很多公司無法推廣AI試點項目的原因在于短期內看不到回報，因而只好大量削減AI項目的預算。問題不在于技術或者人才——其罪魁禍首往往是AI時代到來之前就已經形成的企業文化和組織結構。為了推廣AI技術，企業管理者必須營造一種業務團隊與技術團隊能夠親密合作的文化氛圍。

下面將介紹一套由10個環節組成的方案，幫助企業管理者打造出適合AI規模化應用的土壤。不過沒必要一定照著這個列表按順序推進，大多數企業只需熟悉這套方案中的某一個或幾個環節。

其實，這份執行指南羅列了AI成功應用的文化所必需的條件。企業管理者們可以以此框架為準，對照著找出自己企業對這些不同環節的熟練程度。然后，企業管理者們就可以開始營造文化氛圍了。

AI改革方案

幾乎所有CEO都說他們在“搞AI技術”，這跟你的朋友說他“要去健身房”是一個道理。他們一般都無法達到期望的目標——很多企業做到AI試點項目就沒了下文，朋友不久也會說太忙了沒時間健身。

高德納咨詢公司2019年的首席信息官議程調查 （The 2019 Gartner CIO Agenda Survey） 報告中指出，參與調研的3000家企業中，有37%的企業已經應用了AI技術。可以肯定的是，剩下那63%的企業中有很大一部分在推行AI的過程中遇到過或多或少的阻礙。

只有技術和人才是遠遠不夠的。企業必須打破文化壁壘，重新對組織結構進行審視，以便于AI在不同部門和地區之間推廣。企業部署AI沒有唯一的路徑，具體怎么做要取決于不同企業的規模、人才庫和AI技術成熟度。

以下這套由十個環節組成的方案可以為管理者們的AI轉型之路提供指引：

· 以規模化應用AI為目標

· 在全公司上下建立起AI意識

· 在企業高管層達成共同的“AI轉型愿景”

· 打一套AI組合拳

· 建立內部AI團隊并與AI供應商合作

· 將AI人才分派至公司不同部門并且分配具體職責

· 讓全公司上下接納數據導向型的決策

· 打破數據豎井

· 架起業務團隊與技術團隊溝通的橋梁

· 為整合與管理轉型做好預算

以規模化應用AI為目標

有了AI的幫助，企業可以成規模地對數據進行分類、搜尋模式、預測結果以及產出重復型的決策。

規模很重要。為了推動交叉銷售和向上銷售，采用機器學習工具對客戶進行細分，這對銀行來說還是相對容易做到的。而部署AI解決方案來優化從客戶引導到維護已有客戶關系的整個客戶流程，是一項更具挑戰也更有收益的工作。

企業要如何構建和部署具有可擴展性的AI解決方案組合呢？歸根結底在于組織結構和企業文化。企業必須促進業務團隊和技術團隊的合作，這樣AI解決方案才能夠滿足不斷變化的業務發展的需求。組織結構也必須具有相當的流動性，使AI人才能夠去到最需要的地方。

在全公司上下建立起AI意識

必須增強整個企業的AI意識。從管理人員到個體員工，都必須樹立相關意識，明白AI可以怎樣解決業務問題，了解要如何使用AI工具。

AI培訓可以由內部進行也可以借助外部力量。AI技術成熟的企業可以建立公司內部的AI學校，提供在職培訓課程。其余企業可以外聘培訓師和顧問進行課堂教學以及開展研討會。

