四步驟落實人工智慧 - 哈佛商業評論

大體來說，人工智慧可支持三類重要的業務需求：商業流程自動化、透過資料分析取得見解、與顧客和員工交流互動（見表：「認知專案的類型」）。

HBR導師講座 抗疫管理最前線NEW 最新文章 主題分類 職場新手進修 台灣CEO100強 數位封面故事 雜誌 書籍 影音 HBR個案研究 精選專題 觀念圖解數位版訂戶專屬 管理地圖 最新出版 2021年12月號 免費閱讀 會員登入免費看更多 訂閱數位版首月暢讀60元  首頁 / 影音/ 四步驟落實人工智慧 技術 四步驟落實人工智慧 ArtificialIntelligencefortheRealWorld 湯瑪斯．戴文波特ThomasH.Davenport,拉傑夫．羅南奇RajeevRonanki 影音 ｜ 2019/6/21 瀏覽人數：17897 文章摘要全　　文 收藏 分享 "四步驟落實人工智慧" URL Facebook 分享至Facebook 字放大 字縮小 授課文章購買 授課文章購買 購買〈四步驟落實人工智慧〉文章 購買份數 請選擇 101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192193194195196197198199200201202203204205206207208209210211212213214215216217218219220221222223224225226227228229230231232233234235236237238239240241242243244245246247248249250251252253254255256257258259260261262263264265266267268269270271272273274275276277278279280281282283284285286287288289290291292293294295296297298299300301302303304305306307308309310311312313314315316317318319320321322323324325326327328329330331332333334335336337338339340341342343344345346347348349350351352353354355356357358359360361362363364365366367368369370371372373374375376377378379380381382383384385386387388389390391392393394395396397398399400401402403404405406407408409410411412413414415416417418419420421422423424425426427428429430431432433434435436437438439440441442443444445446447448449450451452453454455456457458459460461462463464465466467468469470471472473474475476477478479480481482483484485486487488489490491492493494495496497498499500501502503504505506507508509510511512513514515516517518519520521522523524525526527528529530531532533534535536537538539540541542543544545546547548549550551552553554555556557558559560561562563564565566567568569570571572573574575576577578579580581582583584585586587588589590591592593594595596597598599600601602603604605606607608609610611612613614615616617618619620621622623624625626627628629630631632633634635636637638639640641642643644645646647648649650651652653654655656657658659660661662663664665666667668669670671672673674675676677678679680681682683684685686687688689690691692693694695696697698699700701702703704705706707708709710711712713714715716717718719720721722723724725726727728729730731732733734735736737738739740741742743744745746747748749750751752753754755756757758759760761762763764765766767768769770771772773774775776777778779780781782783784785786787788789790791792793794795796797798799800801802803804805806807808809810811812813814815816817818819820821822823824825826827828829830831832833834835836837838839840841842843844845846847848849850851852853854855856857858859860861862863864865866867868869870871872873874875876877878879880881882883884885886887888889890891892893894895896897898899900901902903904905906907908909910911912913914915916917918919920921922923924925926927928929930931932933934935936937938939940941942943944945946947948949950951952953954955956957958959960961962963964965966967968969970971972973974975976977978979980981982983984985986987988989990991992993994995996997998999 授課文章購買說明 10點個人收藏購買 個人收藏購買 購買〈四步驟落實人工智慧〉PDF檔 下載點數10點 點數不夠嗎？立即儲值 下載文章說明 立即購買 下載中，請稍候 認知技術愈來愈常用來解決業務問題；其實，許多高階主管相信，人工智慧會在三年內，使他們的公司大幅改頭換面。

但有許多企圖心很大的人工智慧專案，都遭遇挫折或失敗。

本文調查250位熟悉自家公司使用認知技術情況的高階主管，以及研究152項專案，顯示企業採取緩步漸進，而不是大刀闊斧、改頭換面的開發與執行人工智慧方法，並專注在擴增而非取代人的能力，成效會比較好。

