版权信息
书名：万物 AI 时代：公司如何利用人工智能大获全胜
作者：
Kavita Ganesan【美】卡维塔
Candice Chan【中】陈汉英
With GPT4
出版社：中信出版社
出版时间：2023 年 3 月
ISBN：9787559607577
本书由中信出版社授权出版 APP 电子版制作与发行
版权所有·侵权必究未经出版商事先许可，不得以任何形式或通过任何手段（电子、机械、影
印、录制或其他方式）复制、储存或引入检索系统，或传播本出版物的任何部分。
目录
目录............................................................................................................. 0
作者简介 ......................................................................................................8
序言........................................................................................................... 10
你将在本书中学到什么？.............................................................................. 15
第一章 人工智能驱动意味着什么................................................................... 18
人工智能助推器的组成部分是什么？.......................................................................19
人工智能及其在企业中应用......................................................................................20
“All In”人工智能的公司................................................................................................21
AI 在商业上能做什么 .................................................................................................23
利用 AI 重新构想和重新设计工作流程 ..................................................................27
组织中很大一部分人精通人工智能以及如何应用人工智能..................................30
对人工智能的长期承诺和投资...................................................................................31
独特而大量的数据来源，实时分析并采取行动......................................................32
建立道德和值得信赖的人工智能框架......................................................................34
由人工智能推动的企业如何实现价值？..................................................................35
公司在实现全员参与 AI 的过程中处于什么位置？ ................................................36
成为组织的学习机器..................................................................................................37
第二章 AI 人性的一面 .................................................................................. 41
AI 领导画像 .................................................................................................................42
关于领导力的教训......................................................................................................46
为成功播下文化的种子..............................................................................................50
帮助员工了解人工智能和他们的未来......................................................................54
第三章 AI 策略............................................................................................ 60
战略原型 1：创造新事物.............................................................................................61
新产品和服务..............................................................................................................63
新产品中的人工智能：自动驾驶汽车......................................................................64
新服务中的人工智能：财富管理..............................................................................67
新的商业模式和生态系统..........................................................................................70
AI 驱动的生态系统：中国平安 ..................................................................................71
空客、壳牌和 SOMPO 的新兴生态系统 .................................................................73
安泰公司的数字健康平台..........................................................................................76
基于生态系统的人工智能中的交易与开发..............................................................78
战略原型 2：转变运营...............................................................................................79
重新定义食品和杂货店的客户体验：......................................................................79
战略原型 3：影响客户行为.......................................................................................82
战略性人工智能的过程..............................................................................................84
第四章 Technology and Data 技术和数据 ....................................................... 88
使用工具箱中的所有工具..........................................................................................89
