未来已来，人工智能商业应用之旅

虽然人工智能的普及程度仍然较低，但许多企业正通过人工智能提升盈利能力。人工智能在创造巨大商业价值的同时，也在影响行业价值的转移。通过了解人工智能应用案例以及项目实施的关键因素，管理者们可以更好地采取行动，为在人工智能时代取胜而做好准备。

人工智能的使用

人工智能在商业中的广泛应用程度仍然很低：根据我们和麻省理工学院的调查，20家公司中仅有1家已广泛地使用人工智能。尽管如此，每个行业都有在人工智能领域处于领先地位的企业。即使没有一家企业出色地应用人工智能的所有功能，但是很多企业正在使用人工智能创造巨大的商业价值。以下使用案例来自多个行业、涉及各种组织职能和流程，这些案例展示了人工智能的普遍性及其在正确运用下的高效性。

营销与销售

人工智能使企业有机会为客户提供个性化的服务、广告和互动。其中的收益是巨大的。通过引入高阶数字技术及运用专有数据来创造个性化体验的品牌可以提高6％至10％的收入——是不采用人工智能技术品牌的两到三倍。据BCG估计，仅在零售、医疗保健和金融服务领域，未来五年内将有8000亿美元的收入流向排名前15%的个性化公司。

许多成功的个性化最佳实践已在快速发展的零售业中出现。例如，一家全球零售商使用会员APP中的数据（包括位置、时间和购买频率），深入了解其客户的每周日常活动。通过将数百万的个人数据点与一般消费者趋势信息相结合，该零售商建立了一个实时营销系统，目前每周可为客户提供50万个定制产品。

在一些销售和营销组织中，人工智能并非体现在流程自动化方面，而是提高了组织绩效。例如，一家有多条产品线的保险公司依靠机器学习对客户进行细分，并结合客户需求与保险公司的目标，向公司的销售代理推荐“下一个最佳产品”。为了实现这个目标，保险公司建立了一个客户保险需求模型，覆盖生命周期不同的阶段。该模型依赖于复杂的算法，其中包含超过1000个静态和动态变量，涵盖人口统计、政策、代理人任期和销售历史数据。因此，保险公司可以将特定保单与具体客群下的个别客户相匹配。该系统有望增加30％的交叉销售。保险公司还可以使用机器学习，通过处理地域、竞争和代理人业绩数据来优化销售。

这类案例展示了人工智能在零售或金融销售服务等分散环境中的有效性，这些环境下人工智能受益于丰富的情境和具体的客户数据。合理构建的试点项目通常能够在四至六周内实现概念验证，并有助于确定整个项目全面上线所必要的数据架构和技能基础。

研究与开发

与营销和销售相比，研发是人工智能应用中一个不太成熟的领域。研发产生的数据比大型连锁零售要少得多，而且往往不能以数字化方式获取这些数据。此外，很多研发问题不仅复杂、技术性强，还受到严格的科学约束。即便如此，人工智能在这个领域仍具有极大的潜力。例如，在以研发为主要利润驱动因素的生物制药行业，人工智能可以帮助降低成本并缩短开发周期。

Citrine Informatics是一个旨在加速产品开发的人工智能平台，展示了应对有限数据这一挑战的方法。大多数已发表的研究都偏重于成功的实验，并考虑资助机构的潜在利益。Citrine通过与研究机构建立的大型关系网络收集未发表的数据，从而克服了这一限制。Citrine的联合创始人兼首席科学家Bryce Meredig表示：“负面数据几乎从未公布。但是，负面结果的原始数据对建立一个毫无偏差的数据库而言至关重要。”这种综合方法使公司能够将特定应用的研发时间缩减一半。

在工业品领域，领先的制造商通过人工智能、工程软件和操作数据（如：维修频率）的结合，来优化设计。人工智能在增材制造（也称为3D打印）的设计开发方面颇有助益，因为其算法驱动的流程不受工程惯例约束。