大體來說，人工智慧可以支持三類重要的業務需求：業務流程自動化（通常是後端單位的行政管理與財務活動）、透過資料分析取得見解，以及與顧客和員工互動。

要從人工智慧獲得最大的效果，企業必須了解哪些技術執行哪些類型的任務、根據業務需求而建立已排好優先順序的專案組合，以及制定計畫，擴大推展到全公司。

影片載入中... 企業要運用人工智慧，不能一開始就抱持太大的企圖心，而必須緩步漸進。

也就是說，要從人工智慧獲得最大效果，企業應了解哪些技術可以執行哪些類型的任務、根據業務需求建立安排好優先順序的專案組合，以及制定計畫，擴大規模推展到全公司。

2013年，德州大學安德森癌症中心（MDAndersonCancerCenter）推出一個企圖心極大的專案：使用IBM的華生（Watson）認知系統，診斷某些形式的癌症，並推薦治療方案。

但這項計畫在成本突破6,200萬美元之後，於2017年叫停；而這套系統，還沒有用在病患身上。

同時，這座癌症中心的資訊科技小組，正在實驗使用認知技術，進行企圖心小得多的工作，例如，為病患家屬推薦飯店和餐廳、決定哪些病患需要協助支付費用，以及處理資訊科技單位用人問題。

這些計畫的成效較為看好：新系統有助於提高病患滿意度、改善財務績效，以及減少醫院護理人員花在繁瑣的資料輸入工作的時間。

儘管企圖心極大的專案受挫，安德森中心仍致力使用認知技術，也就是下一代的人工智慧：以增進癌症治療的效果，並在它的認知運算能力中心，發展各式新計畫。

這兩種方法之間的對比，與任何想規畫人工智慧行動方案的人切身相關。

我們調查250位熟悉自家公司如何使用認知技術的高階主管，發現四分之三的人相信，人工智慧將在三年內，大幅改造他們的公司。

然而，我們研究了差不多家數的公司裡的152項計畫，也顯示企圖心極大的專案，成功的可能性低於增進業務流程的「容易取得成果」專案。

這件事應該不讓人驚訝，因為企業過去採用的絕大多數科技也是這樣。

但有關人工智慧的熱潮太過強大，而有些組織已深受吸引。

這篇文章中，我們將檢視已獲採用的各種類型人工智慧，並提供一個架構，說明企業未來幾年應如何開始建立認知能力，以達成業務目標。

三類人工智慧透過業務能力的角度，而不是從技術角度來看人工智慧，對企業是有幫助的。

大體來說，人工智慧可支持三類重要的業務需求：商業流程自動化、透過資料分析取得見解、與顧客和員工交流互動（見表：「認知專案的類型」）。

流程自動化。

我們研究的152項計畫中，最常見的類型，是利用機器人流程自動化（roboticprocessautomation,RPA）技術，進行數位和實體任務的自動化，這些任務通常是後端單位的行政管理與財務活動。

RPA比早期的商業流程自動化工具更先進，因為「機器人」（也就是伺服器上的程式碼）就像人類那樣，從多個資訊科技系統輸入和使用資訊，任務包括：●把電子郵件和電話客服中心系統裡的資料，轉移到紀錄系統裡；例如，更新顧客檔案，像是地址改變或增加服務項目等。

●更換遺失的信用卡或提款卡，進入多個系統，更新各項紀錄，以及處理與顧客的通訊。

●從多種文件類型擷取資訊，以調和多個計費系統裡沒有收取服務費用的情形。

●使用自然語言處理技術，來「閱讀」法律和合約文件，擷取裡面的條款。

RPA是本文要討論的認知技術當中最便宜、最容易執行的，而且，通常會迅速帶來相當高的投資報酬率。

（它也是最不「聰明」的技術，因為這些應用並不會學習和改善，但開發人員正慢慢在當中增加更多智慧與學習能力）。

它特別適合跨越多個後端系統執行工作。

美國國家航空太空總署（NASA）受到成本壓力，因此推出四個RPA的試辦專案，包括應付帳款和應收帳款、資訊科技支出、人力資源；這些專案全部由一個共用的服務中心來管理。

