重印 R1801H
發表在 HBR
2018 年 1 月至 2 月
技術文章 人工智慧在現實世界中的應用
不要從登月計畫開始。
撰寫者：Thomas H. Davenport 和 Rajeev Ronanki
以實際世界為特色的人工智慧
由托馬斯·H·戴文波特和拉尼夫·羅南基
簡而言之，問題
認知技術越來越多地被用來解決商業問題，但許多最雄心勃勃的人工智能項目遇到挫折或失敗。
方法
公司應該採取漸進式而非轉型式的方法，並專注於增強而非取代人類的能力。
流程
為了充分利用人工智慧，企業必須了解哪些技術執行哪些任務類型，根據業務需求創建一個優先級項目組合，並制定計劃在公司全面擴展。技術可以執行較不雄心勃勃的工作，例如為病人家屬提供酒店和餐廳建議，確定哪些病人需要幫助支付賬單，以及解決員工問題。這些項目的結果更加令人振奮：新系統有助於提高病人滿意度，改善財務表現，並減少醫院護理經理花在繁瑣數據輸入上的時間。儘管在登月計劃上遇到挫折，MD Anderson 仍致力於使用認知技術，即下一代人工智慧，來增強癌症治療，目前正在其認知計算核心開發各種新項目。
兩種方法之間的對比對於計劃人工智能倡議的任何人都很重要。我們對 250 名熟悉公司使用認知技術的高管進行的調查顯示，他們中有四分之三相信人工智能將在三年內徹底改變他們的公司。然而，我們對幾乎同樣多家公司的 152 個項目進行的研究也顯示，高度雄心勃勃的“登月”項目成功的可能性不如增強業務流程的“低掛果實”項目。這並不奇怪-過去公司採用的絕大多數新技術都是如此。但圍繞人工智能的炒作尤為強大，一些組織已經被其所誘惑。
在本文中，我們將探討正在使用的各種人工智能類別，並提供一個框架，指導公司應該如何在未來幾年內建立他們的認知能力，以實現他們的業務目標。
三種人工智能類型
對於公司來說，從業務能力的角度而非技術來看待人工智慧是有用的。一般來說，人工智慧可以支持三個重要的業務需求：自動化業務流程、通過數據分析獲取洞察、以及與客戶和員工互動。（參見“按類型劃分的認知項目”展示。）
流程自動化。在我們研究的 152 個項目中，最常見的類型是自動化數字和實體任務，通常是後勤行政和財務活動，使用機器人流程自動化技術。與早期的業務流程自動化工具相比，RPA 更加先進，因為“機器人”（即伺服器上的代碼）像人類一樣輸入和從多個 IT 系統中提取信息。任務包括：
-
從電子郵件和呼叫中心系統轉移數據到記錄系統，例如，使用地址更改或服務添加更新客戶文件； -
取代遺失的信用卡或提款卡，進入多個系統更新記錄並處理客戶溝通； -
通過從多種文件類型中提取信息，在計費系統之間協調服務未收費的失敗；以及 -
使用自然語言處理“閱讀”法律和合同文件以提取條款。 RPA 是我們將在此討論的認知技術中成本最低且最容易實施的，通常帶來快速且高回報的投資回報。 （從這個意義上說，它也是最不“聰明”的，因為這些應用程序沒有被編程來學習和改進，儘管開發人員正在逐步增加更多的智能和學習能力。）它特別適合在多個後端系統之間工作。
在 NASA，成本壓力促使該機構在應付和應收賬款、IT 支出以及人力資源等領域推出了四個 RPA 試點項目，所有這些項目都由一個共享服務中心管理。這四個項目進展順利-例如，在人力資源應用中，
有人可能會想像，機器人流程自動化會迅速使人們失業。但在我們審查的 71 個 RPA 項目中（總數的
認知洞察。在我們的研究中，第二常見的專案類型（總數的
-
預測特定客戶可能購買的產品； -
實時識別信用卡欺詐並檢測保險理賠欺詐； -
分析保修數據，以識別汽車和其他製造產品中的安全或質量問題； -
自動化個性化數位廣告的定位；和 -
為保險公司提供更準確和詳細的精算建模。
機器學習提供的認知洞察與傳統分析提供的洞察有三個不同之處：它們通常需要更多的數據和細節，模型通常是在數據集的某部分上進行訓練，而且模型會變得更好-也就是說，它們利用新數據進行預測或將事物歸類的能力會隨著時間改善。
三種方式：它們通常需要更多的數據和細節，模型通常是在數據集的某部分上進行訓練，而且模型會變得更好-也就是說，它們利用新數據進行預測或將事物歸類的能力會隨著時間改善。
