的估计表明，到 2030 年，占美国当前员工工作时间高达 30% 的活动可能会实现自动化，此后这一比例将上升至 70%。在所谓的人工智能军备竞赛中，世界各国政府都在宣示领导雄心，并竞相通过培育国内人工智能产业和支持基础设施（如支持性政策框架、半导体代工厂，甚至用于训练专有AI模型的国家超级计算机）来获得优势。与此同时，他们正忙于通过研究AI安全和模拟潜在的社会混乱来理解和减轻下行风险，这可能构成人类历史上类似于工业革命甚至农业出现的关键时刻。

更实际的是，人工智能实验室和包括 OpenAI、Anthropic、Google 和 Meta 在内的技术巨头的快速创新和发布已经在大型语言模型的功能方面带来了阶跃式的进步。其中包括理解语境、情感和语言的细微差别；逻辑推理和规划；数学; 创造力; 海量数据处理；根据用户偏好和情况定制响应；生成表格、图表、音频和视频等多种形式的输出，这些输出不太可能出现不准确、偏见或有害内容。他们在心理理论测试中的表现——迄今为止被认为是人类独特的能力，能够感知他人不可观察的心理状态，包括他们的知识、意图、信仰和欲望——从 2019 年的几乎为零，上升到 40% 或相当于 3.5%。 2020 年 5 月，儿童比例将达到 70%，2023 年 3 月将达到 95%。

但与所有通用技术一样，比核心人工智能技术本身的发展更重要的是人工智能驱动的创新浪潮，它刚刚开始席卷各行各业，重塑客户体验，改变从医疗保健、能源到医疗保健、能源等各个领域的范式。零售和媒体。

2. 企业AI转型的新议程

在此背景下，人工智能迅速上升到企业领导议程的最前沿，标准普尔 500 强企业在财报电话会议中提及人工智能的比例急剧上升，最近几个季度每次财报会议的平均提及次数比上一季度翻了一番。

最近对美国和全球各行业首席执行官的调查表明：

75%认为，未来的竞争优势将取决于谁拥有最先进的生成式AI。9只有 13% 的人认为AI的潜在机会被夸大了，而 87% 的人认为事实并非如此。
65%认为，生成式AI将在未来三到五年内对其组织产生巨大或极高的影响，远远超过其他所有新兴技术。
78%认为人工智能将对创新产生巨大或极高的影响。11 43% 的企业已将AI驱动的产品或服务变革整合到资本配置中，另有 45% 的企业打算在未来 12 个月内这样做。

但他们也表明，大多数首席执行官认为他们的组织尚未做好准备，并将面临跟上步伐的挑战：

60% 距离实施他们的第一个生成式AI解决方案还需要一两年的时间。
68% 尚未任命集中的领导者或团队来协调企业的生成式AI工作，大多数人表示他们的组织缺乏人才和治理等关键推动因素。
67% 尚未开始或正处于评估风险和缓解策略的初始阶段，原因包括不准确、网络安全和数据隐私；只有 5% 的企业制定了健全的AI管控计划。

考虑到AI革命的深远规模、速度和不确定性，以及它带来的巨大机遇和挑战，企业同样充满活力却毫无准备也就不足为奇了。哈佛商学院已故教授克莱顿·克里斯滕森 (Clayton Christensen) 在三十年前通过其开创性研究发现了这一动态，并随后在他的开创性著作中捕捉到了这种动态，因此，在面对颠覆性技术时，组织常常屈服于惯性或阻力最小的路径，创新者的困境。尽管一些具有前瞻性思维的公司正在走在前面，但我们才刚刚处于 AI 时代的起步阶段，赢家和输家还远未确定。那些能够有效驾驭颠覆性变革并抓住人工智能促进增长和价值创造的巨大潜力的公司将是那些大胆且尽早采取行动的公司。这需要领导团队培养共同的紧迫感和信念，在缺乏完善信息的情况下创新其业务模式，同时创造专有见解，将强大的人工智能能力嵌入到其组织中，并巧妙地管理与人工智能相关的不确定性。

我们关于引领人工智能未来的五项建议借鉴了 Runwise 的经验丰富的创新传统，即帮助企业通过创新战略创造新价值并推进行业前沿，包括数字和人工智能支持的战略转型，以及我们历经15+年的研究、应用和磨练的创新变革模式和工具。这些建议并不侧重于建立团队和制定风险缓解计划等战术步骤，而是我们所知的打破障碍和产生影响的策略举措。它们共同构成了推动企业转型的蓝图。

企业创新战略

下行周期企业创新如何做对？AI时代创新如何应对更不确定性？规划创新路线图，制订创新北极星，优选创新项目组合和配套创新组织机制推进执行。以此开启可持续创新增长的新篇章。

3. 策略1 - 拉齐领导层对AI的认知和策略重视

事实上，从战略制定到资源分配和文化变革，每一个转型推动因素都取决于领导层的协调。它不是一个离散或独立的推动者，而是一个必须贯穿转型计划各个方面的重要线索，包括我们在此介绍的其他四项建议，以开始有效地驾驭人工智能时代。例如，如果缺乏领导层协调，即使是最全面的运营和面向客户的人工智能转型策略也几乎没有实际用途。

人工智能通用语言挑战

与人工智能相关的领导层一致性必须从对人工智能的共同基础理解和共同语言开始，这使得领导者能够进行连贯的对话，而不会无意中互相谈论。值得注意的是，人工智能的本质使得这具有挑战性。它不仅是一个复杂、技术性和快速发展的领域，而且人工智能作为一种通用技术的普遍影响意味着来自不同职能（如营销、人力资源和研发）的高管越来越多地接触到不同的工具、用例和影响。这可能使他们可能在不同程度上以不同的方式解释术语和问题，通常会因其特定权限而产生偏见，而代价是认识到人工智能对整个组织影响的真正广度和深度。领导团队中存在许多多样化且狭隘的人工智能权限，可以用四个盲僧的故事来类比，每个僧侣触摸大象的不同部位——象牙、鼻子、腿或尾巴——并辨别出矛、蛇、树、或绳子。

对以下相关术语的基础性、非技术性、共同理解对于使领导团队了解人工智能的本质、潜力和挑战至关重要：

AI领域：人工智能的特定领域，专注于不同类型的问题和解决这些问题的技术，例如机器学习、计算机视觉、自然语言处理和机器人技术。这些领域各不相同，但经常相互作用。例如，谷歌翻译应用程序中的增强现实功能允许用户将相机对准标志或菜单上的文本，然后该应用程序使用计算机视觉来检测和识别文本，使用自然语言处理来翻译它，然后机器随着时间的推移，学习根据反馈和上下文提高翻译准确性。
AI模型的类型：人工智能系统用来解释数据、识别模式和做出决策的方法。这包括判别模型和生成模型。
AI方法和流程：构成人工智能基础的深度学习和神经网络等架构，以及使其发挥作用的训练和部署等流程。熟悉可以帮助解释人工智能的行为方式和原因，包括有时通过做出决策和获取并不总是预期、理解或可追踪的能力来看似不可预测和神秘的方式。
AI道德和信任：可解释性、人工智能偏见和一致性等术语，满足确保人工智能行为和决策透明、公平并与预期结果保持一致的需求。

