本文出自

你的公司 夠AI嗎?

你的公司 夠AI嗎?

2019年7月號

最大的挑戰不在技術,而在企業文化》建立最強大人工智慧組織

Building the AI-Powered Organization
提姆.馮坦 Tim Fountaine , 布萊恩.麥卡錫 Brian McCarthy , 塔米姆.薩利赫 Tamim Saleh
瀏覽人數:5184
  • "最大的挑戰不在技術,而在企業文化》建立最強大人工智慧組織"

  • 字放大
  • 多人授課購買
    購買〈最大的挑戰不在技術,而在企業文化》建立最強大人工智慧組織〉文章
  • 個人收藏購買
    購買〈最大的挑戰不在技術,而在企業文化》建立最強大人工智慧組織〉PDF檔
    下載點數 10
麥肯錫顧問公司估計,未來十年,人工智慧將為全球經濟增加13兆美元的價值。但為什麼大部分的公司都看似在金領域施展不開,它們遇上了什麼障礙? 本文認為,要推動人工智慧行動方案大步向前,必須引導員工擺脫依賴由上而下的決策制定,領導人也應傳達人工智慧專案的緊迫性和效益,並大力投資人工智慧教育和採用。唯有如此,才能抓住完整的人工智慧機會。

人工智慧正在重塑企業,儘管不是以很多人以為的那麼高速在進行。人工智慧的確正在指引許多決定,從農作物收成到銀行放款等許多事情的決定,都包括在內,而且,全自動化顧客服務等一度看似遙不可及的展望,現在也即將成真。促成人工智慧的各項技術,正在迅速進步,也愈來愈便宜,例如開發平台,以及巨大的處理能力和資料儲存量等。企業善用人工智慧的時機,現在似乎已經成熟。的確,我們估計在未來十年,人工智慧將為全球經濟增加13兆美元的價值。

人工智慧雖然前景看好,但許多組織在這方面的努力卻不足。我們調查數千名高階主管,想了解他們公司如何使用人工智慧和進階分析,並制定相關組織結構。結果資料顯示,只有8%的公司採取可支持全公司廣泛採用人工智慧的核心實務。大多數公司只是針對特定情況推出試辦方案,或只是在單一的商業流程中運用人工智慧。

為什麼進展這麼緩慢?在最高層級,這反映組織未能重新布局。在我的調查,以及與數百名客戶的合作中,見到人工智慧行動方案面臨巨大的文化與組織障礙。但我們也看到,一開始就採取行動打破那些障礙的領導人,可以有效抓住人工智慧的機會。

公司必須做出三大轉變
走向協作、決策資料驅動、敏捷順應

領導人犯下的最大錯誤之一,就是把人工智慧視為隨插即用的技術,能立即帶來報酬。他們決定啟動和運作一些專案,首先投資數百萬美元在資料基礎設施、人工智慧軟體工具、資料專業知識和模式開發。一些試辦方案,勉強為組織的一些單位帶來一些小收穫。但幾個月或幾年過去了,並沒有創造出高階主管期望的龐大效益。企業碰到困難,很難從試辦方案推展到實施全公司性質的計畫,也不容易從專注在各自獨立的商業問題(例如改善顧客區隔),進展到解決商業挑戰(例如優化整個顧客歷程)。

領導人在思考人工智慧的要求條件時,想法上也常常過於狹隘。組織當然需要尖端的技術和人才,但同樣重要的是,公司應調合文化、結構和工作方式達到一致方向,以支持組織廣泛採用人工智慧。但是,大多數一開始成立時並非數位企業的組織裡,傳統的心態和工作方式,與人工智慧需要的心態和工作方式互相牴觸。

為了擴大人工智慧的實施規模,公司必須進行三項轉變:

從各自為政獨立工作,走向跨職能協作。由擁有多種不同技能和觀點的跨職能團隊來開發人工智慧,可以讓人工智慧產生最大的影響。要求業務和營運人員與分析專家並肩工作,可以確保這項行動方案,會去處理廣泛的組織優先要務,而不只是各自獨立的業務問題。成員背景多元的團隊,也可以深思新應用可能需要改變的營運作業;舉例來說,他們更有可能發現,引進可預測維修需求的演算法,應該搭配全面改造維修工作流程。當開發團隊請終端使用者參與應用的設計,終端使用者採用這些應用的可能性會大大提高。

大多數一開始成立時並非數位企業的組織裡,傳統的心態和工作方式,與人工智慧需要的心態和工作方式互相牴觸。

從根據經驗、由領導人驅動的決策,轉而在第一線進行由資料驅動的決策。當公司廣泛採用人工智慧,所有層級的員工就可以參考演算法的建議,來擴增他們本身的判斷和直覺,如此所獲得的答案,勝過人類或機器獨自運作所得到的答案。但這種方法要能運作良好,所有層級的人員都必須信任演算法的建議,而且覺得獲得授權去做決定;這表示必須放棄傳統由上而下的做法。如果員工必須先請示更高層主管的意見,才能採取行動,這就會阻礙人工智慧的使用。

某家公司採用新的人工智慧系統,取代用人力為活動安排時程的複雜方法,結果決策流程大幅轉變。在過去,這家公司的活動規畫人員一向使用彩色標籤、別針和貼紙,來追蹤各項活動是否衝突、參與者的偏好,以及其他考量因素。他們通常仰賴直覺和資深主管的意見,而後者也是憑直覺做決定。新系統快速分析範圍龐大的排程組合,先使用一種演算法,把數億個選項,整理成數百萬個情境,再用另一種演算法,把數百萬個情境濃縮簡化為數百個,為每位參與者排出最適當的時間表。接著由經驗豐富的人類規畫人員,運用自己的專業知識,在那些資料的支持下做出最後決定,不需要徵求領導人的意見。這些規畫人員很容易就採用這個工具,信任它產出的結果,因為他們當初曾協助設定它的參數和限制條件,而且知道最終是由他們自己來做最後決定。

從僵化和規避風險,到敏捷、實驗和順應調整。組織必須擺脫某種心態,以為想法必須構思完備,或是商業工具必須齊備各種功能,才能展開部署。人工智慧應用在第一次使用時,極少具有期望的全部功能。測試和學習的心態,會把錯誤重新建構為發現新事物的來源,以降低員工害怕失敗的心理。取得使用者早期的回饋意見,並納入下一個版本,讓公司得以改正小毛病,以免它們演變成代價高昂的問題。這麼一來,開發速度會加快,讓小型人工智慧團隊能在幾個星期內打造出最精簡可行產品(minimum viable product),不用花上幾個月。

這種根本性的轉變不容易做到。若要成功轉變,領導人必須讓員工準備好並激勵員工,而且賦予員工能力,以進行變革。但領導人自己必須先準備好。我們見過的很多失敗,都是因為資深高階主管對人工智慧缺乏根本的了解。(接下來,我們將討論分析學院可以如何幫助領導人取得這方面的了解。)

四大任務為成功鋪路
解釋原因、預見障礙、預算、平衡

若要讓員工參與推動,並為人工智慧的成功啟動鋪平道路,領導人應該盡早關注幾項任務:

解釋原因。引人入勝的故事,有助於組織了解變革行動方案的緊迫性,以及所有人如何從中受益。這對人工智慧專案尤其重要,因為員工難免擔心人工智慧搶走他們的工作,導致阻力增強。

領導人必須提供一個願景,凝聚每個人為共同的目標努力。員工必須理解為什麼人工智慧對公司業務很重要,以及他們要如何融入以人工智慧為導向的新文化。他們尤其需要獲得保證,相信人工智慧會增進他們的角色,而不是削弱、甚至消除他們的角色。(我們的研究顯示,大多數員工必須調適,才能使用人工智慧,而不是被人工智慧取代。)