更快更好地构建人工智能应用..................................................................................90
解决方案工程..............................................................................................................93
模型开发......................................................................................................................94
模型部署......................................................................................................................95
形成规模......................................................................................................................96
管理用于训练和其他方面的数据............................................................................ 100
遗留的应用程序和架构的负担以及如何处理它们................................................ 103
人工智能、数字和 AIOps........................................................................................ 106
构建高性能计算环境................................................................................................ 107
人工智能技术的变化速度........................................................................................ 108
第五章 能力.............................................................................................. 109
让 AI 作为助推器的一般路径 .................................................................................. 109
中国平安——创造新商业模式的明确的 5 级公司 ................................................112
丰业银行——运营转型中的缓慢起步，快速追赶 ................................................115
用数据和人工智能影响保险业的客户行为.............................................................118
在进步公司激励更好的驾驶.....................................................................................119
安泰集团的新健康行为.............................................................................................121
行为（习惯）保险.................................................................................................... 124
发展有道德的人工智能能力.................................................................................... 126
人工智能供应商的政策和角色................................................................................ 127
公司联盟和人工智能伦理学.................................................................................... 129
自动化和负责任的人工智能.................................................................................... 130
在联合利华（Unilever）实施道德政策..................................................................131
第六章 行业使用案例................................................................................. 135
消费品行业................................................................................................................ 136
沃尔玛供应链中的人工智能.................................................................................... 138
能源、资源和工业行业............................................................................................ 139
希捷公司（Seagate）的 AI 质量............................................................................ 142
金融服务行业............................................................................................................ 143
Capital One 的 AI 使用案例.................................................................................... 147
政府和公共服务行业................................................................................................ 148
美国政府中的阿尔.....................................................................................................151
新加坡政府中的人工智能........................................................................................ 153
生命科学和卫生保健行业........................................................................................ 154
克利夫兰诊所的人工智能........................................................................................ 159
科技、媒体和电信行业............................................................................................ 162
华特迪士尼公司的人工智能.................................................................................... 166
第七章 成为人工智能的燃料（AI Fueled）................................................... 169
德勤：从一个以人为本的组织到一个以人和人工智能为基础的组织................ 170
税务方面的人工智能................................................................................................ 176
