大多数开发人工智能能力的公司还没有获得显著的好处

只有10%的公司从人工智能技术中获得了显著的财务利益。为什么这么少？

我们的研究表明，这些公司故意广泛而深入地改变流程，以促进使用人工智能进行组织学习。更好的组织学习使他们能够在察觉到机会时准确地采取行动，并在情况发生变化时迅速适应。他们的战略重点是组织学习，而不仅仅是机器学习。

使用人工智能进行组织学习要求很高。它不仅需要人类和机器一起工作，而且还需要相互学习-随着时间的推移，以正确的方式，在适当的环境中。这种相互学习的循环使人类和机器更聪明、更相关、更有效。人与机器之间的相互学习是人工智能成功的关键。但这很难规模化实现。

我们的研究-基于对3000多名经理的全球调查，以及对高管和学者的采访-证实，大多数公司正在开发人工智能能力，但尚未从他们的努力中获得显著的财务利益。超过一半的受访者肯定他们的公司正在试点或部署AI(57%)，拥有AI战略(59%)，并了解AI如何产生业务价值(70%)。这些数字反映了与四年前相比，在采用率、战略制定和理解方面的统计上的显著增长。更重要的是，越来越多的公司认识到提高其人工智能能力的商业必要性。尽管有这些趋势，但只有十分之一的公司通过人工智能产生了显著的财务收益。

我们分析了对100多个调查问题的回应，以更好地了解是什么真正使公司能够通过人工智能产生显著的财务利益。我们发现，仅仅做好基本工作--比如拥有正确的数据、技术和人才，围绕公司战略进行组织--是远远不够的。仅凭这些基本面，只有20%的公司实现了显著的财务效益。做好基础工作，构建企业想要和可以使用的人工智能解决方案，可以提高获得显著财务利益的几率，但只有39%。

我们的主要发现是：只有当组织增加了使用人工智能学习的能力时，才有可能获得显著的好处。通过组织学习，组织报告重大财务收益的几率增加到73%。

1.它们促进了人与机器之间系统和持续的学习。使用人工智能的组织学习不仅仅是机器自主学习。或者是人类在教机器。或者是教人类的机器。三个都是。使人和机器能够通过所有三种方法不断相互学习的组织实现显著经济效益的可能性是使用单一方法学习的组织的五倍。

2.它们为人类和机器开发了多种交互方式。根据上下文的不同，人类和机器可以也应该以不同的方式进行交互。与人工智能的相互学习源于这些人机交互。在适当的环境中部署适当的交互模式至关重要。例如，某些情况可能需要人工智能系统提出建议，并由人类决定是否实施。一些上下文丰富的环境可能需要人类生成解决方案，并要求人工智能评估这些解决方案的质量。我们考虑五种构建人机交互的方法。与在单一交互模式下有效的组织相比，有效使用所有五种交互模式的组织实现重大财务收益的可能性是六倍。

3.他们改变是为了学习，学会改变。构建人机交互以通过多种方法学习需要重大的、有时令人不快的改变。与那些只对几个流程进行一些更改的组织相比，对许多流程进行广泛更改的组织获得显著财务收益的可能性要高出五倍。这些组织不仅更改流程以使用人工智能，他们还根据从人工智能学到的知识更改流程。

使用人工智能的组织学习需要、建立在此基础上，并导致重大的组织变革。这份报告就如何使用人工智能管理组织学习提供了一个清晰的、基于证据的观点。

2018年，总部位于西班牙的全球能源和公用事业公司Repsol启动了雄心勃勃的数字化转型努力。在公司价值链的上下，雷普索尔高管确定并开始实施190多个数字化转型项目。其中70%的人现在以某种方式融入了人工智能。这些项目不是实验：它们对雷普索尔的商业模式做出了重要贡献，从上游钻井作业到下游零售服务站的个性化服务。Repsol首席信息官兼首席数字官瓦莱罗·马林(Valero Marín)表示：“人工智能现在是绝大多数最相关的数字案例的基石，这些案例正在改变我们的业务部门。”

