真实世界中的人工智能

托马斯·达文波特（Thomas Davenport）拉杰夫·罗南基（Rajeev Ronanki）| 文

蒋荟蓉 | 译 刘筱薇 | 校 时青靖 | 编辑

尽管认知技术得到了各类资源的鼎力相助，已被应用于各行各业以及整个价值链，但很多雄心勃勃的人工智能项目如今却遇到了障碍并有所推迟。公司在今后应循序渐进，而不是彻底颠覆。

2013年，美国安德森癌症中心（MD Anderson Cancer Center）启动了一项大工程：利用IBM的Watson认知系统诊断某些癌症，并推荐治疗方案。2007年，该项目成本超过6200万美元，Watson系统尚未得到临床运用，项目就暂时中止。

 

在此期间，癌症中心的IT团队也在尝试利用认知系统做一些比较微小的实际工作：为患者家人提供餐饮住宿信息，判断哪些病人承担医疗费用有困难，帮助中心员工解决IT问题，等等。这些项目得到了更积极的成果：新系统使得患者满意度和财务表现提升，医院护理主管用于录入数据这项单调工作的时间减少。虽然大的项目未能取得成功，但安德森癌症中心依然坚持使用认知技术（即下一代人工智能）辅助癌症治疗，目前安德森的认知计算能力中心正在开发各种新项目。

有意开发AI项目的组织都应当注意这个差距。我们对250位熟悉公司认知技术应用的高管进行了调查，其中3/4认为AI会在3年内彻底改变自己所在的公司。然而我们研究了约150家公司的152个项目，发现期望很高的大项目成功率低于比较简单的改进业务流程项目。这个结果并不奇怪，以往公司采用新技术大体上也是这个趋势。但围绕人工智能的炒作天花乱坠，一些组织受到了蛊惑。

本文将会梳理目前公司应用AI的几大类方法，并提供理论框架，指导公司在今后几年里培养运用认知技术的能力，实现商业目标。

AI的三种类型

从商业潜力（而非技术）角度考察AI，对公司而言很有益处。大体上讲，AI可以支持三个重要的商业需求：业务流程自动化、数据分析洞见，以及与客户和员工的交流。（见图表《认知项目分类》）

流程自动化。我们研究的152个项目里，最常见的类型是运用机器人流程自动化（robotic process automation，简称RPA）技术，实现网络及现实任务（通常是行政事务和财务方面）自动化。RPA比早期的商务流程自动化工具更先进，因为“机器人”（也就是服务器上的代码）像人类一样接收和理解来自多个IT系统的信息。任务有以下几种：

· 把数据从电子邮件和呼叫中心系统转入记录系统，例如更新有地址变更或附加服务要求的客户档案；

· 更新挂失的信用卡和银行卡信息，进入多个系统更新信息，并处理客户沟通事宜；

· 从多种文档类型中提取信息，跨计费系统处理服务收费方面的错误；

· “阅读”法律和合同文档，运用自然语言处理提取其中的条目信息。

RPA是本文讨论的认知技术应用中最便宜、最便捷的方式，而且通常会迅速带来很高的投资回报。（也是最不“智能”的方式，这些程序并不会学习和改进，不过开发者在逐渐提升其智能和学习能力。）RPA尤其适合处理涵盖多个后端系统的工作。

在美国航空航天局（简称NASA），成本压力促使该机构启动了四项RPA实验项目，分别是应付账款、应收账款、IT支出和人力资源，全部由一个共享的服务中心管理。这四个项目运营得不错——例如人力资源方面，86%的交易在没有人工参与的情况下完成——现在推广到整个组织。现在NASA启用了更多RPA机器人，其中一些智能水平更高。如共享服务中心的项目负责人吉姆·沃克（Jim Walker）所说，“目前我们的项目还没有特别复杂。”

也许有人以为，运用机器人实现流程自动化，很快就会导致人类没有工作。但我们研究的RPA项目中有71个（占总数的47%）并未将“取代行政员工”作为首要目标，最终也没有出现这样的结果。只有几个项目最后减少了人手，而且大部分是已转为外包的任务。随着技术发展，将来机器人自动化项目可能会导致一部分人失业，特别是在业务流程离岸外包行业。一项任务如果可以外包，也许就可以自动化。