一家大型零售綜合企業集團希望促使員工支持它的人工智慧策略,而管理階層把這項策略,形容為攸關公司生存而必須推動的要務。領導人描述數位零售商對該公司構成的威脅,以及人工智慧可以如何改善公司的營運效率和回應速度,以協助抵禦那些數位競爭對手。管理階層呼籲員工為生存而戰,藉此強調員工必須扮演的那個重要角色。

這家公司領導人在分享他們的願景時,聚焦在曾試用人工智慧新工具的員工,這項工具協助他們優化商店產品種類,並提高營收。這激發其他員工設想,人工智慧可以如何擴增和提升他們的績效。

預見變革將遭遇的獨特障礙。有些障礙在組織各處十分常見,例如員工害怕變得落伍過時等。但公司的文化,也可能會有一些獨有的特性會引發員工抗拒。例如,如果某家公司的顧客關係經理,很自豪自己非常了解顧客需求,也許就無法接受「機器可能更了解顧客需要什麼」的觀念,並忽視人工智慧工具量身打造的產品推薦。此外,大型組織的主管若是認為自己的地位取決於督導的部屬人數,可能就會反對人工智慧可推動的分散決策,或是直屬部屬人數減少。

在其他情況下,各自為政的獨立流程,會阻礙組織廣泛採用人工智慧。例如,依職能別或事業單位別來分配預算的組織,可能難以建立跨職能的敏捷團隊。

檢視過去的變革行動方案如何克服障礙,可以找到一些解決方法。另外一些解決方法,可能是校準人工智慧行動方案,以調整配合看起來像是障礙的文化價值觀。例如,一家非常重視關係式銀行業務的金融機構,領導人強調人工智慧能增進與顧客的關係。這家銀行製作一本小冊子給顧客關係主管參考,說明若把他們的專業知識和技能,與人工智慧量身打造的產品推薦結合起來,可以改善顧客體驗,進而提升營收和獲利。人工智慧採用計畫,也包括一場針對使用新工具來推動銷售轉換的競賽;執行長每個月寫給員工的電子報裡,會表揚這項競賽得獎者的成就。

「分析翻譯師」這個相當新的專家類別,可協助找出路障。他們可作為橋梁,連結來自技術領域的資料工程師和科學家,以及來自商業領域的人員,像是行銷、供應鏈、製造、風險等領域。翻譯師協助確保公司開發的人工智慧應用,能處理商業需求和順利獲得採用。在執行流程的早期階段,他們可能調查終端使用者的意見、觀察他們的習慣,並研究工作流程,以診斷和解決問題。

顧客關係經理如果很自豪自己非常了解顧客需求,也許就無法接受「機器可能更了解顧客需要什麼」的觀念。

了解變革遭遇的障礙,不只能讓領導人知道該如何與員工溝通,也有助於他們確定要投資在哪裡、哪些人工智慧行動方案最可行、應提供什麼訓練、可能需要哪些激勵措施等。

編列用於整合和採用的預算,應該和編列給技術的預算一樣多(甚至更多)。在我們的一項調查中,能夠成功擴大實施規模的公司當中,近90%的公司把分析預算的一半以上,用於可推動採用人工智慧的各項活動,例如,工作流程重新設計、溝通和培訓。其餘公司當中,只有23%曾投入類似的資源。

以一家電信供應商為例,它在電話客服中心推出新的由人工智慧驅動的顧客保留計畫。這家公司同時投資在人工智慧模式開發,並協助該中心的員工改用新方法。他們不是等到顧客打電話來取消服務才做出回應,而是主動聯繫有流失風險的顧客,提供他們可能接受、由人工智慧建議的新方案。那些員工接受做成業務所需的銷售技能培訓和在職教導。教練和主管會旁聽他們的電話內容,給他們個人化的回饋意見,並持續更新培訓教材和電話腳本。由於這些相互協調的努力,這項新計畫讓顧客流失率降低了10%。