积极的数据收集应该成为研发流程中人工智能试点的关键元素。数据收集活动也许有必要与大学合作，将过去的记录数字化，甚至重新生成数据。由于从事研发需要专业的知识和技能，一键式的人工智能解决方案几乎不存在。相反，科学家必须依靠系统的试验来构建未来人工智能应用所需的数据清单。

运营

运营的实践和流程与人工智能自然契合。这些实践和流程常常拥有类似的操作程序和步骤，产生大量的数据和可测量的输出信息。许多被某个单一行业应用人工智能概念也会在另一行业中起作用。目前，包括预测性维护和非线性生产优化在内的被广泛应用的人工智能技术是基于全面分析生产环境各项要素，而非按顺序或孤立地进行分析。

一家炼油厂想要预测和避免一个重要的气化炉发生故障停机（该气化炉负责将精炼过程中的残余产物转化为用于发电的、有价值的合成气）。如果该气化炉意外故障停机会导致发电暂停一个月，必将造成巨大损失。尽管炼油厂已经积累了大量有关日常运作的数据，但是并未清楚地了解哪些具体因素会导致该气化炉的故障停机。传统的工程模型无法完全描述上千种可能导致故障的变量之间所存在的复杂的相互依赖关系。

炼油厂的工程师与数据科学家密切合作，使用人工智能来确定故障原因。通过机器学习算法导入六年的运行数据和维护信息，人工智能模型成功量化了所有关键因素（包括原料种类、产出质量和温度）对整体性能的影响，工程师们从而能够判断该气化炉是否可在计划维护的间隔时段内继续运行。

工程师们根据机器学习算法产生的洞察，设计了一个基于规则的透明系统，用于调整蒸汽和氧气等变量的关键运行设置，使设备能够在计划维护间隔时段内保持运行。该系统可以最大限度地减少机组意外停机的风险，并减少维护计划的短期变化，从而产生显著的经济效益。

预测性维护的解决方案对于人来说也同样适用。一家从美国联邦医疗保险收取固定费用的美国保险公司，希望利用人工智能来减少医保患者不必要的看诊。该保险公司将病史数据（例如药物不良反应）和病例管理记录提供给机器学习系统。该系统将客户进行智能分类，并为预防措施提供了实用的建议。例如现已证实，近期内丧偶的患者将来需要医疗干预和预防性护理的几率会很高。这些洞察使得支付方能够重新设计保险项目，从而每年节省6.5亿美元的潜在支出。

除了维护之外，一位冶炼厂还利用人工智能和非线性优化来提高铜的纯度，这是工程师们多年来都在尝试的事情。工程师们与数据科学家团队合作，将五年的历史数据录入到一个神经网络中。该系统建议改变生产，结果铜纯度提高了2％，冶炼厂的利润也随之增长了两倍。而这一工作仅耗时六周，且无需额外的资金或运营开支。

采购和供应链管理

在采购领域，结构化的数据和重复交易属于常见现象，因此人工智能具有巨大潜力，但在很大程度上还未实现应用。今天的机器能够击败世界顶级扑克玩家，还能进行证券交易，但是至少在公开场合，机器还未显示出其在企业采购中智胜供应商的能力。（企业可能会使用支持人工智能的采购系统，但不会告知供应商或其它任何人，从而保持其竞争优势。）为人所知的采购应用人工智能包括聊天机器人、半自动的合同设计和审查，以及根据新闻、天气、社交媒体和需求分析提出的采购建议。人工智能的增强应用甚至是自动化采购现在才开始出现。

供应链管理和物流则截然不同。这些流程可以直接使用历史数据，从而自然成为机器学习应用的目标。

一家全球化的金属公司最近建立了一系列机器学习引擎，用于协助管理其整个供应链，并预测需求和定价。该公司将40多个数据库、ERP系统和其它报表系统集成到一个数据湖中。基于这些变化，系统现在能够识别和预测复杂且难懂的需求模式将如何影响整个供应链。例如，美国玉米一周的收成变化会对铝供应链产生全球性影响，因为铝是一种常见的玉米包装材料。该公司的这一项目还帮助客户服务水平提高了30％至50％。此外，该公司还将在三年内实现2％至4％的利润率增长，并在两年内减少4至10天的库存时间。