认知洞见。研究中第二大常见（占总数的38%）的项目类型是运用算法在大量数据中寻找规律并进行解读，可以说是一种超级分析。这类机器学习程序用于以下几个方面：

· 预测某位特定客户可能会购买什么；

· 实时识别信用欺诈和保险索赔欺诈；

· 分析质保期，发现手机等制成品的安全或质量问题；

· 针对目标群体自动生成个性化广告；

· 为保险机构提供更为准确细致的精算建模。

（返回原文阅读）

机器学习提供的认知洞见与传统分析结果的不同之处，通常有以下三个方面：数据密集程度更高、更详细，模型更具针对性，而且模型根据新数据进行预测或分类的能力会逐渐提升。

机器学习的变种（尤其是深度学习，这种技术尝试模拟人类大脑活动，寻找其中的规律）可以实现识别图像和声音等功能。机器学习也可以生成可用的新数据供进一步分析。数据综合处理（data curation）一直以来都是劳动密集型活动，但现在可以利用机器学习找到多个数据库中的概率匹配（probabilistic match），即可能与同一个体相关、以略微不同的形式出现的数据。通用电气（GE）运用这种技术整合供应商数据，消除冗余、洽谈合同（之前这些工作在业务部门层面进行），第一年就节省了8000万美元。某大型银行也运用该技术，从供应商合同中提取条目信息，与发票编号比对，找到未提供的产品和服务，总价值上千万美元。德勤的审计部门用认知洞见提取合同条目，可以提升自动处理文档的比例，经常能够在完全不耗费人工的情况下完成审计。

认知洞见应用多用于提升机器的工作表现，如广告购买计划（programmatic ad buying），涉及人类力所不能及的高速数据分析和自动化，因此通常不会令人类失业。

认知交互。我们研究中第三大类（占总数的16%）项目，是通过搭载了自然语言处理的聊天机器人、智能代理和机器学习，与员工和顾客交流。这个类型包括：

· 由智能代理提供全天候客户服务，可以解决从忘记密码到技术支持等许多问题，将来支持的范围还会更加广泛，且全程使用客户的自然语言；

· 用内部网页回答员工在IT、员工福利和人才政策等方面的问题；

· 供零售商使用的产品及服务推荐系统，提升个性化、参与度和销量，通常有大量的文字和图片；

· 治疗方案推荐系统，帮助医疗服务提供方根据患者健康状况和之前接受的治疗制定护理计划。

我们研究的公司，运用认知交互技术多半是与员工而非客户交流。等到公司更放心地把客户交流工作交给机器，这种现状可能会改变。例如Vanguard在试点用智能代理帮助客户服务人员解答常见问题，计划最终让顾客直接与智能代理交流，不需要人类客服参与。瑞典的SEBank和美国医疗科技巨头BD（Becton, Dickinson）公司用智能仿人代理Amelia为内部员工提供IT支持。前不久SEBank在一定范围内向客户开放了Amelia，测试其表现，并收集客户反馈。

公司在面对客户的认知交互技术方面倾向于保守，一大原因是技术尚不成熟。举例来说，Facebook发现网站的聊天机器人Messenger在没有人工参与的情况下难以回答70%的用户提问，于是Facebook和其他几家公司将用户与聊天机器人交流的话题和种类限制在一定的范围内。

我们的研究表明，认知交互应用目前不会让客服和销售人员有失业之虞。我们研究的大部分项目，目标都不是裁员，而是在不增加员工数量的情况下满足日益增长的员工及客户交流需求。一些组织打算让机器处理常规交流，让客服人员承担更复杂的任务，如应对较为严重的客户问题，引导更进一步的非结构化对话，或在客户遇到问题打来电话之前主动询问。

公司更加熟悉认知工具之后，就会尝试综合运用以上三类工具的要素开展项目，获取AI带来的益处。例如，意大利某保险公司在IT部门设置“电子服务台”。这套系统运用深度学习技术（属于认知洞见领域）查找常见问题及其答案、之前类似问题的解决方案以及相关记录，为员工解决问题。它运用自由路径功能（smart-routing capability，属于业务流程自动化），将复杂程度最高的问题转给工作人员，并且运用自然语言处理，用意大利语回答用户的问题。

