1、波士顿、MIT 发布AI报告 详解企业如 何跨越“AI 应用鸿沟” 萨姆兰斯博撒姆 戴维吉隆 菲利普格伯特 马 丁里夫斯 波士顿学院卡罗尔商学院信息系统系 MIT 斯隆管理 评论 波士顿咨询公司(BCG)德国慕尼黑办公室 波 士顿咨询公司 作者简介：萨姆兰斯博撒姆 (Sam Ransbotham) 是波士顿学院卡罗尔商学院 (Carroll School of Business) 信息系统系副教授, MIT斯隆管理评论 (MIT Sloan Management Review) 人工智能大思路项目 (Artificial Intelligence Big Ideas Initiative) 客
2、座编辑。 作者简介：戴维吉隆 (David Kiron) 是MIT斯隆管理评论主编, 该刊将 学者的理论介绍给管理者付诸实践。 作者简介：菲利普格伯特 (Philipp Gerbert) 是波士顿咨询公司 (BCG) 德国 慕尼黑办公室资深合伙人兼董事总经理, BCG 数字化战略专题的全球负责人, 也 是BCG 亨德森智库 (Henderson Institute) 研究成员, 专门研究人工智能带来 的商业影响。 作者简介：马丁里夫斯 (Martin Reeves) 是波士顿咨询公司资深合伙人兼董 事总经理, BCG亨德森智库的全球负责人。BCG亨德森智库致力于为具备前瞻思 维的商界领袖带来创
3、意和启发。 Sam Ransbotham David Kiron Philipp Gerbert Martin Reeves Carroll School of Business; 人们对人工智能 (AI) 抱有极高的期待, 但实际效果往往差强人意。 本文希望提 供贴近实际的AI应用业界基准, 从而让各个公司以此为鉴, 对自身在AI方面的 愿景定位和实际情况有更客观、全面的了解。这项研究基于全球范围诸多行业3000余位高管、管理者和市场、技术分析人员的问卷调查, 并对30 多名技术专 家和高管进行了深度采访, 力求相关分析和结论信息全面、数据扎实。 对于AI, 多数公司的期望和实际应用相差甚远
4、。3/4的高管认为, AI 可以让公 司发展出新的业务;近85%的受访者认为AI 让公司获得或保持竞争优势。但只有 约1/5 的公司将 AI 应用于部分产品、 服务或流程中;只有1/20的公司将 AI进行 了广泛应用;制定AI 战略的公司不到39%;员工数超过十万的大公司应当制定 AI 战略, 但实际这样做了的只有一半。 我们的研究表明, 理解并应用 AI的领先者与落后者之间差距巨大, 两者对待数 据的方式大相径庭。AI算法并非天生“智能”, 而是通过分析数据进行归纳学 习。多数领先者在 AI人才方面投资, 建立起稳健的信息系统, 而另一些公司却 缺乏数据分析的专业人员, 数据可得性低。我们的
5、研究揭示了一些对于训练 AI 所需资源的误解。与落后者相比, 领先者不仅更了解训练 AI所需的资源, 还更 重视为AI项目提供高管层的支持, 并找到了 AI的应用场景。 AI会给组织管理带来影响。构建 AI组织有多种模式, 其核心都强调组织的灵活 性。我们与企业高管交流得知, 应用AI所需要的文化变革对于大公司来说挑战 很大。 参与我们调查和访谈的对象对于 AI是否会导致人类失业持较乐观的态度。多数 管理者认为自己所在的组织未来五年里不会因为AI而裁员, 他们希望AI能够替 他们处理一部分繁琐的工作。 关于本研究 为了解有关应用AI 的机遇和挑战, MIT斯隆管理评论与波士顿咨询公司合 作,
6、首次开展了年度调查, 调查对象包括来自世界各地各行业组织的 3000多位 高管、管理者和分析人员。 调查于2017年春季开展, 受访者分别来自 112个国家、21个行业, 所在组织规 模各异。超过2/3的受访者来自美国以外的国家和地区。调查取样来源多样, 包 括MIT 斯隆管理评论的读者和其他有关各方。 除了调查, 我们还采访了一些行业的公司高管和学者, 了解当今组织面临的现 实问题。他们提供的观点帮助我们更好地理解数据。 我们的调查使用牛津词典对人工智能的定义:“人工智能是有关能够执行通 常需要人类智能的任务 (如视觉感知、语音识别、决策和语言转换等) 的计算机 系统的理论和开发。”不过,