这个案例突显出数据、数据准备和数据集成对于实现人工智能的重要性。相对于构造机器学习模型而言，收集数据和构建数据基础结构需要花费更多的时间。

后台职能

企业通常会外包部分后台职能，这一现象在各个机构中都很相似。如今企业很快就可以为这些流程购买人工智能解决方案。IBM、埃森哲和印度四大巨头（HCL、Infosys、Wipro、Tata）等外包巨头正在进行大规模的人工智能开发。这些公司将重点从强调降低劳动力成本和规模转向建设智能和自动化平台，以提供更高附加值的服务。

许多服务机构开始认识到人工智能与机器人流程自动化（RPA）相结合的好处。他们使用基于规则运行的软件机器人来代替人类常规工作，然后通过人工智能增强灵活性、智能性和学习能力。这种方法结合了机器人流程自动化的成本迅速回收和人工智能的高阶潜能（参阅BCG于2017年6月发表的文章《用RPA和AI驱动服务型经济》）。

为了取代人类工作，一家亚洲银行安装了能够即时学习的机器人流程自动化和人工智能系统。这些系统只将不确定该如何处理的工作转给人工进行处理，这使得该银行能够降低20％的成本，并将用于某些流程的时间从几天缩短到几分钟。

人工智能在产品和服务中的应用

与之前大多数案例不同，涉及提供高阶产品和服务的人工智能应用程序（如：数字私人助理、自动驾驶车辆和智能投顾）往往受到很多关注。提供人工智能服务的公司急切地向公众展示这些高阶产品和服务的优越性能和特性。

由于与它们的产品和服务乃至于整个商业模式利害攸关，这些公司必须建立强大的内部人工智能团队。这解释了技术厂商、车辆制造商和供应商之间针对人工智能人才的激烈竞争。例如在汽车行业，博世将在未来五年投资3亿欧元在德国、印度和美国建立人工智能设施。其首席执行官Volkmar Denner表示：“从现在起的十年间，博世的任何一款产品都会包含人工智能。要么产品本身就是智能的，要么人工智能在开发或生产环节中起到关键作用。”

与此同时，自动化也创造了新的商业模式。例如，保险公司和制造商将能够通过人工智能更准确地预测风险，从而允许它们根据使用情况、维护保养或磨损来定价。

公司之外：行业价值池如何转变

整体而言，应用案例和潜在场景会影响整个行业结构。例如，自动驾驶车辆不仅会影响车辆制造商，还会影响城市里的司机、车主和交通模式。波士顿市已经确认，自动驾驶车辆可以减少在途车辆的数量，并减少30%的平均行驶时间。停车需求将下降一半，排放量将下降三分之二。

医疗保健也是一个鲜明的例子。该行业有几个组成部分，包括医疗技术、生物制药、支付方和提供方，每个组成部分之间有着不同且相冲突的利益关系。该行业价值链各环节拥有丰富的人工智能实验场景，特别是在研发、诊断、保健服务、健康管理、患者行为矫正和疾病预防等领域。

下图展示了一个潜在场景，说明随着人工智能的应用，整个医疗保健价值池可能会发生怎样的变化。当然，行业内的各个参与者的价值变化点会有所不同，每个行业都有赢家和输家。最初，大多数公司都会从将人工智能融入到公司内部运营（下图中标记为1的箭头）中获益。生物制药公司和支付方可以从研发效率提升、个性化营销和精简的后台职能中获得最大收益。

在接下来的五年里，我们预计人工智能在诊断疾病方面会有很大的推动力。在诊断某些特定种类的癌症时，视觉人工智能代理已经超越了业界领先的放射科医师。而且许多初创公司和科技巨头正在研究如何使用人工智能更早地检测癌症，并提供更准确的诊断。在基础医疗场景中，人工智能可以提升或替代一些医生的操作。与此同时，远程诊断可以在特定条件下消除或大幅减少患者到医院就诊的次数。这些变化可能对医疗科技公司（箭头2）而言是有利的，同时可能损害了生物制药公司（箭头3）和一些供应商（箭头4）。但更好的是，早期的诊断和预防措施可以减少对治疗的需求。

