真實世界中的人工智能

托馬斯·達文波特（Thomas Davenport）拉杰夫·羅南基（Rajeev Ronanki）| 文

蔣薈蓉 | 譯 劉筱薇 | 校 時青靖 | 編輯

盡管認知技術得到了各類資源的鼎力相助，已被應用于各行各業以及整個價值鏈，但很多雄心勃勃的人工智能項目如今卻遇到了障礙并有所推遲。公司在今后應循序漸進，而不是徹底顛覆。

2013年，美國安德森癌癥中心（MD Anderson Cancer Center）啟動了一項大工程：利用IBM的Watson認知系統診斷某些癌癥，并推薦治療方案。2007年，該項目成本超過6200萬美元，Watson系統尚未得到臨床運用，項目就暫時中止。

 

在此期間，癌癥中心的IT團隊也在嘗試利用認知系統做一些比較微小的實際工作：為患者家人提供餐飲住宿信息，判斷哪些病人承擔醫療費用有困難，幫助中心員工解決IT問題，等等。這些項目得到了更積極的成果：新系統使得患者滿意度和財務表現提升，醫院護理主管用于錄入數據這項單調工作的時間減少。雖然大的項目未能取得成功，但安德森癌癥中心依然堅持使用認知技術（即下一代人工智能）輔助癌癥治療，目前安德森的認知計算能力中心正在開發各種新項目。

有意開發AI項目的組織都應當注意這個差距。我們對250位熟悉公司認知技術應用的高管進行了調查，其中3/4認為AI會在3年內徹底改變自己所在的公司。然而我們研究了約150家公司的152個項目，發現期望很高的大項目成功率低于比較簡單的改進業務流程項目。這個結果并不奇怪，以往公司采用新技術大體上也是這個趨勢。但圍繞人工智能的炒作天花亂墜，一些組織受到了蠱惑。

本文將會梳理目前公司應用AI的幾大類方法，并提供理論框架，指導公司在今后幾年里培養運用認知技術的能力，實現商業目標。

AI的三種類型

從商業潛力（而非技術）角度考察AI，對公司而言很有益處。大體上講，AI可以支持三個重要的商業需求：業務流程自動化、數據分析洞見，以及與客戶和員工的交流。（見圖表《認知項目分類》）

流程自動化。我們研究的152個項目里，最常見的類型是運用機器人流程自動化（robotic process automation，簡稱RPA）技術，實現網絡及現實任務（通常是行政事務和財務方面）自動化。RPA比早期的商務流程自動化工具更先進，因為“機器人”（也就是服務器上的代碼）像人類一樣接收和理解來自多個IT系統的信息。任務有以下幾種：

· 把數據從電子郵件和呼叫中心系統轉入記錄系統，例如更新有地址變更或附加服務要求的客戶檔案；

· 更新掛失的信用卡和銀行卡信息，進入多個系統更新信息，并處理客戶溝通事宜；

· 從多種文檔類型中提取信息，跨計費系統處理服務收費方面的錯誤；

· “閱讀”法律和合同文檔，運用自然語言處理提取其中的條目信息。

RPA是本文討論的認知技術應用中最便宜、最便捷的方式，而且通常會迅速帶來很高的投資回報。（也是最不“智能”的方式，這些程序并不會學習和改進，不過開發者在逐漸提升其智能和學習能力。）RPA尤其適合處理涵蓋多個后端系統的工作。

在美國航空航天局（簡稱NASA），成本壓力促使該機構啟動了四項RPA實驗項目，分別是應付賬款、應收賬款、IT支出和人力資源，全部由一個共享的服務中心管理。這四個項目運營得不錯——例如人力資源方面，86%的交易在沒有人工參與的情況下完成——現在推廣到整個組織。現在NASA啟用了更多RPA機器人，其中一些智能水平更高。如共享服務中心的項目負責人吉姆·沃克（Jim Walker）所說，“目前我們的項目還沒有特別復雜。”

也許有人以為，運用機器人實現流程自動化，很快就會導致人類沒有工作。但我們研究的RPA項目中有71個（占總數的47%）并未將“取代行政員工”作為首要目標，最終也沒有出現這樣的結果。只有幾個項目最后減少了人手，而且大部分是已轉為外包的任務。隨著技術發展，將來機器人自動化項目可能會導致一部分人失業，特別是在業務流程離岸外包行業。一項任務如果可以外包，也許就可以自動化。