7、AI本身及其定义都在迅速演进。 人工智能的优势 空中客车公司 (Airbus, 下称空客) 开始提升新的 A350机型产量, 公司面临数 十亿欧元的挑战。用法国图卢兹数字转型副总裁马修埃文斯 (Matthew Evans) 的话来说, “我们计划以前所未有的速度提升该机型的产量。为此, 我们必须像 应对工厂故障一样迅速应对问题, 因为真的会出故障”。 空客开始采用人工智能, 将过去生产项目中的数据与当前 A350生产项目中提供 的实时数据相结合, 通过模糊匹配和自主学习算法发现生产问题的规律。 在某些 领域, 这套系统为约 70%的生产故障匹配到了之前用过的解决方案, 速度近乎 实时。埃文斯描
8、述了 AI助力整个空客生产线快速学习、应对商业挑战的过程: 系统深入理解某项问题描述, 结合所有背景信息, 与问题信息匹配, 并迅速向 一线员工推荐可行方案。 问题本身对于系统而言可能是初次出现, 但我们以前可 能碰到过类似的问题, 或者是另一种情况下、 生产线的另一个部分出现过类似问 题。这样一来就可以把我们应对故障的时间缩短 1/3以上。 AI令空客应对业务问题的速度更快, 效率提升, 优于之前的其他方法 (比如对 数百或数千个案例进行人工分析的因果分析法) 。 正如空客的这个例子所显示的, 善于利用AI的领先者组织可以凭借AI能力实现 新的、更好的流程, 得到更好的结果。英国石油公司 (
9、BP) 、印孚瑟斯 (Infosys) 、美国富国银行 (Wells Fargo) 和平安保险等其他大型公司已经开 始运用AI应对重要的商业问题, 然而还有许多公司尚未起步。 图1 各行业对五年内 AI影响产品或服务的期待一直很高 下载原图 认为人工智能会带来很大 (“较大”或“极大”) 影响的受访者比例, 五分制 人工智能的影响力 各行各业、各种规模、各个地区的公司都对 AI抱有很高的期待。多数高管虽然 尚未看到AI产生大的影响, 但也明确表示希望在未来五年里看到较大影响。在 所有组织中, 仅有 14%的受访者认为AI现在就对自己所在公司提供的产品或服 务产生了较大影响, 而期待在五年内看到
10、较大影响的受访者多达 63%。 对行业及组织职能的影响 各行业对于AI影响公司产品或服务的期望一直很高 (参阅图1) 。在技术、媒 体与电信行业, 72%的受访者期待AI在五年里产生较大影响, 比表示目前已有较大影响的受访者高出 52%。 即便是在对AI期望值最低的公共部门领域, 也有41% 的受访者期待AI在五年里产生大的影响, 比目前阶段的比例高 30%。可以看出, 这种趋势与组织规模及所在地区无关。 图2 期待 AI在未来五年里对流程产生重大影响 下载原图 认为人工智能会带来很大 (“较大”或“极大”) 影响的受访者比例, 五分制 图3 多数组织预见到 IT、 运营以及面对客户的活动会受
11、到巨大影响 下载原 图 在所有行业都未进入前三位的职能领域:公关传播、人力资源、法律或合规、采 购 在组织内部, 受访者也对 AI改变流程抱有很高的期望。15%的受访者表示 AI已 经对组织目前的流程产生了较大影响, 59%希望在未来五年里看到较大的影响 (参阅图2) 。多数组织预见到了信息技术 (IT) 、运营与制造、供应链管理以 及面向客户的活动受到的巨大影响 (参阅图 3) , 例如: IT:业务流程外包提供商为 AI可能的应用提供了一个例子。“印孚瑟斯重视的 IT服务行业, 在过去二十多年里有了巨大的发展, ”印孚瑟斯CEO 兼董事总经 理史维学 (在接受采访期间, Vishal Si