不过，虽然公司运用认知工具的经验迅速增加，但在开发和应用中仍然存在着巨大的障碍。我们以研究为基础，总结出四个步骤。公司可以参考这套理论综合运用AI技术实现目标，无论是宏伟的目标还是改进业务流程都可一试。

 

一、了解技术

开展AI项目之前，公司必须知道哪一种技术可以用来执行哪一类任务，并了解各类技术的优势和局限。例如基于规则的专家系统和机器人流程自动化，运作方式都是透明的，但都无法学习和自我升级。而深度学习善于从大量的有标记数据（labeled data）中学习，但我们几乎不可能理解它建立模型的方式。这个“黑盒子”问题在规范性很高的行业可能会造成问题，例如金融服务行业，监管者一定要问明决策原因。

我们看到一些组织尝试用不合适的技术处理手头的工作，浪费了时间和金钱。若能对各种不同的技术有深入的理解，公司就会有更加充分的准备，判断最符合需求的技术，据此选择合适的供应商，并确定开发相应系统所需的时间。要做到这一点，通常需要IT或创新团队内部持续不断的研究和教育。

特别需要提出的是，公司将必须妥善利用一些重要员工的能力，如数据分析师具备深入了解这些技术所必需的统计及大数据能力。员工的学习意愿是成功的一大重要因素。一部分人会抓住机会学习新知识，接受新事物，还有一些人坚持使用自己熟悉的老工具。要努力多培养一些乐于接受新事物的员工。

如果没有合适的数据分析人才，公司或许要在近期内建立一个外部服务提供商的生态系统。如果希望AI项目能够长期进行，公司需要招聘具备专业知识的全职员工。总之，要想推进项目，公司必须具备足够的能力。

由于认知技术人才稀缺，多数组织应当建立资源库，可以围绕某项中心化职能（如IT、战略），让专业人才参与整个组织中优先程度较高的项目。随着需求和人才不断激增，也可以指定一个团队专门负责特定部门，但即使到了这个时候，可协调的中心职能团队也可以协助管理项目和职责。

二、设置项目组合

启动AI项目的第二步是，系统性地评估需求和能力，据此设置优先级项目组合。在我们研究的公司中，这一步通常是通过研讨会或小规模咨询项目完成的。我们推荐公司在三大领域进行评估。

找到机会。第一项评估是要确定公司哪些单元从认知技术中获益最大，通常是非常需要“知识”（从数据分析或大量文本中提取的重要洞见）却不可得的部门。

· 瓶颈。在某些情况下，缺乏认知洞见是由于信息流遭遇瓶颈。所需的知识在组织中的确有，但分布状况并不理想。医疗卫生行业就是如此，不同操作、科室或医学研究中心的知识彼此往往不共通。

· 规模化问题。还有一种情况是知识的确存在，但要经过冗长的流程才能使用，抑或成本太高，难以规模化。金融顾问提供的专业知识往往如此。因此现在许多投资和财富管理公司提供了AI支持的“机器人顾问”，为客户提供价格实惠的日常金融问题指导。

在制药行业，辉瑞（Pfizer）为应对这一问题，用IBM的Watson加快了免疫肿瘤（immuno-oncology）药物研发的进程。免疫肿瘤疗法是一种新的癌症治疗方法，利用身体的免疫系统协助对抗癌症。免疫肿瘤药物走向市场可能要花12年时间。Watson做了一个全面的文献综述，与辉瑞的实验报告等数据结合在一起，帮助研究者发现关联，找到隐藏的规律，更快地确认新的药物靶点、用于研究的合并疗法以及新药的患者选择策略。

· 力不能及。公司收集的数据量可能会超过现有人员或计算机能够充分分析及应用的能力范围。例如，一家公司可能有大量关于消费者数字化行为的数据，但不了解这些数据的意义及战略应用方法。为了解决这个问题，公司运用机器学习为一些任务提供支持，如有计划地购买定制化数字广告，还有像思科（Cisco Systems）和IBM那样建立上万个预测模型（propensity model），推断哪些顾客倾向于购买哪些产品。

确定适用场景。第二项评估，找到认知应用能够发挥实际价值、促成商业成功的地方。首先提出关键问题，例如，解决某一特定问题对于总体战略来说意义有多大？备选的AI解决方案在技术和组织层面的应用难度有多高？启用AI解决方案带来的益处是否值得付出相应的努力？下一步，评估解决方案在各个适用场景提供的价值，根据短期和长期价值进行排序，关注哪些部分最终可以整合进更广阔的认知能力平台或组合，形成竞争优势。