咨询业中的人工智能................................................................................................ 178
风险与财务咨询中的人工智能................................................................................ 182
第一资本（Capital One）：从一个以分析为重点的组织到一个以 AI 为重点的组织
.................................................................................................................................... 183
成为人工智能的焦点................................................................................................ 184
目前 Capital One 的人工智能重点......................................................................... 187
CCC 智能解决方案：从以数据为中心的组织到以人工智能为中心的组织 ....... 189
从数据到人工智能.................................................................................................... 190
通往基于图像的估算的漫长道路............................................................................ 192
展望数据和人工智能................................................................................................ 194
从无到有，细说以人工智能为动力的创业公司.................................................... 195
模型的数据和训练.................................................................................................... 197
这些人工智能历程的教训........................................................................................ 199
结语......................................................................................................... 204
作者简介
卡维塔（Kavita Ganesan）拥有广泛的研究背景，并领导过安永会计
师事务所（Ernst & Young）、麦肯锡公司（McKinsey & Company）、CSC
Index 和埃森哲战略变革研究所（Accenture Institute of Strategic Change）
的研究中心。目前卡维塔担任 Deloitte Consulting LLP（德勤）的负责人，
也是美国人工智能 （AI） 战略增长产品咨询负责人和全球战略、分析和
并购实践负责人。在 2019 年，获得了纽约人工智能峰会（AI Summit）年
度人工智能创新者奖的获得者。他擅长为客户提供建议，通过数据和人工
智能驱动的转型获得竞争优势，这些转型可以促进放大的智能，并使客户
能够在中断之前做出战略选择和转型。卡维塔特拥有和哈佛大学社会学硕
士和博士学位。有关卡维塔的更多信息，请访问他的网站并关注他的 HBR
商业博客。
而本书的另一个作者：陈汉英(Candice Chan)目前担任 Opinosis
Analytics 远程金融科技高级研究员。她与整个组织团队战略性地合作并
整合 web3.0 与 AI 技术，并从每项举措中获得有意义的成果。Opinosis
Analytics 已为 eBay、3M、GitHub 和 McMaster-Carr 等大公司以及小
型组织扩展并交付了多项成功的人工智能计划。同时，她还通过她的博客
文章、辅导课程和开源工具帮助世界各地的领导者和从业者。Candice 拥
有宾夕法尼亚大学计算机信息科学硕士学历，专攻金融科技，web3.0，
NLP、搜索技术和机器学习。
序言
当 Alphabet（谷歌母公司）首席执行官桑达尔·皮查伊（Sundar Pichai）
在 2017 年的谷歌客户活动中宣布该公司将转向“人工智能优先”时，没有
人感到非常惊讶。皮查伊在对技术开发人员的讲话中说：“在人工智能优
先的世界中，我们正在重新思考我们所有的产品，并应用机器学习和人工
智能来解决用户问题。甚至在此之前，在 2015 年，谷歌已经在整个公司
统计了 2700 多个人工智能和机器学习项目。人工智能几乎嵌入了其为客
户提供的所有产品和服务中，包括搜索、地图、Gmail、Duo/Assistant 等。
它为 Google Cloud 客户提供 TensorFlow，这是一套机器学习算法和工
具。Alphabet 的其他几家业务，包括其自动驾驶汽车公司 Waymo 和生
物技术公司 Calico，也广泛使用人工智能。
Alphabet（Google 母公司）“All In”于人工智能，当时在行业中已是
人尽皆知，因此该公告发出后并未引起太多关注。这是硅谷和强硬的数字
原生组织的正常行为。甚至还有一本关于科技创业公司中人工智能优先公
司的书，同样是不足为奇。人们似乎认为，“这就是谷歌所做的——就此
而言，Facebook、亚马逊、腾讯、阿里巴巴等，亦是如此。
但 Alphabet/Google 和其他科技公司并不是唯一考虑用人工智能推
动业务的公司。有些传统企业，甚至中小型企业也在追求这一目标。例如，
尽管当时很少有小企业在雷达屏幕上安装人工智能，但郊区一家拥有 200
名员工的半径金融集团（radius Financial Group）却成为了抵押贷款的发
起人。
该公司的联合创始人兼运营主管基思·波拉斯基（Keith Polaski）于
2016 年开始密集搜索人工智能工具。波拉斯基将他的业务称为“贷款制造”，
他衡量抵押贷款制造厂发生的一切。他将人工智能和自动化工具投入使用，
现在他的公司的生产力和盈利能力都大大高于该行业的平均水平。
人工智能据说主要发生在硅谷，但欧洲航空巨头空中客车公司却没有
收到这个信息。面对被数字化严重破坏的航空业，空中客车公司意识到需
要适应和提高运营效率，因此在 2010 年代中期便开始了广泛的数字化转
型。人工智能和数据是变革的前沿和中心，整个公司都在推出各种各样的
举措。为此，它投资了新技术，甚至开始重新培训员工使用人工智能。它
的计划已经不是什么秘密了，空中客车公司的网站报道说，“人工智能（AI）
不仅仅是一个研究领域：它是一种无处不在的未来技术，有可能正在重新
定义我们社会的各个领域。在空中客车公司，我们相信人工智能是一项关
键的竞争优势，使我们能够利用数据的价值。 ”
空中客车公司将其人工智能功能应用于全球组织的广度和深度，并用
于其商用飞机业务以及直升机、国防和太空部门。人工智能技术一直是许
多空中客车产品的基础，包括 OneAtlas 图像服务和 ATTOL（用于自动滑
行，起飞和着陆的基于视觉的导航）演示器，也同样是基于视觉的直升机
导航以及驾驶舱飞行员和国际空间站宇航员的虚拟助手。
在中国，阿里巴巴和腾讯等数字原生组织也正在积极地追求人工智能
的探索。与此同时，它也被广泛应用于保险、银行、医疗保健和汽车销售
等传统业务。平安，在所有上述的这些领域都有蓬勃发展的业务。它旗下
的每个公司都使用了人工智能，比如，根据照片快速支付保险索赔，使用
面部识别进行信用检查确定身份，实现智能远程医疗，并确定二手车的价
值。其业务模式是在涵盖金融服务、汽车服务、医疗保健和智慧城市服务
的“生态系统”中为客户和互联网用户提供生活方式金融消费产品，从他们
的数据中学习，可以进一步完善人工智能的场景模型。
平安科技成立于 1988 年，在 2020 年，其收入接近 2000 亿美元。
同样，它并没有试图隐藏对人工智能的关注。据平安科技网站——平安科
技的科技部门披露：“人工智能是平安科技的核心技术之一，已经形成了
包括预测 AI、认知 AI 和决策 AI 在内的一系列解决方案。对此，平安负责
人进一步阐述：“平安科技已经形成了智能认知技术矩阵，包括人脸识别、
声纹识别、医学图像、AI 阅读、动物识别和多模态生物识别，在现实生活
中逐渐得到广泛而深入的应用。甚至许多科技公司也无法将这一声明放在
他们的网站上。”
其实，平安、空客、乐迪都是传统业务。他们不是科技或电子商务公
司，尽管他们拥有大量的高水平的技术能力。它们是我们关注人工智能在
“传统”公司中的作用的典型特征，这些公司广泛利用了人工智能的力量，