领导团队应该以直观、说明性和与行业背景相关的方式采用此类术语的通用定义。附录中提供的常用术语词汇表可以作为此方面的起点。

理解生成模型和判别模型

为了强调人工智能通用语言的重要性，请考虑两种基本的人工智能模型：生成模型和判别模型。虽然大多数领导者至少在一定程度上熟悉生成式人工智能，但许多人并不熟悉歧视性人工智能——我们建议的几位高管第一次接触这个术语时，我们建议他们将其解释为表现出偏见的人工智能，这是可以理解的。这种不熟悉可能会导致人工智能策略存在明显的差距。由于它们学习和使用数据的独特方式，这两种类型的模型在实现极其强大的用例的能力上是不同的，但也带来了不同类型的风险，部署它们的领导者需要了解这一点。

对这两种重要类型的人工智能模型的共同基础理解可以从直观和图解的定义开始，如下所示：

生成式AI模型就像艺术家。他们吸收、把握本质，从已有的例子中汲取灵感，进而创作出自己的新颖作品。在聊天机器人中，它们从大量文本数据集中学习，针对提示和问题编写新的相关响应。Deepfakes 是另一个例子。这些系统分析大量视频片段，然后创建真实的人造视频来显示从未发生过的事件。从本质上讲，生成式人工智能模型学习数据模式以“生成”新的原始输出。
具有判别力的AI模型就像侦探。他们发现线索，使他们能够区分和分类物体。在图像识别中，他们可以通过查明每种动物的具体特征来区分猫和狗。同样，他们通过识别垃圾邮件的典型特征和常规邮件的非典型特征来过滤垃圾邮件。从本质上讲，判别式人工智能模型学习数据模式，以“区分”所呈现的对象。

此外，领导团队需要对人工智能当前和新兴的功能有广泛的了解。这应该包括其自动化或增强当今使用人类智能日常执行的任务（人类可以做的事情）的能力；执行的任务要么完全超出人类智能的能力范围，要么人工智能可以在速度、规模、复杂性、准确性和成本（人类无法做到的事情）等维度上实现根本性的性能飞跃。

对于后者，例如，在半个多世纪的时间范围内，研究人员发现了大约 190,000 个蛋白质的结构，其中单个蛋白质的结构花费了数周、数月甚至数年的时间，而 Google Deepmind 在 2022 年宣布其 AlphaFold 模型已经在短短 18 个月内就预测了几乎所有科学已知的蛋白质结构，大约有 2 亿个。同样，虽然个性化的金融和投资建议迄今为止一直是那些拥有丰富财富并能获得专业顾问帮助的人的专利，但人工智能已经为每个人带来了廉价、高质量、个性化的金融建议的前景。

要获得这种理解，领导者需要寻找人工智能在哪些领域超越其自身行业范围实现“可能的艺术”的例子，因为人工智能未来的有意义的部分已经存在，但分布极不均匀。图 1 显示了生成式和判别式 AI 可以完成而人类可以完成和不能完成的任务示例。

4. 策略2 - 优先业务运营和面向客户的AI转型的价值创造战略

对人工智能的基本了解对于企业领导者掌握其在组织内的巨大可能性至关重要。但人工智能实现转型的能力比任何组织在多年规划周期中所能资源和吸收的能力要大几个数量级。因此，领导团队需要明智地在巨大的潜在人工智能用例和真正推动业务绩效和客户价值的用例之间进行选择，将人工智能视为达到目的的手段，而不是目的本身。沃尔玛首席执行官道格·麦克米伦 (Doug McMillon) 在自己的组织中描述了这种紧张局势，他说，当谈到人工智能的应用时，“对于我们供应链中的客户体验、员工体验、效率和预测，人工智能对我们来说是一个巨大的机会我们经常感觉我们只受限于我们的想象力。” 他还承认，“对我们来说，重要的是要意识到并专注于我们正在努力解决的问题，而不是迷恋任何特定的技术，无论是人工智能还是其他技术。”

通过人工智能推动价值创造通常需要公司避开同行趋势的肤浅和明显的应用程序，而是发现能够实现有意义的价值创造的用例。正如一位银行首席执行官向我们表示的那样：“我不明白为什么公司在有这么多机会更好地了解客户并改进产品和体验的情况下却专注于聊天机器人。”

领导者应该首先全面盘点AI在两个广泛领域的潜在业务影响：运营AI转型和面向客户的AI转型。前者涉及使用AI为几乎每个组织职能的流程提供动力，不仅可以提高效率，而且可以提高有效性，甚至竞争优势。后者需要使用AI将其嵌入现有或新的面向客户的产品和体验中，在现有核心业务之内或之外，创造差异化的客户价值。

业务运营的AI转型

运营人工智能转型涉及使用人工智能来自动化和增强几乎每个组织职能的流程，例如战略规划、研发、产品设计、供应链、运营、财务、人力资源、IT、法律、营销和销售以及客户服务，以提高效率和有效性。例如，在金融领域，人工智能正在通过改进财务规划和预测、评估业务案例以及实现日益动态的投资组合资本配置来增强决策制定，同时还简化财务、税务和审计方面的管理任务。在人力资源方面，它正在增强员工生命周期的各个部分，包括劳动力规划和角色设计到候选人筛选、设计薪酬和福利计划、简化绩效审核周期、识别和触发对面临流失风险的高绩效员工的保留干预措施，以及简化日常工作通过员工自助服务工具执行任务。在 Octopus Energy 的客户服务中，人工智能正在为数百人完成工作，首席执行官格雷格·杰克逊 (Greg Jackson) 表示，“人工智能撰写的电子邮件提供了 80% 的客户满意度，明显优于熟练且训练有素的人员所达到的 65% 的满意度。”

虽然跨常见流程的应用程序（例如财务、人力资源和客户服务中的应用程序）确实可以创造价值，但最具影响力的人工智能运营转型应用程序是那些通过针对行业价值创造核心的成本和收入驱动因素来释放竞争优势的应用程序公式。例如，燃油成本是航空业的主要利润决定因素，阿拉斯加航空正在使用人工智能来绘制节能的飞行路线。在电子商务领域，亚马逊销售的50%的产品是通过其个性化推荐引擎向客户推销的，这使得该公司在美国电子商务市场上占据了40%的份额，几乎是其最接近的竞争对手沃尔玛的六倍。引用一家正在产品设计中使用生成式人工智能的消费品巨头的首席产品官的话，“我们用人工智能设计的概念在消费者接受度测试中比机构设计的概念获得了更好的分数。”