平衡可行性、時間投資和價值。實施太難以執行,或是需要超過一年才能啟動的行動方案,可能破壞當前和將來的人工智慧專案。

組織不必只專注在快速獲勝,而應發展由不同時間範圍的行動方案所構成的產品組合。不需要人力介入的自動化流程(例如人工智慧輔助詐欺偵測等),可在幾個月內帶來回報,而人力介入的專案(人工智慧支持的顧客服務等),可能需要較長的時間才能有回報。排定專案的優先順序時,應根據長期觀點(通常是三年),並考慮可以怎麼結合時間線不同的幾個行動方案,好讓價值極大化。例如,一家公司為了獲得夠詳細的顧客觀點,好讓人工智慧進行微區隔(microsegmentation),可能需要擬定許多銷售和行銷行動方案。針對性優惠(targeted offer)之類的方案,可能在幾個月內就能帶來價值,而能產生完整影響力的整套能力,可能需要花12到18個月。

能夠成功擴大實施規模的公司當中,近90%的公司把分析預算的一半以上,用於可推動採用人工智慧的各項活動。

亞太地區一家零售商認為,除非公司翻新所有商店的布置,重新分配每一類商品的空間,否則優化樓板空間和存貨配置的人工智慧行動方案,無法充分帶來所有的價值。這家公司的高階主管經過多方討論,認定這項專案對未來的獲利能力非常重要,必須繼續推動,但需要一分為二。第一部分是製作一項人工智慧工具,向店經理建議多進少數幾種品項,可望在他們的店內賣得很好。這個工具只提供預期總報酬的一小部分,但那些店經理可立即引進那些新品項,以展現這項專案的好處,並對未來幾年的推動過程產生熱情。

可擴大規模的組織
人工智慧轉型,關鍵任務如何歸屬

關於人工智慧和分析能力應安置在組織內的什麼地方,爭論頗多。領導人通常只問「什麼組織模式的運作效果最好?」在聽取其他公司怎麼做而成功之後,他們會做下列三件事的其中一件:把大部分的人工智慧和分析能力,整合放在一個「軸心」的中心單位;把這些能力分散配置,主要安排在各個事業單位裡(「輪輻」);或者把這些能力分散安排在中心單位和事業單位裡,採取混合模式(「軸輻」)。我們發現,在擴大人工智慧規模時,這些模式沒有任何一個一定優於其他兩者;正確的選擇,取決於每家公司的特有狀況。

以和我們合作過的兩家大型金融機構為例,其中一家把人工智慧和分析團隊,整併到一個中心單位,所有分析人員直屬於資料與分析長,並視需要派駐在各個事業單位。第二家金融機構分散配置幾乎所有的分析人才,讓分析團隊派駐並直屬於各個事業單位。這兩家公司的人工智慧發展規模,在業內都居頂尖地位;第二家機構在短短兩年內,有獲利的人工智慧行動方案從三十個增加到二百個。這兩家機構都在考慮本身的組織結構、能力、策略和獨有特質之後,選擇使用的模式。

軸心。少數一些職責由軸心單位來處理,並由分析長或資料長領導,總是最好的做法。這些職責包括資料治理、人工智慧招募和培訓策略,以及與第三方資料和人工智慧服務、軟體供應商合作。軸心單位應培育人工智慧人才、設立社群好讓人工智慧專家分享最佳實務,並為全公司各單位規畫人工智慧開發流程。我們的研究顯示,大規模執行人工智慧的公司,有軸心單位的可能性是同業的三倍,而有模式建立、詮釋見解和部署新人工智慧能力的明確方法的可能性,是同業的2.5倍。

軸心單位也應負責和人工智慧有關的系統及標準。這些應由公司的行動方案的需求來驅動,這表示它們應在採用人工智慧的商業理由確定之前逐步發展,而不是一次就開發完成。我們見過許多組織一開始就浪費大量時間和金錢(支出數億美元),進行全公司的資料清理和資料整合專案,結果實施到中途就放棄,實現的效益極少,甚至沒有效益。

相反的,一家歐洲銀行發現,相互衝突的資料管理策略阻礙它開發新的人工智慧工具,於是改採速度較慢的推動方式,擬定計畫在接下來四年,為它的人工智慧轉型建立各種企畫案,同時統一它的資料架構和管理。這個多階段計畫也包括重新設計組織和修改人才策略,可望每年產生超過九億美元的效益。