高級管理人員

企業決策層和其它高級管理人員對企業的業務需求，目標以及面臨的困境早已了然于胸。因此，他們必須有良好的AI意識，這樣才能夠：

· 充分理解AI技術的工作原理（比如，機器學習，機器視覺，自然語言處理）

· 鑒別行業內和公司里的高價值AI用例

· 識別出滿足本公司需求的獨特AI工具

· 學會確定AI方案的優先級

· 了解有哪些必須克服的障礙，對員工角色轉變有何影響以及企業文化需要進行怎樣的改變

技術人員

企業必須為數據科學家、AI工程師和開發AI工具的研究人員提供技術培訓。根據他們的角色不同，培訓的內容應該包括：

· 數據最佳實踐（比如，數據收集，數據清理，數據治理，修正偏差）

· 對機器學習和深度學習的技術性理解

· 了解公開源代碼和第三方工具（比如Python， PyTorch， TensorFlow），這些工具可以用于開發和訓練AI以及建立數據模型

· 認識行業標準和新興AI技術

業務解釋員（Business Translators）

圖源：unsplash

這個新興的角色也被稱為分析解釋員 （Analyticstranslators） ，負責溝通業務團隊與技術團隊，以確保AI產品能夠滿足業務需求。有些業務翻譯人員還管理著開發AI工具的技術人員，并且主導AI項目的實施和應用。

業務解釋人員通常來自業務團隊（比如項目經理、業務分析師、行業專家、業務經理），因此他們對公司業務非常了解，同時還可能精通項目管理、人事管理或者戰略規劃。

業務解釋人員應當參加基礎技術培訓，具有AI意識，這樣才能夠：

· 運用技術術語向開發AI工具的數據科學家和工程師解釋公司的業務需求和要求

· 采用分析方法和AI工具解決業務問題

· 形成詳盡的AI用例

· 理解部署AI工具之后，工作流程將會發生哪些變化

業務用戶

市場營銷、融資、銷售以及其他職能部門中的這部分人員是AI工具的終端使用者。這些員工也需要相關的培訓，要學會在日常工作中應用AI工具。

此外，他們還需要克服對AI的恐懼。很多人都擔心AI和自動化會奪走他們的工作。如果企業決策者將機器看得比員工的技能和經驗重要的話，經理們同樣會感覺受到了冒犯。公司領導人必須讓員工堅信AI會幫助他們完成更多事情，讓員工明白AI的重要性，相信AI會給公司和他們個人帶來好處。

企業領導人要讓員工相信，對企業而言，最重要的永遠是人。AI可以提供數據導向型的見解，可以使流程自動化，但是只有人擁有能夠運用那些見解的常識和智慧，要將AI視為人類智慧的延伸而不是人類智慧的復刻。

實際上，AI確實會取代一些工作。那些常規的重復型勞動被取代的風險最高。但是，像“三分之一工作崗位將被自動化機器取代”之類的新聞標題不過是聳人聽聞罷了。AI能夠自動執行任務，但無法承擔所有崗位職責。真實的情況是員工借助AI提升工作能力，而不是員工被AI大規模取代。

職員應該歡迎AI的加入。那些枯燥單一的任務交給機器自動完成，職員就有更多的時間去做有影響力且有滿足感的工作了。雇主對此也是樂見其成的。德勤曾對1900家采用了AI技術的企業進行調研，該調查報告顯示AI帶來的最大好處在于其解放了員工，從而激發了他們的創造力。

職員如果明白AI對個人成長（乃至生存）的重要性，就更有可能會接納AI的到來。零售企業管理者只需要讓員工看到亞馬遜和電子商務給企業帶來的生存危機，讓他們了解AI將如何使零售企業更具效率，就會收到強烈的反響。向員工強調他們對企業的重要性，為他們描繪一個成功的未來，員工就會全力支持AI改革。

企業高管層達成共同的“AI轉型愿景”

一個企業AI改革成功幾率的大小，與管理者對于AI改革愿景是否足夠清晰有很大的關系。改革愿景不是關于某些使用個案的事，而是在市場上取得大贏面的問題。

具體而言，高級管理層應當要能夠對下面這四個問題作出詳盡的回答：

· AI可以幫助企業解決哪些商業困境？

· 三五年內，AI將如何使企業與其它競爭者拉開距離？

· 企業要如何利用AI來擴大并掌控市場份額？

· 眼下在數據可用性、人才、以及創新文化等方面，有哪些事情是必須要做的？

假設有一家空調暖通公司，主營業務是為辦公大樓安裝采暖、通風以及空調設備。他們抓住了市場機遇，將傳感器與機器學習相結合，從而實現了通過感知人類活動來調節整棟大樓的溫度，這為該公司的客戶將能源消耗降到了最低。在這個案例中，因為采用AI技術節省了能源，這家公司得以在行業中脫穎而出，獲得了更多的市場份額。

