人工智能来势汹汹,企业们准备好“接招”了

很公司无法推广AI试点项目的原因在于短期内看不到回报,因而只好大量削减AI项目的预算。问题不在于技术或者人才——其罪魁祸首往往是AI时代到来之前就已经形成的企业文化和组织结构。为了推广AI技术,企业管理者必须营造一种业务团队与技术团队能够亲密合作的文化氛围。

下面将介绍一套由10个环节组成的方案,帮助企业管理者打造出适合AI规模化应用的土壤。不过没必要一定照着这个列表按顺序推进,大多数企业只需熟悉这套方案中的某一个或几个环节。

其实,这份执行指南罗列了AI成功应用的文化所必需的条件。企业管理者们可以以此框架为准,对照着找出自己企业对这些不同环节的熟练程度。然后,企业管理者们就可以开始营造文化氛围了。

AI改革方案

几乎所有CEO都说他们在“搞AI技术”,这跟你的朋友说他“要去健身房”是一个道理。他们一般都无法达到期望的目标——很多企业做到AI试点项目就没了下文,朋友不久也会说太忙了没时间健身。

高德纳咨询公司2019年的首席信息官议程调查 (The 2019 Gartner CIO Agenda Survey) 报告中指出,参与调研的3000家企业中,有37%的企业已经应用了AI技术。可以肯定的是,剩下那63%的企业中有很大一部分在推行AI的过程中遇到过或多或少的阻碍。

只有技术和人才是远远不够的。企业必须打破文化壁垒,重新对组织结构进行审视,以便于AI在不同部门和地区之间推广。企业部署AI没有唯一的路径,具体怎么做要取决于不同企业的规模、人才库和AI技术成熟度。

以下这套由十个环节组成的方案可以为管理者们的AI转型之路提供指引:

· 以规模化应用AI为目标

· 在全公司上下建立起AI意识

· 在企业高管层达成共同的“AI转型愿景”

· 打一套AI组合拳

· 建立内部AI团队并与AI供应商合作

· 将AI人才分派至公司不同部门并且分配具体职责

· 让全公司上下接纳数据导向型的决策

· 打破数据竖井

· 架起业务团队与技术团队沟通的桥梁

· 为整合与管理转型做好预算

以规模化应用AI为目标

有了AI的帮助,企业可以成规模地对数据进行分类、搜寻模式、预测结果以及产出重复型的决策。

规模很重要。为了推动交叉销售和向上销售,采用机器学习工具对客户进行细分,这对银行来说还是相对容易做到的。而部署AI解决方案来优化从客户引导到维护已有客户关系的整个客户流程,是一项更具挑战也更有收益的工作。

企业要如何构建和部署具有可扩展性的AI解决方案组合呢?归根结底在于组织结构和企业文化。企业必须促进业务团队和技术团队的合作,这样AI解决方案才能够满足不断变化的业务发展的需求。组织结构也必须具有相当的流动性,使AI人才能够去到最需要的地方。

在全公司上下建立起AI意识

必须增强整个企业的AI意识。从管理人员到个体员工,都必须树立相关意识,明白AI可以怎样解决业务问题,了解要如何使用AI工具。

AI培训可以由内部进行也可以借助外部力量。AI技术成熟的企业可以建立公司内部的AI学校,提供在职培训课程。其余企业可以外聘培训师和顾问进行课堂教学以及开展研讨会。

高级管理人员

企业决策层和其它高级管理人员对企业的业务需求,目标以及面临的困境早已了然于胸。因此,他们必须有良好的AI意识,这样才能够:

· 充分理解AI技术的工作原理(比如,机器学习,机器视觉,自然语言处理)

· 鉴别行业内和公司里的高价值AI用例

· 识别出满足本公司需求的独特AI工具

· 学会确定AI方案的优先级

· 了解有哪些必须克服的障碍,对员工角色转变有何影响以及企业文化需要进行怎样的改变

技术人员

企业必须为数据科学家、AI工程师和开发AI工具的研究人员提供技术培训。根据他们的角色不同,培训的内容应该包括:

· 数据最佳实践(比如,数据收集,数据清理,数据治理,修正偏差)

· 对机器学习和深度学习的技术性理解

· 了解公开源代码和第三方工具(比如Python, PyTorch, TensorFlow),这些工具可以用于开发和训练AI以及建立数据模型

· 认识行业标准和新兴AI技术

业务解释员(Business Translators)

