评估能力。

为成功播下文化的种子

对于像我们所描述的那些传统公司来说，用人工智能进行转型的最大

挑战之一是创造一种强调数据驱动的决策和行动的文化，并对人工智能改

造业务的潜力充满热情。否则，即使有一些人工智能倡导者分散在组织中，

他们也不会得到他们需要的资源来用技术建立伟大的应用，人工智能职能

部门的领导者也将无法雇用优秀的人才，即使建立了人工智能应用，企业

也不会有效地利用它们。简而言之，伟大的人工智能技术如果没有正确的

文化，可能不会提供任何价值。

有些文化建设可以在追求人工智能实验和项目的同时进行。有时，它

也需要某种程度的正式教育课程的提供。目前，许多公司已经开始了数据

扫盲或数据流畅计划，其中大量的员工，甚至所有的员工都接受了数据类

型的培训，例如，这些数据如何用于分析和人工智能项目，什么类型的决

策最好用数据来做，以及数据和理解数据的方法如何有助于组织的成功。

这些努力播下了人工智能成功的种子，使每个人都有责任在整个企业中提

出、开发、实施和分析人工智能工具。

通常情况下，领先的项目有多个组成部分。通常需要对数据、分析和

人工智能的关键方面进行概念性学习。在一个特定的项目层面上，变革管

理通常包括以下活动：识别利益相关者，明确人工智能系统的目标和性能

预期，经常沟通项目进展，展示原型以获得反馈，以及重新培训、提高将

成为新系统使用者的工人的技能。由于数据科学家和人工智能专家与建立

模型和编程相比，往往对这些活动不太感兴趣，因此许多公司正在安排人

工智能项目或产品经理参与其中，以确保变革管理活动得到应有的重视。

调查数据支持这种类型的干预措施的重要性。与其他被调查公司相比，

对变革管理进行高度投资的组织报告人工智能计划超过预期的可能性是

1.6 倍，实现其预期目标的可能性是 1.5 倍以上。德勤在这方面正遵循自己

的思想领导力和建议。2021 年，它推出了人工智能学院，以创造和扩大

人工智能人才。该学院的愿望不仅是培训自己的人工智能专业人员，也是

在更广泛的经济中成为人工智能人才的创造者。

对于分析和人工智能职能部门的领导者来说，关于人工智能的宣传和

文化转型可能是他们在带来技术成功方面所扮演的最重要的角色。迪斯尼

的分析和人工智能组织甚至使用了 evangelytics 一词来强调在公司内部

沟通和说服各种受众关于分析和人工智能作为商业工具的优点的重要性。

如果你的公司足够幸运，不需要对数据和人工智能进行太多的宣传（尽管

这不太可能），你可以把重点放在实施上。人工智能小组的领导者在识别、

试验和实施人工智能系统时可以采取的步骤与其他相对较新的技术一样。

例如，最好是利用早期采用者，到兴趣高的地方去；例如，在蒙特利尔银

行，直到最近他们的人工智能卓越中心的负责人 Ren Zhang，最初专注于

拥有大量数据的企业的人工智能使用案例；例如，该银行的数字部门拥有

大量来自客户的点击流数据，需要人工智能和分析来理解这些数据并使客

户互动个性化，该银行的金融犯罪部门也有客户和员工行为的数据，并一

直对使用最新的人工智能工具来识别和阻止犯罪活动感兴趣。张女士则将

她的人工智能举措稍稍集中在业务中比较保守的部分，例如，商业银行所

服务的客户比消费银行少，而且更喜欢个人化而不是更多的自动化流程和

互动。信贷风险职能部门的高管们支持使用数据和分析技术来做出更好的

信贷决策，但这方面的业务受到严格的监管。

人工智能项目的领导者应该争取并利用企业领导人的支持。这既能确

保所需的资源，又能说服公司其他部门，让他们相信管理团队是支持人工

智能项目的。理想情况下，这将在启动大型人工智能计划之前完成。例如，

当 Vipin Gopal 被邀请担任礼来公司的首席数据和分析官时（该公司正在

进行有趣和有用的人工智能工作），他的第一个活动是采访整个组织的业

务领导人。在访谈中，他推荐了三个重点使用的领域。对于每个案例，他

与该领域的领导人讨论了成本和效益，并将想法提交给整个高级执行团队。

这些项目都得到了认可，并且正在成功推进。有些已经在部分实施中显示

出相当大的效益。当然，对人工智能采取的方法越积极，确保利益相关者

坚定地支持这一努力就越重要。

使组织支持人工智能的另一个方面是经常沟通结果和宣传成功的经

验。如前所述，星展银行的 Piyush Gupta 鼓励组织一些活动，每年展示

成功或有希望的人工智能实验。礼来公司的 Gopal 也举办了这种类型的

活动，其目的不仅是为了宣传成果，也是为了在公司周围建立一个以数据

和人工智能为重点的社区。特别是当这些员工处于分散的组织结构中时，

让他们经常聚在一起是很重要的，且至少保持每年一次。此外，这些活动

还可以让员工更加专注于社区建设和学习新的人工智能相关技能与技术。

对于在公司内部领导人工智能工作的人来说，重要的是通过将短期价

值与长期转型潜力相结合，保持对人工智能的积极看法。许多高管相信我

们和其他组织的调查，相信人工智能将对他们的企业和行业产生变革性影

响。例如，在 2020 年的调查中，75%的受访全球高管（他们都采用了人

工智能）认为，在三年内，人工智能将迅速改变他们的组织。

为了帮助满足这些期望，人工智能开发人员应该产生伟大的案例和生

产部署的应用程序。然而，正如我们所讨论的，今天的人工智能是相对狭

窄的，它通常没有能力自己处理整个工作，更不用说处理整个业务流程了。

因此，人工智能组织的领导人将不得不宣传小的成功，并把它们放在它们

将帮助实现的转型变化的背景下。

例如，在我们合作过的一家以人工智能为重点的健康保险公司，人工

智能小组使用机器学习应用程序从 PDF 文件中提取会员数据。这似乎是

一个相当普通的成就，但它被描述为向客户互动转型迈出的一步。从 PDF

文件中提取数据意味着呼叫中心代表可以使用这些数据来快速确定会员

健康计划的细节，并更容易回答问题。这也是迈向对话式人工智能系统的

垫脚石，最终将减少呼叫中心的呼叫需求。人工智能负责人在讨论该系统

时，强调了短期的成就和长期的计划。

帮助员工了解人工智能和他们的未来

工作在人工智能问题的人类方面，也许最具有逻辑挑战性的是教育员

工了解人工智能的能力和未来对他们工作的可能影响。这是很困难的，原

因有很多：在一个大型组织内有很多员工；很难预测在未来几年内工作会

因为人工智能而发生什么变化；最后，不同的员工在工作上有不同的目标

和兴趣，所以 “一刀切”的教育举措是不可能成功的。

一些公司（通常不是那些 All-inAll-in 人工智能的公司），已经把这些

挑战作为限制对员工进行人工智能教育的理由。例如，一家大型国防承包

商的人力资源领导层用三个论据来证明他们的做法是正确的；

1. 公司在短期内有许多其他竞争性的优先事项。是否值得投资于影

响如此长期和不确定的东西？

2. 工作变化和自动化比专家预测的要慢得多。我们将能够随着变化

的到来进行调整。当工作发生变化时，大多数情况下是任务的增加或新技

能的提升，而不是裁员。这种变化不那么难完成，也更容易计划。

3. 围绕预言有太多的不确定性，我们很可能是错的。那么无论如何，

公司都需要做实时调整。

虽然这些论点是合理的，但我们采取了不同的观点。我们认为有可能

预测人工智能带来的一些工作变化，或者至少让员工更好地准备应对更多

通用的工作变化。虽然扩增确实比大规模自动化更有可能，但扩增将可能

导致工作变化，工人需要为此做好准备。我们在 2018 年对人工智能采用

者的调查中发现，82%的人预计他们的员工在三年内会有适度或实质性的

工作变化。尽管有竞争性的优先事项，我们认为现在是教育员工了解人工

智能及其影响的时候了。这可能需要一段时间，所以没有什么时间可以浪

费。这些恰好也是一些以人工智能为重点的公司用来证明其目前行动的想

法。

当然，一些希望对工人进行再培训或提高技能的组织并不确定未来的

工作需要哪些具体技能，但他们相信这些技能将以数字为导向。例如，亚

马逊已经承诺花费 7 亿美元进行再培训，以确保其员工拥有在日益数字

化的就业市场上发展所需的技能（无论是在亚马逊内部还是外部）。该公

司的主要重点是配送中心、运输网络和总部的非技术性职位的工人。它为

分销中心的工人（更容易受到自动化的影响）提供了 IT 支持技术人员的

再培训，并为非技术性的企业工人提供了软件工程技能的再培训。同样，

新加坡星展银行的领导人为员工提供了七种数字技能，包括数字通信、数

字商业模式、数字技术和数据驱动的思维。该计划被称为 DigiFY，旨在提

高该银行许多员工的技能。德勤专注于使其专业人员精通技术，假设在一

个以人工智能为导向的商业环境中，几乎每个员工都需要了解技术如何运

作并与他们的工作相适应。这三家公司都认为，无论未来的工作发生什么

变化，如果员工和他们的雇主能够更熟练地掌握数字技术，他们将得到更

好的发展。

有时，这些新技能会带来一系列新的角色。星展银行还创建了一个“翻

译”小组，这些人以数量为导向，但不是数据科学家，他们可以在商业利

益相关者和人工智能开发者之间进行调解。这个角色是一个重要的角色，

已经得到了相当广泛的讨论，但没有广泛实施。星展银行甚至决定在人工

智能项目中，每两名数据科学家配备一名翻译。该银行的首席分析官

Sameer Gupta 说，当这两个角色合作时，数据科学家可以对他们的建模

进行更多实验，而翻译可以确保实际的业务问题得到具体解决。

这种策略的一个变种是对员工进行数据科学技能教育。这种方法通常

涉及与该领域的在线课程提供者合作。例如，壳牌在 2019 年开始与

Udacity 建立关系，当时这家能源巨头意识到，它所需要的数据科学家的

数量远远不能完成它计划的所有人工智能相关项目。它为具有 IT 背景的

人创建了一个试点项目，然后开始了一个更大的举措，目标是石油工程师、

化学家、数据科学家和地球物理学家等。完成人工智能纳米学位通常需要

四到六个月的时间，每周工作十到十五个小时。截至目前，有五百多名员

工已经完成或正在参加纳米学位课程，另有一千名员工完成了数据素养和

数字素养课程。

同样，空客公司与 Udacity 合作，对一千多名员工进行数据科学和分

析方面的培训。该公司要求员工和他们的经理每周抽出半天时间进行培训。

经理们与员工一起确定一个员工可以从事的数据科学试点项目，而经理们

则监督他们的进展。空中客车公司认为这一培训举措有多种好处：它不仅

增加了能够从事人工智能工作的人数，而且还促成了一个对数据科学和人

工智能感兴趣的人的社区，中央数据科学小组可以与他们进行合作。培训

计划也是在公司周围部署人工智能最佳实践的一种手段，而这些项目是让

管理人员及其业务熟悉人工智能的一种方式。

一些组织正试图预测未来工作的性质和它们所需要的技能。当然，这

很难或不可能做到精确。然而，这些公司正在着手预测组织中所有工作的

未来，那些特别可能受到人工智能影响的工作，或与未来战略密切相关的

工作。

例如，一家积极采用人工智能的美国大型银行宣布投资 3.5 亿美元，

用于与人工智能相关的工作变化相关的再培训，该银行对这一举措既进行

了预测，又进行了细化。 SML 分析将帮助该银行计划这些工作的变化，

并帮助工人获得他们所需的技能，以成功地完成修改后的工作或过渡到新

工作。一些公司正在根据其战略或产品进行具体的就业预测。在欧洲，一

个由微电子公司组成的财团 “欧洲技能公约”正在投入 20 亿欧元，对现有

和未来的员工进行电子元件和系统的培训。通用汽车公司正在培训其员工

制造电动和自动驾驶汽车。Verizon 正在招聘和培训数据科学家和营销人

员，以扩大其 5G 无线技术。SAP 正在增长员工在云计算、人工智能开发、

区块链和物联网方面的技能。对特定行业的趋势和指导员工再培训的方向

的预测，比一般的业务更容易，尽管它们也可能出错。

联合利华（Unilever）是一家在很大程度上依赖人工智能的公司，它

正在采取不同的方法为工人准备未来的工作。该公司不是试图预测哪些工

作会发生变化，而是帮助工人对自己的职业道路拥有更多的所有权。员工

被授权在他们的工作和职业中做出他们想要的改变，而不是等待对强加给

他们的变化做出反应。联合利华（Unilever）通过描述替代性的职业发展

来促进这一进程。公司帮助工人选择目标职业，并了解达到目标所需的技

能，然后，联合利华（Unilever）提供广泛的培训选择，包括内部和外部

培训，以获得这些技能。同样，这也是通用电气数字公司最受欢迎的人力

资源工具之一。该公司是人工智能在制造业应用的早期采用者，它能够显

示工人在公司的哪些工作是他们现在的工作的自然下一步，这有助于员工

感到他们有更多的机会，以及对自己在公司的职位有更多的控制。

任何类型的人工智能和相关问题的教育都可能是一件好事，但当它对

参与者（任何人），特别是高管具有吸引力时，往往是最好的。一些公司

已经创建了一些项目，包括为高级管理人员积极调查和开发人工智能相关

项目。例如，星展银行创建了 “黑客马拉松”，其目标不是编写一个程序，

而是思考所有将被纳入人工智能产品或服务的元素。道明银行的财富管理

业务部门有一个类似的项目，WealthACT（通过技术加速变革），包括访

问硅谷、波士顿和蒙特利尔等技术中心，并涉及与客户的访谈和新产品的

开发。

很明显，拥有人工智能的公司已经得到了人工智能不仅仅是技术的信

息：他们由强大的领导者推动，他们正在建立数据驱动的文化，他们正在

教育他们的员工积极参与到他们的人工智能旅程中。这些积极采用人工智

能的企业已经在很大程度上成功实现了这一目标，他们可以成为其他希望

认真对待人工智能作为竞争武器和业务转型工具的组织的典范。

第三章 AI 策略

我们经常认为，人工智能是数据科学家和技术专家的主要领域，需要

他们来训练和部署人工智能模型。但在利用人工智能进行转型的组织中，

我们还需要不同的人群参与，并进行一系列不同的对话。公司应该越来越

多地问：“人工智能如何能改善我们的业务？” “我们能用人工智能做什么

来创造新的产品，以帮助我们成长？” “我们怎样才能用人工智能赚钱？”