機器學習的版本（尤其是深度學習，試圖模仿人類大腦中的活動以識別模式）可以執行識別圖像和語音等技藝。機器學習還可以提供新數據以進行更好的分析。雖然數據整理的工作過去通常相當費時費力，但現在機器學習可以識別概率匹配數據，這些數據可能與同一個人或公司有關，但在不同格式中出現。GE 已經使用這項技術整合供應商數據，在第一年節省了
認知洞察應用通常用於提高機器專用工作的表現，例如涉及程序化廣告購買等任務
人工智慧的商業好處
我們調查了 250 名熟悉公司使用認知技術的高管，以了解他們對 AI 倡議的目標。超過一半的人表示，他們的主要目標是改善現有產品。只有
這種高速數據處理和自動化已經超出了人類的能力範圍，因此它們通常不會對人類的工作構成威脅。
認知參與。在我們的研究中，使用自然語言處理聊天機器人、智能代理和機器學習來吸引員工和客戶的項目是最不常見的類型（佔總數的
-
用於回答員工有關 IT、員工福利和人力資源政策等主題的內部網站； -
用於零售商的產品和服務推薦系統，可增加個性化、參與度和銷售額，通常包括豐富的語言或圖像； -
幫助提供者創建考慮個別患者健康狀況和先前治療的定制護理計劃的健康治療推薦系統。
在我們的研究中，公司更傾向於使用認知參與技術來與員工互動，而不是與客戶互動。隨著公司變得更加願意將客戶互動交給機器，這種情況可能會改變。例如，Vanguard 正在試驗一種智能代理，幫助其客戶服務人員回答常見問題。計劃最終允許客戶直接與認知代理互動，而不是與人類客戶服務代理互動。瑞典的 SEBank 和美國的醫療技術巨頭 Becton, Dickinson 正在使用逼真的智能代理阿梅莉亞作為內部員工幫助台的 IT 支援。SEBank 最近已經讓客戶有限地使用阿梅莉亞，以測試其性能和客戶反應。
企業傾向採取保守的態度來應對面向客戶的認知互動技術，主要是因為這些技術尚未成熟。例如，Facebook 發現其 Messenger 聊天機器人無法在沒有人工干預的情況下回答
我們的研究表明，認知互動應用目前並不威脅客戶服務或銷售代表的工作。在我們研究的大多數項目中，目標並不是為了減少人數，而是為了應對不斷增長的員工和客戶互動數量而無需增加人員。一些組織計劃將例行通訊交給機器，同時將客戶支持人員轉移到更複雜的活動，例如處理升級的客戶問題、進行延長的非結構化對話，或在客戶打電話來反映問題之前與客戶聯繫。
隨著公司對認知工具越來越熟悉，它們正在嘗試結合所有三個類別的元素來獲取人工智慧的好處。例如，一家意大利保險公司在其 IT 組織內開發了一個“認知幫助台”。該系統利用深度學習技術（認知洞察類別的一部分）與員工互動，搜索常見問題和答案、先前解決的案例以及文件，提出員工問題的解決方案。它使用智能路由功能（業務流程自動化）將最複雜的問題轉發給人類代表，並使用自然語言處理來支持用戶用意大利語發出的請求。
然而，儘管公司對認知工具的經驗迅速擴展，但在開發和實施方面仍面臨重大障礙。根據我們的研究，我們制定了一個四步框架，用於整合人工智慧技術，可以幫助公司實現其目標，無論項目是“登月計劃”還是業務流程增強。
Despite their rapidly expanding experience with cognitive tools, however, companies face significant obstacles in development and implementation. On the basis of our research, we've developed a four-step framework for integrating AI technologies that can help companies achieve their objectives, whether the projects are moon shoots or business-process enhancements.