這四個專案運作得相當好，例如，人資應用方面，有86％的交易是在沒有人力介入的情形下完成，因此這四個專案將擴大推展到整個組織。

NASA正在執行更多RPA機器人，其中一些的智慧水準較高。

就像共同服務組織專案領導人吉姆．華克（JimWalker）指出的：「到目前為止，還沒有用到高深的科學。

」有人可能會猜想，RPA很快就會使人失業。

但在我們探討的71個RPA專案中（占總數的47％），取代行政管理人員既不是首要目標，也不是常見結果。

只有少數專案導致員工人數減少，而且其中大部分的情況裡，處理的任務在之前就已移轉給外包工作者。

隨著技術改進，機器人自動化專案將來可能導致一些人失業，尤其是在境外商業流程外包產業。

如果能把一項任務外包，或許也能把它自動化。

認知見解（cognitiveinsight）。

我們的研究中，第二類最常見的專案（占總數的38％），使用演算法來偵測大量資料中的形態，並解讀它們的意義。

你可以把它想成是「卯足全力分析」。

這些機器學習應用目前是用在：●預測某位顧客可能買什麼。

●即時找出信用詐欺，以及偵測保險理賠詐欺。

●分析保固資料，以找出汽車和其他製造品的安全或品質問題。

●自動化執行數位廣告個人化定向。

●提供保險公司更正確和詳細的精算模型建構。

機器學習提供的認知見解，與傳統的分析所提供的不同，不同之處有三方面：它們通常較為資料密集和詳細；模型一般是在資料集的某個部分接受訓練；而且模型會變得更好，也就是說，它們能夠使用新資料去做預測，或是把事物分類，這種能力會隨著時間而改善。

機器學習的各種版本（尤其是深度學習）可執行優異的功能，像是辨識圖像和語音；深度學習試著模仿人類大腦的活動，以辨識不同的形態。

機器學習也能提供新資料，做更好的分析。

資料典藏（datacuration）一向相當勞力密集，現在機器學習可以從不同的資料庫當中，找出機率性比對資料，也就是那些可能和同一個人或公司有關，但以略為不同的格式呈現。

奇異公司（GE）已使用這個技術，來整合供應商資料，以消除多餘的作業，以及協商以前由事業單位層級來管理的合約，第一年就因此而省下八千萬美元。

同樣地，一家大型銀行使用這個技術，擷取供應商合約中的條款資料，並與發票號碼比對，找出數千萬美元沒有供應的產品與服務。

德勤（Deloitte）的稽核實務單位正在使用認知見解，從合約中擷取條款，使得一次稽核能處理更高百分比的文件（往往高達100％），而不需要稽核人員辛苦地逐字閱讀。

認知見解應用，通常是用來改善只有機器能做的工作的績效，例如程式化廣告購買，這需要高速資料運算和自動化執行，這些一直都是人類能力做不到的，所以它們通常不會威脅人類的工作。

認知互動（cognitiveengagement）。

有一些專案使用自然語言處理聊天機器人、智慧型代理人和機器學習，來與員工和顧客交流，這類專案在我們的研究中最少見，只占總數的16％。

這類專案包括：●智慧型代理人提供全年無休的顧客服務，處理的問題愈來愈多且廣泛，從密碼查詢到技術支援問題，全部以顧客的自然語言來進行。

●回答員工問題的內部網站，主題包括：資訊科技、員工福利、人力資源政策。

●為零售商設計的產品與服務推薦系統，可提高個人化、互動和銷售額，通常包括豐富的語言或圖像。

●醫療推薦系統，協助醫療業者制定量身打造的照護計畫，考慮到個別病患的健康狀況，與之前的治療方式。

我們研究中的公司，利用認知互動技術與員工的互動，往往多於與顧客的互動。

隨著企業更放心把它們與顧客的互動交給機器，這種情況可能改變。

例如，先鋒集團（Vanguard）正在試用一個智慧型代理人，協助自家的客服人員回答經常有人詢問的問題。

這個計畫最後會讓顧客直接與認知代理人互動，而不是與人類的客服人員互動。

瑞典的SEBank、美國的醫療科技巨擘Becton,Dickinson（BD），正使用逼真的智慧型代理人的線上化身阿梅利亞（Amelia），作為內部員工的資訊科技支援服務台。

最近，SEBank有限度地提供阿梅利亞給顧客使用，以測試它的表現和顧客反應。

企業在面對顧客的認知互動技術方面，傾向採取保守的方法，主要是因為那些技術還不成熟。

舉例來說，臉書（Facebook）發現有70％的顧客要求，若沒有人力介入協助，它的Messenger聊天機器人就無法回答。

因此，臉書和其他幾家公司目前限制只有某些主題領域或對話類型，才使用以機器人為基礎的介面。

我們的研究顯示，目前，認知互動應用程式沒有威脅到顧客服務或銷售代表的工作。

我們研究的大部分專案，目標不是減少人力，而是在不增加人力的情況下，處理日益增多的員工與顧客互動。

有些組織打算把例行性的溝通任務交給機器，而把顧客支援人員調去執行比較複雜的活動，例如，處理可能會擴大的顧客問題、執行廣泛的非結構性談話，或者，在顧客打電話進來提出問題之前，就先聯絡他們。