面向客户的AI转型

面向客户的人工智能转型涉及将人工智能嵌入现有或新的面向客户的产品和体验中，以解决客户“待完成的工作”，定义为客户在特定情况下寻求满足的进度或目标。（举例来说，客户可能会“租用”一杯咖啡来解决与保持警觉、社交或早晨例行公事相关的工作。）所涉及的价值是巨大的；除了劳动生产率和其他类型的运营效率之外，到 2030 年，人工智能带来的总经济收益的 45% 预计将来自产品改进，从而刺激消费者需求。13

公司寻求通过人工智能驱动的解决方案解决的客户工作可能与其现有解决方案所解决的工作相同或不同。例如，客户可能会雇用 Adobe 的 Firefly 图像生成 AI 来高速、低成本地创建高质量且独特的营销材料，或者只是为了表达创造力 – 类似于同一客户之前雇用 Adobe Photoshop 的原因。另一方面，Panera Bread 正在探索人工智能，根据特定的饮食和营养偏好量身定制个性化的家庭餐点。这并不是为了解决公司传统的重点工作——享用一顿快速、健康的午餐，而是专注于帮助家庭解决获得适合每个人的便捷膳食的工作。

立即登录阅读全文

登录或注册即可解锁全站内容，即表示你理解并同意服务协议与隐私政策

值得注意的是，企业不应仅仅因为技术上可行就追求新颖的人工智能产品和体验——换句话说，为了人工智能而人工智能。相反，公司应该优先考虑解决重要和高价值客户工作的创新，以便比现有解决方案做得更好。

至关重要的是，除了探索人工智能增强现有商业模式的方法之外，有远见的公司还应该摆脱当今的范式，认识到人工智能真正重塑行业的力量。这将要求公司对人工智能的能力以及这些能力如何远远超出其自身行业范围的应用有深入的了解，并具有挑战现状的心态，以重新构想他们的业务。

例如，在医疗保健领域，人工智能正在推动当前价值链从药物发现到诊断和手术的逐步变革。但它也通过同时实现两个期待已久的范式转变，开创了医疗保健的新时代：第一个是从通过试错开出的标准药物到高度个性化的精准药物，第二个是从治疗疾病到预防疾病通过远程健康监测和数字孪生等创新。

同样，在教育领域，人工智能已经在简化和增强传统集体授课标准课程范式中的流程，从课程和内容开发到招生和评估。但它也引发了向真正独特、引人入胜和有影响力的学习体验的变革性转变——辨别性人工智能评估个人的基线知识、能力和动机，然后生成式人工智能制定个性化学习目标，并从时间安排定制内容交付的各个方面。格式，包括身临其境的虚拟现实体验，引导学生真正快乐地发现并实现他们能够学习的所有内容。在这样的背景下，仅仅应用人工智能来增强现有范式商业模式的公司可能会面临落后的风险。

AI转型计划：优选项目和领导力要求

在盘点了人工智能在业务运营和面向客户转型方面的潜力后，领导团队应该将这种理解转化为一系列举措的路线图。鉴于人工智能时代的发展步伐和不确定性，该路线图需要强有力的领导层协调，并且应该成为一份活生生的文件，这需要一种真正新兴的、发现驱动的战略方法。

除了确保业务影响的正常资本分配标准之外，优先级还应考虑从一开始就同时追求运营和面向客户的人工智能转型计划的需要。如果不这样做，可能会阻碍组织培养将人工智能嵌入业务运营或创新人工智能客户产品和体验的学习和力量，这两者在人工智能时代都至关重要。还应考虑组织当前的人工智能成熟度及其管理复杂模型和用例的准备情况。如果没有更简单的人工智能系统的经验，部署先进的人工智能系统可能会带来更大的风险。其中包括潜在的业务中断，甚至声誉受损，特别是如果这些系统的行为方式在引人注目的环境中无法预期或完全理解，例如面向客户的系统，例如 Snapchat 的人工智能聊天机器人 My AI 引起用户不安时在为其行为提供各种解释之前，出人意料地将图像发布到自己的故事中。

最后，组织还应该考虑那些对时间最敏感的优先事项。这些可以采取赌注和领导要求的形式。

AI项目的必要条件

在容易受到已知人工智能变革影响的行业中，公司面临的直接选择是冒着被颠覆的风险。这可能是人工智能创建燃烧平台或成为赌注并塑造竞争基础或客户期望的结果，从而需要通过人工智能进行运营转型或面向客户的转型。

在运营转型方面，人工智能在药物发现中的应用正迅速成为制药行业的基本特征。在效率至关重要的行业中，零售巨头正在采用人工智能来自动化和优化供应链。同样，在成本飙升的情况下，大型媒体公司正在迅速转向人工智能来协助电影和电视制作，对于《夺宝奇兵》和《命运的表盘》或《小美人鱼》等大片来说，成本可能会上升到数亿美元，需要同样巨大的盒子办公室回来只是为了收支平衡。

在面向客户的转型方面，人工智能驱动的客户产品已经成为多个行业的常态。在汽车领域，人工智能驱动的自动驾驶汽车的竞争正在加剧，汽车制造商迫切需要应对从消费者拥有汽车到消费者使用汽车的潜在连锁转变。Pearson 和 Chegg 等教育公司面临着越来越大的压力，要求他们集成人工智能功能，提供个性化且引人入胜的学习体验，从而改善客户使用 ChatGPT 等免费工具自行创建的学习体验。此类行业中未能跟上步伐的公司可能很快就会发现自己走上了颠覆之路。

领导力要求

即使在尚未处于明显的人工智能驱动颠覆的行业中（但可能很快就会面临不可预见的颠覆），公司也应该走在时代前沿，在增强人工智能实力的同时创造业务和客户价值。尽早采取行动可以让公司利用狭窄的机会窗口来开发独特且具有粘性的面向客户的产品，成为先行者可以积累难以复制的能力和大量的忠诚客户。

为此，具有前瞻性思维的公司正在利用人工智能来推动不同行业的创新客户产品和体验。例如，在金融服务领域，摩根大通正在开发人工智能模型，帮助客户选择适合其具体情况和需求的投资。在体育领域，NBA 令人印象深刻的人工智能举措组合包括个性化精彩片段等创新，以重新定义篮球迷的体验。

这里提出的考虑因素对于公司管理其人工智能投资组合至关重要，应根据图 2 所示的考虑因素不断对这些投资组合进行压力测试。

5. 策略3 - 对AI数据和模型做出策略选择

人工智能驱动市场的表现取决于公司对人工智能支持能力做出的战略选择。许多传统的竞争优势来源在人工智能时代仍然具有重要意义。但对于人工智能战略来说，竞争优势的两个关键来源是用于训练企业定制模型的数据以及模型本身。