这些问题，在以人工智能为动力的公司中肯定会被提出和回答，是需要在

高级管理人员、战略部门，甚至战略顾问之间进行的战略对话。

当然，这些对话可能很有挑战性。这就是为什么 “对话”是一个正确的

词，没有一个人可以拥有所有的想法，而这些想法将在讨论和审议中得到

完善。任何人工智能战略都应该在他们希望实现的原型的背景下考虑。这

些原型包括：

⚫创造新事物，包括新的业务或市场、新的商业模式或生态系

统、新产品或新服务。

⚫转变业务，使公司现有战略的效率和效益大幅提高。

⚫影响客户的行为，使用人工智能来影响客户的关键行为，如

他们如何社交、保持健康、过他们的财务生活、驾驶他们的车辆，

等等。

在这一章中，我们将描述一系列涉及人工智能战略影响的话题，并看

看一些解决这些战略原型的公司的例子。我们将讨论的以人工智能为重点

的公司包括：

⚫对于新的企业和市场：Loblaw

⚫用于新产品和服务：丰田和摩根斯坦利

⚫新的商业模式和生态系统：平安、空客、壳牌、SOMPO 和

安泰。

⚫改造业务：克罗格公司和摩根士丹利。

⚫影响客户行为：包括 FICO、宏利保险、进步保险和 Well 在

内的多家公司。

其中有几家公司同时在用人工智能追求一个以上的战略原型。然而，

我们将专注于他们正在努力实现的主要原型。

战略原型 1：创造新事物

在所有的公司中创造几种新的经营方式。这可能涉及新的业务和市场，

新的产品和服务，以及也许是人工智能带来的最令人兴奋的机会——新

的商业模式和生态系统。我们将描述这些创造新事物的方法中的每一种，

并提供一个采用这些方法的公司的详细例子（或在某些情况下几个）。

新业务和新市场 All-in on AI 公司采用 AI 不仅支持其现有业务，而

且还促进新业务的创建和进入新市场。他们利用人工智能在现有优势的基

础上提供新类型的产品和服务，或以更有效的方式提供现有的产品。虽然

我们认为这是一个好主意，但我们几年来的年度 “企业中的人工智能”调

查结果表明，大多数公司使用人工智能来改善现有的业务流程。然而，2021

年的调查发现，成绩较差的组织（称为后进者和起步者）往往更关注效率

或成本支出目标，而成绩好的组织（称为转型者和探路者）更可能强调以

增长为导向的目标，如提高客户满意度，创造新产品和服务，以及进入新

市场。最近麻省理工学院斯隆管理评论的一项分析进一步证明了人工智能

创新战略思维的价值，该分析发现，与那些主要使用人工智能改善现有流

程的公司相比，主要使用人工智能探索和创造新形式的商业价值的公司提

高其竞争能力的可能性是 2.7 倍。2013 年，它收购了加拿大最大的连锁

药店 Shoppers Drug Mart；2017 年，它收购了电子医疗记录供应商 QHR；

2020 年，它对远程医疗供应商 Maple 进行了少数投资，该公司有两千多

个地点，还有 150 多个诊所，它可以通过这些地点提供医疗保健服务。

然而，公司领导经常说，“医疗保健的未来是数字化的”，而这一导向

主要集中在 PC Health 应用程序上（PC，即 President's Choice，是 Loblaw

的高绩效高档零售店品牌）。PC Health 的设计并不是为了取代加拿大现

有的医疗保健服务，其中大部分是国有的。相反，它的目的是帮助加拿大

人有效地浏览医疗保健系统，并提供一个健康服务的“前门”。Loblaw 还提

供加拿大最大的忠诚度计划，PC Health 用户可以通过健康导向的活动赢

得忠诚度积分。未来，Loblaw 计划将 PC Health 与可穿戴设备和家用医

疗设备的数据整合，并以忠诚度积分奖励健康行为。

PC Health 中的大部分人工智能是通过与 League 的合作获得的，

League 是一家加拿大创业公司，为特定的健康目标提供个性化的健康建

议和定制方案。League 还与雇主和保险公司合作。虽然 League 利用人

工智能提供个性化的建议，但它和Loblaw 都致力于提供人类的保健建议，

包括药剂师、护士和医生。

Loblaw 在医疗保健方面的数据资产很强大。它拥有电子医疗记录、

药房处方数据，甚至还有广泛的医疗成像数据。而且它知道许多客户在他

们的杂货店购买什么食物。鉴于他们迄今为止的积极经验，Loblaw 似乎

有可能继续提供基于人工智能的新保健产品。

新产品和服务

人工智能的另一个战略用途是创造新产品和服务，或为现有产品和服

务提供重大改进。这是硅谷公司的一个熟悉的趋势，它们已经将人工智能

添加到许多产品中。例如，在谷歌，人工智能被嵌入到搜索、Gmail、地

图、家庭、翻译和许多其他产品中。但正如我们所建议的，对数字原生组

织来说，在产品中添加人工智能是很自然的。对于传统企业来说，以一种

有意义的方式将人工智能添加到他们的产品和服务中，往往更具挑战性。

新产品中的人工智能：自动驾驶汽车

也许在实体产品中加入人工智能最明显的例子是自动驾驶汽车。不幸

的是，完全自主驾驶的概念出现了一些问题。事实上，汽车界在完全自主

车辆的话题上正悄悄地退缩。车辆自动驾驶与共享汽车密切相关，而在

2020 年初，客户似乎对共享汽车不太感兴趣。一些自动驾驶车辆的制造

商声称机器人出租车和私家车具有自动驾驶能力，但这些都被停止或推迟，

有些情况下甚至是多次停止。Starsky Robotics 是一家自动驾驶卡车初创

公司，目前已经倒闭。正如《汽车与驾驶》杂志在最近一篇文章的标题中

所说，“自动驾驶汽车的建造时间比大家想象的要长”。

业界的共识似乎是，我们在实现自动驾驶汽车的道路上已经走了80%，

但剩下的 20%将需要和最初的 80%一样长的时间，也就是大约 40 年。自

动驾驶汽车在一些高度受限的环境中蓬勃发展，例如，在凤凰城等温暖干

燥的城市中，谷歌/Waymo 的机器人出租车在一组规定的街道上行驶，但

这些受限的环境可能没有足够的车辆让该行业繁荣。

丰田的智能汽车战略可能是一个有趣的战略。丰田不一定是第一个出

现在自动驾驶汽车开发商名单上的名字，甚至不是一般的专注于人工智能

的公司。但多年来，它一直在追求 Guardian——丰田研究所（TRI）的一

个以人工智能为重点的项目，专注于使人类驾驶更智能、更安全。TRI 的

首席执行官吉尔-普拉特(Gill Pratt)几年来一直强调安全。普拉特在 2017

年麻省理工学院关于自动驾驶汽车的会议上发言后，汤姆写道：例如，他

（普拉特）指出，虽然美国成年人的死亡中只有不到 1%是来自汽车事故，

但 35%的青少年死亡是来自汽车事故。因此，丰田公司正试图开发一种

具有“监护人”模式的车辆，以保护青少年（以及其他坏司机）不犯致命的

驾驶错误。该公司还在为需要持续帮助的老司机开发“司机”模式，这在人

口迅速老化的日本尤其重要。

Pratt 和 TRI 仍在进行 Guardian 和 Chauffeur 项目的工作。很难知道

他们进展到什么程度，尽管 TRI 的一份工作描述中包含这样的信息。

加入我们的使命，通过人工智能、自动驾驶、机器人技术和材料科学

的进步，提高人类的生活质量。我们致力于建立一个“人人享有移动性”的

世界，在这个世界上，每个人，无论年龄或能力，都能与技术和谐相处，

享受更好的生活。通过人工智能方面的创新，我们将帮助：

⚫开发不可能造成碰撞的车辆，无论司机的行为如何。

⚫开发车辆和机器人的技术，以帮助人们享受新的独立、访问

和移动水平。

⚫将先进的移动技术更快地推向市场。

⚫发现新材料，使电池和氢燃料电池更小、更轻、更便宜和更

强大。[注：TRI 的这项研究也广泛地借鉴了人工智能] 。

⚫开发以人为本的人工智能系统，以增强（而不是取代）人类

的决策，以提高决策的质量（例如，减轻认知偏差）和/或促进更

快的创新周期。

丰田在 2019 年消费电子展上确实透露了一些关于监护人的具体信息，

其中一份新闻稿描述了一种提高安全性的 “混合包络控制”方法。细节还

有待观察，但它似乎是一种线控驾驶（数字控制）的情况，驾驶员向汽车

的计算机提供输入，如果这些输入看起来有危险，计算机可以覆盖这些输

入。据丰田称，这种方法类似于现代战斗机的工作方式。

现在说司机对汽车否决他们的意图会有什么反应还为时过早；这可能

比一些司机想要的智能和控制多一点。但是，大多数司机似乎对振动方向

盘的变道警告，或在近距离感觉到有物体挡路时接管的自主制动系统没有

太多负面反应。更具侵略性的“守护者”系统可能只是被视为这些驾驶辅助

系统的延伸。

当然，这一切都只是一种策略。实施将对 Guardian 方法的最终成功

或失败产生重大影响。为了以防万一，丰田和 TRI 也在研究 Chauffeur 完

全自主的方法，尽管该公司表明它最近主要关注 Guardian。普拉特表示，

安全功能将在 “2020 年代 ”提供，这似乎比即将到来的关于完全自主的

预测要现实得多。丰田有另一个先进的驾驶辅助系统品牌，名为

Teammate，正在一些 2022 年的车型上推出。它提供半自动巡航和停车

功能。

该公司以生产高度可靠的车辆而闻名，每年都在逐步但稳定地改进使

用丰田生产系统，这种车辆智能方法很适合这种公司文化。汽车制造商和

风险投资公司已经为完全自主化项目投资了 160 多亿美元，但所有这些资

金的短期回报似乎不太可能。但是，以安全为导向的家长或老司机可能会

因为丰田汽车的守护功能而购买它。在汽车中增加基于人工智能的自动驾

驶或增加驾驶员的安全是一个长期的游戏，这是肯定的，但丰田的守护方

法将人工智能纳入汽车似乎是比完全自动驾驶更好的短期赌注。

新服务中的人工智能：财富管理

人工智能也可以用来区分和增加服务的价值。这往往意味着提供与以

前相同的服务，但以不同的、更智能的方式提供服务。例如，十多年前，

时任摩根士丹利首席运营官的吉姆·罗森塔尔有一个想法，即类似 Netflix

的推荐引擎可以帮助摩根士丹利的财富管理集团区分其财富管理产品。摩

根士丹利拥有庞大的财富业务，其管理的资产在全球排名第三，仅次于瑞

银和瑞士信贷，它在传统上专注于使用人工财务顾问为客户提供建议。

自从罗森塔尔提出建议的想法以来，摩根士丹利一直在研究下一个最

佳行动（NBA）系统，为其顾问提供财务洞察力，以便向客户介绍。该公

司尝试了各种人工智能技术，最终选择了机器学习来识别投资、感兴趣的

行动以及与特定客户的相关性。当该系统最初于 2017 年推出时，唯一的

重点是创建个性化的投资提议。

NBA 系统允许财务顾问在几秒钟内为客户确定一个个性化的投资理

念，这在以前需要大约四十五分钟的任务。当普通的财务顾问有两百个左

右的客户时，人工方法其实并不可行。NBA 系统可能会在某一天向客户

推荐 20 个左右的可能想法，但财务顾问决定是否发送这些想法。例如，

它可能会告诉一个拥有特定债券的客户，其评级已被下调，并推荐一个替

代品。它也可能会说，他们的顾问注意到客户刚刚在他们的账户中增加了

10 万美元，请与财务顾问联系，讨论投资的想法。在接近税收年度结束

时，它可能会建议向客户提出一些税收规划的考虑。在这种情况下，NBA

系统被用来将客户过渡到一个更积极管理的投资组合。

摩根士丹利的 NBA 系统还根据与贝莱德及其 Aladdin Wealth 风险

管理平台的合作，对投资组合内的风险水平和问题提出建议。它在持续的

基础上对客户的投资组合进行各种类型的风险筛选。如果 Aladdin 发现了

高风险水平，就会通知客户，并鼓励他们与财务顾问讨论。

自 2017 年以来，摩根士丹利还专注于 NBA 系统的客户参与和沟通

方面。财富管理部门的管理团队认为，财务顾问获得成功的主要方式是与

客户频繁接触。而“下一个最佳行动”系统，现在包括一个客户沟通平台，

促进了这个过程。正如该业务的首席分析官 Jeff McMillan 在接受采访时

所说：“我们有一个非常复杂的机器学习算法来识别客户感兴趣的话题。

但归根结底，财务顾问是一个基于人的游戏。如果系统所做的只是提醒他

们，顾问在那里，并为他们着想，这往往就足够了。”