1. 瞭解技術
在著手人工智慧計劃之前，公司必須了解哪些技術執行哪些類型的任務，以及每種技術的優勢和限制。例如，基於規則的專家系統和機器人流程自動化在執行工作時是透明的，但兩者都無法學習和改進。另一方面，深度學習非常擅長從大量標記數據中學習，但幾乎不可能理解它是如何創建模型的。這種“黑盒子”問題在高度規管的行業（如金融服務）中可能會帶來問題，監管機構堅持要知道為什麼以某種方式做出決定。
我們遇到過一些組織浪費時間和金錢追求不適合當前工作的錯誤技術。但如果他們對不同技術有良好的了解，公司就能更好地確定哪種技術可能最好地滿足特定需求，應該與哪些供應商合作，以及系統可以多快實施。獲得這種理解需要持續的研究和教育，通常在 IT 部門或創新小組內進行。
特別是，公司將需要利用關鍵員工的能力，例如具有統計和大數據技能的數據科學家，他們需要學習這些技術的要訣。主要的成功因素是您的員工願意學習。有些人會抓住機會，而其他人則希望堅持使用他們熟悉的工具。努力使前者的比例高。
如果您公司內部沒有數據科學或分析能力，您可能需要在短期內建立一個外部服務提供商的生態系統。如果您希望實施長期的人工智能項目，您將需要招聘內部專家人才。無論哪種方式，擁有正確的能力對於進步至關重要。
鑑於認知技術人才稀缺，大多數組織應建立一個資源庫，或許可以設在一個集中的功能部門，如 IT 或策略部門，並使專家在整個組織中為高優先級項目提供支援。隨著需求和人才的增加，將特定的業務功能或單位專門分配給某些群組可能是有意義的，但即便如此，一個中央協調功能在管理項目和職業生涯方面也是有用的。
人工智慧的挑戰
在我們的調查中，高管們指出了一些因素，可能會阻礙或挫敗人工智慧倡議，從整合問題到人才短缺各種問題都有。
SOUBCE DFIOTTE
2. 創建項目組合
推出 Al 程序的下一步是系統地評估需求和能力，然後制定一個優先順序的項目組合。在我們研究的公司中，這通常是通過研討會或通過小型諮詢來完成的。我們建議公司在三個廣泛領域進行評估。
辨識機會。第一次評估確定企業哪些領域最能從認知應用中受益。通常，這些領域是公司中「知識」洞察從數據分析或文本集合中獲得，但由於某些原因無法獲得的部分。
瓶頸。在某些情況下，缺乏認知洞察是由信息流程中的瓶頸引起的；組織中存在知識，但並未得到最佳分發。這在醫療保健領域經常發生，例如，知識往往僅在實踐、部門或學術醫療中心內部存在。
擴展挑戰。在其他情況下，知識存在，但使用該知識的過程太長或成本過高。這在金融顧問開發的知識中經常發生。這就是為什麼許多投資和財富管理公司現在提供支持 AI 的「機器建議」功能，為客戶提供就常規財務問題提供成本效益的指導。
在製藥業中，輝瑞正在利用 IBM 的華生系統來應對規模化問題，加速免疫腫瘤學藥物研究的繁瑣過程，這是一種新興的癌症治療方法，利用人體免疫系統幫助對抗癌症。免疫腫瘤學藥物可能需要長達 12 年才能上市。通過將廣泛的文獻回顧與輝瑞自身的數據（如實驗室報告）結合，華生系統幫助研究人員發現關係並找到隱藏的模式，應該能加快新藥物靶點的確認、組合療法的研究以及對這一新類藥物的患者選擇策略。
火力不足。最終，一家公司可能收集到比其現有的人力或電腦火力更多的數據，無法充分分析和應用。例如，一家公司可能擁有大量有關消費者數字行為的數據，但缺乏對其含義或如何戰略應用的洞察。為了應對這一問題，公司正在使用機器學習來支持任務，例如程序化購買個性化數字廣告，或者像思科系統和 IBM 這樣創建成千上萬個“傾向模型”，以確定哪些客戶可能購買哪些產品。
確定使用案例。評估的第二個領域評估認知應用程式將產生實質價值並有助於業務成功的使用案例。首先，通過提出關鍵問題來開始，例如：解決目標問題對您的整體戰略有多重要？實施所提出的人工智能解決方案在技術和組織上會有多困難？推出應用程式的好處是否值得努力？接下來，根據提供最多短期和長期價值的順序來優先考慮使用案例，並最終將其整合到更廣泛的平台或一套認知能力中，以創造競爭優勢。