制定数据策略

除了计算能力之外，数据也是训练人工智能模型的两个关键要素之一。在训练过程中，模型会接触数据并学习识别与数据结果相关的模式和特征。这产生了一个模型，可以在遇到新的、未见过的数据或请求时应用学习的模式来做出决策或预测。因此，人工智能模型输出的质量是其训练数据的直接函数。根据包含偏见的数据训练的模型可能会重现甚至放大这些偏见。例如，百度的生成式人工智能聊天机器人 Ernie 提出，COVID-19 病毒的起源是从美国运到武汉的龙虾。在针对女性的偏见被曝光后，亚马逊于 2018 年放弃了最初尝试使用人工智能来筛选求职者的尝试。

“越大越好”支撑了人工智能的最新进展，领先的模型在巨大的数据集上进行训练以支持其复杂性。例如，GPT-4 拥有超过一万亿个参数，这一指标表明了模型的复杂性，并暗示了其所需的大量训练数据。但是，在精心策划的高质量数据集上训练的较小模型可以胜过在更广泛但不加区别的数据集上训练的较大模型。一个值得注意的例子是 Tesla 的 Full Self-Driving 12 系统，该系统通过处理从 Tesla 驾驶员的汽车收集的数十亿帧视频来学习驾驶。该系统仅接受由埃隆·马斯克指导的人工贴标者认为与“五星级优步司机”行为一致的视频进行训练。这一原则的另一个例子是 Bloomberg GPT，彭博社从头开始对专有和精选公共金融数据进行训练，以执行适合自然语言处理的金融任务，例如情绪分析和回答金融问题。尽管只拥有一些最大语言模型的一小部分参数，但它在其专业领域始终表现出色。

鉴于数据在开发人工智能模型中的关键作用，公司应该采用战略性和有意的方法来获取和管理数据——本质上是制定强大的数据策略。首先，数据战略要求公司将其数据输入与其打算创建的具体输出以及更广泛的业务战略保持一致。这包括确定所需数据的类型、选择最相关的来源来生成或访问该数据以及管理数据。来源可包括：

核心专有数据。这些是组织特有的内部数据资产，例如客户数据、交易数据以及公司内部生成的其他类型的数据。例如，保险公司使用有关客户特征、过去购买模式、支付意愿和先前索赔的数据来评估保险产品的风险和定价。值得注意的是，公司可以利用人工智能来清理大型非结构化数据集，从而提高数据质量和可用性。
外部专有数据。这是通过协议或合作伙伴关系从外部合作伙伴或供应商获取的数据。像 Experian 这样的信用机构从贷方获取消费者财务数据，通过机器学习生成信用评分，然后将这些信息卖回给贷方，以纳入他们的风险模型。
外部非专有数据。这是指任何组织均可公开获取和访问的数据，例如包括人口普查和房地产数据在内的政府数据集以及开放学术研究。例如，联邦快递将公共天气和交通数据集成到其机器学习算法中，以优化运输路线。
潜在数据。这是指可用但之前未出于特定目的使用或分析的数据。哈佛医学院的人工智能模型可以在诊断前三年内识别出胰腺癌风险最高的人，该模型接受了潜在数据的训练，特别是 900 万最终患上和没有患上胰腺癌的患者的医疗记录。
综合数据。合成数据是计算机生成的信息。它的创建是为了对特定条件或场景进行建模，并增强、减轻现实世界数据中的偏差或差距，或替换现实世界的数据。Alphabet 旗下的自动驾驶技术公司 Waymo 使用通过模拟生成的合成数据来训练其自动驾驶模型。这些模拟创建了多样化且具有挑战性的场景，有助于提高模型在现实条件下的性能。

每个数据源和数据集在相关性、质量、充分性、可访问性、成本、合规性、偏见和安全性方面都存在不同的权衡。在许多人工智能应用中，开发获胜模型需要公司利用各种来源的数据。例如，Adobe 的图像生成模型 Firefly 接受了该公司专有库存图像、公开许可内容和不受版权保护的公共领域内容的混合训练，从而确保全面覆盖，同时避免潜在的版权侵权和法律索赔。

大多数公司将受益于建立集中协调的数据战略，该战略可以保持灵活性并避免限制大型业务部门追求和利用独特数据资产来服务于其特定人工智能战略的能力，这些战略可能与企业其他部门的战略有所不同。公司。

集中协调的数据策略具有以下几个优点：

创新协同。允许访问以前保存在孤岛中的数据，从而能够开发人工智能解决方案，充分利用组织数据资产的潜力，并促进跨职能协作和学习。
成本和质量收益。提高数据采集、存储和处理的规模效率，减少冗余，并促进更高的数据质量标准。
合规性最佳实践。确保统一的政策和安全措施，降低与网络安全、数据隐私以及法律和监管违规相关的风险。

AI 模型 – 选择构建、购买或合作

在制定强大的数据战略的同时，公司应该就是否在内部构建模型、获取和完善现有模型或寻求战略合作伙伴关系做出明智的决定。这些方法具有不同的权衡，并且最适合特定情况和用例。

建立专有模型

开发专有模型，无论是纯粹有机地还是通过人工智能初创公司收购，都可以产生无与伦比的控制、定制、数据安全、可追溯性和自由度，使模型适应不断变化的需求。然而，与购买或合作相比，它通常需要大量的财务投资、更长的开发周期以及高水平的组织准备度和数字成熟度。

因此，它通常最适合高度战略性的人工智能应用，在这些应用中，技术所有权可以带来竞争优势并促进组织学习。例如，摩根大通拥有约 1,500 名数据科学家和机器学习工程师，该公司已申请了 IndexGPT 商标，这是该公司正在开发的一种模型，旨在帮助客户选择适合其具体情况和需求的投资。鉴于拥有有效且可扩展的人工智能财务顾问的银行固有的巨大战略和财务价值，在这种情况下选择构建专有模型是谨慎的。

购买和调优现有模型

开发专有模型并不总是可行或必要的。相反，公司可以根据自己的具体情况和用例调整技术提供商的现有模型。这种方法的一个例子是 Salesforce 的 Einstein GPT，它根据 OpenAI 的基础模型进行了调优，可利用 Salesforce 的专有客户数据为营销、销售和客户服务专业人员生成内容，从而确保与基础 OpenAI 模型不同的个性化和安全的 AI 功能。

然而，对第三方模型的依赖可能会带来两个关键挑战。首先，如果没有以比基础模型或易于复制的“我也是”解决方案提供竞争优势的方式进行微调和整合，可持续的差异化可能会受到损害。例如，Jasper 使用 OpenAI 的技术创建类似于 Einstein GPT 的营销材料，在 2022 年 A 轮融资中以 15 亿美元的估值获得了独角兽地位。但在短短一年之内，在增长放缓的情况下，它被迫实施裁员，并显着降低普通股的内部价值，原因是它与 OpenAI 用户界面下的基础技术的差异很小，这与利用专有数据的 Einstein GPT 不同。

第二个挑战涉及确保人工智能行为可追踪和可解释。当人工智能为敏感和高度重要的决策提供信息时尤其如此，例如医疗诊断或金融风险评估，其中信任、责任和监管考虑因素需要透明度。透明度的限制可能源于对第三方模型原始训练数据、架构和训练方法的性质和适当性的深入了解，从而模糊了其决策。尽管如此，在许多非敏感情况下，利用第三方模型可以提供上市速度和成本优势，特别是对于处于人工智能成熟早期阶段的组织而言。

