机器人与我们，究竟谁更需要谁？

想象一下在美国国家橄榄球联盟数十万个视频的历史档案中找到某一特定影像。一个赛季就会产生16320多分钟的比赛录像。如果你把每次赛前、中场和赛后的表演、每一次训练以及每一次媒体采访都包括进来，你拥有的录像片似乎无穷无尽，而这仅仅是一个赛季的内容。

为了让工作人员更容易从所有这些材料中制作精彩集锦和其他媒体，NFL在2019年12月与亚马逊网络服务公司（Amazon Web Services）合作，使用人工智能来搜索和标记其视频内容。这个过程的第一步需要NFL的内容创作团队教会人工智能（AI）该找什么。该团队为每位球员、每支球队、每件球衣、每个体育场以及它希望在视频资料库中识别的其他可识别的视觉内容制作了元数据标签。然后，它将这些标签与亚马逊现有的图像识别AI系统相结合，亚马逊已经用数千万张图片对该系统进行了训练。AI能够对这两组数据都加以利用，以标记视频库中的相关影像，而内容创作团队只需点击几下就能核准每个标签。员工曾经不得不手动搜索、发现和剪辑每个视频，将其存储在资料库中，然后用元数据标记视频，而亚马逊的AI让大部分过程实现了自动化。

在《哈佛商业评论》之前的一篇文章中（“协作智能：人机合作新模式”，2018年7-8月），我们描述了一些领军企业如何挑战了技术会将人淘汰这一传统预期——相反，他们利用人机协作的力量来改造他们的业务并提高最终盈利。现在，好几家公司不仅用这种方法在创新上超越了竞争对手，甚至更加果断地转向以人为本的AI技术，并颠覆了创新的本质，正如在过去十年里所践行的那样。

比如，在NFL一例中，AI加速了图像识别过程，但如果没有员工确定哪些数据需要上传，然后核准，系统就会失灵。NFL并未简单地将制作精彩片段的工作交给AI；内容制作专家从事这项工作，但由于人工智能具有快速整理海量信息的独特能力，他们做起此事来速度更快、更轻松。

新的以人为本的AI方法正在改变人们对创新的基本构件的设想。一些公司正在重新确定AI和自动化如何将各种尖端信息技术与能够实现灵活适应力和无缝人机一体化的系统紧密结合。这些开创性的企业正以前所未有的速度投资于数字技术，以应对新的运营挑战和迅速变化的客户需求。根据埃森哲2019年对8300多家企业的调查，他们大幅增加了对云服务、AI等方面的投资，而且他们的创收速度是落伍者的两倍。2021年对4000多家公司进行的另一项研究表明，数字技术投入排名前10%的公司飞速发展的程度甚至更深，其收入增长速度是落伍者的五倍。

我们已经将我们从这项研究中所获知的东西转化为指导思想，在一个多数企业会将其成功归功于人类而不是机器的世界中，企业领导者可以用这种指导思想去竞争。我们的IDEAS框架要求关注新兴技术领域的五个要素：智能（intelligence）、数据（data）、专业知识（expertise）、架构（architecture）和战略（strategy）。它可以帮助技术和非技术高管更好地理解这些要素，并构想这些要素如何可以密切结合，成为强大的创新引擎。

在本文中，我们使用IDEAS框架来审视那些实施了人类驱动的AI流程和应用程序来解决具体问题的企业案例。你也可以这样做，集结你自己员工的技能和经验来管理一切技术创新，从研发和运营到人才管理和商业模式的发展。

让AI多一点人类特征

少一点人工造作

人类智能和人工智能是互补的。AI驱动的任何机器都无法像哪怕最年幼的人类那样轻松、高效地学习、理解和联系语境。不小心掉了一个东西，一个一岁的孩子看到你伸手去够，他就会帮你捡。故意把它扔下去，孩子就会不理不睬。换句话说，即便是很小的孩子也都明白，人是有意图的——这是一种非同寻常的认知能力，似乎已预置于人类的大脑中。

这还不是全部。从很小的年龄开始，儿童就对物理学产生了直觉认识：他们认为物体会沿着平滑的路径移动，保持存在，并在没有支撑的情况下坠落。他们在习得语言之前就能区分生命体和无生命的物体。当他们学习语言时，他们会表现出从很少的例子中进行归纳的非凡能力，新单词只听过一两次就能学会。他们会通过试错学会自己走路。