選擇技術。評估的第三個領域檢查每個使用案例中考慮的 AI 工具是否真正適合任務。例如，聊天機器人和智能代理可能會讓一些公司感到沮喪，因為大多數情況下它們還無法與人類解決問題超出簡單腳本案例的能力相匹配（儘管它們正在迅速改進）。其他技術，如可以簡化發票等簡單流程的機器人流程自動化，實際上可能會減慢更複雜的生產系統。而深度學習視覺識別系統可以識別照片和視頻中的圖像，但它們需要大量標記數據，可能無法理解複雜的視覺場景。
隨著時間的推移，認知技術將改變公司的業務方式。然而，今天，最明智的做法是在計劃不久的將來進行變革時，採取目前可用的技術進行增量步驟。例如，您最終可能希望將客戶互動交給機器人，但目前更可行和明智的做法可能是自動化內部 IT 幫助台，作為實現最終目標的一個步驟。
3. 啟動試點
由於當前和期望的人工智慧能力之間的差距並不總是明顯的，公司在將認知應用程序推廣到整個企業之前，應該創建用於認知應用程序的試點項目。
概念驗證試點尤其適合具有高潛在商業價值或允許組織同時測試不同技術的倡議。特別注意避免高級主管注入的項目，這些主管受到技術供應商的影響。僅僅因為高管和董事會可能感到需要“做一些認知”而不應該繞過嚴格的試點過程。注入的項目通常會失敗，這可能會嚴重拖慢組織的人工智慧計劃。
如果您的公司計劃推出多個試點項目，請考慮建立一個認知卓越中心或類似結構來管理它們。這種方法有助於在組織內建立所需的技術技能和能力，同時也有助於將小型試點項目轉化為將產生更大影響的更廣泛應用。輝瑞公司在整個公司中有超過 60 個項目採用某種形式的認知技術；其中許多是試點項目，有些現在已經投入生產。
在貝克頓迪金森（Becton, Dickinson），IT 組織內的“全球自動化”功能監督著一些使用智能數位代理和 RPA 的認知技術試點項目（部分工作是與公司的全球共享服務組織合作完成的）。全球自動化小組使用端對端流程圖來指導實施並確定自動化機會。該小組還使用顯示最適合
業務流程重新設計。隨著認知技術項目的開發，請考慮如何
工作流程可能需要重新設計，專注於人類與人工智慧之間的勞動分工。在某些認知項目中，
舉例來說，投資公司 Vanguard 推出了新的「個人顧問服務」（PAS）方案，結合了自動投資建議與人類顧問的指導。在這個新系統中，認知技術被用來執行許多傳統投資顧問的任務，包括構建定制投資組合、隨時間重新平衡投資組合、稅收損失收穫和稅務高效投資選擇。Vanguard 的人類顧問充當「投資教練」，負責回答投資者的問題、鼓勵健康的財務行為，並且根據 Vanguard 的說法，作為「情感斷路器」來幫助投資者保持計劃。建議顧問學習行為金融學，以有效地履行這些角色。PAS 方法迅速吸引了超過
當實施 PAS 時，先鋒公司了解了工作重新設計的重要性，但許多公司只是通過自動化現有的工作流程來“鋪平牛徑”，尤其是在使用 RPA 技術時。通過自動化已建立的工作流程，公司可以快速實施項目並實現投資回報，但他們錯過了充分利用人工智能能力並實質性改善流程的機會。
認知工作重新設計努力通常受益於應用設計思維原則：了解客戶或最終用戶的需求，讓將被重組工作的員工參與其中，將設計視為實驗性的“初稿”，考慮多種替代方案，並在設計過程中明確考慮認知技術能力。大多數認知項目也適合於迭代、敏捷的開發方法。
4. 擴大規模
許多組織成功啟動了認知試點項目，但在組織範圍內推廣時並沒有取得太大成功。為了實現目標，公司需要詳細的擴展計劃，這需要技術專家與自動化業務流程所有者之間的合作。由於認知技術通常支持單個任務而不是整個流程，因此擴展幾乎總是需要與
一家公司的勞動分工
投資服務公司 Vanguard 使用認知技術以更低的成本為客戶提供投資建議。其個人顧問服務系統自動化了許多傳統的投資顧問任務，而人類顧問則承擔價值較高的活動。以下是 Vanguard 如何重新設計其工作流程以充分利用新系統。
認知技術
生成財務計劃
提供基於目標的實時預測，重新平衡投資組合以達到目標組合
最小化稅收
在一個地方追蹤綜合資產
虛擬與客戶互動
了解投資目標
自訂
實施計劃
提供投資分析和退休規劃
制定退休收入和社會保障提取策略
充當行為教練，鼓勵負責制
提供持續的財富和財務規劃支持，解決遺產規劃考慮事項