建立战略合作伙伴关系

与技术公司的密切合作可以在开发专有模型和采用现成解决方案之间提供中间立场，特别是当公司以足够的速度、规模和复杂性开发专有模型的内部能力同时受到限制时，以及在现成解决方案的相关性和适应性。

例如，英国零售商 John Lewis 已与 Google 建立了价值 1.27 亿美元的合作伙伴关系，将人工智能应用于一系列用例，从提高劳动力效率到创造高度个性化的消费者购物体验，例如基于计算机视觉的家居设计和家具。同样，众多的合作伙伴关系构成了辉瑞人工智能战略的关键组成部分，使该公司能够比独立开发更广度和深度的人工智能。

与数据和模型相关的选择需要仔细考虑。历史上的破坏，例如媒体机构在互联网早期与科技公司自由分享其内容，可以作为警示故事。鉴于人工智能领域的快速发展，公司必须对哪些数据源和模型解决方案在现在和未来都有意义保持深思熟虑的视角。

领导者必须分配足够的时间来审议他们的战略选择，同时避免在人工智能方面出现不必要的拖延或无所作为。教育公司 Pearson 已经开始将人工智能集成到其面向客户的产品中，这就是一个例子。对于多家人工智能公司寻求在公司广泛的教育内容上训练大型语言模型的提议，培生集团前首席执行官安迪·伯德 (Andy Bird) 表示：“我不想只接受第一个提议。我们希望非常深思熟虑和具体地考虑我们从中得到什么以及第三方从中得到什么。这个领域本身正在以非常快的速度发展，因此为了成为第一个而第一个宣布交易……事后看来可能不是一个好主意。”

6. 策略4 - 实施企业AI转型的组织、文化和人才推动因素

许多企业已经开始进行的这种孤立实验将在AI时代的早期阶段产生有价值的见解。但制定和执行整体的、价值最大化的AI战略将需要独特的组织推动者。这些推动因素——比如AI特定的创新流程、投资组合管理和资源分配系统、风险和治理框架，甚至战略规划周期——是多方面的且相互依赖的。AI实施的基础是组织结构、文化和人才。

AI领导力和组织结构

虽然大多数公司尚未指定一位高级管理人员来领导人工智能，但一些有远见的公司已经这样做了。可口可乐已任命了生成人工智能全球主管，沃尔玛已将人工智能职责分配给其首席技术官，美国国防部已任命了首席数字和人工智能官。至关重要的是，这些领导者必须获得制定和实施人工智能战略所需的权力和资源，无论是来自公司中心还是与业务部门合作，而过去二十年的一些首席创新官和首席数字官并不总是享有这些权力和资源。

例如，自 2017 年加入微软担任全公司首席技术官（该职位以及资源充足的首席技术官办公室是专为他创建的）以来，凯文·斯科特 (Kevin Scott) 对微软的研究部门和人工智能项目拥有完全的自主权。这使得他能够在短短几年内推动微软从在人工智能方面落后于谷歌和 Meta 等竞争对手的技术巨头，跻身行业前列。斯科特的议程包括设计微软对 OpenAI 的数十亿美元投资并与 OpenAI 建立合作伙伴关系，此举打破了公司以前偏爱内部创意的孤立文化，并建立了“能力委员会”，将稀缺的人工智能计算资源分配给最商业化的领域。有前途的举措。这使他能够控制一系列庞大的宠物项目，这让一些因此离开公司的员工非常不满。

除了授权高层领导之外，公司还应该考虑哪种组织结构最能实现其战略。原型包括以下内容：

集中式AI：在此模型中，集中式团队为企业及其组成业务部门推动人工智能计划。这种方法非常适合处于 AI 旅程初始阶段的组织，或者业务部门规模较小的组织，其需求最好由单个团队来满足，而单个团队的能力超出每个业务部门可能培养的能力。
去中心化AI：在这里，人工智能能力分布在业务部门之间。这种模式有利于拥有大型、独特的业务部门、需要独特的人工智能战略和能力的多元化组织。轻度协调可以确保整个企业计划的一致性和知识共享，同时避免任何重复工作。
中心辐射型AI：该模型集成了一个集中式结构，容纳常见的人工智能资产（例如数据、计算和先进的技术知识），分散的团队可以利用这些资产开发特定于其业务部门的解决方案。这平衡了中央协调与部门自治，释放资源协同作用并促进协作和共享学习。

AI战略的文化推动者

正如彼得·德鲁克（Peter Drucker）所说，“文化将战略当早餐”，这是不言而喻的。但文化甚至可以阻止正确的策略诞生，甚至早在它有机会被吃掉之前。根深蒂固的行为和信念可能会阻止领导团队执行战略的两项基本任务：专门选择优先事项，并分配资源来实现这些任务。

对于领导者来说，尤其是那些在其任期内成功模式基本稳定的企业领导者，很自然地会对潜伏在角落里的颠覆感到措手不及，或者没有完全掌握强大、快速发展的技术所带来的彻底转型的可能性。，并且可以说像人工智能一样神秘。但那些仍固守既定行业逻辑并引用公司历史成功公式作为自己免受颠覆性变革影响的领导者，往往会发现自己被抛在了后面。要证明这一点，只需看看传统汽车制造商，他们就在七年前将特斯拉的崛起等同于炒作周期，同时认为他们长期建立的规模、汽车制造技术以及上下游生态系统最终将看看它们超越了该公司，从市值到电气化基础设施和自动驾驶汽车技术，该公司现在是领先的汽车制造商。面对已经非常强大的翻天覆地的技术，诸如“人工智能无法取代我们为客户提供服务的方式”或“人工智能驱动的商业模式无法克服进入我们行业的障碍”之类的断言应该受到挑战并正在以极快的速度获取能力。

另一种与文化相关的失败模式涉及用坚定的信念来替代人工智能计划的战略选择，要么是惯性（也称为“让我们监控它”），要么是庞大的小计划组合，每个计划只获得少量资源。这种补偿行为可能源于领导团队内部的文化动态，包括对模糊性的不满、避免冲突和规避风险。就人工智能而言，由于其通用性，这些问题可能更加明显，这会产生无穷无尽的用例以及破坏性的威胁和机遇，并且具有高度不确定性。这需要适应能力和实验，但并不能避免在缺乏关于未来的完美信息以及领先于行动更快的竞争对手的情况下进行有意义的赌注的需要。

微软是一家通过首席执行官萨蒂亚·纳德拉 (Satya Nadella) 精心策划的文化转型开启了对人工智能追求的公司。它将公司的文化从孤立、以研发为中心、保守和避免冲突的文化转变为注重增长的文化，从而导致资源分散在宠物项目上、多年表现不佳以及移动革命等机会迟到。增强投资组合决策、风险承受能力和以客户为中心的能力。这使得能够削减与业务成果脱节的人工智能研究项目，并将资源重新集中在主要的人工智能优先事项上。用微软首席技术官凯文·斯科特的话说，“这不是一项研究工作……我们正在努力构建对其他人有用的东西……很明显，你必须选择你认为会发生的事情获得成功并为这些事情提供每天成功的资源。”