隨著企業更熟悉認知工具，目前它們正在試驗一些專案，結合所有三個類型專案的要素，以取得人工智慧的好處。

例如，義大利一家保險公司在自家資訊科技部門內部，開發了「認知服務台」。

這套系統與員工互的方式，是使用深度學習技術（認知見解類型的一部分），來搜尋經常詢問的問題和答案、以前解決過的案例和文件紀錄，以便對員工的問題提出解決方法。

它使用智慧路徑（smart-routing）能力（商業流程自動化），把最複雜的問題交由人類代表來處理，並使用自然語言處理技術，來支援使用者用義大利文提出的請求。

但雖然企業使用認知工具的經驗迅速擴增，在發展和執行方面仍面對重大障礙。

我們根據研究，發展出四個步驟的架構，用來整合各項人工智慧技術，以協助企業達成目標，無論專案是企圖心像登月那麼大，還是要改進商業流程。

1.了解技術企業在著手推動人工智慧行動方案之前，必須了解哪些技術適合執行哪些類型的任務，以及每一種技術的強項與限制。

例如，以規則為基礎的專家系統和機器人流程自動化，它們執行工作的方式是相當透明的，但兩者都沒有學習和改善的能力。

另一方面，深度學習很擅長從大量的標籤資料（labeleddata）當中學習，但幾乎不可能了解它如何建立起那些模型。

在金融服務等受到高度管制的行業，這個「黑盒子」問題可能引來麻煩，因為監管人員總是堅持要知道，企業為什麼要用特定方式做決策。

我們遇過幾個組織浪費時間和金錢，運用錯誤的技術來處理手頭上的工作。

但如果它們清楚了解不同的技術，就更能夠確定哪一種技術最適合處理哪些需求、可以和哪些供應商合作，以及多麼快可以建置好一套系統。

要了解這些，通常必須在資訊科技或創新單位中，持續進行研究與教育。

尤其是企業必須借重關鍵員工的能力，例如資料科學家，他們具備必要的統計和大數據技能，能夠學習這些技術的具體細節。

一項主要的成功因素，就是你的人員願意學習。

有些人會掌握這個機會，另外有些人則會想要緊抓著自己熟悉的工具。

公司應設法確保前者所占比率較高。

如果公司內部沒有資料科學或分析能力，近期可能必須建立外部服務供應商的生態系統。

如果你期望執行較長期的人工智慧專案，就應引進專家人才到公司裡。

不管採用哪一種做法，擁有適合的能力，攸關能否有進展。

由於認知技術人才欠缺，大部分組織應建立一個資源庫，也許設在資訊科技或策略等中央部門，並指派專家加入全公司裡的高度優先專案。

隨著需求和人才增多，一個合理做法可能是指派專責小組，到特定業務職能或單位裡，但即使如此，由一個中央協調部門來管理各個專案和職涯，是有幫助的。

2.建立專案組合推動人工智慧專案的下一步，是以系統化的方式評估需求和能力，然後發展出一個安排好優先順序的專案組合。

在我們研究的公司中，通常是以工作坊或透過小型諮商專案來執行。

我們建議企業在三大領域進行評估。

確認機會。

第一個評估是要決定，哪些業務領域可能從認知應用獲益最多。

一般來說，公司的那些領域欠缺「知識」（從資料分析或一組文字裡取得的見解），但因某種理由而無法取得知識。

●瓶頸。

在某些情況下，缺乏認知見解是因為資訊流動遇到瓶頸；知識存在組織裡，但分布狀況不是最理想。

例如健康照護經常就是如此，知識分別存在各個診所、科別或學術醫學中心裡，互不相通。

●擴大規模的挑戰。

其他的情況是知識已存在，但使用知識的流程太長，或是擴大知識的規模要花太多經費。

財務顧問建立的知識經常是這樣。

因此，許多投資和財富管理公司，現在擁有人工智慧支持的機器人建議能力，可以在例行性的財務問題上，提供客戶符合成本效益的指引。

製藥業中，輝瑞（Pfizer）為了處理擴大規模的問題，目前正在使用IBM的華生系統，加速免疫腫瘤學領域費時費力的藥品開發研究流程；免疫腫瘤學是新興的癌症治療方法，利用人體的免疫系統，協助對抗癌症。