相反，AI能够做许多人类（尽管被赋予了天生的智力）发现不可能做好或难以做好的事情：在大量数据中识别模式；在国际象棋中击败最伟大的冠军；运行复杂的制造流程；同时应答客服中心的许多电话；分析天气、土壤状况和卫星图像，来帮助农民最大限度提高作物产量；在打击剥削儿童的斗争中扫描数百万幅互联网图像；侦查金融欺诈；预测消费者的偏好；个性化广告；以及其他许多事情。最重要的是，AI已经使人类和机器能够高效地合作。与自动化的末日论者相反，这种合作正在创造一系列新的、高价值的工作。

管理信息

而不仅仅是积聚信息

为了掌握利用大数据和小数据来产生AI价值，企业必须首先打下坚实的数据基础。业务数据通常被锁定在传统的实地平台上，这些平台是孤立的，员工很难（如果说并非不可能的话）让不同类型的数据一起工作。商业用户则更难找到并处理正确的信息，做出适当的决策。创建一个强大的数据基础需要让信息突破传统藩篱，这样信息就能够协调一致，以最佳方式存储，便于轻松访问，可以随时用新的工具进行分析——所有这一切都在云中进行。

三种能力是关键

现代数据工程

在一个强大的、基于云的基础上，数据来自多个内部和外部来源。它被拼接成精心策划、可重复使用的数据集，可用于各种分析目的。一个好的基础依赖于支持不同数据类型的数据获取和ETL（提取、转换、加载）框架。这些框架还会处理信息的标准化、信息分类、确保信息质量和获取元数据的规则。此外，它们还支持使用一种更快的模板化方法来使用数据，这使得工程师能够快速开发新的分析用例和数据产品。

AI辅助的数据管理

基于云的AI工具提供高级功能和扩展性，可在引入云时，对云中收集的数据自动进行清理、分类和保护，从而支持更好的数据质量、准确性及道德处理。

数据民主化

一个现代的数据基础可以让更多的数据被更多的人掌握。数据应可以及时获取并易于使用，同时支持多种方式来分析数据，包括通过自助服务、人工智能、商业智能和数据科学。最新的基于云的工具实现了数据民主化，让整个企业中更多人能够轻松地找到并利用与他们的具体业务需求相关的信息。

这三种能力可以合力帮助企业克服从数据中获取价值的一些最常见的障碍：数据的可访问性、可信度、准备使用的就绪状态和及时性方面的问题。它们使企业能够实时调和来自大型和小型数据集的项目，构建灵活的报告，并应用AI来创建可广泛访问的客户、市场和运营见解，这些见解可以产生有意义的业务成果。

有了坚实的数据基础——来自更多来源的更多数据，在AI的帮助下进行管理，并在你的企业内广泛传播——你不再被数据弄得不知所措，而是能够最大限度地发挥其潜力。你可以把它用于越来越强大和精细的用途，但是，就像仿人智能一样，这将需要你的员工更多地参与。

释放员工的才能

在易集这一在线复古和手工制品市场，它的座右铭是“让商业人性化”。它需要人来教公司的搜索引擎如何识别许多购买决定的关键——审美风格。在考虑购买一件商品时，易集的客户不仅会留意商品的尺寸、材料、价格和评级等细节，而且会审视其风格与审美方面。

对易集来说，按风格对商品进行分类特别具有挑战性。其网站上的大多数产品都是独一无二的作品。许多商品借鉴了多种风格，或者根本没有表现出明显可辨的风格。而且，任何时候都有约5000万件商品在售。在过去，基于风格的推荐系统为购物者群体提供的是令人费解的产品建议。这是因为AI假设的是，如果两件商品经常被一个共同的客户群体同时购买，那么它们的风格肯定类似。另一种方法使用颜色、材料等低层次属性来对商品进行风格分类。这两种方法都没能理解风格是如何影响购买决策的。

有谁能比易集的推销专家更好地教AI学习主观的风格概念？根据他们的经验，他们开发了42个吸引买家兴趣的风格标签，涵盖从珠宝到玩具再到工艺品的15个类别。有些是艺术界熟悉的标签（新艺术、装饰艺术）。有些会唤起情感（趣味与幽默，励志）。商家拟出了一份清单，列出了分布于这42种风格中的13万件商品。

然后，易集的技术人员转向那些在搜索时倾向于使用风格相关词语的买家，他们会输入“装饰艺术餐边柜”这样的词。对于每一个这样的查询，易集都把选好的风格名称分配给用户在搜索过程中点击、收藏或购买的每件物品。从一个月的此类查询中，该公司就能够收集到一个含有300万实例的标记数据集，用以测试其风格分类。然后，易集的工程师们训练了一个神经网络，使用文本和视觉线索来最好地区分每件物品的分类。结果就是对Etsy.com上所有5000万件现售商品进行了风格预测。