硬连线的五种行为可以使领导者能够制定和追求制胜的AI战略：好奇心、客户至上、协作、混沌应对能力和授权，如表 4 中进一步详述。

从亚马逊到摩根大通和约翰迪尔，引领人工智能并抓住其跨行业上升潜力的公司都体现了这些行为。不同组织采用它们的过程会有所不同，具体取决于其具体的阻碍因素。这些阻碍因素可能深深植根于组织的潜意识中，必须首先将其识别为人工智能“设计文化”深思熟虑过程的一部分。

至关重要的是，这五种广泛的行为不仅应该被领导者接受和树立榜样，还应该向下延伸并硬连接到人工智能战略团队，更广泛地说，整个组织中将面临人工智能变革的人才。

AI人才与人才变革管理

人工智能时代，企业必须面对两大人才优先事项。首先，他们需要用人工智能人才来武装自己来实施他们的战略。其次，随着人工智能融入组织结构，他们还需要系统地管理整个员工队伍的变革。

培养人工智能人才

对于大多数公司来说，一个主要障碍是缺乏人工智能人才，这是一种稀缺资源。例如，据估计，美国只有几千人有能力开发完全定制的生成人工智能模型。毫不奇怪，对人工智能人才的需求正在不断增加。惊人的 2.1%。当前美国所有职位发布中的职位都需要“自然语言处理”、“神经网络”、“机器学习”或“机器人”中至少一项技能。沃尔玛、宝洁、高盛、Netflix 和商业房地产巨头仲量联行等14 家公司正在提供中高六位数的薪酬方案，因为他们竞相填补机器学习平台产品经理、高级经理等职位。生成式人工智能，人工智能副总裁。

公司的人才战略应与其人工智能转型优先事项和技术选择保持一致并促进其发展。所需技能的深度和多样性会有很大差异，特别是在将现成解决方案的内部实施与为可以产生真正竞争优势的独特用例开发专有的、面向客户的模型进行比较时。

人工智能团队需要将传统创新团队的技能（例如产品经理、领域专家、业务分析师和用户体验设计师的技能）与专业角色相结合。这些包括：

人工智能工程师：这一类别中的角色包括机器学习工程师，他们制定预测模型；机器人工程师，负责将人工智能算法集成到机器人系统中；对话设计师，他们精心设计对话流程以确保与聊天机器人顺畅有效的交互。
人工智能数据科学家：这些角色专注于管理、处理和利用人工智能数据。这包括设计数据要求、确保数据的可用性、整理和注释数据以提高模型的预测准确性和可靠性，以及使用数据训练人工智能模型。
人工智能道德、风险和合规专业人员：此类别包含一系列致力于确保人工智能遵守法律、道德和监管标准的角色。优先事项包括减少潜在的偏见，确保人工智能应用的公平性、透明度和问责制，应对不断变化的政策和监管环境，保护人工智能系统，以及管理与其使用相关的风险。

公司需要通过在人工智能人才市场上有效竞争来培养人才，提供有吸引力的薪酬方案并设计具有自主性、掌握力和目标的角色；内部培训计划，以提高高潜力员工的技能（例如，埃森哲正在通过内部培训计划部分建设其人工智能人才库）；收购人工智能初创公司作为吸引人才的策略，ServiceNow 等公司正在推行这一策略。

更广泛的人才变革管理

每个员工迟早都会在不同程度上遇到人工智能自动化和增强，这反映了自个人电脑和互联网出现以来数字技术无处不在的影响。

潜力是巨大的。摩根士丹利的分析估计，人工智能将影响 44% 的劳动力，仅在未来三年内，通过任务自动化和增强，将产生 4.1 万亿美元的经济影响。¹⁵美国国家经济研究局最近的一份工作文件估计，生成式人工智能可以使各行业 27% 至 41% 的劳动时间实现自动化，¹⁶如图 3 所示。综合所有现有形式的人工智能和技术的估计表明，目前占用的工作活动员工 60% 到 70% 的时间可以实现自动化。⁵这是在劳动力成本飙升和需求持续超过供应的背景下发生的，而美国工人的生产率则经历了 75 年来最大幅度的下降。

但是，随着人工智能与劳动力的交织，如果没有熟练的变革管理，人工智能对公司的潜在好处充其量也将被削弱。在最坏的情况下，组织可能会面临一系列负面影响，从技术滥用到被认为可以与算法互换的员工被剥夺权利。

为了成功应对运营和面向客户的人工智能计划对人才的影响，公司需要解决以下问题：

哪些人群和角色受到影响？综合评估需要考虑受人工智能直接和间接影响的角色，考虑商业模式的相互依赖性和溢出效应。例如，实施基于人工智能的需求预测会直接影响供应链分析师和库存规划人员，他们的工作和决策将通过直接人工智能交互实现自动化和增强。这些影响也会通过相邻的角色产生影响：采购官员可能需要调整他们的供应商关系策略，而运营人员则应对运输和处理要求的频率、数量和性质的变化。

AI将如何影响员工？人工智能对员工的影响是多种多样且深远的。人工智能可以在单个任务或整个角色的层面上实现自动化或增强。它可以让员工全身心地投入到工作中，提供自主性、掌控力和目标，但也可能会引起被剥夺权利和恐惧的感觉。这些影响可能是复杂且矛盾的。例如，麻省理工学院最近的一项研究发现，专业作家使用生成式人工智能可以提高生产力和绩效，同时也会增加对工作增强的兴奋和对工作替代的焦虑。¹⁷即使在人工智能集成的早期阶段，具有前瞻性思维的领导者虽然对人工智能提高劳动力生产力和创新的潜力充满热情，但也越来越意识到其潜在的负面影响。40% 的人认为人工智能可能会减少员工的社交互动和联系，而三分之一的人预计由于担心失业和对未来的不确定性，心理健康问题会增加。与此相关的是，与公司领导相比，一线员工不太可能乐观，而更可能担心人工智能，如图 4 所示。

值得注意的是，人工智能在人力资源和劳动力管理中的应用不仅可以减轻人工智能的潜在缺点，而且可以有意义地增强员工的价值主张和旅程。例如，它可以通过工作量管理和个性化支持来增强福祉，通过先进的工具和虚拟团队环境开启新的协作形式，并实现更加个性化和持续的员工反馈以促进发展。但以表 5 中的考虑因素为指导，了解每个AI实施的积极和消极影响至关重要。