認知洞見。研究中第二大常見（占總數的38%）的項目類型是運用算法在大量數據中尋找規律并進行解讀，可以說是一種超級分析。這類機器學習程序用于以下幾個方面：

· 預測某位特定客戶可能會購買什么；

· 實時識別信用欺詐和保險索賠欺詐；

· 分析質保期，發現手機等制成品的安全或質量問題；

· 針對目標群體自動生成個性化廣告；

· 為保險機構提供更為準確細致的精算建模。

（返回原文閱讀）

機器學習提供的認知洞見與傳統分析結果的不同之處，通常有以下三個方面：數據密集程度更高、更詳細，模型更具針對性，而且模型根據新數據進行預測或分類的能力會逐漸提升。

機器學習的變種（尤其是深度學習，這種技術嘗試模擬人類大腦活動，尋找其中的規律）可以實現識別圖像和聲音等功能。機器學習也可以生成可用的新數據供進一步分析。數據綜合處理（data curation）一直以來都是勞動密集型活動，但現在可以利用機器學習找到多個數據庫中的概率匹配（probabilistic match），即可能與同一個體相關、以略微不同的形式出現的數據。通用電氣（GE）運用這種技術整合供應商數據，消除冗余、洽談合同（之前這些工作在業務部門層面進行），第一年就節省了8000萬美元。某大型銀行也運用該技術，從供應商合同中提取條目信息，與發票編號比對，找到未提供的產品和服務，總價值上千萬美元。德勤的審計部門用認知洞見提取合同條目，可以提升自動處理文檔的比例，經常能夠在完全不耗費人工的情況下完成審計。

認知洞見應用多用于提升機器的工作表現，如廣告購買計劃（programmatic ad buying），涉及人類力所不能及的高速數據分析和自動化，因此通常不會令人類失業。

認知交互。我們研究中第三大類（占總數的16%）項目，是通過搭載了自然語言處理的聊天機器人、智能代理和機器學習，與員工和顧客交流。這個類型包括：

· 由智能代理提供全天候客戶服務，可以解決從忘記密碼到技術支持等許多問題，將來支持的范圍還會更加廣泛，且全程使用客戶的自然語言；

· 用內部網頁回答員工在IT、員工福利和人才政策等方面的問題；

· 供零售商使用的產品及服務推薦系統，提升個性化、參與度和銷量，通常有大量的文字和圖片；

· 治療方案推薦系統，幫助醫療服務提供方根據患者健康狀況和之前接受的治療制定護理計劃。

我們研究的公司，運用認知交互技術多半是與員工而非客戶交流。等到公司更放心地把客戶交流工作交給機器，這種現狀可能會改變。例如Vanguard在試點用智能代理幫助客戶服務人員解答常見問題，計劃最終讓顧客直接與智能代理交流，不需要人類客服參與。瑞典的SEBank和美國醫療科技巨頭BD（Becton, Dickinson）公司用智能仿人代理Amelia為內部員工提供IT支持。前不久SEBank在一定范圍內向客戶開放了Amelia，測試其表現，并收集客戶反饋。

公司在面對客戶的認知交互技術方面傾向于保守，一大原因是技術尚不成熟。舉例來說，Facebook發現網站的聊天機器人Messenger在沒有人工參與的情況下難以回答70%的用戶提問，于是Facebook和其他幾家公司將用戶與聊天機器人交流的話題和種類限制在一定的范圍內。

我們的研究表明，認知交互應用目前不會讓客服和銷售人員有失業之虞。我們研究的大部分項目，目標都不是裁員，而是在不增加員工數量的情況下滿足日益增長的員工及客戶交流需求。一些組織打算讓機器處理常規交流，讓客服人員承擔更復雜的任務，如應對較為嚴重的客戶問題，引導更進一步的非結構化對話，或在客戶遇到問題打來電話之前主動詢問。

公司更加熟悉認知工具之后，就會嘗試綜合運用以上三類工具的要素開展項目，獲取AI帶來的益處。例如，意大利某保險公司在IT部門設置“電子服務臺”。這套系統運用深度學習技術（屬于認知洞見領域）查找常見問題及其答案、之前類似問題的解決方案以及相關記錄，為員工解決問題。它運用自由路徑功能（smart-routing capability，屬于業務流程自動化），將復雜程度最高的問題轉給工作人員，并且運用自然語言處理，用意大利語回答用戶的問題。