这个新兴的角色也被称为分析解释员 (Analyticstranslators) ,负责沟通业务团队与技术团队,以确保AI产品能够满足业务需求。有些业务翻译人员还管理着开发AI工具的技术人员,并且主导AI项目的实施和应用。

业务解释人员通常来自业务团队(比如项目经理、业务分析师、行业专家、业务经理),因此他们对公司业务非常了解,同时还可能精通项目管理、人事管理或者战略规划。

业务解释人员应当参加基础技术培训,具有AI意识,这样才能够:

· 运用技术术语向开发AI工具的数据科学家和工程师解释公司的业务需求和要求

· 采用分析方法和AI工具解决业务问题

· 形成详尽的AI用例

· 理解部署AI工具之后,工作流程将会发生哪些变化

业务用户

市场营销、融资、销售以及其他职能部门中的这部分人员是AI工具的终端使用者。这些员工也需要相关的培训,要学会在日常工作中应用AI工具。

此外,他们还需要克服对AI的恐惧。很多人都担心AI和自动化会夺走他们的工作。如果企业决策者将机器看得比员工的技能和经验重要的话,经理们同样会感觉受到了冒犯。公司领导人必须让员工坚信AI会帮助他们完成更多事情,让员工明白AI的重要性,相信AI会给公司和他们个人带来好处。

企业领导人要让员工相信,对企业而言,最重要的永远是人。AI可以提供数据导向型的见解,可以使流程自动化,但是只有人拥有能够运用那些见解的常识和智慧,要将AI视为人类智慧的延伸而不是人类智慧的复刻。

实际上,AI确实会取代一些工作。那些常规的重复型劳动被取代的风险最高。但是,像“三分之一工作岗位将被自动化机器取代”之类的新闻标题不过是耸人听闻罢了。AI能够自动执行任务,但无法承担所有岗位职责。真实的情况是员工借助AI提升工作能力,而不是员工被AI大规模取代。

职员应该欢迎AI的加入。那些枯燥单一的任务交给机器自动完成,职员就有更多的时间去做有影响力且有满足感的工作了。雇主对此也是乐见其成的。德勤曾对1900家采用了AI技术的企业进行调研,该调查报告显示AI带来的最大好处在于其解放了员工,从而激发了他们的创造力。

职员如果明白AI对个人成长(乃至生存)的重要性,就更有可能会接纳AI的到来。零售企业管理者只需要让员工看到亚马逊和电子商务给企业带来的生存危机,让他们了解AI将如何使零售企业更具效率,就会收到强烈的反响。向员工强调他们对企业的重要性,为他们描绘一个成功的未来,员工就会全力支持AI改革。

企业高管层达成共同的“AI转型愿景”

一个企业AI改革成功几率的大小,与管理者对于AI改革愿景是否足够清晰有很大的关系。改革愿景不是关于某些使用个案的事,而是在市场上取得大赢面的问题。

具体而言,高级管理层应当要能够对下面这四个问题作出详尽的回答:

· AI可以帮助企业解决哪些商业困境?

· 三五年内,AI将如何使企业与其它竞争者拉开距离?

· 企业要如何利用AI来扩大并掌控市场份额?

· 眼下在数据可用性、人才、以及创新文化等方面,有哪些事情是必须要做的?

假设有一家空调暖通公司,主营业务是为办公大楼安装采暖、通风以及空调设备。他们抓住了市场机遇,将传感器与机器学习相结合,从而实现了通过感知人类活动来调节整栋大楼的温度,这为该公司的客户将能源消耗降到了最低。在这个案例中,因为采用AI技术节省了能源,这家公司得以在行业中脱颖而出,获得了更多的市场份额。

这仅仅是这家空调暖通公司的AI改革图景的第一章。接下来,他们要问问自己,要如何充分利用好数据、人才和企业文化,才能使公司立于不败之地。

一个AI改革图景要能够说清楚公司的AI战略和项目组合,而且要让公司能够分清AI项目的优先级。

目光放长远,短期内通过试点项目获取知识

一个长期的AI改革愿景有助于管理者确定一条分阶段的AI改革之路。管理者会意识到真正的收益需要花时间。没有长远的目光,一旦管理者没有快速看到结果,他们很快就会终止这场变革。

即使是成功的AI项目,想要得到回报也是要花时间的。试点项目可能没有任何经济性回报,但只要试点项目能够让公司学会如何彻底改造数据基础设施,以便于大规模推动AI应用,那就是有意义的短期胜利。