凭借固有的绩效指标，人工智能可能会加速医疗保健行业向着以价值为基础的趋势发展——为结果而不是数量买单。在这种趋势下，支付方可以节约成本，并为供应商和生物制药公司设置新的支付标准（箭头5），因此消费者可从中受益。最后，大多数公司会从技术厂商处（箭头标记6）至少购买部分人工智能解决方案，这些技术厂商包括一些进入医疗领域的传统科技企业。

在医疗保健需求不断增长的背景下，这类可能场景的出现会提升人类健康水平，但生物制药公司会倍感压力。或者，生物制药公司可能在诊断方面采取更大胆的举措，个性化药物可能会普及并开辟新的利润池。此外，付费方可以开发自有的远程诊断技术，而供应商也开始将人工智能纳入他们给患者的治疗方案中。无论如何，医疗科技公司和技术厂商都将获利。

利用人工智能的取胜之道

由于人工智能的发展存在诸多不确定因素，对大多数公司而言，最明智的做法是根据当前趋势制定一系列短期行动，并通过构建能力和数据基础设施为将来的机遇做好准备。通常的方法与我们在数字化战略中所倡导的有些类似，但是人工智能会呈现出一些重要的细微差别。

如何开始

高管们应该把他们的人工智能之旅分成三个步骤：构思和测试；试点排序和启动；以及规模化应用（参阅下图）。

·     构思和测试。在这个阶段，公司应该依赖于四个视角：客户需求、技术进步（特别是涉及人工智能模块的技术）、数据源和流程分解（或系统化分解），以确定最有前途的应用案例（参阅BCG于2017年1月发表的文章《赢在人工智能时代》）。客户需求对发现有价值的人工智能应用起到了至关重要的指导性作用。客户可能来自外部，也可能是内部后台部门。深入了解人工智能模块的开发对于系统地整合先进技术而言至关重要。丰富的数据池，尤其是新的数据池，提供了另一个重要的视角，因为人工智能需要依赖它们。最后，通过将流程分解成相对常规和独立的元素，公司可能会发现人工智能可以自动化的领域。除了客户需求之外，其它视角与公司必须用来识别数字化机会的视角都不尽相同。

对于缺乏人工智能经验的公司，我们强烈建议其实施一个并行的附加测试。这个测试阶段要基于一个能传递价值，能被合理定义且复杂度适中的应用案例。这个测试将帮助组织熟悉人工智能，突显数据或数据集成的需求以及组织和能力上的瓶颈，这是对进行下一步的关键输入。

·     试点排序和启动。高管们应该根据每个试点的潜在价值和交付速度进行优先级排序。上一步中的测试结果将为这个环节中潜在试点的时间需求和复杂性提供洞察。

一旦机构选定了一组最终的试点，就应该像在敏捷软件开发中一样，将其作为测试和学习的冲刺阶段运行。由于大多数试点仍然需要处理杂乱的数据集成和数据处理，这些试点将并不完美。但是，它们将有助于正确地区分优先级，定义数据集成计划的范围，并确定全面运营人工智能过程所需的能力和规模。每个冲刺阶段都应同时交付具体的客户价值，并定义所需的基础设施和集成架构。

·     规模化应用。最后阶段包括将试点扩展为可靠的运行流程和产品，并构建能力、流程、组织、网络技术和数据基础设施。尽管这一步可能会持续12至18个月，但进行中的敏捷冲刺应该能将价值最大化，并最小化重大的意外流程修正出现的可能性。

在执行这一运营项目的同时，高管们也应实施一系列活动，让自己及其组织做好准备，发挥人工智能的作用。

·     理解人工智能。高管们需要了解人工智能的基本知识，并对可能发生的事情有一个直观的理解。他们不应只是简单地在媒体上阅读各种新的科技奇迹，而应开始尝试用Tensorflow Playground（Google推出的机器学习开源平台）做一些实验，或者进修一些有启发性和广泛普及的在线课程。它们的核心算法很简单，除了那些神秘的术语外，这个领域极易理解。因此，高管们应该能够对这个课题有一个功能性的理解。