即使这不是他们的核心产品或服务。一家零售商的人工智能主管告诉我们，
“人们问我为什么我只在传统公司中担任这些数据、分析和人工智能角色。
这是因为在天生的数字企业中，这项工作太容易了！虽然我们怀疑这并不
像看起来那么容易，但我们倾向于同意。将传统行业的现有业务并全力投
入人工智能来转变其能力是一件困难的事情。正如我们在本节开头对谷歌
所做的那样，当从他们身上吸取教训或与传统企业合作时，我们偶尔会提
到人工智能密集型科技公司和初创公司，但我们的主要例子只有一些在我
们出生之前就存在的行业甚至公司。我们将描述银行、保险公司、制造商、
零售商和消费品公司、信息提供商、生命科学公司, 甚至一些政府组织，
尽管他们有不同的业务问题和客户需求，但他们都找到了“All In”的方式。”
我们在本书中的重点是在人工智能之前就存在的大公司如何在该技
术的帮助下实现自我转型。我们将介绍那些“All In”实施人工智能的公司，
而不是描述实施人工智能的普通或最常见的方法——他们正在大而聪明
地押注这项技术将导致重大的业务改进，他们已经有证据表明这些赌注正
在得到回报。我们以多种方式将这些公司称为 5 种全能方法——“AI 驱
动”、“AI 支持”等。共同点是，他们在人工智能技术的支出、规划、战略
制定、实施和变革方面处于规模的远端，并非每家公司都会选择这种雄心
勃勃的方法，但我们认为每个人都可以从中学习，甚至可能从中受到启发。
我们在这些页面的其余部分中的目标是探索“All In”人工智能的概念
以及组织实现这一目标所需的条件。我们的观点是对人工智能最极端的看
法——最积极的采用、与战略和运营的最佳整合、最高的商业价值、最好
的实施。我们将描述积极使用人工智能对战略、流程、技术、文化和人才
的影响，了解人工智能的主要采用者正在做什么会对许多其他组织有所帮
助的事，更好地评估该技术改变企业业务的潜力。
你将在本书中学到什么？
我们将提供许多关于人工智能驱动的公司正在利用人工智能做什么
的描述。但它们包含在更广泛的讨论中，即在“全力”层面上使用人工智能
取得成功需要什么。章节主题以及每章中的公司包括：
第 1 章：人工智能驱动意味着什么？
我们描述了成为人工智能驱动的组织需要什么，包括公司使用的特定
技术、实现价值的方式以及定义人工智能全方位方法的组件。我们在本章
中提到了各种各样的公司，但平安和星展银行(DBS)在印度的 Digi 银行聊
天机器人被单独挑了出来。
第 2 章 人性的一面
在本章中，我们认为人工智能成功的最重要的属性不是机器，而是人
类的领导力、行为和变化。本章开头，我们讨论了星展银行(DBS)首席执
行官皮尤什·古普塔（Piyush Gupta）作为其组织人工智能计划的有效领导
者。我们还讨论了摩根士丹利，Loblaw 和 CCC Intelligent Solutions 的领
导力问题。在提高管理层和员工对人工智能的理解和采用方面，我们讨论
了壳牌、德勤、空客、蒙特利尔银行、礼来和联合利华（Unilever）。
第 3 章 战略
人工智能能够实现或改变业务战略，它如何做到这一点是第 3 章的
重点。在其中，我们描述了人工智能组织可以采用的三种主要战略原型。
在描述这些原型的过程中，我们描述了各种公司：Loblaw、丰田、摩根士
丹利、平安、空中客车、壳牌、SOMPO、Anthem、FICO、宏利、进步和
Well。
第 4 章 技术与数据
如果没有一些先进的技术和大量数据，你就无法实现先进的人工智能，
因此在第 4 章中，我们描述了现代面向人工智能的技术基础设施和数据
环境的组成部分。我们将讨论使用 AI 工具箱中的所有工具、AI 数据、自
动化机器学习或 AutoML、机器学习操作或 MLOps、传统技术以及扩展
AI 应用程序。本章讨论的公司包括星展银行(DBS)、克罗格公司（及其
84.51°子公司）、壳牌、联合利华（Unilever）、Anthem 和空中客车。
第 5 章：能力
与任何其他业务能力一样，人工智能可以根据公司在各个维度上的进
展进行评估和排名。由于使用人工智能有不同的战略原型，因此每种原型
都有不同的能力模型。我们将在本章中详细介绍平安的功能，以及丰业银
行、宏利、进步和 Anthem 的功能。我们还在本章中描述了合乎道德的 AI
功能，并将联合利华（Unilever）作为我们的主要示例。
第 6 章：行业案例
案例或 AI 应用程序是组织如何将技术应用于其业务问题的核心。在
本章中，我们将介绍各行各业的案例。我们将列表分为常见和不太常见的
案例，并提供每个行业中早期和积极采用者的示例。入选公司包括沃尔玛、
希捷、Capital One、美国和新加坡政府、克利夫兰诊所、辉瑞、诺华、阿
斯利康、礼来和迪士尼。
第 7 章：成为人工智能驱动者
在最后一章中，我们描述了一组四条替代路径成为人工智能的推动者。
每条路径都用一个特定示例进行说明。德勤是第一条路径的例子，它描述
了在专业服务中从仅以人为中心到以人和人工智能为中心的转变。CCC智
能解决方案是从关注信息转向关注人工智能的路径示例。Capital One 展
示了从一家以分析为重点的公司到一家以人工智能为中心的公司的道路。
最后，Well——一家医疗保健初创公司——是从头开始构建一套人工智
能能力的例证。
尽管有这些内容，但这本书并不是”All In”人工智能的标准秘诀。每个
组织在积极将人工智能整合到其业务中的基本原理、战略和具体路径上时
都会有所不同。然而，我们相信，本书中的例子和教训将帮助每个组织的
个人旅程。至少，我们希望阅读这些早期和领先的组织正在用人工智能做
什么，并且能够激发你对你自己的公司说，“我们最好开始行动。”
第一章 人工智能驱动意味着什么
世界上一些（但还远远不够）最成功和最技术化的组织已经宣布他们
打算”All In”地投入人工智能，或“人工智能优先”或“人工智能推动”。谷歌
将其描述为“一个人工智能优先的世界”，无论是在家里、工作中、在车里
还是在旅途中，计算都变得普遍可用，与所有这些表面的交互变得更加自
然和直观，最重要的是，更加智能。寻求在其他行业由人工智能驱动的公
司有着最直观的技术和普遍的人工智能为导向的的目标，并正在将这些目
标应用于自己的行业，例如金融服务、制造业或医疗保健。
在我们的分析中，人工智能驱动的组织占大公司的比重不到 1%。在
这本书中要找到足够多的东西来写并不容易，但我们能够发现大约三十个。
然而，我们预计，更多的组织将朝着这个方向前进。他们为什么不呢？我
们在本书中描述的公司表现良好，他们拥有有效的商业模式，做出正确的
决策，与客户保持密切的关系，提供理想的产品和服务，并收取有利可图
的价格，他们已经利用机器学习（Machine Learning），人工智能加速了
这一进程。他们通常能够做这些事情，因为他们有比其他公司更多更好的
数据，由人工智能分析和采取行动，他们利用这些资源来建立业务并创造
经济和社会价值。
对于许多组织来说，利用人工智能的全部潜力首先从探索选定的企业
机会和一些潜在的案例开始。许多人从未达到唯一可以增加经济价值的步
骤——将模型部署到生产中。虽然以这种方式试水可能会提供有价值的
见解，但可能不足以使公司成为做市商，甚至不足以成为快速追随者。为
了从人工智能中获得实质性价值，公司应该从根本上重新思考人类和机器
在工作环境中的互动方式。公司需要在人工智能方面进行非常大的投资，
不仅应该适用于人工智能试点，还应该适用于改变员工工作方式以及客户
与公司互动方式的完整生产部署。高管们应该考虑在每个关键职能和企业
运营中系统地部署人工智能工具，以支持新的业务流程设计和数据驱动的
决策。同样，人工智能应该推动新的产品和服务以及商业模式。目前，以
这种激进的方式使用人工智能的公司占据行业的领导地位。最终，成为一
个人工智能驱动的组织可能不仅仅是商业成功的战略——它可能是生存
的赌注。
人工智能助推器的组成部分是什么？
你怎么知道一个组织是由人工智能驱动的？它需要组装哪些组件才
能配得上这种分类？没有商定的清单，但在我们的研究和咨询中，我们已
经看到了各种属性，这些属性通常出现在对技术采取特别积极态度的公司
中。在过去四年中，我们对公司的人工智能活动进行了三次调查，因此我
们也可以为其中许多活动附加一些数字，至少是截至 2021 年 10 月的最
后一次调查。
人工智能及其在企业中应用
工智能及企业应用，企业人工智能的应用离不开应用场景，更离不开
大量的一定质量较好的数据。首先介绍了大数据（BI/DW）， 机器学习
（ML），深度学习（DL），虚拟现实(AR/VR)技术的衍变过程；其次，介绍
人工智能，机器学习及深度学习的关系及发展史。最后，介绍 AI 技术在
跨行业领域发展的图谱，从改图上可以看到 AI 在不同行业潜在的一些应
用的机会点。
⚫ 人工智能及其在企业中的应用
随着数据时代的到来，更多企业都需要重新研究企业内部的数据并做
数据分析。对企业或个人来说，如何在这个新时代快速理解这些新技术概
念、定义、使用场景变得非常重要。人工智能是继大数据之后，另外一个
具有高发展趋势的技术，必然将在企业中有更广泛的应用前景。人工智能
是数据科学的高级版本。下面介绍一下人工智能中涉及的技术及在企业中
的应用。
⚫ 人工智能、机器学习与深度学习
技术发展路线的演变路径都会呈现一定的规律：每一个新技术从出现
成长至进入成熟市场，都会伴随一定的周期特征，该周期或者长或者短。
下面介绍大数据主题相关的一些技术的路径衍变及新技术的关系。随着外
部新技术的不断发展，数据科学从最初的 BI（Business Intelligence，商业
