人工智能(ai)正在重塑商业，不过速度不像很多人想象的那么快。的确，从农作物收成到银行贷款，现在各个领域的决策都由ai指导，而且，过去似乎遥不可及的东西，比如无需人工的纯ai客服，已经逐渐成为现实。开发平台、强大的处理能力以及庞大的数据存储空间等ai背后的技术，正在迅速发展，应用成本越来越低。眼下似乎是企业开始采用ai获利的好时机。据我们推测，今后十年，ai将为全球经济增加13万亿美元。
然而，ai发展前景虽好，许多公司却并未做好充分准备。据统计，一家公司的ai转型多半要花18到36个月，还有一些转型长达5年之久。
我们开展调查，了解了数千名高管所在公司对ai及高级分析技术的应用和相应组织情况，调查数据表明，只有8%的公司开展了支持ai大规模应用的核心工作。多数公司只做了临时的试点项目，或只在某一项业务流程中采用ai。公司进展这么慢，原因何在上升到最高层面，这反映了组织未能做好ai所需的转型。在调查以及与数百名客户的合作中，我们发现，ai项目面临着难以跨越的巨大文化及组织障碍。但我们也看到，在项目开端采取措施克服障碍的领导者，能够很好地抓住ai带来的机遇。
领导者最大的一个错误是，将ai视为能够迅速带来回报的即插即用式技术。他们决定启动几个项目，就开始投资几百万给数据基础设施、ai软件工具、数据专业技能和模型开发。少数组织的一部分试点项目勉强实现了一点点盈利，但之后再过几个月乃至几年，都未能取得高管期望的巨大成功。公司很难将这类试点项目扩展到整个公司，也很难将ai工作重点从分散的问题(如增强客户细分)上升到大的商业难题(如优化整个客户旅程)。
还有，领导者往往对运用ai的必备条件考虑得不够充分。前沿技术和人才自然必不可少，但公司文化、结构和工作方式也要支持广泛应用ai，这方面的调整与技术和人才同等重要。但在多数并非天生数字化的公司，传统思维方式和工作方式与ai的需求相悖。
要扩大ai应用范围，公司必须做出三项转变:
第一，从孤岛作业转为跨领域合作。由具备多种能力和视角的跨职能团队开发的ai最能发挥影响力。让业务人员和技术人员合作，加上分析专业人士，能够确保项目照应到整个组织的重点议题，不只关注单一部门的问题。多样性团队还可以充分考虑到应用新技术要求的运营变革——这样的团队更能发现和反映问题，比如说，要引入一项算法用来预测维护需求，应当同时对维护工作流程进行相应的调整。此外，如果开发团队在设计项目时让终端用户参与，项目得到应用的可能性会大幅度提升。
第二，从由领导者推进的基于经验的决策，转为由数据推进的一线决策。ai得到广泛应用时，算法推荐会让组织上下各层级员工的判断和感知得到增强，得出人类或机器单独无法获得的更好的答案。不过，要想充分发挥这种作用，各层级员工必须信任算法给出的建议，并感到自己有权利做决定——这意味着要摒弃传统的自上而下的决策方法。如果员工在采取行动之前必须先请示上级，ai应用就会受到阻碍。
某公司将一个复杂的手动排程方法换成了全新的ai系统，决策过程明显改变。过去，这家公司的活动策划者用彩色的标签、大头针和贴纸来标记时间冲突、参与者需求及其他要注意的地方，常常根据直觉和上级管理者的建议做决策，而管理者也是凭直觉行事。新系统能够迅速分析大量日程安排组合，先用一个算法在几亿种排法中提取出几百万种，再用另一个算法将这几百万种缩减为几百种，最后为每位参与者排出几种最佳日程供选择。随后，有经验的活动策划人运用自己的专业知识，在数据支持下做出最终决定，无须向管理者征求意见。策划人迅速适应了这个新系统，十分信任系统给出的结果，因为他们参与了系统参数和限制条件的设置，而且知道最终做决定的还是自己。
第三，从僵硬固化、趋避风险转为敏捷、试验、可适应。组织必须摆脱“只有完全成熟的创意才能实行”或“只有设计完善的商业工具才能使用”的思维。ai应用需要迭代，绝少在投入应用之初就具备组织需求的功能。组织要具备“从测试中学习”的态度，将错误转为新知的来源，减少对出错的担忧。收集初期用户的反馈，用于升级ai工具，会使公司在小问题发展成为代价高昂的大问题之前及时将其纠正。发展会逐渐加速，让小规模ai团队能在几周(而非几个月)内开发出最小可行产品。
要实现这种根本性的转变绝非易事，需要领导者帮助员工做好准备，提供动力和相应的培训。但首先领导者自己必须先做好准备。我们看到过很多次由于高管对ai缺乏基础认知而导致的失败。
为确保ai工具得以推广，公司必须自上而下对全体人员进行培训。为此，一些企业建立内部ai培训班，一般包括课堂教学(在线课程或面授)、研讨会、在职培训，乃至前往有经验的同行业公司参观学习。多数ai培训班一开始是邀请外部机构编写课程和提供培训，但也经常自行培养内部教学能力。
各公司设置的培训班不尽相同，但多半都提供四大类课程:
领导者。多数培训班努力培训高管和业务部门领导者，让他们对ai工作原理有一个高层次的认识，学会识别ai机遇并判断其重要程度。培训班还会讨论ai对员工职能的影响、推广ai的障碍以及人才培养，并为逐渐推进ai组织所需的文化转型提供指导。
分析人员。这部分课程关注的是数据科学家、工程师、架构师以及其他负责数据分析、治理和ai解决方案的员工，持续培养他们的硬技能和软技能。
解读员。分析解读员一般是业务人员，需要基础的技术培训，例如运用分析方法解决商业问题、构建ai实践案例等。这部分课程可以包含在线课程、实际操作、模仿有经验的解读员，在“期末考试”中要求参与培训的员工实际执行一个ai项目并获得成功。
终端用户。对于一线员工，可能只需要大致介绍一下新的ai工具，之后提供在职培训，教他们使用ai工具即可。负责营销和财务等方面的战略决策者可能需要更高层次的培训课程，学习在真实商业场景中运用ai工具辅助产品发布等决策。
运用ai辅助决策的方法还在增加。新的应用方式将会在工作流程、职能和文化方面推动根本性的改变，有时改变还会十分艰难。领导者必须谨慎地带领组织渡过这一阶段。人与机器合作可以获得高于双方单独作业的成绩，未来这种合作将会越来越多，在整个组织内成功推广ai应用的公司会拥有巨大的优势。
蒂姆·方汀丨 文
蒂姆·方汀是麦肯锡悉尼办公室合伙人，麦肯锡旗下高级分析公司quantumblack负责人，公司位于澳大利亚。布赖恩·麦卡锡是麦肯锡亚特兰大办公室合伙人，麦肯锡分析公司知识发展议程负责人之一。塔米姆·萨利赫是麦肯锡伦敦办公室高级合伙人，麦肯锡分析公司欧洲负责人。
本文有删节，更多内容请查看《哈佛商业评论》中文版2019年7月刊——《构建ai型组织》。
《哈佛商业评论》
newmedia@hbrchina.org
公众号id：hbrchinese