輪輻。另外一些職責幾乎一定該由輪輻單位承擔,因為他們最接近未來要使用人工智慧系統的那些人。這類職責包括與採用人工智慧有關的任務,包括終端使用者的訓練、工作流程重新設計、激勵方案、績效管理和效益追蹤。

一家製造商為鼓勵顧客接受由它的智慧型連網設備所提供、人工智慧促成的服務,於是由內部銷售和服務單位建立一支「特別任務團隊」,支援使用這個產品的顧客,並制定一套定價計畫,以提高採用率。這種工作顯然是輪輻單位的責任,不能交給分析軸心單位去執行。

灰色地帶。成功的人工智慧轉型,大多數工作的責任落入灰色地帶。一些關鍵任務,可由軸心或輪輻單位其中之一負責,或由兩者共同承擔,或者與資訊科技單位共同承擔;這些關鍵任務包括:設定人工智慧專案的方向、分析它們要解決的問題、打造演算法、設計工具、與終端使用者一起測試這些工具,管理變革,以及設立支援的資訊科技基礎設施(見表:「組織起來,以擴大人工智慧規模」)。決定職責應歸給組織內部哪個單位,不是精確的科學,但應受到三項因素影響:

人工智慧能力的成熟度。公司在人工智慧發展歷程的早期階段,一個常是很合理的做法,是把分析高階主管、資料科學家、資料工程師、使用者介面設計師、用圖形詮釋分析結果的視覺化專家等,都安排在一個軸心單位裡,並視需要而派往各個輪輻單位。這些成員一起工作,可建立公司的核心人工智慧資產和能力,例如共用的分析工具、資料流程和交付方法。但隨著時間過去,且流程變得標準化,這些專家可以派駐在輪輻單位中,產生同樣的成效(或是成效更好)。

商業模式的複雜性。人工智慧工具未來要支援的業務職能、業務線或地理位置愈多,就愈有需要成立人工智慧專家交流會(例如資料科學家或設計師的交流會)。業務複雜的公司,通常會把這些交流會整併在軸心單位中,然後視需要把它們設置在各個事業單位、職能或地理區。

需要技術創新的步調和水準。有些公司必須快速創新時,會把更多灰色地帶策略和能力建置在軸心單位中,以便更能監測產業和技術的變化,並快速部署人工智慧資源,以對抗競爭者的挑戰。

我們回頭談先前提到的兩家金融機構。它們都面臨競爭壓力,必須快速創新。但它們的分析成熟度和業務複雜性不一樣。

將分析團隊放在軸心單位的機構,商業模式複雜得多,而人工智慧成熟度相對較低。它既有的人工智慧專業知識,主要是在風險管理方面。公司把資料科學家、工程師和其他許多灰色地帶專家集中到軸心單位,可確保所有事業單位和職能部門在有需要的時候,能快速取得必要的專業知識。

第二家金融機構的商業模式簡單得多,專精於較少項目的金融服務。這家銀行也擁有豐富的人工智慧經驗和專業知識。所以,它能分散配置人工智慧人才,把許多灰色地帶的分析、策略和技術專家,派駐在各輪輻的事業單位中。

若要決定職責應安排在哪個單位,需要一些「藝術」。

就像這些例子所顯示的,若要決定職責應安排在哪個單位,需要一些「藝術」。每個組織都有獨特的能力和競爭壓力,必須整體考量前述三個關鍵因素,而非分別考量。例如,某個組織的業務複雜性可能很高,而且必須快速創新(這表示它應該把更多職責轉移到軸心單位),但它的人工智慧能力非常成熟(這表示它應該把職責轉移到輪輻單位)。它的領導人必須權衡全部三個因素的相對重要性,以確定人才部署在何處的成效最好,最能平衡各種考量。人才水準(人工智慧成熟度的一個要素)對決策通常有特別大的影響。組織是否有足夠的資料專家,因此若把他們永久安排在輪輻單位,仍能滿足所有事業單位、職能部門和地理區單位的需求?如果人才不夠,更好的做法可能是把他們安排在軸心單位,讓整個組織共用。