12、kka 正担任印孚瑟斯的CEO 和董事总经 理。但在此报告发布前, 他从原岗位辞职并开始担任公司的执行副主席) 说:“很多外包给人工成本较低的国家的工作都比较机械, 比如系统管理、IT管 理、业务操作和验证。现在有了 AI技术, 我们的系统可以承担的这类工作就增 加了。 我们还在初期阶段, 这类工作只有一部分实现了自动化, 但在未来几年里, 我们可以将大部分乃至全部重复机械的工作实现自动化。不过, AI 技术可以自 动完成目前一些步骤清晰的工作, 也给目前尚不存在的突破性的新工作创造了 机会。” 运营和制造:工业企业高管认为受人工智能影响最大的领域是运营和制造。例如 BP用AI 作为人工的辅助
13、, 改进现场操作。上游技术全球负责人艾哈迈德哈什 米 (Ahmed Hashmi) 说:“我们设有BP Well Advisor 人工智能顾问, 收集钻井 系统的所有数据, 为工程师提供建议, 调整钻井参数, 保持在最佳操作区, 并 提醒工程师注意过程中潜在的操作问题。 我们还尝试将根源问题分析交给人工智 能, 让系统自我学习, 有能力迅速做出评估, 从描述问题进化到预测问题, 再 到诊断问题。” 面向客户的活动:中国第二大保险商平安保险公司, 市值1200亿美元, 运用AI 改进保险及金融的客户服务。 例如, 该公司现在提供三分钟在线贷款, 部分依赖 于一套客户打分工具, 具备内部开发的AI
14、人脸识别功能, 准确度比人类更高。 这套工具验证过的人脸超过 3亿, 与该公司的语音和图像识别功能互补。 图4 超过 80%的组织将 AI视为战略机会, 近 40%的组织也看到了其中的战略风 险 下载原图 图5 组织希望利用 AI获得竞争优势, 但也预见到竞争将会加剧 下载原图 基本或强烈同意每项陈述的受访比例 人工智能带来的机会与风险 高管对AI期待极高, 却也意识到了潜在的风险。史维学虽然乐观, 但也对AI 即将迎来热潮持谨慎态度。 他说:“AI从1956年出现以来一直有高峰有低谷, 现 在我们身在一个浮夸的时代, 前方好像怎么看都是辉煌的巅峰。”80%以上接受 调查的高管看到了眼前的高峰
15、, 认为AI是战略机会 (参阅图4) 。近半数受访 者认为AI只会带来机会, 不存在风险, 占比最高;一些人看到了风险, 认为AI 会带来好处, 也可能使竞争加剧;近40%的管理者认为 AI也是战略风险;更少的 一部分人 (13%) 觉得 AI既非机会亦非风险。 业界对AI抱有期待和兴趣的原因不一而足 (参阅图5) 。多数受访者认为, AI 会给组织带来好处, 比如可以带来新的业务, 或者降低成本;84%的人认为 AI会 让组织获得或保持竞争优势。3/4的管理者认为 AI可以让他们发展新业务。 高管们也意识到, AI 带来的优势不止惠及自己所在的公司。受访者认为成长企 业和成熟企业会同时从人工
16、智能中获益。3/4 的受访者预见到市场中会出现运用 AI的新的竞争对手, 69%的受访者认为现在的竞争对手也开始使用 AI。此外他们 还意识到, 自己公司所在生态体系中的供应商和客户将会更加希望他们使用 AI。 人工智能应用程度的差异 虽然期待值高, 但 AI的商业应用尚在初期阶段, 期望和实际行动尚有差距。 4/5 的高管赞同AI对于自己所在组织而言是战略机会, 然而只有1/5将AI应用在一 部分产品、服务或流程中, 只有1/20将AI 广泛应用于产品、服务或流程 (参阅 图6) 。 图6 目前只有约 1/4 的组织应用AI 下载原图 应用的差距可能很大, 特别是同一行业内。例如, 平安保险
17、公司雇用了约 110 位数据科学家, 启动了约30个由CEO赞助的AI项目, 在一定程度上支持其愿景 “技术将会成为未来几年给公司带来收入增长的关键驱动力”, 如公司首席创 新官乔纳森拉森 (Jonathan Larsen) 所说。然而其他一些大型保险公司的 AI 项目仅限于“试验聊天机器人”, 这是某家西方保险公司的高管描述自己所在 公司AI 项目的原话。两者形成鲜明对比。 各个组织对AI的总体理解也显示出极大的差异。例如, 16%的受访者强烈赞同 “自己所在组织了解开发基于 AI的产品及服务所需的开支”, 强烈不同意这一 点的比例与之相差无几 (17%) 。 19%的受访者强烈赞同“自己所