這僅僅是這家空調暖通公司的AI改革圖景的第一章。接下來，他們要問問自己，要如何充分利用好數據、人才和企業文化，才能使公司立于不敗之地。

一個AI改革圖景要能夠說清楚公司的AI戰略和項目組合，而且要讓公司能夠分清AI項目的優先級。

目光放長遠，短期內通過試點項目獲取知識

一個長期的AI改革愿景有助于管理者確定一條分階段的AI改革之路。管理者會意識到真正的收益需要花時間。沒有長遠的目光，一旦管理者沒有快速看到結果，他們很快就會終止這場變革。

即使是成功的AI項目，想要得到回報也是要花時間的。試點項目可能沒有任何經濟性回報，但只要試點項目能夠讓公司學會如何徹底改造數據基礎設施，以便于大規模推動AI應用，那就是有意義的短期勝利。

試點項目需要投入的資金不多，卻能讓公司在構建可延展的AI解決方法上獲得許多寶貴見解。這些項目讓企業知曉哪類數據是需要大量收集的，哪類是需要豐富細節的，并且找出當前的數據缺口。這些信息有助于企業發展其數據收集和管理等核心能力。

當企業高管達成一個長期的改革愿景之后，他們就更有可能去推動和鼓勵一種創新的文化氛圍，在這種文化里，投資回報率不再是衡量成功的唯一標準。這個思路為巨大的長線投資回報提供了可能性。

打一套AI組合拳

成功的AI改革有賴于一個完整的項目體系，這個體系要涵蓋各種周期不同的項目。

比較大型的、宏遠的AI項目短期內需要大量的投入，卻可能需要很多年才能獲得可觀的收益。如果單單投資這樣的大型項目，公司的預算壓力會比較大，同時這種項目需要管理層有足夠的耐心。

企業要打一套AI組合拳，規劃好不同項目所實行的周期。這讓公司得以從短期項目中獲取穩定的收益，這樣一來，管理層才會繼續提供支持。一套結構合理的AI項目組合應該包括：

· 小型試點項目，為擴大AI規模提供寶貴經驗

· 短期項目，能夠在6-12個月內獲得可觀的回報

· 中期項目，能夠處理價值量不斷增加的用例，并能夠在12-24個月內看到投資回報

· 長期項目，能滿足整個企業擴展應用AI的需求

假設有一家銀行有意推行AI改革，其目標是“通過AI來簡化客戶服務流程，以此博得更大的市場份額”。那么，其項目組合就應該涵蓋簡化顧客注冊的流程，以及幫助銀行提供便捷且個性化的服務，這樣反過來也會吸引來更多新客戶。

試點項目主要圍繞學習和概念驗證展開。這些項目的意義在于讓企業了解自己所處的位置，了解數據、人才和基礎建設方面的需求，從而幫助企業成功部署AI。

短期項目目標明確，就是要通過簡單用例“掙快錢”。這家銀行可能從一個項目開始，在引導客戶時實現自動化“了解客戶”流程。推行短期項目使AI自動化工具隨時可用，使KYC流程標準化，從而幫助銀行削減成本，增加收益。

中期項目要關注具有更高價值的用例，相應地也就需要較長時間才能獲得回報。自動化KYC流程之后，這家銀行可以推行無監督機器學習項目打造客戶細分工具。這套工具將客戶按照行為模式和人物特征進行劃分，大大提高了銀行交叉銷售的效率，從而增加了收益。

