人工智能(AI)正在重塑商業，不過速度不像很多人想象的那麼快。的確，從農作物收成到銀行貸款，現在各個領域的決策都由AI指導，而且，過去似乎遙不可及的東西，比如無需人工的純AI客服，已經逐漸成為現實。開發平臺、強大的處理能力以及龐大的數據存儲空間等AI背後的技術，正在迅速發展，應用成本越來越低。眼下似乎是企業開始採用AI獲利的好時機。據我們推測，今後十年，AI將為全球經濟增加13萬億美元。
然而，AI發展前景雖好，許多公司卻並未做好充分準備。據統計，一家公司的AI轉型多半要花18到36個月，還有一些轉型長達5年之久。
我們開展調查，瞭解了數千名高管所在公司對AI及高級分析技術的應用和相應組織情況，調查數據表明，只有8%的公司開展了支持AI大規模應用的核心工作。多數公司只做了臨時的試點項目，或只在某一項業務流程中採用AI。公司進展這麼慢，原因何在?上升到最高層面，這反映了組織未能做好AI所需的轉型。在調查以及與數百名客戶的合作中，我們發現，AI項目面臨著難以跨越的巨大文化及組織障礙。但我們也看到，在項目開端採取措施克服障礙的領導者，能夠很好地抓住AI帶來的機遇。
領導者最大的一個錯誤是，將AI視為能夠迅速帶來回報的即插即用式技術。他們決定啟動幾個項目，就開始投資幾百萬給數據基礎設施、AI軟件工具、數據專業技能和模型開發。少數組織的一部分試點項目勉強實現了一點點盈利，但之後再過幾個月乃至幾年，都未能取得高管期望的巨大成功。公司很難將這類試點項目擴展到整個公司，也很難將AI工作重點從分散的問題(如增強客戶細分)上升到大的商業難題(如優化整個客戶旅程)。
還有，領導者往往對運用AI的必備條件考慮得不夠充分。前沿技術和人才自然必不可少，但公司文化、結構和工作方式也要支持廣泛應用AI，這方面的調整與技術和人才同等重要。但在多數並非天生數字化的公司，傳統思維方式和工作方式與AI的需求相悖。
要擴大AI應用範圍，公司必須做出三項轉變:
第一，從孤島作業轉為跨領域合作。由具備多種能力和視角的跨職能團隊開發的AI最能發揮影響力。讓業務人員和技術人員合作，加上分析專業人士，能夠確保項目照應到整個組織的重點議題，不只關注單一部門的問題。多樣性團隊還可以充分考慮到應用新技術要求的運營變革——這樣的團隊更能發現和反映問題，比如說，要引入一項算法用來預測維護需求，應當同時對維護工作流程進行相應的調整。此外，如果開發團隊在設計項目時讓終端用戶參與，項目得到應用的可能性會大幅度提升。
第二，從由領導者推進的基於經驗的決策，轉為由數據推進的一線決策。AI得到廣泛應用時，算法推薦會讓組織上下各層級員工的判斷和感知得到增強，得出人類或機器單獨無法獲得的更好的答案。不過，要想充分發揮這種作用，各層級員工必須信任算法給出的建議，並感到自己有權利做決定——這意味著要摒棄傳統的自上而下的決策方法。如果員工在採取行動之前必須先請示上級，AI應用就會受到阻礙。
某公司將一個複雜的手動排程方法換成了全新的AI系統，決策過程明顯改變。過去，這家公司的活動策劃者用彩色的標籤、大頭針和貼紙來標記時間衝突、參與者需求及其他要注意的地方，常常根據直覺和上級管理者的建議做決策，而管理者也是憑直覺行事。新系統能夠迅速分析大量日程安排組合，先用一個算法在幾億種排法中提取出幾百萬種，再用另一個算法將這幾百萬種縮減為幾百種，最後為每位參與者排出幾種最佳日程供選擇。隨後，有經驗的活動策劃人運用自己的專業知識，在數據支持下做出最終決定，無須向管理者徵求意見。策劃人迅速適應了這個新系統，十分信任系統給出的結果，因為他們參與了系統參數和限制條件的設置，而且知道最終做決定的還是自己。
第三，從僵硬固化、趨避風險轉為敏捷、試驗、可適應。組織必須擺脫“只有完全成熟的創意才能實行”或“只有設計完善的商業工具才能使用”的思維。AI應用需要迭代，絕少在投入應用之初就具備組織需求的功能。組織要具備“從測試中學習”的態度，將錯誤轉為新知的來源，減少對出錯的擔憂。收集初期用戶的反饋，用於升級AI工具，會使公司在小問題發展成為代價高昂的大問題之前及時將其糾正。發展會逐漸加速，讓小規模AI團隊能在幾周(而非幾個月)內開發出最小可行產品。
要實現這種根本性的轉變絕非易事，需要領導者幫助員工做好準備，提供動力和相應的培訓。但首先領導者自己必須先做好準備。我們看到過很多次由於高管對AI缺乏基礎認知而導致的失敗。
為確保AI工具得以推廣，公司必須自上而下對全體人員進行培訓。為此，一些企業建立內部AI培訓班，一般包括課堂教學(在線課程或面授)、研討會、在職培訓，乃至前往有經驗的同行業公司參觀學習。多數AI培訓班一開始是邀請外部機構編寫課程和提供培訓，但也經常自行培養內部教學能力。
各公司設置的培訓班不盡相同，但多半都提供四大類課程:
領導者。多數培訓班努力培訓高管和業務部門領導者，讓他們對AI工作原理有一個高層次的認識，學會識別AI機遇並判斷其重要程度。培訓班還會討論AI對員工職能的影響、推廣AI的障礙以及人才培養，併為逐漸推進AI組織所需的文化轉型提供指導。
分析人員。這部分課程關注的是數據科學家、工程師、架構師以及其他負責數據分析、治理和AI解決方案的員工，持續培養他們的硬技能和軟技能。
解讀員。分析解讀員一般是業務人員，需要基礎的技術培訓，例如運用分析方法解決商業問題、構建AI實踐案例等。這部分課程可以包含在線課程、實際操作、模仿有經驗的解讀員，在“期末考試”中要求參與培訓的員工實際執行一個AI項目並獲得成功。
終端用戶。對於一線員工，可能只需要大致介紹一下新的AI工具，之後提供在職培訓，教他們使用AI工具即可。負責營銷和財務等方面的戰略決策者可能需要更高層次的培訓課程，學習在真實商業場景中運用AI工具輔助產品發佈等決策。
運用AI輔助決策的方法還在增加。新的應用方式將會在工作流程、職能和文化方面推動根本性的改變，有時改變還會十分艱難。領導者必須謹慎地帶領組織渡過這一階段。人與機器合作可以獲得高於雙方單獨作業的成績，未來這種合作將會越來越多，在整個組織內成功推廣AI應用的公司會擁有巨大的優勢。
蒂姆·方汀丨 文
蒂姆·方汀是麥肯錫悉尼辦公室合夥人，麥肯錫旗下高級分析公司QuantumBlack負責人，公司位於澳大利亞。布賴恩·麥卡錫是麥肯錫亞特蘭大辦公室合夥人，麥肯錫分析公司知識發展議程負責人之一。塔米姆·薩利赫是麥肯錫倫敦辦公室高級合夥人，麥肯錫分析公司歐洲負責人。
本文有刪節，更多內容請查看《哈佛商業評論》中文版2019年7月刊——《構建AI型組織》。
《哈佛商業評論》
公眾號ID：hbrchinese
"