智能；DW ，数据仓库 ）， 演变成之后的 ML（Machine Learning, 机器
学习）、DL（Deep Learning, 深度学习）、AR/VR 虚拟现实技术，这些新
技术都在一个时代的某些年代被推到热点，逐步成熟并被应用于企业应用，
为数据的应用提供了更多无限的可能。人工智能领域如火如荼，近几年在
这个领域中最火的是深度学习。人工智能、机器学习以及深度学习。人工
智能的概念范畴比较大，传统的机器学习覆盖了监督学习算法及无监督学
习，还包括决策数，深度学习及强化学习的部分。这些热门领域的技术中
的任何一个细分的分支技术，在企业中都有相应的可以深入的行业场景应
用。
⚫ 人工智能行业应用
随着企业更多数据的沉淀、积累，人工智能技术逐步被应用到企业里。
据麦肯锡一份报告称：估计到 2030 年，人工智能将成为绝大多数公司必
备的能力。当前阶段，语音技术、人脸识别、自动化驾驶、NLP（自然语
言处理）、预测分析等都这些技术都在企业的实际应用中有了不同的不同
场景。未来相信在一些领域，会有更多应用出现。
“All In”人工智能的公司
从产品组合到单一技术，他们利用了人工智能所提供的一切。构成该
领域的许多技术如表 1-1 所示，从表中可以明显看出，目前只有四种基本
资源使人工智能成为可能——统计、逻辑和语义形式的知识，所有这些都
与计算联系在一起，但在这些家族中，方法、工具和案例有多种变体。
人工智能驱动的企业的领导者对这项技术有足够的了解，可以就哪些
技术进入哪些案例做出明智的决策。这样做并不总是那么容易的，因为不
同的工具中往往会隐藏着一些复杂性。例如，表 1-1 列出了几种不同类型
的机器学习，该技术的积极用户需要知道采用哪种机器学习是用于什么目
的。此外，在选择中还有选择。例如，表 1-1 中的“基于语义的 AI”描述
了面向语言的应用程序，例如自然语言理解 （NLU）和自然语言生成
（NLG）。但是 NLU 应用程序可以以深度学习算法为核心，以及采用知识
图谱的方式来说明术语“语义”所暗示的单词与概念之间的联系。NLG 应用
程序也可以像 OpenAI 开发的非常复杂的 GPT-3 系统一样，根据下一个
单词的预测生成各种文本类型，从诗歌到计算机程序，简单的 NLG 应用
程序可以由规则驱动。描述人工智能技术类型的复杂性表明，做出人工智
能决策的高管在对工具和项目进行重大投资之前需要做好功课。
一些公司将多种技术用于同一案例或应用程序。Cotiviti 是一家保险
欺诈检测和医疗保健分析公司，将规则与机器学习结合使用，这是一种有
用的配对。星展银行(DBS)使用相同的组合来打击洗钱活动。许多公司也
都在使用机器人流程自动化（RPA），它可以自动化后台结构化工作流程并
使用规则做出决策。越来越多的供应商及其客户正在将 RPA 与机器学习
相结合，以实现更好的决策，有时这也被称为“智能过程自动化”。我们将
越来越多地看到这些技术相结合，并可能被赋予新名称。积极的采用者可
能会采用所有人工智能技术，其中一些如表 1-1 中所述，还有一些以我们
今天无法完全描述但刚刚开始出现的组合形式：虚拟现实和其他形式的模
拟、数字孪生和元宇宙都是采用各种形式的人工智能的技术，未来可能会
被广泛采用。
AI 在商业上能做什么
目前 AI 的应用还在弱人工智能阶段，应用的业务场景呈现短和浅两
个特点，只能在特定的业务场景中解决需要重复工作的“点”的问题，在解
决宏观业务场景或业务链条时，还需要结合其他的信息系统进行应用。
1. 磨合期的各种不适
企业使用 AI 是想创造商业价值，但投入在 AI 具体应用上却需要大量
的人力成本，并且由于算法是黑盒，需要受到实际操作人员的质疑，在很
长一段时间也无法完全代替人工工作。
2. 出错概率暂不符合 To B 领域的需求
AI 技术的先进性并不能作为企业扩大应用的理由，与先进性相比，产
品的稳定性，准确率，出错概 率等其他因素才是大规模应用的有效依据。
而 AI 目前会呈现极好和极坏的两个极端，哪怕只有 1%的概率出现极坏，
也会产生破坏性的效应：比如退款 3000 万给某一位实际消费 300 元的消
费者。
因此，对企业来说，因为产品出错带来的流程替换，远远难于更换一
个产品。如果因为要去适配 AI 的精度，要去协作多个部门更改制度或者
更改后台的数据系统，那么企业宁愿选择一个试错成本低、稳定性强，并
且能满足大规模用户的产品。
3. To B 领域的低复用性限制其扩张发展
每个企业的业务流程都是不同，当应用 AI 技术在所在企业时，一定
是 AI+信息系统的形式在使用，而 AI 的形态取决于企业的业务形态。比
如我现在做的是内衣服装领域，一旦我想把内衣服装领域重要的特征比如
年龄，吊牌价迁移到白酒快消领域时，我发现业务场景与业务场景很难形
成快速复用，最终还是得重新建模。
06 未来 AI 赋能商业社会的前景
AI 在商业应用上会遇到痛点，当然不代表它不属于划时代的技术。人
工智能领域最有影响力的人物吴恩达曾说：人工智能的影响力不亚于电。
而人工智能赋能到商业社会后，这必将是和互联网改造社会一样，成为划
时代的技术应用。而且 AI 的应用来得会更快，迭代周期会更短。
李彦宏在 2016 年曾提出，过去 16 年里，互联网发生了巨大改变。我
们大体上经历了互联网的三幕：
第一幕是 PC 互联网时代，称霸了大约 15 年；
第二幕是所谓的移动互联网时代，增长周期只有四、五年；
而现在，我们迎来了第三幕，即人工智能时代。
每一幕都各具特色，因此，他们也有不同的迭代速度。PC 互联网时
代高度依赖于软件的快速反应，而移动互联网基于用户关注的一切创造了
自己的生态系统。第三幕人工智能时代，机器将取代人的部分“器官”，比
如大脑、眼睛、手和耳朵，去实现智能地观察，读写，计算和说话。人与
机器将会创造一个虚实结合的全新社会。
而智能化与虚实结合，将会体现在不同领域、行业、企业和业务场景
的方方面面。
人和机器将注定会一起携手谱写未来社会的新篇章。
人工智能的挑战之一是将系统纳入企业生产环节。许多公司开始进行
试点、概念验证或原型，但他们很少或根本没有投入生产。从这样的实验
中学习是件好事，但公司并没有从中获得任何经济价值。
将系统投入生产。最近对企业人工智能的调查发现，接受调查的最成
功和最有经验的公司变压器平均有六次生产环节中部署有人工智能。这使
他们成为最积极的调查类别，但本书采访的一些公司有更多的人工智能模
型正在生产中。
尽管人工智能驱动的企业相对成功，但还有许多其他调查数据支持我
们的说法，即部署很困难。IBM 2021 年的一项调查发现，在七个国家的
5000 多名技术决策者中，只有 31% 的人表示他们的公司“积极部署人工
智能作为其业务的一部分”正在探索，41% 的受访公司表示运营在一个咨
询集团中，但尚未部署。
商业中的人工智能报告很少，2019 年麻省理工学院斯隆管理评论—
—波士顿公司在人工智能方面进行了一些投资，但只有不到五分之二的公
司报告了过去三年人工智能的业务收益。这意味着 40%在人工智能方面
进行重大投资的组织没有报告人工智能带来的业务收益。在我们的调查中，
人工智能的三大挑战是实施问题，将人工智能整合到公司的角色和职能中，
以及大规模部署所涉及的所有因素的数据问题。随后，这种情况开始改变，
公司开始报告说他们正在部署更多的人工智能系统并从中获得更多的经
济回报。然而，对数据科学家的调查仍然发现，少数人工智能模型实际上
被部署了。
公司将面临的部署挑战也就不足为奇了。试点涉及创建模型并编写最
小可行产品，但生产部署需要更大的规模，并且通常涉及许多其他活动，
例如更改业务流程、提高员工技能以及与现有系统集成。此外，一些数据
科学家认为他们的工作最终在于创建一个适合数据的良好机器学习模型。
部署通常被认为是别人的工作，尽管通常不清楚是谁的。
非常成功的 Al-user 公司事如何解决这些问题并部署系统的呢？首
先，他们从一开始就计划部署，除非在项目的早期阶段出现问题。其次，
他们经常让某人负责整个开发和部署过程—有时被称为基于 AI 的系统
和流程的产品经理——负责确保系统的部署。第三，他们指派数据科学家
和产品经理，从一开始就与业务方面的利益相关者密切合作。这些公司希
望进行部署和与之相关的所有活动。
利用 AI 重新构想和重新设计工作流程
在 1990 年代初期，许多商人对所谓的业务流程再造感到兴奋，在这
场运动中，公司对他们的工作方式进行了彻底的重新设计。当时有新技术
——企业资源规划（ERP）系统，最终是互联网——可以实现新的流程流。
不幸的是，在许多组织中，重新设计变成了盲目的裁员，但使用新技术（人
工智能现在是最突出的例子）来推动新工作方式的想法仍然有效。
我们将当前时代称为“合作时代”，这意味着人们正在与智能机器协作。
虽然许多预测者预测人工智能将取代人类，但到目前为止，这种情况并没
有发生太多，大多数组织正在使用这项技术来解放人类工人、完成更复杂
的任务。因此，人工智能公司面临的主要问题不是如何用人工智能取代人
类工人，而是如何通过重新设计工作、重新培训工人以及在此过程中变得
更加高效和有效来充分利用两者。
在我们的调查中，高比例的高管已经表示，人工智能导致了工作的适
度或实质性变化（在 2019 年的调查中，这一比例为 72%，其中，82%的
人预计三年内会发生很大变化）。这意味着它可能缺乏对整个组织中的流
程工作流、度量和一致实施的描述。
流程改进（如果不是激进的创新）与人工智能之间最密切的联系可能