監控支出以
SOMREE VANGEIARO GROUP
進一步閱讀
《大點子：人工智慧的商業》Erik Brynjolfsson 和 Andrew McAfee HBR.org/ai
Facebook 內部
由 Scott Berinato 主持的 AI 研討會
由 Scott Berinato 主持的 AI 研討會
"艾爾可能是一個
麻煩的
隊友"
由 Kurt Gray
HBR.org/ai 現有系統和流程。事實上，在我們的調查中，高管們報告說，這種整合是他們在
公司應該通過考慮所需的整合是否可能或可行來開始擴大規模的過程。例如，如果應用程序依賴於難以獲得的特殊技術，這將限制擴大規模。確保您的業務流程所有者在試點階段之前或期間與 IT 組織討論擴大考慮事項：繞過 IT 將不太可能成功，即使對於相對簡單的技術如 RPA 也是如此。
例如，健康保險公司 Anthem 正在進行認知技術的開發，作為其現有系統重大現代化的一部分。 Anthem 不是將新的認知應用程式附加到舊有技術上，而是採用一種全面的方法，最大化認知應用程式產生的價值，降低開發和整合的總成本，並對舊系統產生光環效應。 該公司同時也重新設計流程，正如首席信息官 Tom Miller 所說，"利用認知技術將我們帶到下一個水平。"
在擴大規模時，公司可能面臨重大的變革管理挑戰。例如，在一家美國服裝零售連鎖店，一個小部分店鋪的試點項目使用機器學習進行線上產品推薦、最佳庫存預測和快速補貨模型，以及最困難的商品銷售。買家習慣根據直覺訂購產品，對此感到威脅，並發表了"如果你要信任這個，那我還有什麼用？"等評論。在試點項目結束後，買家作為一組前往首席商品主管，要求終止該項目。該執行官指出結果是積極的，值得擴大該項目。他向買家保證，解放了某些商品任務後，他們可以承擔更多高價值的工作，這些工作人類仍然比機器做得更好，例如了解年輕客戶的需求和確定服裝製造商的未來計劃。同時，他承認商品銷售人員需要接受新的工作方式的教育。
如果要實現所期望的規模擴大效果，企業也必須專注於提高生產力。例如，許多企業計劃通過增加客戶和交易量來實現生產力的增長，而不是增加人員。將員工人數減少作為 AI 投資的主要理由的公司應該理想地計劃通過自然減員或取消外包來逐步實現該目標。
未來的認知公司
我們的調查和訪談表明，熟悉認知技術的經理對其前景感到樂觀。儘管早期成功相對較小，但我們預計這些技術最終將改變工作方式。我們認為，現在以適度採用
通過應用人工智慧，諸如市場營銷、醫療保健、金融服務、教育和專業服務等信息密集型領域可能同時變得更有價值且對社會成本更低。每個行業和功能中的商業瑣事，監督例行交易，重複回答相同問題，以及從無盡文件中提取數據，都可能成為機器的領域，從而使人類工作者能夠更具生產力和創造力。認知技術也是使其他數據密集型技術成功的催化劑，包括自動駕駛車輛、物聯網和移動和多通道消費者技術。
人們對認知技術的巨大恐懼在於它們將使大量人口失業。當然，隨著智能機器接管傳統上由人類完成的某些任務，一些工作的損失是可能的。然而，我們認為目前大多數工人在這一點上幾乎沒有什麼可擔心的。認知系統執行任務，而不是整個工作。我們見過的人類失業主要是由於未被替換的工人自然淘汰或外包工作的自動化。目前大多數認知任務都是為了增強人類活動，執行更廣泛工作中的狹窄任務，或者做人類一開始就沒有做的工作，比如大數據分析。
大多數經理在我們討論失業問題時都致力於一種增強策略——即整合人類和機器工作，而不是完全取代人類。在我們的調查中，只有
我們相信每家大公司都應該探索認知技術。道路上會有一些顛簸，對於勞動力置換和智能機器倫理問題，絕不能自滿。但是通過正確的規劃和發展，認知技術可能帶來生產力、工作滿意度和繁榮的黃金時代。
HBR 重印 R
（ㄹ）THOHAS H. DAVENPORT 是巴布森學院信息技術和管理的總統傑出教授，是麻省理工學院數字經濟倡議的研究員，也是德勤分析的高級顧問。RAJEEV RONAHKI 是德勤諮詢的負責人，領導認知計算和醫療創新領域。本文提到的一些公司是德勤的客戶。