監督和執行。雖然人工智慧和分析職責的分散程度因組織而異,但擴大人工智慧規模的組織,有兩個共同點:

業務、資訊科技和分析領導人的治理聯盟。完全整合人工智慧是一趟漫長的歷程。建立一支聯合工作小組來督導這個歷程,可確保這三個職能部門協同合作與共同承擔責任,無論各個職務和責任如何劃分。這個小組通常由分析長召集,也有助於為人工智慧行動方案創造動能,尤其是在早期。

以派任為基礎的執行團隊。成功擴大人工智慧規模的組織,在輪輻單位內建立跨職能團隊的可能性,是同業的兩倍。這類團隊匯集多樣化的觀點,並在它們建立、部署和監測新的人工智慧能力時,徵求第一線員工的意見。通常在每個行動方案一開始時,就籌組設立這類團隊,並從軸心和輪輻單位徵調所需的技能。通常,每個團隊包括:一位主管負責人工智慧新工具的成功(「產品負責人」)、翻譯師、資料架構師、工程師和科學家、設計師,視覺化專家和商業分析師。這些團隊在早期就解決執行上的問題,而且更快從中取得價值。

例如,前述那家亞太地區零售商使用人工智慧,來優化商店空間和存貨配置,它設立一個跨職能執行團隊,協助打破商家(決定商品在商店中如何展示)與採購人員(選擇產品的範圍)之間的隔閡。以前商家和採購人員各自獨立運作,採購人員在他們認為合適時,改變人工智慧的建議。這導致採購的存貨與可用空間難以搭配。這個團隊邀雙方合作參與未來的人工智慧工具開發工作,因而建立了更有效的模式,提供採購人員一組加權的選項,接著,採購人員參考商家的意見,從中選擇最好的選項。這個流程結束時,運用這個人工智慧工具的每個產品類別,毛利增加了4%到7%。

教育組織裡的每個人
高層領導人和基層員工都要了解

為確保大家採用人工智慧,公司必須教育所有人,包括最高層領導人在內的全公司每一個人。為達到這個目的,有些公司正推動內部的人工智慧學院,通常包括課堂作業(線上或面對面)、研討會、在職訓練,甚至實地考察經驗豐富的業界同行。大多數的學院起初聘請外部教師編寫課程和提供訓練,但這些學院通常也會實施一些流程,以建立內部的能力。

每個學院都不同,但大多提供四大類教學:

領導力。大多數學院都努力讓資深高階主管和事業單位領導人,在高層次了解人工智慧如何運作,以及確認和排定人工智慧機會優先順序的方法。它們也討論人工智慧對員工職務的影響、採用障礙,以及人才培育發展,並指導如何進行必要的根本文化變革。

分析。這方面的重點,是不斷精進下列人員的硬技能與軟技能,包括資料科學家、工程師、架構師和其他員工,他們負責資料分析、資料治理,以及建構人工智慧解決方案。

翻譯師。分析翻譯師通常是來自商業單位的人員,需要根本的技術訓練,例如,如何運用分析方法來處理商業問題,以及開發人工智慧使用案例。他們的教學可能包括線上教師指導、跟隨資深翻譯師實習,以及最終的「考試」,也就是必須成功執行一項人工智慧行動方案。

終端使用者。第一線員工可能只需要一般性的人工智慧新工具介紹課程,接著是在職訓練,以及接受指導如何使用那些工具。行銷人員和財務人員等策略決策者,可能需要更高階的培訓課程,其中包括真實的業務情境,例如使用新工具來改善產品推出等決策。

領導人強化變革四件事
言出必行、問責、推動、激勵員工

大多數的人工智慧轉型,需要18到36個月才能完成,有些甚至需要長達五年的時間。為防止轉型計畫失去動能,領導人必須做到四件事:

言出必行。以身作則極為重要。首先,領導人可藉由參加學院的培訓,展現他們對人工智慧的重視與投入。

但他們也必須積極鼓勵新的工作方式。人工智慧需要實驗,而且,初期運作往往不如原本規畫的那樣產生效果。這種情況發生時,領導人應強調從試辦方案學到什麼。這有助於鼓勵適當的風險承擔。

我們見過最有效的榜樣是謙虛。謙虛的人會提問,並強化不同觀點的價值。他們定期和員工見面討論資料,詢問這類問題:「我們得到正確結果的頻率如何?」「我們有什麼資料可用來支持今天的決定?」

我們認識的一家專業零售商的執行長,就是很好的例子。她出席每一場會議時,總會請與會者分享他們的經驗和意見,最後才提出她的看法。她也騰出時間,每隔幾個星期就會見業務和分析人員,看看他們做了什麼,不管是推出新的試辦方案,還是擴大既有試辦方案的規模,都包括在內。

要求各個事業單位負起責任。分析人員負責主導人工智慧產品,這情況並不罕見。但分析只是解決商業問題的手段,因此事業單位必須領導實施專案,並對它們的成功負起責任。主導權應該指派給相關事業裡的某個人,他應該安排各個職務,並從頭到尾指導所負責的專案。有時候,組織會在開發週期的不同時點(例如,在證明價值、部署和擴大規模等階段),指派不同的負責人。這也是錯的,因為可能導致虎頭蛇尾的結果或錯失機會。

分析只是解決商業問題的手段,因此事業單位必須領導實施專案,並對它們的成功負起責任。

用計分卡呈現所有利害關係人的專案績效指標,是調合分析團隊和業務團隊目標達到一致的絕佳方法。例如一家航空公司使用共同的計分卡,衡量一項人工智慧解決方案的採用率、展現全面能力的速度,以及商業成果,以優化定價和訂票作業。

追蹤並促進採用。比較使用和不使用人工智慧做出決策的結果,可鼓勵員工使用它。例如在一家商品公司,交易員發現他們未使用人工智慧輔助做出的預測,通常只有一半是正確的,不比純粹猜測要好。這個發現使他們更願意接受人工智慧工具,以改善預測結果。

監控執行的團隊可視需要改弦易轍。在北美一家零售商,人工智慧專案負責人見到店經理碰到困難,難以把某項試辦方案的產出,納入他們商店績效成果的追蹤作業。原因在於人工智慧的使用者介面難以瀏覽使用,而且產生的人工智慧見解,也沒有整合到主管每天賴以進行決策的儀表板中。為解決這個問題,人工智慧團隊簡化那個介面,並重新架構產出的結果,好讓新的資料流出現在儀表板中。

為變革提供激勵誘因。長期來說,表彰貢獻能鼓舞員工。前述那家專業零售商的執行長,每次開會時,一開始會把焦點放在協助公司人工智慧計畫成功的某位員工(例如,某位產品經理、資料科學家或第一線員工)。在前述的大型零售綜合集團,執行長為參與人工智慧轉型的績優員工設立新職務。例如,他提拔在試辦優化解決方案期間協助測試的那位產品類別經理,由他領導公司的跨店推展作業,讓所有員工看到,接納人工智慧可能對職涯帶來的影響。

最後公司必須檢查,員工的激勵措施是否與人工智慧的使用真正方向一致。一家實體零售商的做法就不一致,這家公司開發一套人工智慧模型來優化折扣定價,用以消化舊庫存。這個模型顯示,有時候,處分舊庫存比折價出售的獲利更高,但商店人員有出售所有商品的誘因,即使大幅折價也在所不惜。由於人工智慧提出的建議和員工的標準獎勵實務相互矛盾,因此員工會對人工智慧工具心生懷疑,並漠視它的建議。由於這家公司的銷售激勵措施也與合約緊密相關,而且無法輕易改變,所以公司最後更新那個人工智慧模型,考量到獲利和激勵措施之間的取捨。這麼做有助於推動使用者採用,並提高獲利。