免疫腫瘤藥品最久可能要12年才能上市。

華生系統全面檢視相關文獻，以及輝瑞本身的實驗室報告等資料，協助研究人員發現變數之間的關係，並找出隱藏的形態，如此應能加速找出新的藥物標的、研究用的合併用藥療法，以及這類新藥的病患選擇策略。

●火力不足。

最後，一家公司收集的資料可能太多，超過目前人力或電腦火力能適當分析和應用的程度。

例如，某家公司可能有關於消費者數位行為的大量資料，但對於這些資料的意義、可在策略上如何運用，公司卻欠缺見解。

為處理這個問題，企業使用機器學習來支援一些任務，像是程式購買個人化數位廣告等，或是像思科系統（CiscoSystems）和IBM的做法，建立數萬個「傾向模型」（propensitymodel），以判定哪些顧客可能購買哪些產品。

●決定使用案例。

第二個評估領域，是要評估哪些使用案例（usecase）裡的認知應用可能產生大量價值，且能協助企業成功。

首先要問一些關鍵問題，像是：解決你想解決的這個問題，對你的整體策略有多重要？從技術和組織這兩方面來說，執行擬議中的人工智慧解決方案有多困難？推動這項應用而得到的好處，是否值得所花心力？其次，決定使用案例的優先順序時，應考量的因素包括：哪些使用案例可提供最多的短期和長期價值，以及哪些使用案例最後可能整合到更廣泛的平台或認知能力組合中，以創造競爭優勢。

●選擇技術。

第三個評估領域，檢視每個使用案例考慮的人工智慧工具，是否真能勝任要處理的任務。

例如，聊天機器人和智慧型代理人可能讓一些公司備感挫折，因為它們大多僅能處理有腳本的簡單案例，還比不上人類解決問題的能力（但它們正在迅速改進）。

其他的技術，例如機器人流程自動化，能簡化開立發票等簡單的流程，但其實可能反而減緩較複雜的生產系統。

而且，雖然深度學習視覺辨識系統能認出照片和影片中的圖像，但需要許多標籤資料，而且可能無法理解複雜的視野。

隨著時間推移，認知技術會徹底改變企業經營的方式。

但今天，比較明智的做法，是運用目前可用的技術緩步漸進推動，同時規畫在不久的將來進行轉型變革。

例如，你最終可能想要把與顧客的互動交給機器人執行，但現在比較可行的做法，也許是把你的內部資訊科技服務台自動化，作為邁向最後目標的一步。

3.推行試辦專案目前的和理想中的人工智慧能力，這兩者之間的差距不見得很明顯可見，因此企業應先推行認知應用的試辦專案，然後才推展到整個企業。

驗證概念可行的試辦專案，特別適合有高潛力業務價值的計畫，或是可讓組織同時測試不同技術的計畫。

務必特別小心，避免受到技術供應商影響的資深高階主管「交辦」專案。

只是因為高階主管和董事可能覺得有壓力，必須「做點認知方面的事情」，並不表示你應該繞過嚴格的試辦專案流程。

上司交辦的專案經常失敗，而這會使組織的人工智慧計畫嚴重受挫。

如果公司計畫推出幾項試辦專案，可考慮創設一個認知卓越中心或類似的架構，來管理它們。

這個方法有助於在組織內部建立所需的技術技能和能力，也有助於把小型試辦專案，推進到更廣泛的應用，產生更大的影響。

輝瑞全公司有超過六十項專案，都有運用某種形式的認知技術，其中許多屬於試辦性質，有一些則在規畫之中。

BD的資訊科技部門裡，有一個「全球自動化」職能負責督導許多認知技術試辦專案，這些專案使用智慧型數位代理人和RPA（有些工作是與BD的全球共用服務〔GlobalSharedServices〕單位共同執行）。