该系统的使用是自愿的，并不是所有的财务顾问都使用它，所以不可

能将管理的资产或其他财务措施归因于 NBA 系统或通信平台。但麦克米

伦说，使用该系统的顾问效率更高，因为使用该系统可以更快地提出相关

的投资理念，而且他们的客户也更愿意参与。这在 Covid-19 大流行期间

特别有帮助，当时金融顾问在封锁的头两个月就向客户发送了超过 1100

万条信息。其他高端财富管理公司有时会说，人工智能没有能力管理包括

另类投资的客户投资组合，如艺术品、商品或私募股权。但麦克米伦告诉

我们，这不是一个好借口：

McMillan 评论说，这不是一个系统，而是一种竞争对手难以复制的

业务方式。他归功于管理该系统和流程的跨职能方法，以及那些有远见并

长期坚持这一想法的高管。除了现已退休的罗森塔尔之外，麦克米伦还归

功于前财富管理部主管、现为摩根士丹利副总裁的安迪·萨珀斯坦。在我们

看来，麦克米伦在使 NBA 系统成为现实方面也应该得到很大的赞扬。

新的商业模式和生态系统

在过去的几十年里，人工智能一直在促成新的战略和商业模式，尽管

大多数从中受益的公司都是数字本土公司。当然，这对他们来说效果很好；

他们的多面体平台--管理买家和卖家之间的关系一直在快速增长，并且非

常有利可图。顾问 Barry Libert 对商业模式类型的研究表明，在所有商业

模式中，多方平台的估值最高，是一些传统商业模式年收入倍数的四倍以

上。数据来自于平台的所有参与者，机器学习帮助客户与他们需要或想要

的产品和服务相匹配。客户的产品可以通过人工智能进行个性化定制。而

使用平台的数百万客户需要高效的客户服务，如智能代理和聊天机器人所

提供的服务。因此，Facebook、Airbnb、亚马逊、谷歌、优步、阿里巴巴、

腾讯和其他领先的平台用户也是将人工智能应用于其业务的世界领导者，

这并不令人惊讶。

但是，传统业务中由人工智能驱动的公司也开始发展由人工智能驱动

的平台型商业模式。他们正在增加新的业务，创造新的商业生态系统，以

实现增长，收集数据，吸引和服务新客户。对他们来说，人工智能已经成

为减少客户摩擦的主要手段。人工智能领导者采取生态系统方法的证据来

自于我们 2021 年的调查，该调查发现，拥有更多样化生态系统的组织以

区别于竞争对手的方式使用人工智能的可能性是其 1.4 倍。此外，调查中

成就最高的两个人工智能用户群体，即转型者和探路者，大幅提高了拥有

两个或更多生态系统关系的可能性（两个最高群体中的 83%，两个最低

群体中的 70%和 59%）。拥有多样化生态系统的组织也明显更有可能对人

工智能有一个变革性的愿景，拥有企业范围内的人工智能战略，并将人工

智能作为一个战略差异化因素。这些调查结果不一定涉及成熟的平台，但

创建一个生态系统是实现这一能力的第一步。

AI 驱动的生态系统：中国平安

也许人工智能驱动的生态系统的一个最好的例子是中国的平安，它在

1988 年开始是一家保险公司，但现在将自己描述为一家领先的消费者金

融服务公司，在一个综合金融服务平台上提供产品和服务。其业务包括金

融服务、医疗保健、汽车服务和智能城市服务。

例如，在医疗保健方面，平安的医疗保健生态系统连接了政府、患者、

医疗服务提供者、医疗保险公司和技术。在医疗服务方面，它利用人工智

能相关服务，帮助医生诊断和治疗涵盖两千多种疾病的病情。截至 2021

年 9 月，该业务已为 4 亿用户提供服务，利用 2000 人的内部医疗团队和

46,500 多名外部医生，累计提供 12 亿次咨询。它与 189,000 家药店、

4,000 家医院和 83,000 家医疗机构合作。这些数字不仅说明了中国的人

口规模，也说明了数字平台商业模式可能带来的快速扩展。虽然这个生态

系统的主要价值是发展业务和提供有效的医疗保健，但它对于积累洞察力

以训练人工智能模型也至关重要。在适当的权限和授权下，平安的医疗保

健生态系统可以从支付者那里获取索赔和支付数据，从护理提供者那里获

取治疗数据，从药店获取处方数据，从患者那里获取症状数据，以及从其

他生态系统成员那里获取其他类型的数据。到 2020 年，平安拥有超过 3

万种疾病的数据和超过 10 亿条医疗咨询记录。总之，平安的商业模式包

括该公司首席科学家肖晶所说的 “数据的深海”。

平安还通过其平安智慧医疗部门提供放射学图像分析服务，该部门是

平安智慧城市生态系统的一部分。其图像读取系统将协助医生和医疗顾问

的诊断时间从 15 分钟缩短到 15 秒。它还允许平安收集更多的标记图像，

这有助于改善其图像分析机器学习模型。我们可以描述其他生态系统中类

似的协同作用和增长。而医疗/智慧城市关系只是平安发展生态系统的战

略的一个例子。例如，在 2020 年，其 3,700 万新客户中有 36%是通过其

生态系统获得的。截至 2021 年 6 月，在中国平安超过 2.23 亿的零售客户

中，近 62%的客户使用了来自医疗保健生态系统的服务。平均而言，这些

客户比其其他客户拥有更多账户和更多资产。平安表示，它正在追求生活

方式、金融服务和健康护理服务生态系统之间的进一步联系。

空客、壳牌和 SOMPO 的新兴生态系统

我们确定的其他几家人工智能驱动的公司也在追求生态系统和平台，

但相比平安，尚且处于早期阶段。在这一点上，他们仍然在探索商业和收

入模式，但正在追求数据共享和整合方法，并开始开发人工智能应用程序

来分析数据。

例如，空客在 2017 年推出了 Skywise。该开放数据平台是与 Palantir

Technologies 合作建立的。其目的是成为所有主要航空业者使用的参考平

台，以提高他们的运营绩效和业务成果，并支持他们自己的数字化转型。

目前的商用飞机每天可以产生超过三十千兆字节的数据，测量飞机周围超

过四万个运行参数。到 2021 年，Skywise 有超过 140 家航空公司和超过

9,500 架联网飞机。

自 Skywise 推出以来，空客的分析和人工智能专家已经开发了一系列

额外的应用程序，以利用所有可用的数据。天智健康监测、天智预测性维

护和天智可靠性。所有这些应用程序的目标是提高机队性能，并最终消除

非计划性维修。

健康监测实时整合了飞机上的所有数据。它对设备事件进行分析和优

先排序，允许更快地做出决策。它还可以协助决定在哪里找到需要的零件。

预测性维修，正如许多其他行业所使用的那样，使用数据和机器学习来预

测飞机部件需要维修的时间，而不是在固定的时间间隔内维修。可靠性提

供了关于设备的详细指标，并能识别和优先处理整个机队的技术问题。空

中客车公司还维护着一个全球跟踪数据集，航空公司可以订阅该数据集来

跟踪他们自己和其他运营商在世界各地的飞机。

空中客车公司在其国防和空间部门建立了一个更加开放的生态系统，

提供 OneAtlas 卫星图像和分析服务。它的卫星拍摄图像，其深度学习模

型（由空客及其合作伙伴开发）允许用户检测和分类物体，并识别随时间

的变化。这些非常精确的地理空间分析包括从土地使用和变化检测，到经

济活动分析和监测。这种能力可以进一步作为构建模块，为一些垂直领域

如国防、测绘、农业、林业、石油和天然气开发专题服务。它们可以是完

全由空中客车公司制造的，如 Starling（森林砍伐）和 Ocean Finder（海

洋），也可以是与深厚的行业专业知识伙伴一起开发的。Preligens 用于国

防场地监测，自动监测全球数百个敏感场地，并产生自动检测报告；Orbital

Insight 用于地球监测，近乎实时地检测基础设施和土地使用的变化，以

及识别和计算汽车、卡车和飞机；Earth Intelligence 用于分析空气质量和

绘制陆地和海洋栖息地；Sinergise 和欧洲数据立方用于分析、衡量 Covid19 对欧洲经济和社会的影响。领导空中客车集团人工智能规划和战略的

Romaric Redon 在接受我们的采访时评论说：“OneAtlas 空间图像所能做

的事情的多样性远远超出了空中客车公司能够单独做的事情。因此，我们

的方法是建立一个开放的生态系统，为伟大的合作伙伴的进一步应用开发

提供正确的构件。”