试点项目需要投入的资金不多,却能让公司在构建可延展的AI解决方法上获得许多宝贵见解。这些项目让企业知晓哪类数据是需要大量收集的,哪类是需要丰富细节的,并且找出当前的数据缺口。这些信息有助于企业发展其数据收集和管理等核心能力。

当企业高管达成一个长期的改革愿景之后,他们就更有可能去推动和鼓励一种创新的文化氛围,在这种文化里,投资回报率不再是衡量成功的唯一标准。这个思路为巨大的长线投资回报提供了可能性。

打一套AI组合拳

成功的AI改革有赖于一个完整的项目体系,这个体系要涵盖各种周期不同的项目。

比较大型的、宏远的AI项目短期内需要大量的投入,却可能需要很多年才能获得可观的收益。如果单单投资这样的大型项目,公司的预算压力会比较大,同时这种项目需要管理层有足够的耐心。

企业要打一套AI组合拳,规划好不同项目所实行的周期。这让公司得以从短期项目中获取稳定的收益,这样一来,管理层才会继续提供支持。一套结构合理的AI项目组合应该包括:

· 小型试点项目,为扩大AI规模提供宝贵经验

· 短期项目,能够在6-12个月内获得可观的回报

· 中期项目,能够处理价值量不断增加的用例,并能够在12-24个月内看到投资回报

· 长期项目,能满足整个企业扩展应用AI的需求

假设有一家银行有意推行AI改革,其目标是“通过AI来简化客户服务流程,以此博得更大的市场份额”。那么,其项目组合就应该涵盖简化顾客注册的流程,以及帮助银行提供便捷且个性化的服务,这样反过来也会吸引来更多新客户。

试点项目主要围绕学习和概念验证展开。这些项目的意义在于让企业了解自己所处的位置,了解数据、人才和基础建设方面的需求,从而帮助企业成功部署AI。

短期项目目标明确,就是要通过简单用例“挣快钱”。这家银行可能从一个项目开始,在引导客户时实现自动化“了解客户”流程。推行短期项目使AI自动化工具随时可用,使KYC流程标准化,从而帮助银行削减成本,增加收益。

中期项目要关注具有更高价值的用例,相应地也就需要较长时间才能获得回报。自动化KYC流程之后,这家银行可以推行无监督机器学习项目打造客户细分工具。这套工具将客户按照行为模式和人物特征进行划分,大大提高了银行交叉销售的效率,从而增加了收益。

长期项目是真正为公司和客户创造价值的项目。这些项目可以是独立的项目,也可以是将几个小项目整合成的一套连贯的解决方案。这家想要简化整个客户服务流程的银行,可能会打造一款app或者一个网页平台,将服务全部纳入其中,包括客户引导、个性产品推荐以及提供客户服务。

一套结构合理的项目组合会在不同阶段产生收益。除了前期获得的信息和见解,分阶段获得回报的项目还可以为后期的项目提供资金,并且可以验证项目组合的可行性。

建立内部AI团队并与AI供应商合作

从长远来看,企业要以建立自己的AI体系为目标。短期(且针对特定用例)而言,从AI供应商那里购买工具能产生即时的回报。

购买AI的方案。与AI供应商合作可能可以加速推进一次性的AI项目,尤其是在企业推进AI计划的初期。针对某一用例,AI供应商可能会有最合适的工具,这能为企业省下许多时间。供应商在这方面是专业的,这也能为新建的内部AI团队节省下许多学习时间。

自建AI体系的方案。企业自建的AI工具更有可能满足企业的需求,契合企业原有的数据和工作流程。长期依赖供应商提供产品满足多元化的AI项目需求是不现实的。供应商并不熟悉企业的业务需求、流程和数据,现成的工具未必能与企业的数据和业务流程相融合,企业也不可能将一些敏感数据提供给供应商。最关键的是,自建AI工具能提升企业的AI能力,扩大其规模。

混合模式。在急需个性化定制的解决方案时,与AI供应商合作定制AI工具是一个不错的选择。内部员工可以让供应商准确地了解工具所要做的事情,这样一来,工具就更有可能契合企业的流程和数据。

举个例子,汇丰银行与AI供应商Ayasdi合作,开发一款AI反洗钱工具。虽然汇丰肯定有内部AI团队,但还是选择充分利用供应商的专业性,从而更快得到了想要的结果。

除了与供应商合作,一个好的AI转型愿景还需要一个集中的AI团队来为整个公司提供帮助。这支团队中要有数据科学家、数据工程师、机器学习工程师以及AI产品经理。根据企业的组织架构,这支团队可以直属于首席技术官、首席信息官、首席数据官甚至首席AI官。