选择合适的技术。第三项是考察每种适用场景待选的AI工具能否完成任务。例如聊天机器人和智能代理，虽然发展很快，但大部分只能处理几种固定的简单场景，比不上人类解决问题的过程，这一点会让一些公司失望。其他技术，比如可以处理开票等简单任务的机器人流程自动化，用在复杂程度较高的生产环境中反而会拖慢速度。而深度学习视觉识别系统尽管可以识别照片和视频中的图像，却需要许多有标记数据，且无法理解复杂的人类视野。

到了将来，认知技术会改变公司开展经营的方式，不过，现在最好先利用目前可用的技术，循序渐进，准备好在不太远的未来推动转型变革。比如说，你以后可能会想把跟客户交流的工作全部交给机器人，但目前更为合理可行的是先实现内部IT服务台自动化，作为迈向最终目标的一步。

 

三、启用试点项目

现有AI能力和所需能力的差距有时并不明显，因此在将认知应用推向整个企业之前，公司应当先创建试点项目。

验证概念的试点尤其适合潜在商业价值高的项目，以及能让组织同时检验几种不同技术的项目。高管受到技术开发商的影响，可能会让某些项目“插队”，这种情况要特别注意避免。不能仅仅高管和董事会感到压力，觉得必须“搞一些认知项目”，就绕开严格的试点流程。插队的项目容易失败，会大大阻碍组织整体的AI计划。

如果公司有多个试点计划，可以考虑建立卓越认知中心或类似的结构进行管理。这种方法有助于在组织内部发展有需求的技术能力，同时让小规模的试点转向更广泛的应用，产生更大的影响。辉瑞内部使用认知技术的项目有60多个，其中许多是试点，有一部分已经应用在产品制造中。

BD公司在IT部门设立“全球自动化”团队，对使用智能数字代理和RPA的认知技术试点进行管理，一些工作与公司的全球分享服务（Global Shared Services）组织合作完成。全球自动化团队利用端对端的流程图指导项目实施，寻找自动化的机会，还利用图形化的“热力图”预测最适合AI介入的组织活动。BD现已成功在IT支持流程中应用智能代理，但至今尚未做好准备支持大规模的企业流程（如订单到付款）。医疗保险公司Anthem也设立了类似的AI集中管理团队“认知能力办公室”（Cognitive Capability Office）。

重新设计业务流程。在认知技术项目发展的过程中，仔细考虑工作流程如何改进，特别注意人力与AI的分工。在一些认知项目中，80%的决定交给机器，20%留给人类，还有一些项目则相反。为确保人与机器相互补足、相互增益，必须彻底重新设计工作流程。

例如投资公司先锋集团（Vanguard）提供一种新的“个人顾问服务”（Personal Advisor Services，简称PAS），将电脑生成的投资建议和人工指导结合在一起。在这套新系统中，认知技术用于完成咨询中的许多传统任务，如根据客户具体情况制定投资方案，对方案进行后续调整，税收损失收割（tax loss harvesting），以及提供节省税额的投资选择。人工咨询师则是“投资导师”，负责回答投资者问题，鼓励健康的金融行为，并充当先锋集团所谓的“情感上的电路保护开关”，确保投资者按照计划行事。公司鼓励咨询师了解行为金融学，有效地完成这部分工作。PAS使公司迅速获得了超过800亿美元的管理资产，成本低于纯人工咨询，而且客户满意度很高。（见图表《一家公司的劳动分工》）

先锋集团应用PAS，充分理解重新设计工作的重要性，但许多公司只是将现有工作流程原封不动地丢给机器，使用RPA技术时尤其如此。把原本的流程自动化，公司很快就能执行AI项目，实现ROI，然而这样一来，就错失了充分发挥AI能力、在实质上改进流程的机会。

为认知项目重新设计工作流程，运用设计思维原则通常会带来益处：理解客户或终端用户的需求，让工作受到影响的员工参与，把设计当作实验性质的“草稿”，考虑多种替代方案，在设计过程中具体思考认知技术能力。多数认知项目也适合迭代式的精益发展方法。