長期項目是真正為公司和客戶創造價值的項目。這些項目可以是獨立的項目，也可以是將幾個小項目整合成的一套連貫的解決方案。這家想要簡化整個客戶服務流程的銀行，可能會打造一款app或者一個網頁平臺，將服務全部納入其中，包括客戶引導、個性產品推薦以及提供客戶服務。

一套結構合理的項目組合會在不同階段產生收益。除了前期獲得的信息和見解，分階段獲得回報的項目還可以為后期的項目提供資金，并且可以驗證項目組合的可行性。

建立內部AI團隊并與AI供應商合作

從長遠來看，企業要以建立自己的AI體系為目標。短期（且針對特定用例）而言，從AI供應商那里購買工具能產生即時的回報。

購買AI的方案。與AI供應商合作可能可以加速推進一次性的AI項目，尤其是在企業推進AI計劃的初期。針對某一用例，AI供應商可能會有最合適的工具，這能為企業省下許多時間。供應商在這方面是專業的，這也能為新建的內部AI團隊節省下許多學習時間。

自建AI體系的方案。企業自建的AI工具更有可能滿足企業的需求，契合企業原有的數據和工作流程。長期依賴供應商提供產品滿足多元化的AI項目需求是不現實的。供應商并不熟悉企業的業務需求、流程和數據，現成的工具未必能與企業的數據和業務流程相融合，企業也不可能將一些敏感數據提供給供應商。最關鍵的是，自建AI工具能提升企業的AI能力，擴大其規模。

混合模式。在急需個性化定制的解決方案時，與AI供應商合作定制AI工具是一個不錯的選擇。內部員工可以讓供應商準確地了解工具所要做的事情，這樣一來，工具就更有可能契合企業的流程和數據。

舉個例子，匯豐銀行與AI供應商Ayasdi合作，開發一款AI反洗錢工具。雖然匯豐肯定有內部AI團隊，但還是選擇充分利用供應商的專業性，從而更快得到了想要的結果。

除了與供應商合作，一個好的AI轉型愿景還需要一個集中的AI團隊來為整個公司提供幫助。這支團隊中要有數據科學家、數據工程師、機器學習工程師以及AI產品經理。根據企業的組織架構，這支團隊可以直屬于首席技術官、首席信息官、首席數據官甚至首席AI官。

企業內部的AI團隊的職責要包括：

· AI戰略和問題確認

· AI標準及流程

· 策劃和執行AI項目組合

· 數據和管理標準

將AI人才分派至公司不同部門并且分配具體職責

打造可擴展AI的組織結構

哪種組織模型最適合大規模部署AI？AI人才在企業內部應該處于什么位置呢？《哈佛商業評論》一篇關于AI驅動型企業的文章對以下三種推廣AI的組織模型進行了探討：

· 集中式：將AI人才全部集中于總部或者區域辦事處等中央核心部門

· 分散式：將AI人才安插在不同業務部門里

· 混合式：“核心”與業務部門均分配AI人才任職

與AI戰略、項目和采用相關的任務可以由以下三個組織層級中的任何一個負責：核心層，各個業務部門，或者跨核心層與業務部門的“灰色地帶”。

核心層

核心層負責AI和數據戰略，人才招聘，管理以及與AI和數據供應商合作。

核心層建立AI標準和流程，并且推行有助于在組織中推廣AI的最佳實踐方案。這樣確保業務部門之間的工作不會重疊，AI部署也不會有縫隙，能夠符合公司的標準。

核心層要負責數據清理、標注和集成等數據項目。這些項目應當隨著AI項目的推進逐步實施。在確認業務需求和AI用例之前，企業沒必要花一堆錢去收集和清理公司范圍內的數據，畢竟管理層一旦發現這些數據項目不適合AI項目，就會舍棄掉它們。

