MIT联合波士顿咨询：全球21个行业，对话3000名高管，AI如何重塑商业形态？

MIT联合波士顿咨询：全球21个行业，对话3000名高管，AI如何重塑商业形态？ | 雷报

来源：雷锋网

概要：目前只有14%的调查对象认为，AI对他们现在的产品或服务已经有了很大的影响。但对于5年后的情况，这一比例上升到63%。

人工智能已经成了一个新的风口，人人都在谈论人工智能，但是，企业在人工智能上的布局，是否真的如人们谈论的那般红火？

最近，麻省理工大学《斯隆管理评论》（MIT Sloan Management Review）联合波士顿咨询集团出炉了一份题为《Reshaping Business with Artificial Intelligence》（用人工智能重塑商业）的报告，旨在为让各公司能平衡好雄心和实际行动，更好地落地人工智能。

雷锋网编辑为读者选取了主要内容和图表，进行了简化编排和“汉化”，如有不洽之处，欢迎批评指正。对原报告感兴趣的读者可以在雷锋网后台回复“ainow”获取PDF版本报告原文。

该报告是基于一份覆盖了3000名高管和分析人士的问卷而来，调查对象分布在全球112个国家21个行业中。此外《斯隆管理评论》还访问了行业内的一些高管和学术人士，梳理了各组织机构面临的实际问题。

总体来说，该报告揭示了当下AI的落地现状：呼声高，但脚踏实地做的少。有许多因素制约着AI的发展，但是科技并不是首要的，真正关键的，反而是管理上和商业上的因素，因此对管理层有较大挑战。

高呼声，高期望

根据调查结果，各行业对AI都有很高的期望。

目前只有14%的调查对象认为，AI对他们现在的产品或服务已经有了很大的影响。但对于5年后的情况，这一比例上升到63%。在TMT（科技、媒体、电信）行业，有72%的调查对象对五年后的AI影响情况表示乐观。就连公共部门，也有40%的调查对象认为五年后AI的影响巨大。

现阶段只有15%的调查对象认为AI对于自身流程的影响很大，而有59%的调查对象认为五年后AI对其流程有很大影响。

大部分的调查对象都认为，在IT、运营和制造、供应链、和需要面对客户的智能领域，AI将大有可为。

不同的行业，受影响情况有所不同，拿专业服务为例，策略才是受AI影响最大的职能领域。

从宏观上看，大部分的企业或机构对AI的认可还是比较高的。

有80%的调查对象认为AI是一个机遇，40%认为AI意味着风险（33%认为AI既是风险，又是挑战）。仅有4%的调查对象认为AI纯粹是风险。

AI受热捧的原因是什么？与商业利益有什么关联吗？答案并不唯一，从图表5来看，大多数的调查对象认为，AI将会让他们获益并降低成本。84%的调查对象认为AI能让他们获得和保持竞争力。约3/4的高管认为AI可以带来新的商业机会。

雷声大，雨点小

那AI的采用情况究竟如何呢？

不同的企业或组织有不同的情况，这也体现了呼声和行动之间的差距。只有约5%的调查对象较好地完成了AI落地。54%的调查对象表示并没有采用AI的实际行动。

此外，即便是采用AI，不同的企业或组织也有不同的级别。拿保险行业来说，平安保险聘请了110名科学，展开了30项AI项目。平安保险已经可以实现3分钟内审批一份网络贷款申请，而西方的某些大型保险公司，其AI还停留在“聊天机器人”上。

根据调查对象采用AI的水平和对AI的理解程度，调查对象可分为四组：先锋者、研究者、实验者、和被动者。

先锋者（19%）代表深入理解AI并已经采用了AI的机构

研究者（32%）代表理解AI但AI的采用还处于试点阶段的机构

实验者（13%）代表有一些试点项目或已经采用AI，但是对AI的理解不够深入的机构

被动者（36%）代表没有采用AI，对AI的理解也不深的机构

绝大部分的调查对象都认为AI是机遇，为何在采用AI上，一些企业或组织却显得后劲不足呢？下图体现了以上四组调查对象对所认为的牵制因素，可以看出，被动者最缺乏的是清晰的商业计划，而实验者则认为自己需要更多的资金，技术还不是首要原因。

另外一个很重要的因素，体现在了这四组分组的标准上——对AI的理解程度。

约有90%的先锋者和91%的研究者认可AI对商业价值的影响，而对于实验者和被动者来说，只有32%和23%表示赞同。

先锋者和研究者都认为AI在工作场所上，会改变一个组织的习惯。不过该报告也指出，在工作流程上，人还是很难被取代的。

呼声和行动之间的差距，还体现在各企业或组织对待数据、人才培训、算法的态度上。

约有50%的先锋者在数据上已经付出了大笔投资，而其他组的调查对象则相对较少，例如研究者一组，就只有25%针对数据进行了投资。为何数据如此重要？因为没有数据，算法是无法单独提供任何价值的。

微软的数据科学主管就表示：“人们对机器学习能做什么还没一个成熟的认识，许多企业或组织并没有累积数据让算法提炼出模型来做可靠的预测。”

算法和数据，都离不开技术人才的实现和管理。有经验的企业或组织，例如先锋者，主要通过内部培训或者招聘来增强自己的AI技能，而缺乏经验的，如被动者，主要通过外包的方式弥补AI技能上的不足。

报告中也指出，虽然现在有很多优秀的工具和开源的项目，企业或组织可以外包的形式采用AI，但并不意味着组织或机构就不需要内部的AI技术团队了。

在数据的使用上，隐私问题和法规等对四组调查对象都有限制，但是他们应对方式却有所不同。

相比起实验者（34%）和被动者（30%），先锋者（73%）更能够维持数据的隐私和安全。这一差距，也体现了在AI发展上落后的企业面临的障碍。

抓管理，展未来

落后的企业想要缩短差距，更要从管理上抓起。在管理上，管理上的挑战有三个：建立对AI的基础认识、为AI进行调整、重新思考竞争领域。

建立对AI的基础认识

受访的高管和学术人士都表示，管理层需要对AI有一个基础的认识。可以从网络课程开始学习，理解程序是如何从数据中学习的。

为AI进行调整

AI的广泛应用可能会让原有的合作方式发生改变，项目团队成员既有人类，也有机器。虽然各组对象都有发展AI能力的方案，但是30%的先锋者和研究者仍然没有为AI设立部门并明确责任，70%的被动者处于同一情况。建立一个合适的AI发展模型显得迫切。此外，AI的发展也有文化上的阻力，需要建立中心化和去中心化的技术团队，并招募合适的人才。

重新思考竞争版图

如下图表11，超过60%的调查对象认为研究出AI的策略非常重要，但是只有30%已经研究出了策略。大公司（员工超过10万的公司）本来最应该有AI策略，但实际情况是只有56%有。报告指出，随着数据的增多，优先获得数据访问权限的需求是源源不断的。或许这是可以考虑到策略内的因素。