·     执行人工智能健康检查。高管们应该对他们在技术基础设施、组织技能、设置和灵活性方面的起始条件有一个清楚的认知。此外，他们应该了解访问内外部数据的难易程度。

·     增加员工视角。人工智能可能会对员工产生威胁。尽管员工对即将失业的担忧往往比实际情况夸张，但引入人工智能确实会产生情绪压力，并且需要进行大规模的再培训。试想如下场景：一个工厂的员工和一个机器人一起工作，一个采购经理从一个应用程序接收输入信息，或者一个呼叫中心坐席从一个聊天机器人那里接手聊天的情景。工作场所的沟通、教育和培训需要在试点设计的初始阶段就被考虑到。

从长计议

人工智能的未来，包括其以激进方式改变价值创造的潜力，仍然有着高度的不确定性。应对这种不确定性的最佳方式是绘制并测试几个场景，并制定一个路线图将各项独立的方案结合在一起。这些努力将使各公司能够明智地修改其原有计划，并明确该计划对数据、技能、组织和未来工作的意义：

·     数据。人工智能的突破很大程度上取决于获得新的、独特的或丰富的数据资源。幸运的是，至少在某些领域，机器学习模型可以基于初始数据开始工作，并在有新的数据加入时进行改进。但是，由于现有数据量每两年翻一番，基于过去的数据所获得的竞争优势极易消逝，因此获取未来数据至关重要。

我们与麻省理工学院的联合研究项目表明，对于跨行业以及行业内的管理者而言，数据所有权是一个棘手的问题。例如，调查受访者对公司专有数据、公共和公司所有数据以及公共数据这三类数据中，究竟哪一类在行业中应用最为普遍的问题存在分歧。重要的是，排他性数据的数量往往决定了竞争优势，这要求高管们更深入地理解行业和公司内部数据源的价值和可用性。

·     技能。我们与麻省理工学院的研究表明，只有一小部分公司了解未来人工智能所需的知识和技能。而拥有高阶人工智能技术的公司往往很难聘请和留住那些精通人工智能的数据科学家。随着大学和在线教育提供更多的人工智能相关课程，这种迫切的需求将逐渐减少。长期而言，更有价值的技能可能是对数据科学家和业务高管团队的管理能力，以及将人工智能的洞察和能力与已有流程、产品和服务相整合的能力。

·     组织。根据我们与麻省理工学院的研究，企业对于究竟是集中式、分散式还是混合式的组织模式最有利于发展人工智能存在分歧。更关键的问题是，随着组织中人员和机器越来越紧密地合作，在具备人工智能和业务专长的员工中需要实现组织内灵活性及跨职能的团队合作。

我们越来越清晰地了解到，除了整体的组织设计，人工智能技术在行动分散、学习集中的结构中可以得到最好的应用。对于无论是自动驾驶车辆、实时市场营销、预测维护，还是公司的后台职能都是如此。通过一个中心收集和处理所有来自分散机构的数据，从而使得学习集合最大化，然后在中心对汇总数据池进行集中学习后，向分散机构部署新模型并调试。

·     未来的工作。人工智能无疑会影响未来工作的结构。尽管担心人工智能将导致大规模的失业，但是我们与麻省理工学院的研究表明，在可预见的未来，会产生的影响其实十分有限。大多数受访者并不认为人工智能将在未来五年内导致公司裁员。超过三分之二的受访者并不担心人工智能通过自动化取代他们的工作。他们希望人工智能能够接管他们目前所从事的不愉快的任务。与此同时，几乎所有的受访者都承认，人工智能将要求员工学习新的技能，就像汽车修理师不得不扩充技能一样。不同之处在于，他们没有几十年的适应时间，所以他们可能需要利用新的教育产品和人工智能本身加快再培训的过程。组织需要灵活性，员工和高管也是如此。针对长远成功的最佳准备是建立变革的能力。

人工智能将从根本上改变商业。您成功的最好机会就是不要理会炒作，做必要的工作。相关行动必不可少且无可替代。（作者：BCG波士顿咨询）