另一家以人工智能为导向的公司是 SOMPO 控股公司，这是一家位

于日本的大型保险和老年护理公司，它已经建立了几个生态系统，也是与

Palantir 合作，并对其进行了大量投资。SOMPO 的战略目标是利用数据

和人工智能来实现安全、健康和福祉方面的社会转型。考虑到这一点，它

最近建立了不是一个而是五个生态系统。

⚫移动性（汽车保险长期以来一直是公司的一个重点）。

⚫护理（它是日本最大的疗养院所有者和经营者）。

⚫健康老龄化（鉴于日本的人口状况，这是一个重要问题）。

⚫复原力服务（为企业和政府服务）。

⚫农业（其 SOMPO 国际子公司提供农作物和天气保险）。

这些生态系统的负责人和 SOMPO 的首席数字官 Koichi Narasaki 告

诉我们，在每个领域，公司都希望使用 Palantir 的方法在生态系统的参与

公司之间进行数据整合，这些公司将包括竞争对手和合作伙伴。SOMPO

将开发人工智能应用程序来分析和增加数据的价值。该公司还希望从其对

初创企业的投资中获得人工智能的帮助，如日本深度学习初创企业 Abeja

和美国初创企业 One Concern，后者拥有一个基于人工智能的“复原力平

台”。它还成立了一个新的数字子公司——SOMPO Light Vortex，向其他

公司销售数字和人工智能应用。

壳牌也正在建立一个新的生态系统，专注于基于人工智能的能源行业

转型。它被称为开放人工智能能源倡议，其目标是利用人工智能使能源行

业和其他大型工业组织更有效率，特别是在关注可靠性解决方案上。到目

前为止，该生态系统的技术合作伙伴有：C3.AI，一家专注于工业人工智

能应用的软件和服务供应商；微软，它将纳入云服务；贝克休斯，一家领

先的能源技术和油田服务公司。该安排是以物易物式的。人工智能产品是

通过公平价值交换参与的关键。每个被倡议接受的应用都将在 C3.AI 平台

上运行，最终将像壳牌公司数字创新和计算科学主管丹·杰文斯所说的那

样，“一个加工行业的应用商店”。Jeavons 还表示，该生态系统还计划分

享数据。运营商多年来积累的丰富数据资产对解决一些最棘手的数字问题

至关重要，该倡议有“一个基于开放标准的标准化数据模型。”目前还不清

楚开放人工智能能源倡议对其成员的商业影响，而且与其他一些人工智能

驱动的生态系统相比，维护是一个相对狭窄的业务流程。然而，该倡议正

在扩大以涵盖能源公司如何向可持续能源转型、优化油气田开发以及减少

管道和油井的泄漏等问题。

安泰公司的数字健康平台

另一个接受了基于平台的商业模式理念的人工智能组织是安泰公司，

这是一家致力于改善社区的领先健康公司，在其健康计划家族中为超过四

千五百万的消费者提供服务。

Anthem 的首席执行官 Gail Boudreaux 曾公开谈论过这一战略。在

该公司 2021 年的投资者会议上，她说：

对安泰保险（Anthem）来说，向数字健康平台的转变是一个长期的

过程，但该公司已经实现了一些人工智能功能。安泰保险（Anthem）与

黑石集团和 K Health 合作，成立了一家名为 Hydrogen Health 的公司，

为手机创建一个症状检查器应用程序，为会员提供关于其他有类似症状的

人如何被诊断和治疗的知识。然后，该应用程序建议会员是否应该咨询医

生。如果会员这样做，它将提供低成本的远程医疗咨询；如果会员不这样

做，它将提供自我治疗的选择或其他方式来帮助会员了解更多。安泰智能

手机采用的另一种方式是与 Lark 合作，Lark 是一家提供健康咨询的初创

公司，它基于个性化建议和对话式人工智能与安泰的智能手机应用程序相

结合。该应用程序通过发送短信，建议对糖尿病、心血管疾病、糖尿病前

“我们过去的传统保险公司已经让位于我们正在成为的数字化健康平台。这一平台

战略以数据为基础，部署预测分析、人工智能、机器学习和整个价值链的协作，为

我们的消费者、护理提供者、雇主和社区提供主动的、个性化的解决方案。通过利

用这些数字能力，我们将在我们广泛的 Anthem 药房、行为、临床和复杂护理资产

和算法组合的基础上，提供综合的全人健康解决方案。我们的数字平台和多样化的

资产不仅将支持和加速安泰内部的增长，而且还将越来越多地着眼于满足我们外部

客户和合作伙伴不断增长的需求。”

期、戒烟、压力、焦虑和体重管理采取行动。Lark 安全地使用来自安泰成

员索赔的数据，以及来自连接的医疗设备（如血压计、体重计和血糖仪）

的数据进行远程监控。如果有必要，云雀会安排与人类健康教练进行现场

电话交谈。超过 200 万名患者正在接受 Lark 的建议，研究表明，生活方

式干预可以在各种临床领域取得令人印象深刻的结果，如降低血糖和预防

糖尿病。

基于生态系统的人工智能中的交易与开发

对于这些生态系统中的大多数（平安是个例外），更多的是交易，而

不是人工智能应用的实际开发，早期的重点是跨组织边界的数据整合。为

了使这些生态系统和相关的商业模式取得成功，所涉及的公司将需要:

⚫建立大量的内部能力来开发人工智能应用。

⚫与可以应用于其问题的人工智能能力的外部供应商合作。

⚫解决作为传统竞争对手的生态系统成员之间出现的合作与

竞争问题。

⚫确定如何分配新商业模式带来的财务利益。

简而言之，有更多的交易和更多的发展要做。鉴于这种活动的不确定

性，以及可能的外部投入，例如，潜在的监管干预和限制很难知道这些生

态系统将如何随着时间的推移发挥作用。然而，鉴于平安的商业模式的成

功，人工智能驱动的生态系统当然有可能在不久的将来在全球经济中发挥

重要作用。

战略原型 2：转变运营

除了促进新战略、新市场和新商业模式外，人工智能还可以简单地用

于改造运营，使现有的、定义明确的战略更加成功。如果一家公司希望其

供应链经理能够使产品按时出现，其营销人员能够诱导客户购买，其销售

人员能够拜访愿意购买的客户，其人力资源经理能够雇用合适的人员，且

所有这些目标都可以在人工智能的帮助下实现。

让克罗格公司更有效率和效益

克罗格公司及其子公司 84.51°的数据科学、洞察力和媒体提供了这

种战略执行的例子。2017 年，这家巨型杂货连锁店宣布了其 “Restock

Kroger ”战略，该战略使公司更好地在不断变化的商业环境中取得有效竞

争。该战略的四个主要组成部分中的两个严重依赖于分析和人工智能。在

一篇描述该战略的文章中，数据、分析、通过人工智能实现的个性化以及

84.51°的组织被大量提及，特别是在第一个目标中。

重新定义食品和杂货店的客户体验：

克罗格将 “加快”数字和电子商务活动，“通过（内部机构）84.51°将其

客户数据和个性化专业知识应用到业务的更多方面，并在自有品牌组合的

出色增长的基础上更进一步。”

⚫数据和个性化。使用购物者数据来 “为顾客创造不同的体

验”，克罗格每年已经提供了超过 30 亿次的个性化推荐。

⚫数字化。内容目标不仅包括提供功能信息，还包括通过食谱

和产品相关内容提供“灵感和个性化的发现”。

⚫空间优化。克罗格将“利用客户科学来做出空间规划的决定，

以破坏货架，优化分类和改善库存”。

⚫私人标签。克罗格将“继续投资以发展其最受欢迎的品牌。”