是 RPA。有些人不认为 RPA 有足够的智能来被称为 AI，但它确实具有基
于规则的决策能力。许多公司将 RPA 视为更智能和基于机器学习的 AI 的
垫脚石。一些公司已将 RPA 整合到其流程改进计划中。在自动化流程之
前，他们会应用测量和改进技术。例如，在退休和金融服务公司 Voya，
公司的持续改进中心嵌入了一个自动化卓越中心，该中心通常使用精益和
六西格玛方法。Voya 有一个三步程序，用于分析和改进流程，为其实施
RPA，然后评估自动化流程的性能。然而，为了真正被人工智能改变，公
司必须在大范围内做到这一点，至少偶尔会寻求一个过程中不仅仅是增量
的性能改进。
随着企业对效率、敏捷性以及生产力的需求不断增长，企业数字化的
需求愈加迫切，同时也对实现数字化转型的载体提出更高的要求。
十四五规划和 2035 年纲要明确指出，要“打造数字经济新优势”，将
数字经济发展和数字化转型的目标与作用提高到了国民经济的高度，并提
出“充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深
度融合，赋能传统产业转型升级，催生新产业、新业态、新模式，壮大经
济发展新引擎”。
Forrester 曾预测，2020 年超过 40％的企业将通过结合 AI 和 RPA 来
创建自身的”超级数字员工”。
世界四大会计事务所之一的毕马威指出：随着全球数字化转型的深入，
低代码平台的地位越来越重要，低代码开发模式决定了应用程序开发和自
动化的未来，也是企业加速实现数字化转型提升业务敏捷性、效率性的关
键所在。
我们已经看到一些公司有效地将流程再造和 RPA 以外的 AI 形式结合
起来。例如，东南亚的星展银行（DBS Bank）使用人工智能来改进其反洗
钱（AML）工作以及印度和新加坡的客户中心的重大流程。它将评估潜在
反洗钱案件的时间缩短了三分之一。在客户中心，它的客户数量增加了六
倍，金融交易增加了十二倍，但没有增加员工。
更多的公司应该解决人工智能如何能够显著改善业务流程的问题。在
某种程度上，这将通过一种采用人工智能的新技术来促进：流程挖掘。它
分析来自企业事务系统的数据，以了解流程的执行方式，然后使用 AI 提
出改进建议。流程挖掘需要流程改进的大量细节工作，并且在许多以流程
为导向的公司中迅速行动起来。
组织中很大一部分人精通人工智能以及如何应用人工智能
正如我们将在本书中不止一次论证的那样，All-in 投入人工智能与技
术一样，都是关于人的。想在业务中大量使用人工智能的公司需要大量了
解其工作原理的高管和员工。聪明的公司正在重新培训和提高员工的技能，
以开发、解释和改进人工智能系统。随着人工智能系统的开发——特别是
机器学习变得越来越自动化，这一点变得更加重要，没有经过深入专业培
训的公民数据科学家可以接管一些负荷，而高管们则需要他们自己版本的
人工智能技能提升。大多数人工智能和分析部门的负责人告诉我们，他们
仍然花了很多时间向其他管理人员宣讲这项技术的价值和目的。人工智能
通常可以使决策自动化，而这些决策以前是由人类高级管理人员做出的。
因此，重要的是要教育这个群体，让他们了解人工智能是如何工作的，什
么时候是合适用这项工具，以及对它的重大承诺对他们自己和更广泛的组
织有什么影响。
对于绝大多数公司来说，这种提高技能和再提高技能的工作还处于早
期阶段，并不是每个员工都需要接受人工智能培训。但很明显，有些人需
要，而且可能越多越好。一些公司，如空客和星展银行(DBS)，已经开始
了专门针对灌输人工智能技能的提升技能计划。空中客车公司已经对一千
多名员工进行了人工智能和高级分析技能的再培训。星展银行(DBS)在数
据技能方面培训了超过 1.8 万名员工，创建了一个公民数据科学家公司。
这些员工中约有两千人精通数据科学和商业智能的高级领域，另有七千人
已被确定为在数据、分析和人工智能的使用等学科方面提高技能。然而，
在我们的一项人工智能调查中，只有 10%的美国受访者表示明确倾向于再
培训和保留现有员工，百分之八十的人则倾向于“保留或同等程度地替换
员工”或 “主要用新的人才替换现有员工”。因此，再培训和提高技能是一
个明显的替代方法。
对人工智能的长期承诺和投资
一个公司的高级管理人员决定被人工智能改造并不是一个随意的决
定。他们正在做一个对公司有几十年重大影响的决定，并最终涉及数亿或
数十亿美元。我们为这本书采访的每家公司都告诉我们，这就是承诺 Allin 投入人工智能的代价。起初，这种资源承诺对组织来说可能是可怕的，
但在看到他们从早期项目中获得的利益类型后，这些由人工智能驱动的公
司发现，在面向人工智能的数据、技术和人员方面的支出要容易得多。
成为人工智能的焦点是一种承诺，即使用数据和分析来进行大多数决
策，以不同方式与客户打交道，将人工智能嵌入产品和服务，并以更加自
动化和智能化的方式开展许多任务甚至整个业务流程。很多公司正处于数
字化转型的阵痛中，但基于人工智能的转型则走得更远。简而言之，这是
一个巨大的赌注，大多数组织还没有足够的胆量去做这件事。但这最终是
不够的。如果上层、中层、甚至一线管理人员只是口头上支持用人工智能
推动业务的想法，事情就会进展缓慢，组织很可能会回到旧的习惯中去。
我们已经看到一些高度承诺的首席执行官通过多种举措建立了以分析和
人工智能为重点的公司。但后来他们离开了，下一任 CEO 也不是信徒，
所以对数据、分析和人工智能的关注就陷入了平庸。我们将在下一章对领
导力和承诺的重要性有更多的阐述，并描述一些领导人的例子，看看他们
是怎样以全面和戏剧性的方式对人工智能作为一种战略力量作出了承诺。
独特而大量的数据来源，实时分析并采取行动
如果说人工智能可以为公司提供动力，那么数据则为人工智能提供动
力。认真对待人工智能的公司必须认真对待数据——收集它，整合它，存
储它，并使其能够广泛使用。这些都不是一个新的挑战，但如果一个组织
关心人工智能，它甚至比平常更重要。在我们的2020 年人工智能调查中，
当被要求选择从人工智能中增加竞争优势的首要举措时，已经采用人工智
能的公司将 “为人工智能实现数据基础设施现代化”作为他们的首要选择。
几乎所有与我们交谈过的公司都在其人工智能计划之前或同时开展了重
大的数据管理项目。除了拥有良好的数据外，渴望用人工智能改造其业务
的公司必须日益拥有一些独特或专有的数据。如果一个行业的每个竞争者
都有相同的数据，他们都会有类似的机器学习模型和类似的结果。利用人
工智能使你的公司与众不同的一部分是找到一个尚未被充分开发的现有
数据源，或获得新的数据类型。银行和零售机构所处的行业，数据已经很
丰富了。但加拿大的丰业银行、美国的 Capital One 和新加坡的 DBS 等
银行利用他们的数据来了解更多关于客户和交易的信息，并将这些数据反
馈给客户，帮助他们管理自己的财务。像美国的克罗格公司和加拿大的洛
布洛公司这样的零售公司，只是更多地利用了销售点数据、库存数据、购
物者忠诚度数据等等——也许比他们的任何竞争对手都要多。在某些情
况下，积极采用人工智能的公司已经开发了新的商业模式，允许更多的数
据访问。中国平安有一个非常有意识的 “生态系统”模式，使其不仅可以获
得客户和供应商，还可以获得数据分析模型。空中客车公司的航空开放数
据平台 Skywise，使许多乘坐空中客车飞机的全球航空公司和其他原始设
备制造商之间的数据共享。这些公司从具有平台商业模式的电子商务初创
公司那里了解到，拥有来自多个参与者的数据是增长和企业价值的重要驱
动力。严重依赖人工智能的公司不只是收集数据，并在他们有机会时对其
进行分析。他们尽可能采取实时方法，允许以当代业务的速度做出基于数
据的决策。他们在销售点实时提供客户优惠并防止欺诈性交易。他们对业
务中断的反应更快。他们监测他们的模型表现如何，并在必要时重新培训
他们。这部分是由于他们的现代技术堆栈，但也因为他们有管理数据供应
链的流程和对利用数据的紧迫感。当然，没有一家公司的数据是完美的，
只是人工智能密集型公司的数据环境要远远好于大多数公司。
建立道德和值得信赖的人工智能框架
如果一家公司在其业务中严重依赖人工智能，它需要确保其使用的人
工智能系统是符合道德和值得信赖的，否则它从人工智能中的损失很可能
大于收益。到目前为止，大多数人工智能道德的正式治理机制和结构都在
科技组织中，这些组织既拥有大量的人工智能产品和服务，又希望向客户
证明他们是负责任的。也许是因为他们是人工智能相对较早的采用者，科
技公司在过去也是最有可能被指控有人工智能偏见或其他违反道德的行
为的。其实，要创建一个符合道德和值得信赖的人工智能方法并不需要大
量的努力，许多可用的框架都可以帮助其创建一套原则，这部分内容我们
在第五章中讨论。当然，挑战在于将原则付诸实践，我们也会在那一章进
行讨论。
建立一个由具有强大技术和商业专长的高管组成的小组，对每个即将
投入生产的人工智能系统的这些标准进行评估。事实上，我们已经听说有
几家公司成立了类似算法审查委员会的小组，尽管我们建议需要审查的不
仅仅是算法。一位伦理学顾问呼吁成立一个人工智能机构审查委员会，就
像那些用于人类研究的学术或医学研究一样，以确保人工智能系统的任何
方面都不违反伦理学原则。
由人工智能推动的企业如何实现价值？
图 1-1 列出了以人工智能为动力的企业用来创造比许多其他公司更多
价值的具体价值杠杆。我们将在全书中提到这些。需要在这里说一下，由
人工智能驱动的公司经常使用多种杠杆——有时在同一个案例中，用来
