麦肯锡：机器学习仅仅是AI的解决方法之一

基于麦肯锡全球研究所对跨越10个国家，14个行业的3073名企业高管和160个AI使用案例的AI调查，以及一项独立的数字研究项目，本文提出要想利用AI取得成功，CEO们需要知道10个要点。

人工智能的热潮已经渗透各行各业，对AI的投资正在增长，并且这些投资越来越多地来自技术领域之外的组织。利用AI获得成功的案例也越来越多，例如亚马逊通过使用AI驱动的仓储机器人Kiva提高运作效率，通用电气利用AI预测来维护其工业设备的运行，等等。

显然，企业的CEO需要考虑AI对业务的影响，但AI在商业环境中的使用如何能够盈利是不明确的。基于麦肯锡全球研究所对跨越10个国家，14个行业的3073名企业高管和160个AI使用案例的AI调查，以及一项独立的数字研究项目，我们发现要想利用AI取得成功，CEO们需要知道10个关键的观点。

不要相信炒作：并不是每个企业都在使用AI。虽然现在针对AI的投资正在升温，但企业采用AI技术的幅度还是比较小的。AI的总投资额（包括内部和外部）在2016年达到260亿至390亿美元，外部投资自2013年以来翻了两番。但是，尽管有这样的投资水平，AI的采用仍处于初步阶段，我们的调查对象中只有20%在一个或一个以上的业务中大规模使用，或在核心业务使用AI技术。（调查结果被加权计算以反映不同规模的企业的相对经济重要性，调查包括五个AI技术系统：机器人和自动驾驶车辆，计算机视觉，语言，虚拟代理和机器学习。）

就目前来说，一些公司仍在试验或试点使用AI（41%），这是好事。我们的调查结果表明，赶上学习曲线并使用AI进行竞争仍需时间。

不过，现在可能是处在AI采用的一个关键转折点。一些AI技术开始成熟，并开始能证明其价值，例如神经机器学习和自然语言处理，这些技术迅速成为所有采用者的AI技术中心。我们预计目前AI的早期领航者中至少有一部分将在短期内完全整合AI。最后，AI的采用似乎在各个部门和领域之间传播，虽然传播的速度不同。未来三年，电信及金融服务业将有望领先，而且这些行业的受访者表示计划在AI技术上的支出每年增加15％以上，超过跨行业平均水平7个百分点。

相信AI可以潜在地增加公司的总收入和账面利润这类炒作。我们的调查中，30%左右的早期AI采用者（即大规模使用AI或在核心业务采用AI的公司）表示他们已经实现了收入增长，利用AI获得了市场份额或扩张了其产品和服务。此外，早期AI采用者中说他们希望自己公司的利润率增长到比同行高5个百分点的人比其他人多3.5倍。虽然相关性和因果关系的问题可以合理地提出，但有独立分析已经提出AI直接地改善利润率的一些证据，AI投资的ROI与其他相关的数据技术（例如大数据和高级分析）相同。

没有领导层的支持，你的AI转型可能不会成功。成功的AI采用者在采用新技术时通常有强大的执行领导支持。调查反馈显示，已经成功大规模部署AI技术的公司得到公司管理层的支持率是没有采用任何AI技术的公司的2倍。此外，强大的支持不仅来自CEO和IT部门主管，而且来自所有管理层高管和董事会。

你不必一个人独自专研AI——需要合作伙伴的才干和能力。人工智能领域经历了数十年的“AI寒冬”，最近才开始出现创新，有技术专长和能力的人相当稀缺。甚至像亚马逊和谷歌这样的大公司为了增加自己的AI能力也开始转向非本领域的公司和人才。例如，谷歌收购DeepMind，DeepMind能够利用其机器学习能力来帮助谷歌这家科技巨头改进核心业务，例如搜索优化。实际上，我们的调查显示，AI的早期采用者主要是通过购买得到合适的技术解决方案，只有少部分受访者是在内部开发和实施所有AI解决方案。

抵制让技术团队完全掌控AI主动权的诱惑。将AI划分为IT、数字、创新等各职能部门的领导者分别问责可能导致“拿着锤子找钉子”的结果：缺乏令人信服的用例即部署技术。为了确保能够把关注的重点放在最有价值的使用案例，人工智能的主导权应该由企业领导和技术负责人共同进行评估和领导，这一方法在其他数字技术领域已经被证明是成功的。

采取投资组合方式来加速你的AI采用。目前，AI工具的范围已经相当大，从已被证明可以解决具体业务问题的工具（例如，用于预测性维护的模式检测工具）到少人有了解，当前能力有限但潜力效用高的工具（例如，用于开发竞争性战略的AI应用）。这样的分布表明，组织可以考虑采用基于投资组合的方法来实现不同时间维度的人工智能采用：

短期：专注于当前已有成熟技术解决方案的使用案例，并将其推广到整个组织，以推动有意义的底线价值。

中期：尝试已出现但仍相对不成熟的技术（例如深度学习视频内容视频），在推广之前证明其在关键业务中使用的价值。

长期：与学术界或第三方研究机构合作，利用前沿的AI技术解决具有更高影响力的使用案例（例如，在某个关键知识工作者角色中增强人类决策），以捕捉潜在的先发优势。

机器学习是强大的工具，但它并不是对所有事情都适用。机器学习，以及它最突出的子领域深度学习吸引了许多媒体的关注，并获得了大量的融资，占2016年所有外部投资的接近60%。

虽然机器学习已经得到许多应用，但它只是能够解决业务问题的许多AI相关技术之一。没有哪一项技术是所有AI问题的解决方案。例如，为了提高客户服务中心的效率所使用的AI技术与用于识别信用卡欺诈所使用的技术可能有很大的不同。企业在数字化和AI采用的特定阶段，寻找正确的工具来解决不同的业务问题是至关重要的。

数字化能力在AI之前就已出现。我们可以看到，高科技、电信和汽车等在AI采用方面领先的行业也是数字化程度最高的行业。同样，所有早期采用AI的企业都已经在数字化能力方面投入，包括云基础架构和大数据。实际上，没有数字化转型经验的企业似乎很难轻易跳跃到AI采用。统计数据显示，在数字化方面有较多经验的企业采用AI时的利润率相比其他公司高出50%。

要敢于冒险。在一个关于数字化颠覆（digital disruption）的独立研究中，我们发现采取进攻性的数字化战略是扭转数字化颠覆诅咒的最重要因素。采取进攻性战略的企业会从根本上改变其业务组合，开发新的商业模式，创造比数字化前更强大的增长路径。到目前为止，对于AI来说也是这样：AI的早期采用者中采取非常积极、进攻性的策略者相比其他具有更好的利润前景。

最大的挑战是人和流程。在许多情况下，将AI结合到员工流程和决策过程的挑战远超实施AI的技术性挑战。领导者决定机器处理哪些任务，以及人类执行哪些任务，不管是新任务还是传统任务，实施允许持续学习新技能的程序将是至关重要的。随着AI继续融合先进的可视化技术、协作和设计思维，企业将需要从主要关注流程效率转向重视决策管理的有效性，这需要进一步要求领导者创造一种持续改进和持续学习的文化。

毫无疑问：下一个数字化前沿就在这里，就是AI。虽然一些公司仍在从以前的数字化崩坏中恢复，但新的数字化崩坏正在形成。不过现在仍是早期。现在还来得及让AI成为竞争优势。