在其上游设施，Repsol创建了一个运营卓越中心，使用人工智能来优化钻探生产井的过程。AI解决方案每天分析1亿多个数据点，有助于将30个钻探地点的非生产时间减少40%-50%。人工智能系统识别低效和根本原因，以及潜在的解决方案，主题专家随后在采取行动或将更正反馈到系统以进行持续改进之前进行评估。算法的不断改进是机器和管理人员不断学习的来源。

在其中游炼油厂，Repsol为商业销售准备原油，这是一个协调石油混合、储存和交付的复杂过程。Repsol使用人工智能将500多万个场景减少到30天时间范围内的一小部分可行的生产选项。然后，人类工程师分析人工智能生成的选项，纳入难以量化的上下文，并将他们自己的分析反馈给人工智能系统。工程师和运营经理共同改变了他们的工作方式，以便与人工智能合作。

在下游，该公司使用人工智能为其由5000多个服务站组成的国际网络中的800万客户准备个性化报价。该系统每天产生20万至40万份报价。在机器学习算法处理结果数据后，管理洞察力改进了准备报价的人工智能系统。个性化促销带来了巨大的销售额增长-相当于增加了3%-4.5%的加油站。这对Repsol来说是一项重要措施，因为法规限制了该公司收购或建设新加油站的能力。这些结果反映了一项人类和机器都无法单独实现的成就。

值得注意的是，雷普索尔不仅仅教机器如何钻探、混合和发球。实际上，Repsol改变了它的流程，不断地与人工智能一起学习。流程改进会产生新的行为和人类的新知识，然后这些行为和知识会反馈给机器。这些动态在整个组织中持续、有意和系统地发挥作用。正如我们的研究显示的那样，雷普索尔用人工智能学习的能力是用人工智能获得显著好处的基础。

基于来自全球29个行业组织的3000多份调查回复，以及对学者和高管的采访，我们提供了对人工智能跨行业采用的见解，并对那些通过人工智能实现显著财务效益的公司进行了定量分析。1本报告的大部分内容提供了一个基于证据的观点，说明组织如何使用人工智能学习-包括其挑战的范围和转变组织的机会。

随着越来越多的公司意识到人工智能推动着战略机遇和风险，行业对人工智能的采用继续增加。截至2020年，57%的公司报告拥有人工智能试点或部署了人工智能解决方案，较2017年的46%大幅增长。越来越多地，特定于人工智能的战略指导这些努力。超过一半的受访者(59%)表示，他们有AI战略，高于2017年的39%。(请参见图1。)。

这些人工智能战略越来越多地与组织战略和基本运营交叉。印度电信公司Bharti Airtel使用人工智能分析卫星图像，以优化蜂窝塔的部署。有了人工智能，Airtel很快就知道在哪里放置基础设施，“以获得最大的收入和提供最好的服务，”首席信息官兼云和安全业务负责人Harmeen Mehta说。“人工智能不是一个性感、闪亮的工具；它是公司基本面的一部分。这是我们的必需品。“。Airtel不仅仅是找到了一款适合人工智能的应用程序。它发现，人工智能是竞争所必需的。

总体而言，越来越多的高管认识到竞争对手正在使用人工智能，他们相信人工智能将为他们的组织带来重大的战略利益。竞争动态、生态系统力量和财务激励都推动了商业战略对人工智能的日益依赖。(参见图2。)。

对AI技术及其商业潜力的更深入理解支持了这一信念：超过70%的我们的调查受访者表示，他们理解AI将如何改变他们产生商业价值的方式，这一比例比2017年的57%大幅增长。尽管有这些趋势，只有大约十分之一的公司-我们称之为领导者的群体-报告通过人工智能获得了“显著”的财务利益。(我们在“关于研究”部分详细解释了我们是如何定义和计算这些收益的。)。什么才算重要，取决于公司的收入。在我们的2019年报告中，2我们讨论了这样一个事实，即只有3/10的公司报告了任何对人工智能的影响；今年，我们更深入地研究了获得显著财务利益的子集。