不過，雖然公司運用認知工具的經驗迅速增加，但在開發和應用中仍然存在著巨大的障礙。我們以研究為基礎，總結出四個步驟。公司可以參考這套理論綜合運用AI技術實現目標，無論是宏偉的目標還是改進業務流程都可一試。

 

一、了解技術

開展AI項目之前，公司必須知道哪一種技術可以用來執行哪一類任務，并了解各類技術的優勢和局限。例如基于規則的專家系統和機器人流程自動化，運作方式都是透明的，但都無法學習和自我升級。而深度學習善于從大量的有標記數據（labeled data）中學習，但我們幾乎不可能理解它建立模型的方式。這個“黑盒子”問題在規范性很高的行業可能會造成問題，例如金融服務行業，監管者一定要問明決策原因。

我們看到一些組織嘗試用不合適的技術處理手頭的工作，浪費了時間和金錢。若能對各種不同的技術有深入的理解，公司就會有更加充分的準備，判斷最符合需求的技術，據此選擇合適的供應商，并確定開發相應系統所需的時間。要做到這一點，通常需要IT或創新團隊內部持續不斷的研究和教育。

特別需要提出的是，公司將必須妥善利用一些重要員工的能力，如數據分析師具備深入了解這些技術所必需的統計及大數據能力。員工的學習意愿是成功的一大重要因素。一部分人會抓住機會學習新知識，接受新事物，還有一些人堅持使用自己熟悉的老工具。要努力多培養一些樂于接受新事物的員工。

如果沒有合適的數據分析人才，公司或許要在近期內建立一個外部服務提供商的生態系統。如果希望AI項目能夠長期進行，公司需要招聘具備專業知識的全職員工。總之，要想推進項目，公司必須具備足夠的能力。

由于認知技術人才稀缺，多數組織應當建立資源庫，可以圍繞某項中心化職能（如IT、戰略），讓專業人才參與整個組織中優先程度較高的項目。隨著需求和人才不斷激增，也可以指定一個團隊專門負責特定部門，但即使到了這個時候，可協調的中心職能團隊也可以協助管理項目和職責。

二、設置項目組合

啟動AI項目的第二步是，系統性地評估需求和能力，據此設置優先級項目組合。在我們研究的公司中，這一步通常是通過研討會或小規模咨詢項目完成的。我們推薦公司在三大領域進行評估。

找到機會。第一項評估是要確定公司哪些單元從認知技術中獲益最大，通常是非常需要“知識”（從數據分析或大量文本中提取的重要洞見）卻不可得的部門。

· 瓶頸。在某些情況下，缺乏認知洞見是由于信息流遭遇瓶頸。所需的知識在組織中的確有，但分布狀況并不理想。醫療衛生行業就是如此，不同操作、科室或醫學研究中心的知識彼此往往不共通。

· 規模化問題。還有一種情況是知識的確存在，但要經過冗長的流程才能使用，抑或成本太高，難以規模化。金融顧問提供的專業知識往往如此。因此現在許多投資和財富管理公司提供了AI支持的“機器人顧問”，為客戶提供價格實惠的日常金融問題指導。

在制藥行業，輝瑞（Pfizer）為應對這一問題，用IBM的Watson加快了免疫腫瘤（immuno-oncology）藥物研發的進程。免疫腫瘤療法是一種新的癌癥治療方法，利用身體的免疫系統協助對抗癌癥。免疫腫瘤藥物走向市場可能要花12年時間。Watson做了一個全面的文獻綜述，與輝瑞的實驗報告等數據結合在一起，幫助研究者發現關聯，找到隱藏的規律，更快地確認新的藥物靶點、用于研究的合并療法以及新藥的患者選擇策略。

· 力不能及。公司收集的數據量可能會超過現有人員或計算機能夠充分分析及應用的能力范圍。例如，一家公司可能有大量關于消費者數字化行為的數據，但不了解這些數據的意義及戰略應用方法。為了解決這個問題，公司運用機器學習為一些任務提供支持，如有計劃地購買定制化數字廣告，還有像思科（Cisco Systems）和IBM那樣建立上萬個預測模型（propensity model），推斷哪些顧客傾向于購買哪些產品。

確定適用場景。第二項評估，找到認知應用能夠發揮實際價值、促成商業成功的地方。首先提出關鍵問題，例如，解決某一特定問題對于總體戰略來說意義有多大？備選的AI解決方案在技術和組織層面的應用難度有多高？啟用AI解決方案帶來的益處是否值得付出相應的努力？下一步，評估解決方案在各個適用場景提供的價值，根據短期和長期價值進行排序，關注哪些部分最終可以整合進更廣闊的認知能力平臺或組合，形成競爭優勢。