员工与AI之间有哪些具体互动可以最大化利益并最小化抵制？每个用例都需要详细了解员工和人工智能如何交互和协作以产生最佳结果。如果没有这一点，公司就会无意中面临微妙和隐蔽的风险，包括不当使用和过度依赖。例如，哈佛商学院一项关于人工智能在招聘中的应用的研究发现，与使用低质量人工智能的招聘人员相比，使用高质量人工智能进行候选人筛选的招聘人员在评估简历上花费的时间更少，并且更容易默认人工智能推荐的候选人。优质人工智能。因此，与使用低质量或不使用人工智能的招聘人员相比，他们忽视了顶尖候选人并做出了更糟糕的决定。当人工智能带来良好的结果时，员工可能会不太愿意付出努力和保持专注，而是顺从它，而不是利用它作为绩效增强工具。这种“在方向盘上睡着”的现象在各种环境中屡见不鲜，不仅会导致短期内的不良结果，还会导致技能、知识和判断力的萎缩，而这些技能、知识和判断力虽然较少运用，但对组织仍然至关重要。

需要什么变更管理？培训是其中的一个关键要素。例如，使用生成式人工智能的员工需要指导如何将其集成到他们的工作流程中，并学习快速工程等特定技能。不过，根据最近的一项调查，大多数员工（86%）表示缺乏有关人工智能变革的培训。IT 巨头 Wipro 逆势而行，为全球 25 万名员工举办人工智能基础知识研讨会，同时为某些职位提供更专业的培训。然而，培训只是变革管理的几个必要条件之一，特别是考虑到人工智能对所有劳动力问题的广泛而深刻的影响，从角色和团队的设计到指标、激励和文化。变革必须通过迭代的“测试和学习”方法来协调，除了培训之外，该方法还应包括沟通、利益相关者参与、风险管理以及监控和评估。

除了直接的、单独的实施之外，人工智能还迫使公司重新构想人力资本作为战略资产和竞争优势推动者的作用。现有的蓝领和白领角色都已经被人工智能取代。例如，亚马逊部署了机器人，可以与员工一起在仓库中导航，并灵活地挑选单个产品。英国电信巨头 BT 计划到 2030 年用人工智能取代 10,000 个工作岗位，其中包括大量客户服务岗位。我们为一家全球消费品巨头提供咨询服务，在引入人工智能后，其洞察团队人数减少了 40%，这不仅提供了成本更低的消费者洞察，而且从根本上提供了更好的消费者洞察。随着智能代理和机器人与劳动力的融合，企业人才战略将需要重新调整。

2024加速AI创新

新业务方向混沌，高失败风险和成本，创新项目艰难推进，下行周期企业创新如何做对？亟需降本增效地变革创新效率，加快打造创新平台以孵化新业务项目构建新增长。

7. 策略5 - 系统地管理AI转型的不确定性

领导者对人工智能风险给予了相当多的关注，这是正确的。解决预期的挑战（例如不准确、网络安全和数据隐私）至关重要，这些挑战是大多数首席执行官和公司最关心但尚未解决的问题。但这也只是赌注。在人工智能时代，企业在创造价值方面的独特之处在于，它们善于管理与人工智能相关的更大范围的不确定性和模糊性。AI 提供了一个罕见的例子，我们的同事 Patrick Viguerie 在 1997 年哈佛商业评论的标志性文章“不确定性下的策略”中将其称为“4 级”不确定性。战略不确定性的最高级别，即第 4 级，是指“多个维度的不确定性相互作用，创造出几乎无法预测的环境。场景的范围无法识别，更不用说该范围内的场景了。甚至可能无法识别、更不用说预测所有定义未来的相关变量。”

评估AI的不确定性

所有通用技术的结果都是不可预测的。当内燃机发明时，很少有人能预见到它对城市设计、全球贸易和旅行、地缘政治和石油冲突、全球变暖和呼吸系统健康，以及从橡胶到汽车餐厅等行业的诞生和繁荣的影响。即使是 20 世纪 90 年代中期最有远见的思想家也无法预见个人电脑和互联网将如何催生社交媒体和影响力文化、零工经济、广泛的数据隐私问题、流媒体和传统媒体的衰落、远程工作、假新闻、在线约会和青少年心理健康挑战。根深蒂固于当前范式的人类很难想象由颠覆性技术塑造的替代未来，更不用说准确预测它们了。在试图实现这一目标的过程中，各公司要么屡屡错失良机，比如西联汇款 (Western Union) 的电话业务、AT&T 的移动电话业务、诺基亚的智能手机业务，要么就从码头跳到了几乎没有起航的航线上，就像铱星公司 (Iridium) 在卫星业务上大举押注时所做的那样。 20 世纪 90 年代，手机取代了移动电话。

即使与过去的通用技术相比，人工智能对行业和社会的影响也具有独特的不确定性。史蒂芬·霍金 (Stephen Hawking) 在 2017 年提出了这一点，当时他说：“人工智能可能是我们文明史上最重大的事件。或者是最糟糕的。我们只是不知道。因此，我们无法知道我们是否会受到人工智能的无限帮助，或者被它忽视并边缘化，或者可能被它摧毁。” 从那时起，那些最接近人工智能的人越来越频繁和严肃地吹捧乌托邦和反乌托邦等极端和对立的结果的潜力，人工智能可以用无数的物质丰富、深刻的科学发现、生态辉煌和更长久的时间来取代人类的辛劳和稀缺。和更健康的寿命——或者引发一个奥威尔式的世界：大规模失业、前所未有的不平等和歧视、真理和民主的解体、民族国家的破坏、可怕的新武器、人类的衰弱（想想《机器人总动员》），甚至灭绝。

人工智能带来的严重不确定性源于三个相互关联的内在特征：

现代AI不仅仅是另一种工具，而是一种具有真正无限可能性的强大非人类智能的出现。它正处于解决人类面临的一些重大挑战的各个阶段，从蛋白质折叠到核聚变和气候变化。它已经被应用于解读人类脑电波，从重建图像、思想和音乐，到恢复瘫痪者的行走和言语，其中一项研究背后的研究人员表示，这最终可能会结束使用手机进行交流，而相反，“我们可以思考。” 即使在通用技术中，它也是独一无二的通用性和影响深远的。
AI至少部分是自动启用和自我实现的。通过生成数据集、设计增强型人工智能处理器和训练新的人工智能模型，它正在以越来越快的速度帮助推进自身的发展。这种螺旋式上升的极限尚不清楚。
AI倾向于获取能力并表现出并不总是可预期或可解释的行为和决策。例如，像逻辑推理这样的新兴能力已经远远超出了人们的预期，这让杰弗里·辛顿（Geoffrey Hinton）等该领域最重要的先驱者感到惊讶甚至困惑。

人工智能的发展速度和方向多次让先驱者感到惊讶。DeepMind 和 Inflection AI 的联合创始人 Mustafa Suleyman 在他的著作《即将到来的浪潮》中指出，“这场新革命的速度和力量甚至让我们这些最接近其前沿的人感到惊讶。” OpenAI 首席执行官萨姆·奥尔特曼 (Sam Altman) 指出，与他和许多其他人的预测相反，即人工智能将首先影响蓝领工作，然后是白领，最后是创意工作，但情况似乎恰恰相反，创意工作受到影响就像迄今为止受影响最严重的游戏行业一样。