我们对领导人调查回应的分析突出了几个有用的见解。首先，利用人工智能实现显著的财务效益需要的不仅仅是数据、基础设施和人才方面的基础。其次，即使在业务流程中嵌入人工智能也是不够的。第三，人工智能投资的回报超出了立竿见影的财务结果。经济利益是学习人工智能的结果，而不是唯一的目标。

我们的调查分析表明，领导者有一个共同的突出特征：他们打算成为更熟练的人工智能学习者。感觉到不断变化的条件(如新的竞争对手或全球大流行)并做出快速和适当反应的组织更有可能利用这些中断。他们认为人工智能不仅仅是削减成本和自动化的工具。

例如，德国跑车制造商保时捷(Porsche)使用人工智能做出复杂的地区特定生产决策，以使库存与世界各地城市的当地需求相匹配。保时捷首席信息官马蒂亚斯·乌布里奇(Mattias Ulbrich)表示：“在人工智能的基础上，我们不断学习如何从我们向每个市场提供的数百万种潜在选择中，更好地定制精确的汽车配置组合。”在混乱的全球经济中，市场需求和监管环境的变化加剧了对准确且不断调整的预测的需求。对于保时捷来说，提高将正确的产品分配到正确的市场的能力是学习人工智能的持续动机。

但是仅仅感知不断变化的环境是不够的。精度的好处通常需要速度。90%的领导者使用人工智能来提高他们感知和响应商业环境的速度。总部位于中国的搜索公司百度(Baidu)将人工智能放在其技术栈的每一层。百度研究(Baidu Research)深度学习平台主任马艳军(Yanjun Ma)表示：“我们把人工智能作为早期的战略要务，它对我们的精确度、速度和效率产生了直接影响。”速度帮助领导者利用精确度。

精确度、速度和学习不仅仅是财务投资的功能；它们需要在思维方式、流程和行为方面进行大规模的组织转变。哈佛商学院(Harvard Business School)大卫·萨诺夫(David Sarnoff)工商管理学教授马尔科·伊恩斯蒂(Marco Iansiti)表示：“随着越来越多的公司核心围绕软件和数据建立起来，组织的性质也发生了变化。”不只是将人工智能应用于特定案例，基于算法和数据的公司架构使组织不仅可以使用人工智能，甚至可以广泛使用人工智能实现自动化，还可以使用人工智能进行学习。这样大量的组织变革需要时间和精力。Iansiti警告说：“对于传统组织来说，这是一个需要大量时间的架构转换。”“这是一个巨大的变化。”

我们的研究证实，使用人工智能学习需要大量的组织努力。为了更多地了解领导者如何在其他人苦苦挣扎时成功地做出这些改变，我们将机器学习应用到我们的调查回答中。这些机器学习模型从100多个问题中提炼出答案，并确定了影响成为领导者可能性的七项活动。(参见图3。)。

在这七项活动中培养能力的组织可以将他们成为领导者的可能性从2%提高到73%。这些增长不会来自一系列有针对性的人工智能应用程序，即使这些应用程序受益于该组织日益增长的技术经验。取而代之的是，组织在每一项活动中都会增加其使用人工智能的潜在好处。我们将这些活动分为四类：

发现人工智能。目标区域中的人工智能实现有时(即使是孤立的)会产生令人惊讶的可观回报。例如，减少客户流失的复杂模式本身就可以创造大量价值。仍在开发基础设施、人才和战略以拥抱人工智能的组织有一些实现增量价值以上的小潜力(2%)。虽然2%当然不是一个很高的概率，但它证明了人工智能的潜力，即使在目标明确(但很重要)的应用程序中也是如此。

建造人工智能。为了从有针对性的应用程序发展到组织使用人工智能，公司在数据、技术和算法方面进行投资，以构建人工智能能力。3他们掌握了利用这些投资所需的技术技能。4他们的整体业务战略内在地融入了人工智能的能力，而不是将人工智能降级为侧翼战略。5在这些领域的组织努力使他们成为领导者的可能性从2%增加到21%。但是，即使是这十倍的增长，也不会获得超过五分之一的绝对机会，从而获得显著的经济利益。