18、在组织了解训练 算法所需要的数据”, 16%强烈不赞同这一点。 将调查结果与有关AI理解和应用的问题结合在一起, 我们将各组织根据AI能力 分为了四类:先驱者 (Pioneer) 、研究者 (Investigator) 、试验者 (Experimenter) 、被动者 (Passive) 。 先驱者 (19%) :了解并应用了AI的组织, 走在将AI应用于产品或服务以及组织 内部流程的前沿。 研究者 (32%) :了解AI但只停留在试用阶段的组织, 谨慎地研究AI可能会带来 的影响。 试验者 (13%) :试用或应用了 AI但并未深入了解 AI的组织, 在实践中学习。 被动者 (36%) :不
19、应用也不了解 AI的组织。 既然对AI的期待很高, 许多组织将之视为机遇, 那么一些组织不应用AI的原因 何在?即使在一些长期应用新技术、管理数据的行业, 应用AI可能也是困难重 重。例如金融服务行业, 瑞士银行 (UBS) 超高净值人士首席投资官西蒙斯迈 尔斯 (Simon Smiles) 说:“对于大型金融机构而言, 在业务中更好地运用人工 智能等技术和数据, 为终端用户带来更好的客户体验, 这种潜力是巨大的。 问题 在于这些传统大机构能否抓住机会。 ”要抓住机会, 组织上下必须通力合作, 克 服许多AI项目带来的不可避免的难题, 也就是史维学所说的“应用鸿沟”。 难题并不是技术局限, 而
20、是在商业方面。 受访者总体认为, 相比于技术能力限制, 与之竞争的其他投资重点和商业可行性论证不清晰是阻碍企业应用人工智能更 重要的原因。空客的埃文斯说出了这个重要的区别:“严格地讲, 我们没有投资 AI。我们没有投资自然语言处理, 没有投资图像分析。我们一直在为某个业务问 题投资。”空客采用 AI, 是因为AI解决了一个业务上的问题, 投资 AI是一种 应对商业问题的有效方式。 图7 AI 先驱者受到人才问题的限制, AI被动者尚未意识到 AI在商业中的用 途 下载原图 将以上因素描述为自身组织面临的三个最大障碍的受访者比例 UBS的斯迈尔斯提出, 各组织面对的问题不尽相同。对于成熟公司和金
21、融科技创 业公司, 他说:“要开发价值惊人的平台, 对公司规模有要求。规模达到一定程 度的公司往往被旧有商业模式和体系束缚, 难以发展更好的模式。 而没有这种束 缚的公司却又缺乏客户和相应的数据, 难以充分把握机会。 ”这一类问题造成了 AI应用率的差异。 调查中各类组织反映的AI阻碍因素各不相同, 且对AI应用情况有影响 (参阅图 7) 。先驱者已经克服了有关理解的问题:这类公司有 3/4找到了能够应用 AI的 实际业务场景, 高管直接领导涉及整个组织的 AI项目, 它们最大的问题是如何 高效地培养或寻找合适的 AI人才, 以及为 AI争取投资。 这些公司也更熟悉应用 AI在安全方面的种种顾
22、虑。与之相比, 被动者尚未发现 AI在商业上的用途, 没 有找到符合投资标准的实际业务场景, 领导不参与, 技术是难题。 许多公司甚至 尚未意识到寻找和任命 AI人才的困难程度。 我们的调查还揭示了各类公司在理解方面的细微差别。 商业潜力:AI会改变组织创造商业价值的方式。表示本组织了解 AI 如何影响 商业价值的先驱者 (91%) 和研究者 (90%) 多于试验者 (32%) 和被动者 (23%) 。空客的埃文斯说:“不是价值问题, 是尝试解决我们的一种机型上的某 个实际问题。” 对实际工作的影响:如何协调人类和机器的能力相结合, 这个问题将愈发棘 手。 AI 会大大改变日常工作环境。 在工