从 2011 年到 2017 年，自有品牌产品的销售额增长了 37%，达到

205 亿美元。

⚫智能定价。该公司将继续投资，自 2001 年以来，它已经投

入了超过 40 亿美元，“以避免因价格而失去客户”。

除了对自有品牌的关注，所有提到的举措都是数据、分析和人工智能

密集型的。在其第二个战略平台“扩大伙伴关系，创造客户价值”中，也提

到了扩大公司的物联网传感器、视频分析和机器学习网络，通过机器人和

人工智能进行补充创新，以改变客户体验。而且，该公司的所有或大部分

战略举措都依赖于 84.51°的数据、分析和人工智能能力。宣布新战略的同

一篇文章突出地提到了该集团，甚至引用了其当时的领导人 Stuart Aitken

（现为首席商家和营销官）的话：

同时，克罗格公司的内部分析和营销公司 84.51°发布了克罗格精准营

销，这是一个“跨渠道媒体解决方案”，将寻求扩大零售商的个性化沟通计

划。该计划将利用来自克罗格 6000 万购物者家庭（跨越 2800 家商店和

35 个州）的购买数据，创建和执行“在一个扩大的数字生态系统中的整体

活动”，该公司在一份新闻稿中说：“这个平台促进了克罗格重新入库计划

的两个部分。84.51°首席执行官 Stuart Aitken 说：“这个平台推动了

Restock Kroger 计划的两个部分：重新定义食品和杂货店的客户体验，并

扩大合作伙伴关系以创造客户价值”。84.51°首席执行官 Stuart Aitken 还

称：“加强个性化和创造其他收入来源，正如我们通过这个平台所做的那

样，是我们的重点领域。”

当提供这些能力的部门及其若干举措在描述该战略的文章中被突出

提及时，这无疑表明数据和人工智能对公司的战略起到至关重要的作用。

在文章中描述的投资者会议的演讲中，“数据和科学驱动模式”可能是最突

出的主题，并阐述了“通过数据看到客户”。

2021 年，克罗格公司宣布了它的新战略，名为“以新鲜为主导，以数

字为加速”。克罗格在投资者陈述中再次提到其个性化的客户报价是“竞争

的护城河”，并说它在 2020 年每周提供 110 亿次个性化推荐，如果没有人

工智能，这是不可能完成的任务。在数字履约方面，该公司还宣布与英国

供应商 Ocado 合作开设其首个基于机器人的客户履约中心，这也是即将

建成的 20 个中心中的第一个。Ocado 与全球多家零售商合作，但它与美

国的 Kroger 公司有独家合作关系，后者对该公司进行了少数投资。Ocado

说它使用各种人工智能程序，包括：

⚫每天进行 2000 万次需求预测，以减少缺货和食品浪费。

⚫预测食品何时到达配送中心以达到最佳新鲜度

⚫发现接近保质期的食品，以便进行打折或捐赠

⚫超个人化的数字订购体验

⚫为仓库里的机器人提供基于人工智能的“空中交通控制系统”