当新冠疫情袭来、大众零售商的供应链崩溃时，这变得特别有用。许多买家转向易集购买急需的产品：口罩。在这个类别中机器人教案模板，最热销的是根据客户审美情趣而量身定制的口罩，客户可以指定他们正在寻求的设计——波尔卡圆点、花卉图案、动物面孔等等。口罩的销售额从2020年4月初的几乎为零增长到当年剩余时间的约7.4亿美元。该公司的收入在此期间翻了一倍多，其市值升至220亿美元。易集CEO乔希·西尔弗曼（Josh Silverman）表示，关键是让买家可以找到一个“能表达他们趣味和风格”的口罩。

机器教学会释放出整个企业中通常尚未利用的专业知识，让更多的员工以新的复杂的方式使用AI。由于它可以根据业务情况进行定制，它为真正的创新和优势开辟了道路，你不再只是简单地追赶技术。在监督学习的情境下，当机器学习算法的标记训练数据很少或没有时，机器教学特别有用——因为行业或公司的需求非常具体，所以通常不会如此。

为了从系统和知识员工那里都获得最大的价值，企业必须重新设想非专家以及专家与机器互动的方式。你可以先让你的领域专家了解AI的实用知识，这样他们就可以有效地将他们的专业知识转移到公司的流程和技术上。熟悉人工智能的基础知识还会使他们有能力开发出创造性的方法，将人工智能应用于业务。

构建适应性强、有生机的系统

传统的架构界限严格，在业务范围、地理区域、销售渠道和职能部门之间维持着壁垒。这些架构十分僵化，无法适应新的智能技术或顺应新战略、不断变化的市场条件及新的运营机会。这就是许多企业的创新项目停滞不前的原因。

今天出现的快速转变和新技术的突然涌入，将IT架构推到了前沿和中心位置。当落伍者未能抓住IT创新的机会时，领先企业却广泛采用了各种新兴信息技术，并将它们组合成我们所说的有生机的系统，因为它们没有边界，适应性强，而且以人为本。

我们所谓的“没有边界”是指它们打破了IT堆栈内部的壁垒，用云基平台来利用网络效应的企业之间的壁垒，以及人类和机器之间的壁垒，并赋予了企业无限的机会去改善他们的运营方式。所谓“适应性强”，我们意指这些系统在数据和智能技术进步的推动下，迅速适应业务和技术变化，最大限度减少摩擦，扩大创新，学习和改进。当我们把这些系统描述为“以人为本”时机器人教案模板，我们的意思是，它们模仿的是人类的大脑和行为，能够比前几代智能技术以更像人类的方式来倾听、观看、交谈和理解。

通往这一未来的道路取决于你的企业在整个技术堆栈中做出的选择。你必须转向更加以人为本的AI和自动化方法。你可以首先加快对云计算、数据分析和移动性等核心技术的投资。你可以重新设想你应用程序开发方法，以便利用云功能和微服务及其释放的灵活性。你可以专注于创建可重复使用的、具有最大价值而不是最小可行性的组件。成功将业务和技术战略结合起来的企业将有能力以前所未有的敏捷度开发独一无二的产品。

在以人为本、基于IDEAS的创新取得明显成功之后，我们的任务将是以审慎的速度向前推进。未来远比预期来得更快，它需要明智而迅速地掌握刚刚才开始崭露头角的新的创新方法。我们已经看到它无处不在——从杂货店配送到快餐，在手工产品的零售中，甚至在美国国家橄榄球联盟。AI正在以我们大多数人永远无法想象的方式帮助企业运营，而且它将继续这样做，但前提是人在引路。我们的框架为那些准备开始的公司提供了一幅清晰的路线图。

H·詹姆斯·威尔逊（H. James Wilson ） 保罗·多尔蒂（Paul R. Daugherty）| 文

H·詹姆斯·威尔逊是埃森哲研究部负责技术与商业研究的全球董事总经理。保罗·多尔蒂是埃森哲首席技术官及该公司技术业务的全球负责人。他们合著有《以人为本：新技术在如何改变企业并塑造我们的未来》（Radically Human: How New Technology Is Transforming Business and Shaping Our Future）（哈佛商业评论出版社，2022年）一书。本文改编自此著作。

永年 | 译 时青靖 | 校 李源 | 编辑

本文有删节，原文参见《哈佛商业评论》中文版2022年4月刊。