23、作场合配备机器会改变组织中的行为, 这 一点先驱者和研究者更了解。MIT航空航天学副教授朱莉沙阿 (Julie Shah) 说:“人们没有觉察的是融合问题。即使你开发出的系统能完成现在由人类在做 的特定任务, 整个流程中也不能完全没有人类, 那么就有一个新的问题协 调人与AI系统的工作, 乃至协调双方的交流。这个问题对于我们来说依然非常 困难, 目前无解。” 行业背景:组织在监管和行业背景下运作。试验者和被动者认为自己所在的组 织并不了解AI会对行业格局产生何种影响。 对数据、训练和算法的需求 以上四类组织最显著的差异, 也许在于其对数据和 AI算法之间重要的相互依存 关系的理解。与被动者相比
24、, 了解训练算法过程的先驱者比被动者多 12倍, 了解AI相关产品及服务开发成本的多出 10倍, 了解训练AI算法所需数据的多出 8倍 (参阅图 8) 。 多数组织都不甚了解如何用组织自身的数据训练 AI算法, 使得算法可以像空客 的AI应用软件那样识别问题规律。 表示自己所在组织了解训练 AI所需过程或数 据的受访者不到一半。 让AI产生商业价值, 与高效训练AI算法直接相关。目前许多 AI应用软件最初 只是一种或多种基本算法, 经过训练 (主要是公司自身的数据) 后才具备智能。 要想成功训练算法, 组织要有健全的信息系统, 将相关数据收集到一起。 很多先 驱者组织已经拥有了稳健的数据及分析
25、系统, 并对训练AI算法所需的数据有着 广泛的了解。与之相比, 研究者和试验者则缺乏分析能力, 大量数据难以集中。 半数以上的先驱者组织在数据和训练方面大量投资, 其他几类组织的投资情况 远不如先驱者。大量投资 AI技术、训练AI算法所需的数据以及支持训练流程的 研究者组织只有1/4。 对人工智能所需数据的误解 我们的研究发现了一些与数据有关的误解。其中一项误解是, 复杂精密的 AI算 法不需要充足的数据就能提供有价值的商业解决方案。微软数据科学总监雅各 布斯波尔斯特拉 (Jacob Spoelstra) 说: “我觉得大家还不是很懂机器学习可以做什么。 我们常看到的一种错误是, 组织 没有历
26、史数据可供算法提取规律, 于是算法无法提供可靠的预测。 比如说, 他们 让我们制定预测性的维护解决方案, 而我们发现他们的错误记录很少, 甚至没 有。他们希望AI预测将来会出现什么问题, 却没有过去的例子可供 AI学习。” 图8 企业对 AI相关技术和业务背景的了解程度不一 下载原图 基本或强烈同意各项描述的受访者比例 算法再精密, 没有历史数据也无计可施。组织要用 AI提升业绩, 理解这一点至 关重要。数据稀缺的情况不容忽略。训练 AI 往往既需要成功的数据点, 也需要 失败的数据点, 而失败数据可能很难搜集。助力产品开发的材料信息 AI平台 Citrine Informatics, 运用从
27、研究机构关系网络中得到的公开实验数据 (多数 是成功的实验) 和非公开实验数据 (包括失败的实验) 。平台联合创始人、首席 科学官布赖斯梅雷迪格 (Bryce Meredig) 说:“失败的实验数据几乎不会公 开, 但要建立公正全面的数据库, 这部分数据不可或缺。”全面的数据让 Citrine得以将特定应用的研发时间缩短了一半。开发了 Gore-Tex 防水材料的 戈尔公司 (W.I.Gore第二, 越来 越多的AI系统可以模拟人类智能, 管理者有责任向客户说明在某一情况下与之 交流的是机器还是人;第三, 一些AI系统有能力远距离评估情绪, 识别个人信 息。 这种能力引起了新的信息管理问题,
28、例如哪些员工可以在何种情况下访问此 类信息。 开展AI 成熟度诊断。与数字化成熟度诊断相似, 可以对组织从流程中的应用到 赋能基础设施、技术能力、敏捷流程和快速试错氛围进行评估。AI 的成功与很 多数字项目一样要依赖数据源, 无论是现有的内部、 外部数据, 还是投资建设数 据系统。 大公司可能拥有所需要的数据, 但如果数据零散, 相互没有联系, 就会 大大限制战略制定和执行。AI成熟度诊断与其他数字项目不同的是, 要涉及AI 训练所必需的技能评估, 从AI 系统的初步培养到具备智能, 再到投入使用后的 继续学习。这一点是决定性的新特点, 多数公司都需要自行培养这种能力。现成 的AI程序作用会受