改善他们的业务。在个人案例层面，我们在本章前面提到的星展银行(DBS)
反洗钱应用已经在多个方面为银行带来了价值。它使星展银行(DBS)能够
更早地识别欺诈行为，因此它有利于提升执行速度。交易监控分析员可以
更快地分析潜在的反洗钱案件，而生产率的提高则导致成本的降低。使用
更多的银行数据，能够改善环境可持续性，并确保可预测性的有效进行，
也就是说，理解复杂性可以决定一个案件真正的欺诈可能性有多大。当然，
反洗钱应用程序的总体目的是加强客户和监管机构对银行的信任。
当然，实现的价值越多越好。希望通过人工智能取得成功的公司应该
尽可能多地采用不同的价值杠杆，并努力通过个别案例实现多个杠杆叠加
效应。一些杠杆效应，如降低成本，是相对容易衡量的。然而，公司不应
该只局限于容易衡量的人工智能案例。一些最大的好处可能来自于改变商
业模式的人工智能，根据更多和更复杂的数据类型做出决策，并建立信任。
公司在实现全员参与 AI 的过程中处于什么位置？
在阅读了关于人工智能驱动的公司的所有组成部分之后，你可能觉得
你的组织有一些但不是全部，或者你正在朝着这些属性取得进展，但还没
有完全达到。下面的特征描述可以帮助你评估你所处的位置。我们将在第
5 章讨论 AI 能力时进一步描述它们。
-AI 助推器。拥有我们上面描述的所有或大部分组件，并完全实施和
运作——企业建立在 AI 能力之上，并正在成为一台学习机器（见下一节）。
- 变革者。还没有被人工智能推动，但在这个过程中已经走得比较远
了，有一些属性已经到位；有多个人工智能部署，正在为组织创造大量价
值。
-探路者。已经开始了这一旅程，并正在取得进展，但处于早期阶段；
已经部署了一些系统，并取得了一些可衡量的积极成果。
-后进者。正在尝试使用人工智能——他们有一个计划，但需要做更
多的事情来取得进展；已经有很少或没有生产部署的地方。
-起步者。已经开始试验人工智能，但没有生产部署，而且几乎没有
取得任何经济价值。
并非我们在书中提到的每家公司都是人工智能的推动者；在某些情况
下，我们描述的组织是转型者，甚至是探路者，但他们已经采用了有用的
或值得注意的做法。
成为组织的学习机器
总结来说，All in 人工智能需要将组织视为学习机器。在这样的企业
中，与人工智能有关的学习的许多方面都是制度化的，并且得到了良好的
润滑。他们至少在两种意义上是组织学习机。首先，他们在研究和部署人
工智能的过程中不断学习。他们进行实验，并采用快速的试错过程，从有
效和无效的东西中提取经验。正如我们的同事约翰·哈格尔和约翰·西利·布
朗所说，他们已经实现了“可扩展的学习”。例如，中国的平安公司从保险
业起步，现在已经进入了各种与金融服务相关的业务领域（关于他们的更
多信息见第三章），它有一个大型研究小组，雇用了许多计算机科学和相
关领域的优秀博士。该公司的创始人彼得·马明哲是一位艺术收藏家，他向
首席科学家肖晶建议，一个能够创造艺术和音乐的人工智能系统可能会吸
引该公司广泛的客户和合作伙伴网络。萧敬腾委托一个小团队，通过在现
有的高质量例子上训练机器学习系统，尝试创造绘画、音乐作品和诗歌。
实验成功了：研究人员能够创造高质量的艺术、音乐和诗歌。该系统
在 2019 年世界人工智能大会上被介绍，并得到了媒体的积极提及。音乐
创作系统甚至因此获得了一个国际奖项。肖在采访中告诉我们，平安正在
研究将艺术人工智能系统与集团的不同生态系统连接起来的商业模式，例
如将人工智能创造的音乐用于在线药物治疗或其他与健康护理有关的服
务。同时，他的团队了解到如何为涉及参与者的主观情绪或感受的业务开
发人工智能系统，例如证券市场的交易。
由人工智能推动的公司成为组织学习机器的另一种方式与机器学习
（至少是监督形式的机器学习，这是迄今为止商业中最常见的类型）直接
相关。该技术根据过去的数据训练的模型对未知的结果进行预测，而这些
数据的结果是已知的。这听起来可能有点混乱，但作为组织学习机器的公
司正在不断从他们的机器学习中学习。当代人工智能能力所做的基本上是
使规模和速度的学习生产成为可能和经济。
由人工智能驱动的公司监测他们的模型，以了解他们的预测有多成功
（通常使用一种称为机器学习操作的技术）。如果模型不再做出准确的预
测，公司就会使用新的数据来重新训练模型并改善其预测。这样一来，持
续的训练创造了持续的学习和更有价值的模型适合新数据。换句话说，如
果世界改变了，公司的预测模型也会随之改变。
一个真正的学习型机器公司会对所有的模型，或者至少是重要的模型
都这样做。这样做表明，该公司认为其模型是有价值的商业资产，值得监
测和改进，认识到模型的准确性会随着时间的推移而变化，并知道有技术
可以促进模型的运行过程。这些能力正是一个人工智能驱动的公司想要培
养的类型。
当然，组织学习机也可以从其他类型的人工智能中不断学习。例如，
星展银行(DBS)实施了聊天机器人计划，最初是在其位于印度的数字银行
作为向银行客户提供高质量客户服务的一种手段，无需等待，全天候提供
服务。在 2016 年对一次服务失败的审查中，管理层向团队提出挑战，要
求他们更密切地监测客户的旅程，并在问题发生之前发现。
这一挑战激励团队为印度的 digibank 提出了一个新的客户科学计划，
他们将实时监测每一位 digibank 客户的旅程。他们会主动寻找客户在使
用移动应用程序时遇到困难的迹象，开发出在发生这种情况时进行干预的
能力，并为客户提供如何继续其旅程的选择。学习是成功的，聊天机器人
的学习成果在印度和新加坡本土市场都得到了应用。“组织学习机”一词的
最终含义集中体现在这些公司是一致的、可靠的和不屈不挠的。他们对人
工智能改造业务的关注，就像任何表现良好的机器一样不懈。他们投资于
人工智能基础设施，如特征库（用于机器学习模型的定义明确的变量库）
和算法库，可以在整个组织内多次重复使用。他们确保许多员工也是人工
智能的持续学习者，他们不把人工智能当作一种时尚，而是当作一种非常
强大的工具，可以使他们在市场上的效率和效益大幅提高。
当然，创造组织学习机器的不仅仅是技术。它是组织基因的组合，是
支持人工智能和数据驱动决策的企业文化，是持续试验和创新的态度，是
员工、客户和商业伙伴对这些追求的参与。人类使这些事情发生，而不是
数据或算法或高功率的服务器。在这本书中，我们将把注意力集中在关注
人工智能的人的方面，而不是技术能力。这也是下一章的重点。
作为一个结论，一些组织拥有所有这些能力是个好消息。我们认为能
与他们交谈并撰写他们的文章是一种荣幸。同时，我们也希望通过描述在
这方面脱颖而出的公司，可以激励本书的读者将他们自己的组织推向这个
方向，即使他们可能没有达到“全能”的状态。
第二章 AI 人性的一面
影响一个组织的人工智能能力和成功的各种因素并不涉及技术甚至
数据。领导力、文化、态度和技能是人类的属性，对人工智能的影响不亚
于或超过公司的任何其他方面。如果我们使用机器学习模型来预测一家公
司是否会成为人工智能的动力，这些特征在我们的模型中会有很大的影响。
许多人工智能领导者承认这些因素的重要性。例如，我们采访了一家以生
物学为重点的学术研究机构——马萨诸塞州剑桥市的布罗德研究所的新
研究中心的领导人。该研究所获得了一笔 2.5 亿美元的拨款，用于了解机
器学习和生物学之间的联系。
当我们问该研究所新成立的埃里克和温迪·施密特中心的副主任，什
么问题可能阻碍他们实现这一目标时，他们都首先提到了文化。他们说，
人工智能人员通常是计算机科学家和生物学家，对于如何处理智力挑战有
着非常不同的语言和直觉。当被问及他们计划如何解决这些文化问题时，
他们仍处于探索潜在策略的阶段（当时是中心历史的早期），其中最重要
的是举办活动，将两个社区聚集在一起，深入讨论这两个领域之间的机会
和追求这些机会的方法。当然，他们认识到，人工智能/生物学合作的变
革管理科学可能不如人工智能/生物学合作本身那么先进。
除非我们采取积极措施来管理这些人类问题，否则我们不太可能在这
些问题上取得实质性进展。这可能是许多公司甚至是拥有巨大技术预算的
大公司没有随着时间的推移变得更加数据驱动的原因。对美国大型组织的
调查表明，近年来，说他们有数据驱动文化的比例甚至有所下降。我们将
在本章后面描述一些人工智能先行的公司为解决这些问题而采取的干预
措施。
任何组织在广泛使用人工智能方面取得进展的一个主要因素是支持
性的，甚至是热情的领导。在本章的开头，我们将介绍一位首席执行官，
他在激励和指导公司的人工智能之旅方面发挥了非常有效的作用。
AI 领导画像
星展银行(DBS)的集团首席执行官皮尤什·古普塔(Piyush Gupta)已经
在保守的银行业工作了近 40 年。然而，不知何故，他不仅成功地从曾经
被称为该死的血腥缓慢的银行中创造了一个银行和客户服务的强国，而且
还成为一个高度积极的人工智能采用者。他的努力有力地说明了高级行政
领导对有效采用一项新技术的影响。
古普塔于 2009 年来到星展银行(DBS)担任首席执行官，当时该公司
在新加坡银行中的客户服务排名最低。今天，它在服务方面名列前茅，并
通过收购和有机增长大大扩展了其在整个亚洲的足迹。它是东南亚最大的
银行，在中国和印度的业务也在不断增长。星展银行(DBS)赢得了多个全
球银行业奖项，包括《欧洲货币》颁发的世界最佳银行，《银行家》颁发
的年度全球银行，以及《环球金融》颁发的世界最佳银行。在数字银行方
面，星展集团曾两次被《欧洲货币》评为世界最佳数字银行。
在来到星展银行之前，古普塔曾是花旗集团东南亚和太平洋地区的首