這個全球自動化小組使用端對端流程圖，以引導執行，並確認自動化的機會。

該小組也使用圖形化的「熱度圖」（heatmap），指出最適合由人工智慧介入的組織活動。

這家公司已在資訊科技支援流程裡，成功執行智慧型代理人，但還沒有準備好支援大規模的企業流程，例如訂單到現金（order-to-cash）。

健康保險公司安聖（Anthem）已發展出一個類似的集中式人工智慧單位，稱為認知能力辦公室（CognitiveCapabilityOffice）。

重新設計商業流程。

在制定認知技術專案時，應仔細思考可以如何重新設計工作流程，尤其著重在人類和人工智慧的分工。

有些認知專案，是80％的決策由機器做，20％由人類做；還有一些專案的比率剛好相反。

以系統化方式重新設計工作流程是有必要的，這樣才能確保人類和機器彼此截長補短。

舉例來說，先鋒投資公司有新的「個人顧問服務」（PersonalAdvisorServices,PAS）產品，結合了自動化投資建議和人類顧問的指導。

在這套新系統中，認知技術用來執行許多傳統的投資顧問任務，包括建構一個量身打造的投資組合、隨著時間推移而重新調整投資組合、投資虧損節稅操作（taxlossharvesting），以及可節稅的投資選擇。

先鋒公司的人類顧問擔任「投資教練」，負責回答投資人的問題、鼓勵健康的財務行為，並擔任「情緒斷路器」（這是先鋒的用語），也就是促使投資人按計畫行事。

公司鼓勵顧問學習行為財務學，以有效扮演這些角色。

PAS方法已快速吸收超過八百億美元的資產由公司來管理，吸收資產的成本低於純粹以人類為基礎的顧問，顧客的滿意度也高（見表：「一家公司的分工」）。

先鋒公司了解，在執行PAS時，重新設計認知工作的重要性，但許多公司只是沿用既有做法，把現有的工作流程自動化，尤其是在使用RPA技術時。

企業把既有的工作流程自動化，可迅速執行各項專案，達成投資報酬率，但放棄了充分運用人工智慧能力、大幅改善流程的機會。

重新設計認知工作時，若運用設計思維的原則，往往可以受益，這些原則包括：了解顧客或最終使用者的需求，請工作會被調整的員工參與，把設計視為實驗性「初稿」，考慮多個替代方案，以及在設計流程中，明確考慮認知技術能力。

大部分認知專案也適合反覆進行的敏捷式開發方法。

4.擴大規模許多組織成功實施認知試辦專案，但在推展到整個組織時，一直無法像試辦專案那麼成功。

若要達成目標，企業必制定詳細的擴大規模實施計畫，而這需要技術專家與自動化商業流程負責人員協同合作。

認知技術通常支援的是個別任務，而不是整個流程，因此，若要擴大規模實施這些技術，幾乎總是需要與既有的系統和流程整合在一起。

接受我們調查的高階主管表示，這種整合是他們在人工智慧行動方案面對的最大挑戰。

企業推動擴大規模流程的第一步，是要考慮所需的整合是否可能或可行。

例如，如果相關的應用取決於很難取得的特殊技術，就會限制擴大規模。

務必在試辦階段之前或期間，確保商業流程的負責人員與資訊科技部門，討論擴大規模應考慮的事情。

避開資訊科技部門是不可能成功的，即使像RPA之類相當簡單的技術也一樣。

舉例來說，安聖保險公司正在開發認知技術，這是它現有系統現代化計畫的一部分。

安聖並沒有把新的認知應用程式加進既有技術中，而是採用全方位的方法，讓認知應用產生的價值極大化、降低開發與整合的整體成本，以及在既有的系統創造光環效應。

安聖也重新設計流程，同時「利用認知，讓我們更推進一個層次，」資訊長湯姆．米勒（TomMiller）說。

擴大規模的過程中，企業可能面對重大的變革管理挑戰。

例如，美國一家服飾零售連鎖店在少數店面推動的試辦專案，使用機器學習來進行線上產品推薦、預測最佳存貨與迅速補貨模型，以及最困難的工作，也就是採購。

採購人員過去總是根據直覺訂購產品，現在他們感覺受到威脅，會說出類似這樣的話：「如果你信任這個，要我做什麼？」試辦計畫推動之後，一群採購人員去見採購長，要求撤銷那項計畫。