四、扩大规模

很多公司成功地启动了认知项目试点，向整个组织推广时却没有那么成功。要实现目标，公司须为扩大规模制定详细的计划，这一点需要专业技术人员和自动化业务流程的管理者合作。认知技术支持的通常是个人任务，不是整个流程，而扩大规模需要新技术融入现有体系和流程。参与我们调查的高管表示，这种融合是他们在尝试启动AI项目时最棘手的问题。

要扩大规模，首先应当考虑融合是否切实可行。假如应用AI需要某种难以获得的特殊技术，融合就会受限。一定要让相关流程管理者与IT团队在试点之前或试点过程中讨论扩大规模的问题。不跟IT合作很难取得成功，即使是相对简单的RPA等技术也不例外。

例如，医疗保险公司Anthem将发展认知技术作为现有系统的一项大规模现代化工作的一部分。Anthem没有使用旧的技术硬套新的认知应用，而是用了一种整体的方法，让认知应用发挥最大价值，减少了开发和整合的总体成本，并且对旧的系统产生光环效应。与此同时，公司也重新设计了流程，按照首席信息官汤姆·米勒（Tom Miller）的话说，“利用认知技术让我们再升一级。”

推广过程中，公司会面对变更管理的重大难题。例如美国某服装零售连锁店，在一小部分店铺进行试点项目，将机器学习用于网络购物推荐、最优库存预测及快速补货模型，还有最困难的推销工作。采购人员习惯跟随直觉订购产品，此时觉得受到威胁，评论说“如果相信这种东西，那要我干什么？”试点启动后，采购员集体向首席营销官表示希望叫停这个项目。这位高管指出，试点项目取得了积极的成果，坚持要向其他店铺推广。他向采购员保证，摆脱了推销工作，他们可以做一些机器无可比拟的、更有价值的工作，比如了解年轻顾客的诉求，为服装制造厂商确定将来的计划。他还提出，销售员需要培训，学习新的工作方式。

如果希望通过扩大规模获得理想的结果，公司必须同时注重提升工作效率。许多组织希望提高效率，无须增加人手，就能增加顾客和交易量。一些公司将缩减人工作为投资AI的一项主要目的，那么假以时日，通过自然减员或取消外包，这些公司应该能够达到目的。

 

未来企业中的认知技术

我们的调查和采访表明，感受过认知技术的管理者对前景充满信心。虽然使用认知技术初期取得的成功相对有限，但我们期待这些技术终将彻底改变工作。我们相信，现在在有限范围内应用AI、制定了雄心勃勃的未来发展计划的公司，会像在此之前就开始应用分析的公司一样，能够充分获得技术带来的益处。

通过应用AI，营销、医疗、金融服务、教育和专业服务等信息密集领域，价值得以提升，价格更加便宜。各行各业、各个部门里单调烦琐的杂务，比如监督常规交易、回答重复的问题，以及从大量文档中提取数据，这类工作全都可以交给机器，让人类解放出来，从事更具创意、效率更高的工作。认知技术也可以作为其他数据密集型技术的辅助，如自动驾驶、物联网和移动及多渠道消费。

人们担心认知技术会让许多人失业。当然，一些以往由人类来做的工作交给智能机器完成，会导致一定程度的失业。但我们相信，多数人无须担心。认知工具只是完成任务，不会承担全部工作。我们见到的失业，主要是没有被取代的工人自然流失，以及外包工作自动化。现在交给认知技术的任务，多数能够辅助人类活动，在较为广阔的工作中承担一小部分，或是执行先前人类无法完成的任务，如大数据分析。

我们与管理者讨论了失业问题，多数人表示他们采用的是增强策略，即人类和机器一同工作，不是让机器彻底取代人类。在我们的调查中，只有22%的管理者认为削减人手是AI带来的一项主要好处。

我们相信，每家大公司都应该探索认知技术。这条路上必定会有挫折，而且取代人工和智能机器伦理等问题容不得自满。不过，如果能有合适的计划和发展，认知技术就能带来一个黄金时代，大大提升工作效率和满意度。

 

托马斯·达文波特是巴布森学院（Babson College）信息技术与管理学总统杰出奖教授，麻省理工学院数字经济项目研究员，德勤分析资深顾问。拉杰夫·罗南基是德勤咨询公司认知计算及医疗创新负责人。本文提及的一些公司是德勤客户。