席执行官，但他在银行业的根基是运营和技术。他是花旗集团前首席执行
官约翰·里德的门徒，里德也许是第一个了解信息和技术对行业重要性的
全球银行家，他领导了花旗集团后台和消费者业务以信息为中心的转型。
古普塔领导花旗在亚洲的交易服务，然后升为该银行的区域主管。他曾短
暂绕道创办了一家网络公司；该公司迅速失败，但这表明他对创新的渴望
和对失败的意愿。
事实上，古普塔说，他为星展银行所做的最早的人工智能努力是失败
的，尽管是有启发的。他把它们描述为组织的 “信号工具”。2013 年，古
普塔与新加坡主要的公共部门研究和开发机构 A* STAR 签订了星展集团
的人工智能实验室。星展银行签署了一份为期三年的合同，与来自星展银
行和 A* STAR 的指定数据科学家共同探索人工智能的应用。他们在半打
项目上工作，没有一个是成功的。但古普塔和该组织学到了很多东西。
正如这些早期项目所表明的，古普塔的人工智能战略之一是简单地从
技术的早期开始并进行实验。银行的关键绩效指标（KPI）之一是每年进
行一千次实验，其中许多实验涉及人工智能。古普塔每六个月组织两天的
实验，以鼓励员工对如何部署人工智能进行更深入的思考。
他还为人工智能实验打开了钱包，让业务部门和职能部门可以灵活地
雇用准数据科学家，看看他们能完成什么。他以人力资源团队为例，说明
这一实验的积极成果。没有技术背景的人力资源部门负责人创建了一个小
型的、结构松散的小组来识别和试验人工智能应用。该小组开发了 JIM—
—Job Intelligence Maestro 应用程序，以帮助银行的招聘人员更有效地
雇用合适的人才担任大量的职位,人力资源部门还开发了一个自然减员预
测模型。
众所周知，数据是人工智能的燃料，许多公司不得不对他们的数据环
境进行实质性的改变，以使其适合积极的人工智能计划，但不常见的是，
大型企业的 CEO 亲自领导数据转型。Gupta 将他的兴趣和能力归功于他
在花旗银行的工作，在那里他参与了该银行第一批数据中心的创建，并了
解了数据架构。像许多公司一样，它将其大部分数据从传统的数据仓库转
移到数据湖，后者更便宜，更适合结构化程度较低的数据。
此外，星展银行为其元数据创建了一个新的结构，清理了八千万条不
完整的数据记录，为谁可以访问数据和哪些客户数据适合采集制定了新的
协议，并引入了可视化工具，使数据的趋势更加明显。
古普塔继续纠结于在哪里存储和处理数据的问题。在过去的几年里，
该银行在很大程度上转向了私有云，但显然有太多的数据要全部存储在前
提下。他们现在已经采用了混合云的方法，虽然此举很复杂，但已经为团
队提供了实验和迭代的基础材料。例如，它有一个负责任的数据使用委员
会，负责审查面向客户的数据是否适合收集和使用。采用的标准不仅是合
法的，而且是客户可以接受的。银行遵循 PURE 的口号——收集的数据应
该是有目的的、不令人惊讶的、尊重的和可解释的。他感到自豪的是，星
展银行现在雇用了大约一千名数据和分析员工，包括数据科学家、数据分
析师和数据工程师，他们有些在中央小组，但更多的是在企业的各个职能
和单位。
几年来，该银行为高级管理人员举办了参与性的 “黑客马拉松”，让他
们对数字创新进行思考和行动。最近，古普塔一直在寻找关于如何激发人
们的活力并消除对人工智能的恐惧的想法。他的一名员工提出了鼓励参与
亚马逊网络服务的 DeepRacer 联盟模拟的想法，这是一个教授机器和强
化学习的自主赛车游戏。DB 希望在 2020 年期间用这种方法培训多达三
千名员工。Gupta 本人也参加了比赛，正如他所说，“我很高兴能在我们
的员工中进入前 100 名。”其他星展集团员工的表现也非常好，其中一位
是 AWS DeepRacer League F1 ProAm 的冠军。Piyush Gupta 致力于继
续建设星展集团在人工智能方面的能力。他说，最终这项技术将成为银行
业的“赌注”。虽然许多其他银行已经采用了外部供应商的人工智能能力，
但他致力于在内部建立人工智能案例。他说：“我们必须拥有与数字原住
民相同的能力。”Gupta 致力于让星展银行的员工接受人工智能，而不是
害怕它可能夺走他们的工作。到目前为止，没有人因为人工智能而在星展
银行失去工作，尽管有些人已经提高了技能以改变角色。由于该银行一直
在增长，它已经能够在某些领域（如其客户中心，使用强大的聊天机器人）
用人工智能创造大量效率，以推动持续增长。然而，古普塔承认，虽然他
仍然致力于帮助他的员工提高技能，以便他们能够为人工智能增加价值，
但没有人知道人工智能在未来会有多大的能力。
关于领导力的教训
从这个例子中，我们能学到什么关于人工智能的领导力？古普塔表现
出的几个特征可以推广到其他领导人和组织。
首先，熟悉信息技术有很大的帮助。一个没有像古普塔这样背景的首
席执行官当然可以学习足够的人工智能和相关的 IT 基础设施，以取得成
效，但这需要大量的努力。
第二，重要的是要在多条战线上开展工作。领导者选择参与的具体举
措在不同的公司会有所不同，但高级管理人员对于表明对技术的兴趣、建
立数据驱动的决策文化、促进整个企业的创新以及激励员工采用新技能尤
为重要。
第三，领导者掌握着钱包的权力。人工智能的探索有些昂贵，而人工
智能的开发和生产部署确实很昂贵。人工智能领导者必须投入足够的资金，
以实现这两个层次的采用。请注意，古普塔在采用人工智能的早期就打开
了实验的钱包，并不要求有很多财务上的理由。他认为：“投资回报率过
早地扼杀了实验”，最近，他为业务部门和职能部门制定了关键绩效指标，
要求他们记录其人工智能项目的节约或回报。星展银行的消费者银行本财
年的目标是通过人工智能获得 5000 万新元的回报，古普塔对实现这一目
标充满信心。
作为最后的属性，高级人工智能领导者亲自参与以人工智能为重点的
转型的某些方面可能是有帮助的。数据始终是一个重要的问题，尽管相对
来说，很少有 CEO 会像古普塔那样了解它。
个人参与的另一种可能是开发一个特别重要的人工智能案例。例如，
摩根士丹利的财富管理业务——世界上最大的财富管理业务，建立了一
个基于人工智能的系统，向客户推荐投资理念。当时该组织的首席运营官
是吉姆·罗森塔尔，财富管理部门的负责人是安迪·萨珀斯坦，现在是该公
司的副总裁。罗森塔尔在十多年前就有了类似 Netflix 推荐引擎的想法，
他一直监督其发展，直到他从摩根斯坦利退休。萨珀斯坦强烈支持这一想
法，然后监督将客户参与的通信平台功能添加到后来被称为 “下一个最佳
行动”的系统中。摩根士丹利的首席数据和分析官杰夫·麦克米伦（Jeff
McMillan）告诉我们，如果没有他们的长期参与，这个系统是不可能创建
的。
在我们确定的由人工智能推动的公司中，还有其他强大的人工智能领
导者。根据其业务的背景和具体需求，每个人都有独特的属性。例如，在
中国平安，该企业的创始人马明哲拥有经济学和银行业的博士学位，并在
确定该公司多个金融服务相关业务部门的人工智能新案例方面发挥了积
极作用。
Weston 是加拿大巨型零售商 Loblaw 的董事长兼首席执行官。韦斯
顿，像许多人工智能领导者一样，对技术和它如何重塑零售业务有着高度
的智力好奇心。韦斯顿家族拥有 Loblaw 的大部分股份，在该公司 135 年
的历史中一直如此，他们以独特的长期视角而闻名。最近作为公司总裁退
休的萨拉·戴维斯(Sarah Davis)也将自己描述为“一个非常喜欢数学的人”。
韦斯顿领导了该公司对大型连锁药店 Shoppers Drug Mart 和一家医
疗记录公司的收购。他特别关注数据、分析和人工智能如何能够改善加拿
大人口的医疗保健。Loblaw 已经拥有全国最大的医疗保健软件平台，并
且正在为其零售店内销售的五万五千种产品提供营养信息和健康产品建
议。韦斯顿在一次会议上评论说，“个性化健康 ”是让他每天早上起床的原
因。
一些最优秀的人工智能领导者的内心是技术专家。正如我们所讨论的
那样，DBS 的古普塔具有这种属性的强烈元素。CCC 智能解决方案是一
家中型公司，在为汽车保险碰撞损失评估提供数据和基于人工智能的图像
分析方面占据主导地位。首席执行官 Githesh Ramamurthy 之前是首席技
术官。作为一名技术专家，他能够根据对技术发展的长期押注，推动公司
向几个关键的方向发展，这些押注包括
⚫早期向云端转移，在一个广泛的生态系统中存储和处理数据。
⚫基于车主用智能手机拍摄的引导性照片，对碰撞损害图像评
估的调查和最终实施。
⚫最近，有人打赌，自主和半自主车辆保险将需要来自车辆中
远程信息处理和人工智能系统的大量数据，以评估事故的损害和
责任。
人工智能领导力还涉及到从看到公司业务的未来，并有勇气采取行动
来实现它。在第七章中，我们讲述了德勤如何成为人工智能助推器的路径
分析。德勤是世界上最大的专业服务机构，在过去，该行业一直非常注重
专业的人类。但德勤的业务、全球和战略服务的管理负责人 Jason
Girzadas 负责纵观其所有业务部门，评估它们与未来商业和经济环境的
契合度。他确定人工智能将在该组织的未来发挥重要作用，并说服德勤的
合作伙伴大力投资于审计、税务、咨询和风险咨询业务流程，这些流程将
涉及人类和人工智能系统的紧密合作。人工智能领导力有多种形式，但一
个共同的特点是，这些领导者意识到人工智能能做什么，特别是能为他们
的公司做什么，以及它对战略、商业模式、流程和人员可能产生的一些影
响。只有了解了这一点，他们才能规划有效的领导角色。对于人工智能领
导力的其余部分，他们可以依靠他们作为领导者培养的技能、直觉和背景