29、到公司这方面能力和相关工作的限制。 迎接不确定性。好创意来自于时间的打磨, 这句话适用于数字技术, 更适用于 AI。公司往往根据项目的预估价值和得到结果所需的时间来为项目排序, 但AI 项目很难评估。因此, AI的试验和学习时间可能比其他数字项目更长, 成功和 失败的不确定性也更高。 管理者必须做好准备, 应对更高的不确定性, 这会影响 他们是否能妥善对项目和投资进行排序。 开展基于情景的规划。AI像其他数字技术一样, 可能会改变商业在跨市场、流 程和职能上创造价值的方式。AI对思考的要求更高, 因为AI会影响以知识与判 断为基础的专业领域, 而市场新进入者可能会是机器。 因此, 公司必须对业
30、务进 行更广泛的思考, 建立对未来发展的全景图, 在这种图景下检测本公司未来规 划的适应性。 这类基于情景的规划能让企业更好地识别会对自身业务带来深刻影 响的事件。 对人的重视。AI必然给员工带来不安, 毕竟连最渊博的专家都很难断言程序会 有怎样的表现, 什么职能或流程应当禁止引入 AI, 什么时候应当阻止 AI。AI对 员工目前工作和职业发展造成威胁, 容易让员工焦虑不安。AI项目中应当为 AI 活动划定重点, 制定清晰的工作计划, 说明应用范围和方式, 包括日常交流、 教 育和培训。 吸引和培养具备商业和技术两方面能力的人才至关重要, 组建跨职能 团队的能力也同样重要, 需要个人和组织都具
31、备灵活性。 对未来的影响 AI应用可能将对工作、 价值创造以及竞争优势产生深远影响。 在不久的将来, 公 司如何应对这些改变? 调整工作结构 AI越来越多地应用于知识型工作, 工作内容可能会发生重大转变, 影响中产阶 级的许多工作。我们的调查结果与最近对 AI 取代人工的悲观预测相反, 显示出 谨慎的乐观。多数受访者认为, 未来五年里 AI不会减少自己所在组织的工作岗 位。近70%的受访者表示并不害怕 AI取代自己的工作。希望 AI帮助自己处理一 些令人厌烦的任务的受访者比例与此近似。不过, 受访者普遍同意, AI 既要求 员工在未来五年里学习新的技能, 又会强化他们目前的能力 (参阅图 12
32、) 。 综合来看, 调查结果倾向于调整, 而非消灭。 MIT斯隆管理学院Schussel Family 教席教授埃里克布莱恩乔弗森 (Erik Brynjolfsson) 说:“即使AI迅速进步, 也不可能迅速取代大部分工作。不过在几乎所有行业, 都会有运用 AI的人逐渐 取代不用AI的人, 这个趋势只会越来越快。” 图1 2 关于AI在未来五年对劳动力的影响, 受访组织持谨慎乐观的态 度 下载原图 基本或强烈同意每项描述的受访者比例 改变价值创造 AI将在哪些领域创造、毁灭或改变经济价值呢? 以医疗行业为例。医疗是全世界最大、复原力最强的一个经济活动来源。医疗支 出占了美国经济的 1/6,
33、在经济合作与发展组织 (OECD) 成员国经济中平均占 到1/10。 AI正在改变医疗价值链:机器读取医疗诊断图像, 外科医生依靠机器人 完成手术, 越来越多的实时医疗设备贡献和交流数据, 改进预防性和慢性医疗 措施。 AI会在某一行业中创造价值, 但具体到组织会受何种影响, 现在尚无法确定。 IT提供商、医疗制品公司、放射医师、医院、专业化的创业公司乃至保险公司, 都想利用AI改善和降低诊断成本, AI对各组织的影响可能并不均衡。 现在还无法确定医疗行业中哪类组织会因 AI 受益。但如果解决了监管问题, 这 个行业可以提供大量详实的数据。 正如慕尼黑再保险公司 (Munich Re Group) 的 再保险业务发展负责人马库斯温特 (Marcus Winter) 所说的, “当今世界随