缩放AI。将人工智能嵌入到流程和解决方案中的能力显著提高了显著收益的可能性，但仅为39%。有几个因素促成了这种改善。有了许多技术选项，有效地扩展AI可以克服将正确的技术与特定问题相匹配的困难。(请参阅侧栏“跨职能解决方案团队，而不是AI团队”。)。从生产方面来看，将人工智能深入而广泛地嵌入到流程中表明，一个组织可以有效地解决问题和执行项目。从消费方面，整个组织的经理们更多地了解如何使用AI，AI模型是如何工作的，以及对它们的信心有多大(或多小)。扩展AI显然不仅仅是企业范围的流程自动化。有效生产和消费人工智能的组织创造了一些商业价值。6然而，通过发现、构建和扩展人工智能获得显著财务利益的绝对机会仍然远远低于50%。

领导者成立的是“解决业务问题的团队”，而不是“人工智能团队”。我们的调查结果显示，近80%的领导者将来自多个职能领域的团队集合在一起，以利用各自的经验和优势(76%)，在构建AI系统原型时收集来自最终用户的反馈(78%)，并在后续开发过程中使用这些反馈从原始设计演变解决方案(80%)。因此，领导者只有在证明其积极的财务影响后才会扩展AI解决方案(74%)。他们的重点不是如何使用人工智能，而是解决业务问题。

我们在科技公司和非科技公司都观察到了这种业务重点。例如，全球矿业公司英美资源集团(Anglo American)的首席数据官阿伦·纳拉亚南(Arun Narayanan)提到，他的公司的团队不是人工智能团队，而是“就像软件公司的产品团队，专注于服务、沟通、营销、客户参与、可持续性等。他们一起诊断业务挑战，然后定义整体解决方案来解决这个问题，无论有没有人工智能。”

沃尔玛负责机器学习的副总裁普拉哈尔·梅赫罗特拉(Prakhar Mehrotra)从优步(Uber)来到沃尔玛后，逐渐建立了数据科学和管理者之间的关系。他花时间从头开始学习零售，走在商店的过道上。他主持会议，向经理们展示人工智能能做什么，不能做什么。他组建了由采购员和供应链经理以及数据科学家和机器学习工程师组成的团队。“这是一个致力于解决问题的全套团队。他们集思广益，集思广益。通常情况下，经理们非常非常善于在算法进入业务之前对其进行修正，“他说。“我想用他们的经验来测试这个算法。我想知道它可能犯的所有错误。管理者和数据科学家有一个共同的目标，那就是让算法变得更好。“。

使用人工智能进行组织学习。一些组织通过人工智能获得显著财务收益的前景几乎再翻一番(达到73%)。多么?。它们为人类和人工智能之间的相互学习创造了机会。他们不仅学会了教给机器他们作为人类所知道的东西；他们还学会了如何利用人机交互来随着环境的变化而快速改进流程。他们还没有发现流程中人和机器角色的单一规定结构；他们已经学会了如何使人和机器角色适应每种情况。不断增长的集体组织知识，以数字数据和人类经验的形式，支持不断改进的决策。使用人工智能的组织学习成为一个系统的、持续改进的过程。这两个方面-确保人们和人工智能相互学习，以及构建有效的合作方式-都需要对组织进行重大、复杂的变革。难怪他们中很少有人学会如何使用人工智能学习。

使用人工智能的组织学习不仅仅是机器自主学习。或者仅仅是人类在教机器。或者仅仅是机器在教人类。仅使用其中一种方法的组织报告重大财务收益的可能性仅为6%左右。

更成功的组织将多种教学和学习方法结合起来，以利用人类和机器的独特优势和劣势。例如，人类在广泛的环境和新情况下工作得很好，而机器则能很好地保留和处理大量数据。使人类和机器能够相互学习，往往比任何一方单独取得的效果都要好。相互学习使人类和机器能够理解对方的逻辑和推理：它不是简单地让人类检查人工智能的输出，反之亦然。例如，确保人工智能知道人类为什么要推翻一个决定或偏爱某个特定的结果，这会改进算法。确保人类知道人工智能为什么要做出决定，可以确保人类可以信任结果，并可以从人工智能的决策中学习。有效应用多个反馈会议的组织。

.