整個組織執行人工智慧
人類與機器合作,勝過單打獨鬥

促進人工智慧擴大實施規模的行動,創造了良性循環。從職能團隊轉為跨職能團隊,起初匯集各種不同的技能和觀點,以及建構有效工具所需的使用者意見。隨著時間過去,組織各部門的員工,會吸收新的協作實務。隨著員工與其他職能部門和地理區的同事合作得更緊密,他們開始思考更廣大的議題,從嘗試解決個別的問題,轉變為徹底重新構思商業模式和營運模式。隨著組織的其他單位開始採用「從測試中學習」的做法(這種做法促成試辦方案成功),創新的速度也加快了。

隨著人工智慧工具擴散到整個組織,最接近行動現場的人,愈來愈能做出以前由上級做出的決策,使得組織層級扁平化。這鼓勵進一步的協作,甚至產生更遠大的想法。

人工智慧可用來擴增決策的方式不斷增多。新的應用將在工作流程、職務和文化方面,帶來根本的改變,而且有時是困難的改變,所以,領導人必須謹慎帶領組織度過這些變化。在人類和機器一起工作的表現,勝過人類或機器單獨運作的世界中,擅長在整個組織執行人工智慧的公司會擁有很大的優勢。

這十種情境,害人工智慧計畫出錯

許多組織儘管大量投資在人工智慧和分析方面,但這些努力的結果卻令人失望。是什麼原因使得計畫出錯?公司在出現下列情況時會走向失敗:

1. 沒有清楚了解進階分析,雖然引進了資料科學家、工程師和其他重要成員,卻不知道進階分析和傳統分析的差別。

2. 沒有評估可行性、商業價值和考量時間範圍,而且在推動試辦方案時,並沒有考慮清楚要如何平衡第一年的短期利益,以及比較長期的報酬。

3. 除了少數幾個使用案例之外,並沒有策略,只針對特定方案的情況來處理人工智慧,而沒有考量人工智慧在它們產業裡帶來的整體機會和威脅。

4. 沒有明確界定關鍵職務,因為不了解強大人工智慧計畫需要的種種技能組和任務細節。

5. 缺乏「翻譯人員」,這種專家可以擔任商業和分析領域之間的橋梁,找出高價值使用案例、向技術專家說明業務需求,以及爭取商業部門的使用者接納。

6. 它們把分析與商業分隔開來,嚴格地把分析集中在一個單位裡,或是把分析嚴格限定在彼此協調不良的多個孤立單位當中,而不是在組織結構上,讓分析和商業專家緊密合作。

7. 浪費時間和金錢在整體企業的資料清理上,而不是根據最有價值的使用案例,來協調資料整併和清理的工作。

8. 在完整建立分析平台之前,沒有先確認採用人工智慧的商業理由,而且已先建立資料湖(data lake)之類的架構,但並不知道未來要用這些架構來做什麼,還常會沒有必要地將平台和舊有的系統整合起來。

9. 它們忽略了應該用量化方式呈現分析對獲利的影響,也欠缺績效管理架構,內含可追蹤每項行動方案的明確指標。

10. 它們未能專注在倫理、社會和法規監管方面的意含,因而在資料獲取和使用、演算法偏誤和其他風險方面容易出錯,可能導致在社會和法律方面產生不良後果。

(羅耀宗譯自“Building the AI-Powered Organization,” HBR, July-August 2019)



提姆.馮坦 Tim Fountaine

麥肯錫顧問公司(McKinsey)雪梨辦事處合夥人,並領導麥肯錫旗下位在澳洲的先進分析公司QuantumBlack。


布萊恩.麥卡錫

布萊恩.麥卡錫 Brian McCarthy

麥肯錫顧問公司美國亞特蘭大辦事處合夥人,共同領導麥肯錫分析(McKinsey Analytics)的知識發展議程。


塔米姆.薩利赫 Tamim Saleh

麥肯錫顧問公司倫敦辦事處資深合夥人,負責麥肯錫分析的歐洲業務。


本篇文章主題技術