企业内部的AI团队的职责要包括:

· AI战略和问题确认

· AI标准及流程

· 策划和执行AI项目组合

· 数据和管理标准

 将AI人才分派至公司不同部门并且分配具体职责

哪种组织模型最适合大规模部署AI?AI人才在企业内部应该处于什么位置呢?《哈佛商业评论》一篇关于AI驱动型企业的文章对以下三种推广AI的组织模型进行了探讨:

· 集中式:将AI人才全部集中于总部或者区域办事处等中央核心部门

· 分散式:将AI人才安插在不同业务部门里

· 混合式:“核心”与业务部门均分配AI人才任职

与AI战略、项目和采用相关的任务可以由以下三个组织层级中的任何一个负责:核心层,各个业务部门,或者跨核心层与业务部门的“灰色地带”。

核心层

核心层负责AI和数据战略,人才招聘,管理以及与AI和数据供应商合作。

核心层建立AI标准和流程,并且推行有助于在组织中推广AI的最佳实践方案。这样确保业务部门之间的工作不会重叠,AI部署也不会有缝隙,能够符合公司的标准。

核心层要负责数据清理、标注和集成等数据项目。这些项目应当随着AI项目的推进逐步实施。在确认业务需求和AI用例之前,企业没必要花一堆钱去收集和清理公司范围内的数据,毕竟管理层一旦发现这些数据项目不适合AI项目,就会舍弃掉它们。

业务部门

因为业务部门是AI系统的终端用户,所以他们应该负责AI系统采用的相关工作。这些工作包括业务分析、鼓励采用、培训用户、重新设计工作流程以及衡量收益。

业务部门必须为AI产品的成功负最终责任。因为AI工具的设计初衷就是为了满足业务需求,所以像区域经理之类的业务部门主管就应当为AI工具的成功负责。

灰色地带

灰色地带的工作既可以由核心层负责,也可以由某个业务部门负责。这些工作包括项目管理、算法开发、产品设计和测试、IT基础架构以及变更管理。

至于具体由核心层还是业务部门来负责这些工作,取决于以下三点:

· AI技术成熟度:企业在此之前的AI部署经验

· AI需求紧迫性:AI项目的进度和复杂性

· 业务模型:参与AI应用的部门数量,职能以及区域

如果公司的AI技术成熟度低,需求紧迫性高,业务模式简单,将AI人才和业务集中在核心层不失为一个好方法。反之,将AI人才分散至业务部门会更好。

AI技术成熟度。企业部署AI之初,往往将数据和分析管理人员、数据工程师、AI工程师和支撑型员工集中在核心层。这样可以推进标准化工具,数据流程,存储库和基础架构的快速发展。当然,这些人员也可以根据需要分派到不同业务部门。

AI需求紧迫性。在需要快速部署AI项目的情况下,企业往往选择将AI人才集中在核心层。这样,行业技术趋势可以得到更好的把控,AI产品的构建也可以得到更便捷的协调。

业务模型。AI工具有时需要支持大量业务部门,协调多个区域或者提供多种功能。在这种情况下,企业管理者出于对公司业务复杂性的考虑,可能会将AI人才整合到核心层,然后再根据需要分配到不同的部门。

归根结底,AI人才部署更多是一种艺术,而不是科学。举个例子,一家急需部署AI解决方案的企业有着复杂的业务模型(更适合集中式),可能还具有很高的AI成熟度(更适合分散式)。在这种情况下,企业管理者就应当综合考量这三者的重要性,据此来确定究竟AI人才是集中在核心层还是分散到业务部门中更有利于企业发展。

假设某银行的AI项目组合中,有某个项目是为某个国家开发KYC自动化工具。如果该国家的客户关系团队此前已经在客户引导方面部署了AI工具,那么这支团队就有能力负责一些通常由核心层来执行的活动,诸如商业案例分析和项目实施。

让全公司上下接纳数据导向型的决策

AI应该通过赋予人们数据洞察力来改进日常工作。既然具体操作终究要由人来执行,那么企业就必须从上至下都接纳一种由数据引导决策的文化。如果AI能够被正确接纳,员工就可以利用算法建议来提升自己的技能和判断力,从而获得更好的成果,这种成果仅靠人类或者仅靠机器都不可能实现。