業務部門

因為業務部門是AI系統的終端用戶，所以他們應該負責AI系統采用的相關工作。這些工作包括業務分析、鼓勵采用、培訓用戶、重新設計工作流程以及衡量收益。

業務部門必須為AI產品的成功負最終責任。因為AI工具的設計初衷就是為了滿足業務需求，所以像區域經理之類的業務部門主管就應當為AI工具的成功負責。

灰色地帶

灰色地帶的工作既可以由核心層負責，也可以由某個業務部門負責。這些工作包括項目管理、算法開發、產品設計和測試、IT基礎架構以及變更管理。

至于具體由核心層還是業務部門來負責這些工作，取決于以下三點：

· AI技術成熟度：企業在此之前的AI部署經驗

· AI需求緊迫性：AI項目的進度和復雜性

· 業務模型：參與AI應用的部門數量，職能以及區域

如果公司的AI技術成熟度低，需求緊迫性高，業務模式簡單，將AI人才和業務集中在核心層不失為一個好方法。反之，將AI人才分散至業務部門會更好。

AI技術成熟度。企業部署AI之初，往往將數據和分析管理人員、數據工程師、AI工程師和支撐型員工集中在核心層。這樣可以推進標準化工具，數據流程，存儲庫和基礎架構的快速發展。當然，這些人員也可以根據需要分派到不同業務部門。

AI需求緊迫性。在需要快速部署AI項目的情況下，企業往往選擇將AI人才集中在核心層。這樣，行業技術趨勢可以得到更好的把控，AI產品的構建也可以得到更便捷的協調。

業務模型。AI工具有時需要支持大量業務部門，協調多個區域或者提供多種功能。在這種情況下，企業管理者出于對公司業務復雜性的考慮，可能會將AI人才整合到核心層，然后再根據需要分配到不同的部門。

歸根結底，AI人才部署更多是一種藝術，而不是科學。舉個例子，一家急需部署AI解決方案的企業有著復雜的業務模型（更適合集中式），可能還具有很高的AI成熟度（更適合分散式）。在這種情況下，企業管理者就應當綜合考量這三者的重要性，據此來確定究竟AI人才是集中在核心層還是分散到業務部門中更有利于企業發展。

假設某銀行的AI項目組合中，有某個項目是為某個國家開發KYC自動化工具。如果該國家的客戶關系團隊此前已經在客戶引導方面部署了AI工具，那么這支團隊就有能力負責一些通常由核心層來執行的活動，諸如商業案例分析和項目實施。

讓全公司上下接納數據導向型的決策

AI應該通過賦予人們數據洞察力來改進日常工作。既然具體操作終究要由人來執行，那么企業就必須從上至下都接納一種由數據引導決策的文化。如果AI能夠被正確接納，員工就可以利用算法建議來提升自己的技能和判斷力，從而獲得更好的成果，這種成果僅靠人類或者僅靠機器都不可能實現。

而只有員工信任AI工具并且能夠做出決策的情況下，上述情況才有可能發生。信任建立的基礎是（前面所述的）AI意識，而賦予決策權要求企業摒棄傳統的自上而下管理模式。

假設有一家全國連鎖超市，這家超市通常由區域經理根據歷史數據，來做出優化占地面積和商品放置方面的決策。對于一家有上百門店的連鎖超市而言，這種自上而下的決策方式可能并不會產生最適合具體門店的結果。而在數據引導決策的文化里，當地經理可以利用AI工具實時追蹤店內顧客的行為，從而對商品放置做出最佳的決策。

打破數據豎井

AI需要各個部門的大量數據。很多企業部門的數據都存儲在豎井中，豎井是一種系統，這種系統彼此之間沒有連接，只能由特定的團隊進入。這對AI融合而言是個障礙，但卻是可以克服的。

大型保險公司一大臭名昭著的特點就是他們的數據豎井。保險公司傾向于保留幾十個獨立的保留（老舊）系統，這些系統彼此之間不相連接，也不連接到新的數據平臺或者云平臺。這對于該行業正在進行的AI和數字化變革是不利的。