⚫用于包装袋机器人的计算机视觉和规划系统

⚫优化送货车辆的负载和时间。

战略原型 3：影响客户行为

人工智能的最新战略目标之一是影响客户行为。随着人工智能在谷歌、

Facebook、TikTok 和其他社交媒体供应商等公司中产生的惊人的商业和

行为影响，这一原型可能已经引起了人们的注意。他们在改变客户的购买、

社交、信息消费、信息共享和其他行为方面取得了巨大的成功（有些是有

意的，有些则不是）。从财务角度看，预期的行为使这些公司取得了巨大

的成功和快速增长；非预期的行为，包括政治和社会两极化、错误信息的

分享、分心、网络欺凌、不安全感、抑郁症等等，已经受到了包括立法者

在内的许多观察家的关注。正如许多研究人员所描述的那样，这些公司使

用的人工智能算法与客户的积极和消极行为都有密切联系。

我们的重点不是这些数字原生公司，也不是他们在客户中诱发的积极

或消极行为。然而，其他类型的公司已经注意到，数字平台、详细数据和

人工智能算法可以改变其他类型的行为。在大多数情况下，这种方法还处

于早期阶段，但传统公司和初创公司都在尝试用人工智能改变行为。

公平地说，这种影响行为的方法其实并不新鲜。它是由 Fair, Isaac &

Co.（现在的 FICO）开创的，它在 1958 年创造了第一个信用评分。然而，

接受的速度很慢，1975 年为富国银行开发了第一个信贷供应商的行为评

分系统。信用评分是机器学习的首批商业应用之一。它使用对借款和付款

数据的统计分析来确定哪些因素与偿还贷款相关，然后使用所产生的模型

对每个有信用记录的消费者进行评分。

FICO 试图监测和改善消费者的指标是财务责任，包括按时支付账单、

不持有太多信用卡、不保持高额支付余额等行为的汇编。FICO 不仅在计

算数以亿计的人的信用分数方面做得很好，而且还说服金融服务机构在其

贷款决策中采用这些分数，并向信用分数持有者传达他们的分数是如何计

算的以及如何改进它们。

由机器学习创建的信用分数现在已经加入了各种其他类型的分数。进

取保险公司（Progressive Insurance），其根据其 Snapshot 项目的远程信

息处理数据计算出驾驶分数（尽管它将分数转换为消费者的字母等级）的

人工智能活动我们将在第六章进一步描述。我们在这一章中讨论了 Lark

与 Anthem 的合作关系，该公司为健康状况计算了各种分数。接下来，我

们将在第七章介绍另一个名为 Well 的初创公司的例子，它涉及创建各种

健康状况评分，以及总结遵守规定的医疗干预措施的评分。而 Manulife 及

其子公司 John Hancock，以及世界各地的其他各种人寿保险公司，都在

使用机器学习来监测和尝试改变健康行为，以帮助客户更加健康。

所有这些（除了信用评分）都处于相对早期阶段，但它们却已经显示

出改善相关行为的潜力。因为它们既依赖大量的数据，又依赖对每个客户

的评分过程，如果没有机器学习，这些就不可能实现。

战略性人工智能的过程

如果人工智能要实现新的战略、商业模式和客户行为，自下而上地管

理技术是没有意义的。像人工智能这样的变革性的、极其重要的资源，从

定义上讲，对这些组织来说是战略性的，并且应该成为高级管理人员和战

略小组的重点，以确定它们将如何在业务中使用。战略家应该协助决定人

工智能使用案例的优先次序，以及对产品、流程和公司内部关系的影响。

首先，正如我们在本章中所讨论的，人工智能如何影响或实现业务战略。

如果它能改善产品和服务，增强商业模式，转变客户渠道，优化供应链，

等等，它就应该成为公司战略考虑的一部分。许多关于公司如何使用和管

理人工智能的关键决定必须做出，包括如何建立或购买人工智能能力，从

哪里获得关键人才，承担哪些项目，以及人工智能计划如何与数字平台和

流程相关。所有这些决定既决定了战略，也被战略所左右，所以应该在战

略层面上讨论。

在 2021 年“企业人工智能状况”调查表明，战略的某些方面是人工智

能领导者的典型。那些在人工智能方面走得最远的调查参与者更有可能同

意他们有一个人工智能战略，他们的人工智能使用使他们与竞争对手不同，

他们的高级领导人阐明了人工智能将如何改变业务的愿景，以及他们的人

工智能计划对他们在未来五年保持竞争力的重要性（如图 3-1）。

要想让战略决策以适当的方式受到人工智能的影响，有几个前提条件

是适用的：

⚫对高级管理人员进行人工智能方面的教育是至关重要的。为

了使战略进程纳入人工智能，参与战略规划的高级管理人员需要

对不同的人工智能技术和适合它们的案例有一定的了解。以人工

智能为重点的战略是一个业务举措和人工智能能力的 “匹配”过程，

参与者需要对两者都有认识。战略职能部门或人工智能卓越中心

可能希望赞助正式或非正式的教育举措，以确保广泛参与和参加

商业战略的人工智能相关方面。

⚫在战略过程中，人工智能和其他技术的有利影响需要被纳入

战略选择的考虑范围。这可能需要改变战略规划的方法，例如，一

家公司可能会问：“如果我们使用机器学习对客户行为有更好的预

测，我们的营销计划可以完成什么？我们如何用对话式代理来改

变客户服务？”因此。如果没有包括人工智能能力的构思过程，就

不可能有人工智能的战略举措。

⚫除了构思之外，只有当公司实际部署了执行所需的人工智能

任务的系统，人工智能才会被嵌入到公司的产品和流程中。在战略

和人工智能开发/部署周期之间建立联系，对于将战略人工智能系

统部署到位至关重要。战略家将需要影响人工智能项目的优先级，

并且应该有能力监测人工智能项目的进展。

在本章中，我们考虑了人工智能和战略之间的五种不同联系：新战略

和市场、新产品和服务、新商业模式和生态系统、新客户行为和运营战略

执行。一些大型组织，如中国平安、克罗格公司和安泰保险公司，实际上

可能具有三或四个不同的原型。但在人工智能驱动的组织中，重要的是人

工智能对改善组织的业绩或增长有实质性的作用。否则，就很难说人工智

能真的有所作为了。虽然人工智能及其相关技术可以帮助改善，但它们有

时也会成为改善的障碍。这就是第四章的主题。

第四章 Technology and Data 技术和数据

请注意，我们在大幅提及技术之前，已经描述了以人工智能为重点的

组织和领导方面。人工智能的人的方面是最有区别的，也是最关键的，而

且往往是最具挑战性的。然而，如果不广泛使用人工智能技术，一个公司

就不会在人工智能方面取得巨大成就，因为没有大量的数据，几乎什么都

做不了，我们所确定的每一家人工智能公司都是如此。在本章，我们将详

细描述他们的技术环境。

为采用技术而采用技术从来都不是一个好主意，但我们将描述的，是

由人工智能推动的组织对其人工智能技术计划有明确的商业目标。它们包

括：

⚫通过创建一个广泛的人工智能案例来支持广泛的人工智能

工具包

⚫利用自动机器学习等工具更快更好地构建应用程序

⚫实现广泛的人工智能部署规模

⚫为模型训练和其他目的管理和改进数据

⚫处理遗留的应用程序和复杂的技术架构

⚫为人工智能构建或采购高性能的计算基础设施

⚫用人工智能改善 IT 运营

我们将用一个专注于人工智能的公司的特定例子来说明这些目标中

的每一个，并描述他们为此采用的技术。

使用工具箱中的所有工具

靠人工智能竞争的公司意识到，有许多不同的人工智能技术，他们通

常愿意利用所有这些技术。不同的技术对不同的案例是有用的，那些广泛

而深入地采用人工智能的组织在其案例和应用于这些案例的技术方面具

有广泛性。例如，星展银行在其大约 150 个不同的人工智能项目中使用广

泛的技术。

预防金融犯罪对任何银行都很重要，星展银行已经将其投资于先进的