而只有员工信任AI工具并且能够做出决策的情况下,上述情况才有可能发生。信任建立的基础是(前面所述的)AI意识,而赋予决策权要求企业摒弃传统的自上而下管理模式。

假设有一家全国连锁超市,这家超市通常由区域经理根据历史数据,来做出优化占地面积和商品放置方面的决策。对于一家有上百门店的连锁超市而言,这种自上而下的决策方式可能并不会产生最适合具体门店的结果。而在数据引导决策的文化里,当地经理可以利用AI工具实时追踪店内顾客的行为,从而对商品放置做出最佳的决策。

打破数据竖井

AI需要各个部门的大量数据。很多企业部门的数据都存储在竖井中,竖井是一种系统,这种系统彼此之间没有连接,只能由特定的团队进入。这对AI融合而言是个障碍,但却是可以克服的。

大型保险公司一大臭名昭著的特点就是他们的数据竖井。保险公司倾向于保留几十个独立的保留(老旧)系统,这些系统彼此之间不相连接,也不连接到新的数据平台或者云平台。这对于该行业正在进行的AI和数字化变革是不利的。

像大部分数据密集型行业一样,现今的保险公司要么在对老系统进行现代化改造,要么在将数据转移到数字化系统、数据湖和数据仓库。数据湖和数据仓库都可以存储大数据。数据湖是一种大型的数据池,存储的是不带架构和标签的原始数据;而数据仓库则存储用于特定目的的结构化标签数据。

打破数据竖井不是一蹴而就的事。一般来说,在应用AI技术之前,花大钱在大规模数据变换上不是很好。最好是两者并举,这样数据变换就可以根据AI项目的需求来推进了。AI试点项目在这方面也能提供助力——找出当下的数据缺口。在了解的基础上,企业才能不浪费一针一线,打破数据竖井。

架起业务团队与技术团队沟通的桥梁

前面提到的业务解释人员,正是使AI和数据科学解决方案能够充分考虑业务需求的保障。

业务团队和技术团队的沟通有时是鸡同鸭讲。AI顾客细分工具要满足怎样的需求,这一点可能区域销售经理会很清楚——这个工具要能够将客户按照感兴趣的产品进行划分。但是,销售经理很可能不知道怎么用技术术语,向数据科学家或者机器学习工程师描述这些需求,而后者才是真正开发工具的人。

这种问题在商界并不新鲜。部署内部IT系统的企业,或者部署面向客户的移动app的企业,都会让IT项目的经理和业务分析师来负责这些项目。举个例子,IT项目经理能够理解新IT系统的业务目标。他们对技术有一个基本的了解,同时能够管理好构建系统的技术员工。

而在AI项目里,这些业务解释人员就可以是项目经理、业务分析师甚至是内部顾问。他们要对AI方法和功能有广泛的涉猎,这样才能理解技术团队的工作并提供指导。

业务解释人员能够运用AI意识和商业嗅觉找到AI采用之路上的障碍。项目初期,这些人员可以对终端用户进行调研,研究工作流程,并与业务和技术领域的主要利益相关者进行对话。这样一来,诸如缺乏员工接纳或者终端用户有不合理的期待等问题,就能够被他们诊断出来,进而找到解决方案。

找出有业务解释能力的员工非常重要。这样的角色的需求量很快就会变得非常大——而同时拥有AI意识和业务知识的人并不多。德勤2019年发布的《企业中的AI调查报告》显示,商业人才的价值跟AI人才是几乎持平的,甚至在企业实施了20多个AI系统之后更是如此。

 为整合与管理转型做好预算

遍及全企业的AI意识,以及员工对AI项目的普遍认可,为AI的融合打下坚实的基础。但是,想要确保AI与业务开发所准备的一样多。

整合AI工具涉及到工作流程的重新设计,培训以及管理转型这些工作。在部署AI解决方法之前,要做好这些支持型工作。这样可以避免一些不愉快的惊吓,让员工能够做好准备运用AI工具来完成工作。同时,这也确保员工能够意识到、参与进并且支持AI改革。

尽早开始改革,业务解释员和终端用户才能在正式实施之前找出运用中可能存在的问题。AI工具可能需要对有些工作流程进行重新设计,这造成的混乱可能远超过了收益。在部署AI技术之前认识到这点,技术团队就可以对AI工具进行调整。

AI不简单。投资回报要花时间,一个公司的AI进化路取决于其自身独特的需求和情况——这意味着跨越完全陌生的领域。

相关推荐