採購長指出，試辦結果是正面的，也保證會擴大實施這項專案。

他安撫採購人員說，他們免除某些採購工作之後，可進行價值更高、由人來做仍比機器做得好的工作，例如，了解較年輕顧客的渴望，以及決定服飾製造商的未來計畫。

同時他也認為，採購人員必須接受再教育，學習新的工作方式。

若要讓擴大規模達到想要的成果，企業也必須聚焦在改善生產力。

例如，許多公司計畫逐漸提高生產力，在不增加員工的情形下，增加顧客和交易。

公司若認為減少人力是投資人工智慧的首要理由，達成這個目標的理想方式，應該是規畫透過遇缺不補或取消外包，來逐漸達成。

未來的認知公司我們的調查和訪談顯示，曾有認知技術經驗的經理人，看好它的前景。

雖然早期的成功相當有限，但我們預期，這些技術最後會改變工作的樣貌。

我們相信，目前適度採行人工智慧、計畫將來積極執行的公司，會發現自己所處的位置很有利，和很早就運用分析法的公司一樣，能得到好處。

行銷、健康照護、金融服務、教育和專業服務等資訊密集的領域，透過人工智慧的應用，可變得對社會更有價值，也比較便宜。

每個產業和職能裡，業務上單調繁瑣的事務（例如，督導例行性交易、一再回答相同的問題、從無數文件中擷取資料），可能成為機器的負責範圍，讓人類員工騰出心力，去做更有生產力和創意的工作。

認知技術也是促使其他資料密集技術成功的催化劑，包括：自動駕駛汽車、物聯網，以及行動與多通路消費性技術。

認知技術很讓人擔心的一件事，就是會造成很多人失業。

當然，隨著智慧型機器接手傳統上由人類執行的某些工作，有些人可能會失業。

但我們相信，在這個時點，大部分勞工沒什麼好憂慮的。

認知系統只是執行工作當中的某些任務，不是整個工作。

我們見到一些人失業，主要是由於公司遇缺不補，不是被取代，或是把外包的工作改為自動化進行。

目前進行的大部分認知任務，擴增了人類的活動，執行較寬廣的工作當中一個範圍狹窄的任務，或是從事一開始就不是由人力執行的工作，例如大數據分析。

和我們討論過失業問題的大部分經理人，都致力於擴增策略（augmentationstrategy），也就是整合人員和機器的工作，而不是完全取代人力。

我們的調查中，只有22％的高階主管認為，減少人力是人工智慧的首要好處。

我們相信，每一家大型公司都應探索認知技術。

這一路上會有一些顛簸，而且對於取代勞動力和智慧型機器的倫理問題，不能掉以輕心。

但是，認知技術若是規畫和發展得當，可能開啟一個生產力、工作滿意和繁榮的黃金時代。

（羅耀宗譯自“ArtificialIntelligencefortheRealWorld,”HBR,January-February2018） 湯瑪斯．戴文波特ThomasH.Davenport美國貝伯森學院（BabsonCollege）管理與資訊科技校聘傑出教授、麻省理工學院數位經濟計畫（MITInitiativeontheDigitalEconomy）研究員、德勤分析（DeloitteAnalytics）資深顧問。

他著有十多本管理書籍，新作是《只有人需要應徵工作》（OnlyHumansNeedApply:WinnersandLosersintheAgeofSmartMachines，繁體中文版書名是《下一個工作在這裡》），以及《AI優勢》（TheAIAdvantage）。

拉傑夫．羅南奇RajeevRonanki德勤顧問（DeloitteConsulting）資深顧問，領導認知運算和健康照護創新實務。

本文提到的一些公司，是德勤的客戶。

本篇文章主題技術追蹤主題 延伸閱讀 人工智慧，我的麻煩隊友？ 深入臉書人工智慧工作坊 人工智慧大商機 登入 註冊 換一張圖形 登入 記住我的登入狀態 忘記密碼? 使用其他平台登入即代表您同意遠見天下文化事業群隱私權政策 登入 註冊 換一張圖形 我同意接受遠見天下文化事業群隱私權政策 加入會員 使用其他平台登入即代表您同意遠見天下文化事業群隱私權政策 登入 請輸入創建帳戶接收密碼重置的電子郵件地址。

換一張圖形 密碼重設