分析和机器学习，以使其更好的发挥作用。基于规则的系统通常被认为是

过时的，但它们在欺诈和反洗钱系统中很常见，星展银行也将其用于这一

目的。然而，它们的一个共同缺点是，它们产生了太多的误报——在星展

银行高达 98%。因此，该银行的交易监控小组创建了一个机器学习模型，

使用该银行更多的数据，并对可疑案件的清单进行优先排序。每个案件都

有一个风险分数，风险最低的案件被放入休眠状态，并监测风险模式的变

化。交易监控组还开发了网络链接分析能力，使用图形数据库分析潜在欺

诈者之间的关系，并使用机器学习检测可疑网络，还使用开源技术为该组

织开发了新的数据流平台。

星展银行使用各种类型的机器学习——用于信贷决策的神经网络，

用于图像和语音识别的深度学习模型，以及用于预测自动柜员机损耗和现

金中断的传统机器学习模型。深度学习算法并没有被银行监管机构广泛接

受用于信贷模型，但星展银行正在与监管机构合作，尝试将其精确性应用

于银行决策。星展银行的所有这些人工智能技术都需要配套的基础设施，

星展银行已经在其中许多方面进行了投资。该银行改造了其数据架构，并

创建了一个新的数据平台，名为 ADA-Advancing DBS with AI。它包括各

种数据摄取、安全、存储、治理、可视化和人工智能/分析模型管理的能

力。目标是在创建新的人工智能模型和长期维护这些模型的过程中，实现

尽可能多的自助服务。DBS 还将其许多人工智能和分析系统迁移到混合

云中，以实现更快的处理。当然，专注于人工智能的不同组织将需要不同

的技术来建立他们的案例以及完成他们的业务目标。但一个大公司不太可

能用单一的人工智能方法或技术来完成。

更快更好地构建人工智能应用

如果你的组织已经接受了人工智能作为其未来的关键，你可能希望事

情进展得更快一点。具体来说，你希望更多的数据科学家能更快地开发出

新的人工智能算法。你很幸运，因为技术正在使数据科学家（无论是专业

的还是业余的）越来越有可能建立新的模型，在机器学习方面做得很好，

或者根据过去的数据预测未来。机器学习，如果你不熟悉它的基本方法，

正是需要这样做：监督学习，正如我们所指出的，这是商业中最常见的机

器学习类型，使用训练数据集中的大部分数据训练一个模型，用该数据集

中的其余数据测试该模型，然后使用产生的模型对不属于训练数据集且结

果未知的其他数据进行预测或分类。完善的模型通常能很好地完成预测工

作，但它们的开发和部署可能会很费力。要做得好，通常涉及到特征工程，

或测试各种不同版本的特征或变量。它还需要时间来解释不同的模型，并

需要时间编写代码或 API（应用编程接口）来部署和整合模型与其他系统。

无监督学习，通常用于对没有结果变量的类似案例进行聚类，在商业中不

太常见，但开始越来越受欢迎(即使是无监督学习也有 AutoML 版本)。利

用 AutoML，克罗格公司的 84.51°子公司正在开发一种 “机器学习机”，可

以在相对较少的人为干预下建立和部署大量的模型。84.51°的网站提供了

一些揭示性的数字事实，表达了他们代表其零售商母公司及其生态系统合

作伙伴所做的数据科学工作的巨大规模和范围。

⚫1,500 多家消费品公司、代理公司、出版商和商业附属合作

伙伴——美国，每 2 个家庭中就有 1 个家庭近在咫尺

⚫2021 年将提供 19 亿个个性化的服务

⚫利用超过 35PB 的第一方购物者数据

⚫20 亿次年度交易

⚫分析了 20 亿个顾客购物篮

在第三章中，我们描述了克罗格公司在多大程度上依赖这些努力来推

动其战略举措。84.51°的数据科学的广度和深度也揭示了采用最好的人工

智能技术、工具和方法对该公司的重要性。数据科学经理斯科特·克劳福德

（Scott Crawford）从2015年开始领导这一举措。该集团的现任总裁Milen

Mahadevan 是组织内流程和产品自动化的支持者。嵌入机器学习和广泛

使用 AutoML 是一个合乎逻辑的过程，从临时建模和细分到自动化流程，

通过效率和提高准确性产生价值。84.51°采用了 AutoML 工具和流程，但

是是在重新设计的流程和机器学习文化的大背景下进行的。AutoML 为企

业的机器学习能力提供了各种潜在的好处。与许多组织不同，84.51°的机

器学习不是一个基于单一训练数据集和模型的静态过程。相反，模型经常

根据新的数据被重新训练，例如，销售预测，它推动了订购货物和管理库

存的过程，每晚都会根据最新的数据进化其模型。当时 84.51°的首席科学

官保罗·赫尔曼和他的团队开发了这种涉及自适应估计器的方法，因为他

们意识到这对于有效地模拟复杂和不断变化的人类行为（如购物偏好）非

常重要。

EML 最终成为一项正式的任务，不仅仅是采用 AutoML，而是更广泛

地启用、授权和参与组织以更好地使用和嵌入机器学习。“启用”意味着提

供基础设施，如服务器、软件和数据连接，以有效地使用和嵌入机器学习。

“赋能”包括确定最佳的机器学习工具集，培训分析师和数据科学家使用这

些工具。“参与”意味着激励内部客户使用这些工具，通过几个概念验证、

推进代码共享/示例（通过 Github，一个促进共享的代码库）和咨询，来

展示和宣传其好处。在评估了 50 多个工具后，84.51°决定将 AutoML 作

为软件供应商。

EML计划的另一个部分是为机器学习的使用开发一个标准的方法论。

其内部开发的方法学，被称为 “8PML”（84.51°机器学习流程），在非供应

商组织中是不常见的。Scott Crawford 说，它在很大程度上借鉴了几个公

开可用的数据挖掘流程，但为了更好地适应 84.51°的特定案例和环境而进

行了定制。它有三个主要部分：解决方案工程、模型开发和模型部署。

解决方案工程

在收集了必要的训练数据后，公司的大多数机器学习工作都集中在模

型的开发上，但 84.51°对更广泛的关注感兴趣。它的领导人意识到，没有

部署的模型就没有提供任何经济价值的可能，而分析问题的框架不正确则

会造成更大的伤害。8PML 从解决方案工程阶段开始，在这一阶段，分析

的框架、项目的业务目标被明确，而且与可用资源进行了比较。例如，一

个项目的业务目标可能需要非常多的模型来进行常规更新和快速部署没

有必要的预算和人员配置。在过去，解决方案工程需要重新思考问题，以

保持在资源限制之内。自动化的机器学习技术可以大大减少这些资源限制。

解决方案工程仍然是必要的，但解决方案的范围已经扩大了。

模型开发

在方法论的模型开发阶段，数据被分析，变量或特征被设计，并确定

最适合训练数据的模型。使用 DataRobot 的 AutoML 大大加快了这个阶

段的进程，进一步提高了数据科学家的生产力。这使他们有更多的时间去

适应更多的模型和/或把更多的精力放在过程的其他高价值方面（例如，

解决方案工程、特征工程等）。由于将算法与问题相匹配以前是专业数据

科学家的工作，他们不信任 AutoML 或认为它不能创建有效的模型的情

况并不少见。在 84.51°，一些有经验的数据科学家最初担心他们将转移到

一个他们对算法和方法的深刻和辛苦积累的知识没有价值的世界。公司的

领导强调，新的工具将使人们能够更有效地完成他们的工作。随着时间的

推移，事实证明了这一点，现在有经验的数据科学家对 DataRobot 工具

的使用几乎没有任何反驳。84.51°的 AutoML 最初的重点是提高专业数据

科学家的生产力。但该单位也利用自动化工具来扩大能够使用和应用机器

学习的人员数量。84.51°一直在发展其数据科学功能，以满足迅速扩大的

建模和分析需求，解决复杂的业务问题。在任何公司，找到训练有素的数