選擇合適的技術。第三項是考察每種適用場景待選的AI工具能否完成任務。例如聊天機器人和智能代理，雖然發展很快，但大部分只能處理幾種固定的簡單場景，比不上人類解決問題的過程，這一點會讓一些公司失望。其他技術，比如可以處理開票等簡單任務的機器人流程自動化，用在復雜程度較高的生產環境中反而會拖慢速度。而深度學習視覺識別系統盡管可以識別照片和視頻中的圖像，卻需要許多有標記數據，且無法理解復雜的人類視野。

到了將來，認知技術會改變公司開展經營的方式，不過，現在最好先利用目前可用的技術，循序漸進，準備好在不太遠的未來推動轉型變革。比如說，你以后可能會想把跟客戶交流的工作全部交給機器人，但目前更為合理可行的是先實現內部IT服務臺自動化，作為邁向最終目標的一步。

 

三、啟用試點項目

現有AI能力和所需能力的差距有時并不明顯，因此在將認知應用推向整個企業之前，公司應當先創建試點項目。

驗證概念的試點尤其適合潛在商業價值高的項目，以及能讓組織同時檢驗幾種不同技術的項目。高管受到技術開發商的影響，可能會讓某些項目“插隊”，這種情況要特別注意避免。不能僅僅高管和董事會感到壓力，覺得必須“搞一些認知項目”，就繞開嚴格的試點流程。插隊的項目容易失敗，會大大阻礙組織整體的AI計劃。

如果公司有多個試點計劃，可以考慮建立卓越認知中心或類似的結構進行管理。這種方法有助于在組織內部發展有需求的技術能力，同時讓小規模的試點轉向更廣泛的應用，產生更大的影響。輝瑞內部使用認知技術的項目有60多個，其中許多是試點，有一部分已經應用在產品制造中。

BD公司在IT部門設立“全球自動化”團隊，對使用智能數字代理和RPA的認知技術試點進行管理，一些工作與公司的全球分享服務（Global Shared Services）組織合作完成。全球自動化團隊利用端對端的流程圖指導項目實施，尋找自動化的機會，還利用圖形化的“熱力圖”預測最適合AI介入的組織活動。BD現已成功在IT支持流程中應用智能代理，但至今尚未做好準備支持大規模的企業流程（如訂單到付款）。醫療保險公司Anthem也設立了類似的AI集中管理團隊“認知能力辦公室”（Cognitive Capability Office）。

重新設計業務流程。在認知技術項目發展的過程中，仔細考慮工作流程如何改進，特別注意人力與AI的分工。在一些認知項目中，80%的決定交給機器，20%留給人類，還有一些項目則相反。為確保人與機器相互補足、相互增益，必須徹底重新設計工作流程。

例如投資公司先鋒集團（Vanguard）提供一種新的“個人顧問服務”（Personal Advisor Services，簡稱PAS），將電腦生成的投資建議和人工指導結合在一起。在這套新系統中，認知技術用于完成咨詢中的許多傳統任務，如根據客戶具體情況制定投資方案，對方案進行后續調整，稅收損失收割（tax loss harvesting），以及提供節省稅額的投資選擇。人工咨詢師則是“投資導師”，負責回答投資者問題，鼓勵健康的金融行為，并充當先鋒集團所謂的“情感上的電路保護開關”，確保投資者按照計劃行事。公司鼓勵咨詢師了解行為金融學，有效地完成這部分工作。PAS使公司迅速獲得了超過800億美元的管理資產，成本低于純人工咨詢，而且客戶滿意度很高。（見圖表《一家公司的勞動分工》）

先鋒集團應用PAS，充分理解重新設計工作的重要性，但許多公司只是將現有工作流程原封不動地丟給機器，使用RPA技術時尤其如此。把原本的流程自動化，公司很快就能執行AI項目，實現ROI，然而這樣一來，就錯失了充分發揮AI能力、在實質上改進流程的機會。

為認知項目重新設計工作流程，運用設計思維原則通常會帶來益處：理解客戶或終端用戶的需求，讓工作受到影響的員工參與，把設計當作實驗性質的“草稿”，考慮多種替代方案，在設計過程中具體思考認知技術能力。多數認知項目也適合迭代式的精益發展方法。