想想看，就在 2022 年 ChatGPT 推出前五年，谷歌研究人员发表了第一篇关于 Transformer 的论文，即 GPT 中的“T”，即生成式预训练 Transformer。此外，2017 年，MIT物理学家兼人工智能研究员马克斯·泰格马克 (Max Tegmark) 出版了他的书《Life 3.0》，其中指出，“深度学习系统正在朝着通过著名的图灵测试迈出一小步，在图灵测试中，机器必须足够好地进行书面对话，欺骗一个人，让他认为他也是人。不过，语言处理人工智能还有很长的路要走。” 在线预测平台 Metaculus 汇总了对人工智能未来的预测，从 2040 年前是否会出现人机智能平价，到潜在的人工智能灾难发生的时间，甚至当大多数美国人亲自认识与人工智能约会过的人时，这些预测仍在继续。波动显着，但通常趋势是更早而不是更晚。

人工智能的不确定性已经导致行业和企业的期望和命运出现波折。不久前，分析师们还预言，随着 DALL-E 2 和 Midjourney 等工具的出现，Adobe 的图像产品将会消亡。但 Adobe 拥有数亿张库存照片，使其能够在 2023 年 3 月训练并发布自己的图像生成人工智能。发布后六个月，该公司股价上涨了 50%。

除了人工智能对特定行业的直接影响之外，不断发展的人工智能时代还要求企业善于管理更多的系统性不确定性。这些问题包括深度造假可能破坏选举并导致政治不稳定，以及在交易中使用人工智能引发的金融危机。美国证券交易委员会主席加里·詹斯勒 (Gary Gensler) 对此类危险发出了警告，他表示金融领域越来越多地采用深度学习可能会加剧系统性风险。2010 年 5 月 6 日发生的万亿美元“闪电崩盘”就是此类风险的鲜明例证。在这场短暂而混乱的事件中，由于自动交易程序出现意外缺陷，宝洁等大公司的股价在 0.01 美元至 100,000 美元之间波动。

管理AI不确定性的策略

面对巨大的不确定性，领导者和组织可能会陷入瘫痪，不知道成功是什么样子，更不用说采取什么行动来实现成功了。但胜利者很少是那些等待并观看周围事件发生的人。更常见的是，他们是那些主动管理不确定性、创造专有见解并在缺乏有关未来的公开数据的情况下采取大胆行动的人，这些数据只有在行动更快的竞争对手创建后才能获得，而这些竞争对手的成功限制了自由。行动。我们将这种现象称为信息-行动悖论，如图 5 所示。

公司应该立志通过采用我们在下面概述的原则来驾驭和捕捉AI不确定性的优势，体现管理不确定性的艺术和科学。

1. 构建关键的不确定性驱动因素并维护事实基础。许多复杂且相互交织的变量将塑造AI的未来。在各个行业中，这些因素包括人工智能技术和监管发展的速度和方向，以及人工智能对从就业和消费者信任到全球权力动态等各个方面的影响。公司应该确定影响其人工智能战略的广泛变量和行业特定变量，确定当前已知的变量、可发现的变量以及目前未知的变量，并不断更新对这些因素的理解，以提供信息决策。

2. 根据最关键的不确定性制定一些竞争场景。事实上，甚至许多定义人工智能未来的单个变量仍然未知或定义不明确，这使得对一组集体和单独完整的场景进行建模实际上是不可能的。但是，维持一些合理的竞争场景（仅在当前状态下尽可能完整）并模拟它们之间的战争游戏，可以帮助公司确定行动以最大化机会并最小化风险。

3. 对战略应用紧急方法。企业应制定人工智能转型路线图，并就人工智能模型和数据做出明智的战略选择。如果没有这一点，公司就会面临惰性或漫无目的的人工智能方法的风险。但至关重要的是，必须动态审查和调整战略选择，以响应内部产生的学习，例如有关客户与人工智能产品互动的学习，以及外部发展，例如技术和监管转变，应通过“瞭望塔”方法进行跟踪。正如前面所述，即使人工智能有可能造成破坏性的系统性冲击，战略规划中的适应能力也至关重要。

至关重要的是，企业应该谨慎平衡大胆行动的紧迫性和过早采取路径限制或难以逆转的战略举措的风险，特别是基于对人工智能未来的预言和猜测，这些预言和猜测可能是合理的，但完全未经证实，并且不可靠。

例如，那些与人工智能对就业的影响有关的内容从厄运到繁荣都有所不同，那些截然相反的结果的订阅者都使用同样有效的逻辑论证、历史类比和新出现的数据点来支持他们的预测。例如，就业潮一代认为，人工智能将创造出前所未有的就业机会，并引用了MIT经济学家 David Autor 的研究成果，该研究表明，美国目前 60% 的就业机会在 1940 年尚未被“发明”过去 80 年超过 85% 的就业增长是由技术驱动的、以前无法想象的新职业创造造成的，从电子商务订单履行到软件开发。乔布斯预言家同时认为，人类智力一直是就业的核心，机械思维可以使人类变得多余，就像机械肌肉对马一样，通过逐渐取代人类从事耕地、转动矿井泵、搬运货物和运输等任务。乘客数量使得美国的马匹数量从 1915 年的 2600 万下降到 1960 年的 300 万。这样的结果只是人工智能对就业影响的实际可能性的极端简化，所有具体场景虽然看似合理，但都是不可能的。

4. 让创新和学习成为组织习惯。组织了解AI的功能、行为和影响的最佳方式是通过实践方式进行创新和实验。例如，LinkedIn 正在尝试在其产品组合中嵌入AI功能，包括专业网络、求职和招聘、营销和销售以及教育产品。同样，虽然摩根大通所处的行业是人工智能最早采用者之一，同时对该技术进行了多项重大投资，但摩根大通目前在生产中拥有 300 多个人工智能用例，用于风险、勘探、营销、客户体验和欺诈预防。

研究过去颠覆性技术的模式，并跟上组织直接领域内外的人工智能发展，也有助于建立严格的学习文化，确保领导者对人工智能有基本的技术理解和共同语言。

虽然人工智能带来的巨大不确定性可能会给领导团队带来挑战，但它也为那些能够有效驾驭人工智能的人创造了巨大的机遇。

8. 2024立即快赢起来

2024企业领导者不应仅仅将人工智能视为另一种工具，而应将其视为一场革命，这场革命将比我们一生中所目睹的任何事情都更深刻地重塑我们生活和工作的每个行业和方面。AI技术已经拥有无穷无尽的强大场景用例，并且正在快速发展，并将继续以不可预见的方式发展。我们的五项策略建议在可预见的未来只会变得更加重要。它们共同提供了一个实施蓝图，帮助企业领导者驾驭这场颠覆性变革并引领AI时代。

参考文献