据科学家都是一个挑战，所以 84.51°采用了 AutoML，使那些没有经过传

统数据科学培训的人也能创建机器学习模型。84.51°现在经常雇用“洞察

力专家”，这些人在机器学习方面没有那么多经验，但他们善于沟通和展

示结果，并且具有很高的商业头脑。在 AutoML 的帮助下，传统模型开发

中的大量活动，如案例识别和探索性分析，现在也可以由这些洞察力专家

完成。拥有更多统计和机器学习经验的数据科学家可以把时间集中在需要

他们更深入专业知识的机器学习方面，也可以花更多时间培训和咨询其他

经验不足的人。

模型部署

84.51°机器学习方法的第三个也是最后一个组成部分是模型部署，在

这个过程中，选定的模型被部署在生产系统和流程中。考虑到克罗格公司

的机器学习应用的规模，例如，销售预测应用为 2,500 多家商店的每件商

品在随后的 14 天内创建预测这一阶段的过程是关键。正如斯科特-克劳福

德（Scott Crawford）所指出的，围绕部署（或他所说的“产品化”）的问

题常常被低估：

“在我目前在 84.51°促进机器学习的使用之前，我的工作经验包括在

美国最大的保险公司之一和世界最大的银行之一建立和部署模型。我所有

经历中的一个共同点是，产品化往往是机器学习项目中最具挑战性的阶段。

生产部署的要求往往严重制约了可行的解决方案。例如，产品化可能需要

用特定的语言（如 C++、SQL、Java）来交付代码和/或满足严格的延迟

阈值。”

自动机器学习工具可以通过生成嵌入模型的代码或 API 来帮助完成

部署过程。例如，84.51°经常利用 DataRobot 输出 Java 代码的能力进行

数据预处理和模型评分。今天，许多公司都在尝试使用 AutoML 和相关工

具，但 84.51°和克罗格公司已经将这种人工智能方法提升到了新的水平。

嵌入式机器学习计划、自动化机器学习工具的标准化以及三阶段机器学习

方法都有助于创造一台机器学习机。模型的框架、开发和部署与一个管理

良好的制造组织可能创造的物理产品的方式相同。我们可能会在未来看到

这种类似于工厂的机器学习方法的多个例子，但 84.51°今天正在实践它。

形成规模

许多组织使用人工智能的关键挑战之一是达到足够的规模，以便在其

运营和绩效方面有所作为。技术可以帮助企业实现这一目标，尽管与我们

描述的其他人工智能目标一样，完整的答案是将技术与其他变化相结合，

如新的流程和新参与的人群。我们 2021 年的调查在多个问题中解决了这

个规模化的人工智能运营问题。拥有人工智能的高绩效组织，即转型者和

探路者，比两个低绩效群体（后进者和低绩效者）更有可能（通常约为25%）

同意他们已经采用了几种不同的人工智能运营实践，以促进人工智能的扩

展和持续管理。其中包括人工智能模型的文件化流程或生命周期、使用机

器学习运营（或 MLOps）来管理生产中的模型并确保其持续的有效性、

新的团队结构和工作流程来管理人工智能，以及新的工作角色（包括产品

经理、数据工程师和机器学习工程师）来最大化人工智能的进步。

壳牌公司是一个既需要人工智能规模又有能力迅速实现的例子。该公

司正在利用人工智能追求几个不同的商业目标：更迅速地提高他们对地下

的理解，最大限度地提高新的和现有油田的采收率，使他们现有的资产运

营更加有效和节能，并为客户提供低碳解决方案，例如，通过优化电动汽

车充电和将可再生能源纳入电力系统。

维护过程尤其需要巨大的规模才能产生影响，因为壳牌的所有设施都

有数十万台设备需要维护。壳牌数字创新和计算科学负责人丹·杰文斯

（Dan Jeavons）不得不采用各种技术和方法来实现这一领域的规模。其

中一种方法是使用预测性维护，一种预测设备何时会出现性能下降或故障

的技术，而不是按标准间隔进行维护或等待设备出现故障方法。壳牌高管

相信，预测性维护可以使设备更可靠，维护更有效，并有助于提高工艺安

全。

杰文斯认为，预测性维护模型的人工智能需求，它们通常对需要监测

的每个部件进行监督性机器学习，比任何集中的数据科学家小组所能处理

的要大。因此，壳牌决定招募并培训那些已经在工厂和设备上工作的工程

师，使他们能够在自我服务的基础上开发、解释和维护预测性维护模型。

目前，壳牌人工智能社区的核心成员超过 5,000 人（2013 年的核心

成员为 30 人），还有更多的人正在加入。他们中的许多人是创建和监督预

测性维护模型的工程师。壳牌与 Udacity 合作，创建了人工智能方法和技

术的在线培训。来自压缩机、仪器、泵和控制阀等设备的数据被汇总到一

个中央数据平台，据 Jeavons 称，到目前为止已有 1.9 万亿行的数据。壳

牌与微软合作，使用其云服务 Azure 来处理数据，并将其存储在

Databricks 的数据湖软件 Delta Lake 中。工程师现在可以使用定制的

AutoML 工具来生成模型，他们已经接受了验证所选模型的技能培训。此

外，他们还需要在模型投入生产后长期维护这些模型，并确保它们仍能使

用 MLOps 工具进行良好的预测。Jeavons 将其描述为工业领域中 “世界

上最大的 MLOps 应用之一”，每天有超过一万台设备被监测，并使用基于

AI 的预测性维护模型对其数据进行评估，而且这个数字每周都会增加几

百台设备。两者都是我们在第三章中描述的壳牌与 C3.AI 和贝克休斯共同

开发的生态系统的一部分。

Jeavons 说，从事这项工作的工程师往往喜欢学习机器学习的过程，

由于他们了解设备，他们很适合对模型进行解释和操作。鉴于壳牌公司开

发和维护模型的人员多种多样，以及在公司内部共享资产的目标，对他们

来说，使用类似的流程进行人工智能和系统开发很重要。壳牌与微软合作，

提供开发工具和方法，其中包括 DevOps（一种整合开发、IT 运营、质量

管理和网络安全的方法和工具集）、Azure Boards（用于计划、跟踪和讨

论跨团队开发工作的仪表板）、Azure Pipelines（一套用于自动化系统开

发和部署的工具和流程）和 Github。这些工具的广泛使用使壳牌能够共

享代码和算法，并迅速成功地部署它们。

在预测性维护以外的领域，壳牌也采用了一些相同的方法：扩大对人

工智能的参与，使用共同的流程，并与外部供应商合作，它还使用了其他

技术。例如，在管道维护方面，壳牌正在使用无人机上的摄像头对管道进

行拍照，然后使用深度学习模型来检测潜在的维护问题。人工智能图像识

别的准确性接近于人类检查员，而检查的时间却少得多。在壳牌的一些设

施中，检查所有管道需要六年时间；无人机和人工智能系统可以在几天内

完成。然后，人类检查员（有时在远程站点）可以确认和优先处理深度学

习图像识别模型作出的判断。设施需要数量较少的现场检查员，他们做更

高级的验证。检查员需要一些说服力来相信无人机/人工智能方法的准确

性，并采用新的流程，但他们现在已经加入了。壳牌公司也在追求地下勘

探过程中由人工智能促成的变化。壳牌公司意识到，其地下数据位于多个

筒仓中，不容易进行分析，因此它创建了一个地下数据宇宙。但壳牌高层

很快意识到，其在地下勘探方面的许多合作者也需要访问这些数据。

壳牌和它的商业伙伴创建了一个方法，即我们在第三章中讨论的壳牌

和其他公司的情况——数据和算法共享的生态系统。开放地下数据宇宙

（OSDU）生态系统只有几年历史，但已经相当庞大；它由 160 多家公司

组成，包括能源公司、技术供应商、顾问和学术研究人员。它的主要重点

是跨组织的数据交换，但它也是一个分享模型、应用程序、平台和培训材

料的工具。该生态系统共享地震、油井、储层和生产数据，每种类型都有