四、擴大規模

很多公司成功地啟動了認知項目試點，向整個組織推廣時卻沒有那么成功。要實現目標，公司須為擴大規模制定詳細的計劃，這一點需要專業技術人員和自動化業務流程的管理者合作。認知技術支持的通常是個人任務，不是整個流程，而擴大規模需要新技術融入現有體系和流程。參與我們調查的高管表示，這種融合是他們在嘗試啟動AI項目時最棘手的問題。

要擴大規模，首先應當考慮融合是否切實可行。假如應用AI需要某種難以獲得的特殊技術，融合就會受限。一定要讓相關流程管理者與IT團隊在試點之前或試點過程中討論擴大規模的問題。不跟IT合作很難取得成功，即使是相對簡單的RPA等技術也不例外。

例如，醫療保險公司Anthem將發展認知技術作為現有系統的一項大規模現代化工作的一部分。Anthem沒有使用舊的技術硬套新的認知應用，而是用了一種整體的方法，讓認知應用發揮最大價值，減少了開發和整合的總體成本，并且對舊的系統產生光環效應。與此同時，公司也重新設計了流程，按照首席信息官湯姆·米勒（Tom Miller）的話說，“利用認知技術讓我們再升一級。”

推廣過程中，公司會面對變更管理的重大難題。例如美國某服裝零售連鎖店，在一小部分店鋪進行試點項目，將機器學習用于網絡購物推薦、最優庫存預測及快速補貨模型，還有最困難的推銷工作。采購人員習慣跟隨直覺訂購產品，此時覺得受到威脅，評論說“如果相信這種東西，那要我干什么？”試點啟動后，采購員集體向首席營銷官表示希望叫停這個項目。這位高管指出，試點項目取得了積極的成果，堅持要向其他店鋪推廣。他向采購員保證，擺脫了推銷工作，他們可以做一些機器無可比擬的、更有價值的工作，比如了解年輕顧客的訴求，為服裝制造廠商確定將來的計劃。他還提出，銷售員需要培訓，學習新的工作方式。

如果希望通過擴大規模獲得理想的結果，公司必須同時注重提升工作效率。許多組織希望提高效率，無須增加人手，就能增加顧客和交易量。一些公司將縮減人工作為投資AI的一項主要目的，那么假以時日，通過自然減員或取消外包，這些公司應該能夠達到目的。

 

未來企業中的認知技術

我們的調查和采訪表明，感受過認知技術的管理者對前景充滿信心。雖然使用認知技術初期取得的成功相對有限，但我們期待這些技術終將徹底改變工作。我們相信，現在在有限范圍內應用AI、制定了雄心勃勃的未來發展計劃的公司，會像在此之前就開始應用分析的公司一樣，能夠充分獲得技術帶來的益處。

通過應用AI，營銷、醫療、金融服務、教育和專業服務等信息密集領域，價值得以提升，價格更加便宜。各行各業、各個部門里單調煩瑣的雜務，比如監督常規交易、回答重復的問題，以及從大量文檔中提取數據，這類工作全都可以交給機器，讓人類解放出來，從事更具創意、效率更高的工作。認知技術也可以作為其他數據密集型技術的輔助，如自動駕駛、物聯網和移動及多渠道消費。

人們擔心認知技術會讓許多人失業。當然，一些以往由人類來做的工作交給智能機器完成，會導致一定程度的失業。但我們相信，多數人無須擔心。認知工具只是完成任務，不會承擔全部工作。我們見到的失業，主要是沒有被取代的工人自然流失，以及外包工作自動化。現在交給認知技術的任務，多數能夠輔助人類活動，在較為廣闊的工作中承擔一小部分，或是執行先前人類無法完成的任務，如大數據分析。

我們與管理者討論了失業問題，多數人表示他們采用的是增強策略，即人類和機器一同工作，不是讓機器徹底取代人類。在我們的調查中，只有22%的管理者認為削減人手是AI帶來的一項主要好處。

我們相信，每家大公司都應該探索認知技術。這條路上必定會有挫折，而且取代人工和智能機器倫理等問題容不得自滿。不過，如果能有合適的計劃和發展，認知技術就能帶來一個黃金時代，大大提升工作效率和滿意度。

 

托馬斯·達文波特是巴布森學院（Babson College）信息技術與管理學總統杰出獎教授，麻省理工學院數字經濟項目研究員，德勤分析資深顧問。拉杰夫·羅南基是德勤咨詢公司認知計算及醫療創新負責人。本文提及的一些公司是德勤客戶。