像大部分數據密集型行業一樣，現今的保險公司要么在對老系統進行現代化改造，要么在將數據轉移到數字化系統、數據湖和數據倉庫。數據湖和數據倉庫都可以存儲大數據。數據湖是一種大型的數據池，存儲的是不帶架構和標簽的原始數據；而數據倉庫則存儲用于特定目的的結構化標簽數據。

打破數據豎井不是一蹴而就的事。一般來說，在應用AI技術之前，花大錢在大規模數據變換上不是很好。最好是兩者并舉，這樣數據變換就可以根據AI項目的需求來推進了。AI試點項目在這方面也能提供助力——找出當下的數據缺口。在了解的基礎上，企業才能不浪費一針一線，打破數據豎井。

架起業務團隊與技術團隊溝通的橋梁

前面提到的業務解釋人員，正是使AI和數據科學解決方案能夠充分考慮業務需求的保障。

業務團隊和技術團隊的溝通有時是雞同鴨講。AI顧客細分工具要滿足怎樣的需求，這一點可能區域銷售經理會很清楚——這個工具要能夠將客戶按照感興趣的產品進行劃分。但是，銷售經理很可能不知道怎么用技術術語，向數據科學家或者機器學習工程師描述這些需求，而后者才是真正開發工具的人。

這種問題在商界并不新鮮。部署內部IT系統的企業，或者部署面向客戶的移動app的企業，都會讓IT項目的經理和業務分析師來負責這些項目。舉個例子，IT項目經理能夠理解新IT系統的業務目標。他們對技術有一個基本的了解，同時能夠管理好構建系統的技術員工。

而在AI項目里，這些業務解釋人員就可以是項目經理、業務分析師甚至是內部顧問。他們要對AI方法和功能有廣泛的涉獵，這樣才能理解技術團隊的工作并提供指導。

業務解釋人員能夠運用AI意識和商業嗅覺找到AI采用之路上的障礙。項目初期，這些人員可以對終端用戶進行調研，研究工作流程，并與業務和技術領域的主要利益相關者進行對話。這樣一來，諸如缺乏員工接納或者終端用戶有不合理的期待等問題，就能夠被他們診斷出來，進而找到解決方案。

找出有業務解釋能力的員工非常重要。這樣的角色的需求量很快就會變得非常大——而同時擁有AI意識和業務知識的人并不多。德勤2019年發布的《企業中的AI調查報告》顯示，商業人才的價值跟AI人才是幾乎持平的，甚至在企業實施了20多個AI系統之后更是如此。

為整合與管理轉型做好預算

遍及全企業的AI意識，以及員工對AI項目的普遍認可，為AI的融合打下堅實的基礎。但是，想要確保AI與業務開發所準備的一樣多。

整合AI工具涉及到工作流程的重新設計，培訓以及管理轉型這些工作。在部署AI解決方法之前，要做好這些支持型工作。這樣可以避免一些不愉快的驚嚇，讓員工能夠做好準備運用AI工具來完成工作。同時，這也確保員工能夠意識到、參與進并且支持AI改革。

盡早開始改革，業務解釋員和終端用戶才能在正式實施之前找出運用中可能存在的問題。AI工具可能需要對有些工作流程進行重新設計，這造成的混亂可能遠超過了收益。在部署AI技術之前認識到這點，技術團隊就可以對AI工具進行調整。

AI不簡單。投資回報要花時間，一個公司的AI進化路取決于其自身獨特的需求和情況——這意味著跨越完全陌生的領域。

企業高管要營造適合AI轉型的企業文化，為這段進化路打下基礎。上述的這個十步AI轉型方案，可以幫助企業管理者了解企業要如何轉變才能夠適應規模化部署AI的需求。

推廣AI之路漫漫，了解要做什么僅僅是第一步。濃郁的文化氛圍，強烈的AI意識，以及各級員工的接納都是至關重要的。