人工智能和機器學習在亞馬遜 Alexa 等面向消費者的應用領域取得了長足的進步，在企業內的的部署也不斷涌現。

關于 AI 自動化對企業的影響范圍和影響程度的意見不一。 一方面，牛津大學最近的一項研究表明，在未來二十年內，50% 的工作都可以由 AI 自動化完成。另一方面，許多企業高管仍然對 AI 的實際影響持懷疑態度。 此外，目前的炒作和媒體也存在許多誤導。

基于對學術界、初創公司和企業用戶的親身參與的客戶訪談，我在本文中總結了 AI 企業自動化的四個關鍵事實和戰略影響：

事實 1：目前的 AI 爆發是可持續的，企業管理者不應該忽視

機器算法歷史上第一次在諸如圖像識別、語音、文本翻譯以及圍棋這樣的復雜的任務中擊敗人類。 目前的機器學習熱潮是由三個基本驅動因素的融合推動：（1）深度學習算法復雜性的持續突破，（2）大數據（或結構化數據）的快速增長，（3）機器學習的指數加速， 如 GPU 芯片組這樣的機器學習硬件，將訓練時間從幾個月縮短到幾天、幾個小時。

機器學習發展的三個潛在驅動力預計將在近期加速（見下圖）。 到 2020 年，將有 70％ 的企業數據將通過云數據中心進行存儲和處理，這將為機器學習算法訓練提供前所未有的大數據基礎設施。同樣，加快機器學習算法訓練和處理的硬件芯片正在迅速發展。 Google，NVidia，Intel 等都宣布推出下一代 GPU 芯片硬件，這將進一步加快訓練速度 10-100 倍。最后，底層機器學習算法繼續加速進步，這一點從專利申請和申請的增長可以看出。

上述趨勢提供了強有力的證據，表明 AI 能力和表現將在近期內繼續改善。商業領袖不應該忽視 AI。

事實 2：AI 的使用案例在企業中普遍存在，但范圍有限

鑒于 AI 的進步將會繼續加速，那么 AI 在未來 5-7 年內能夠做什么？ 專家的共識是，大部分的企業用例都是弱人工智能（如有監督式學習），實現近似人類的廣泛智能還需要數十年。

簡而言之，人工智能算法將具有從訓練數據中自動完成任務的學習能力。 但一旦學習了某個任務，解決方案的范圍就會縮小，而且在大多數情況下，不能推廣執行其他任務。下圖顯示了今天或未來 5 年內可能出現的用例：

考慮到以下的計算機視覺用例，一家公司可能需要訓練 AI 算法來自動掃描 PDF 和手寫發票，驗證字段格式并觸發自動應付賬款流程。 更高級的算法（即無監督學習）已經出現，即使在未標記的數據上也可以訓練解決方案。

然而，由此產生的人工智能解決方案從根本上局限于自動執行文本字段識別和格式化的任務。 如果公司希望使用發票處理機器人來發現欺詐行為，那么他們將需要設計和訓練一個全新的解決方案，重點關注其他基礎功能和模式。

在可預見的將來，人工智能應用將沿著弱人工智能的“使用訓練數據的有監督學習”范式。 這有兩個戰略意義：

獲取訓練的標記數據成為戰略能力和差異化的根源

AI 解決方案需要深入的功能和特定領域的與人類共同創造和重新設計流程

事實 3：優先專注于優先級 A→B 活動

日本保險公司 Fukoko 最近宣布使用人工智能替代人工進行索賠處理。 高盛在 2000 年至 2016 年期間將 600 個交易員的團隊轉變為一個更加精簡的 200 人的機器學習團隊。

然而，并不是所有的企業活動都適合于目前使用數據范式的弱 AI 自動化。

描述機器可學習任務特征的一個有用方法是 Andrew Ng 的A→B活動; 投入明確的數據集 A，產生答復的活動 B.

例如，零售需求預測可以認為是 A→B 活動。 通過獲取季節、區域銷售歷史數據，銷售趨勢點，社交媒體信號以及定價敏感度數據等多種輸入信號，該算法可能實現對未來需求的預測。

金融交易也是一個 A→B 的活動。 交易算法得到一組輸入數據，如歷史價格，宏觀趨勢驅動因素，過去交易者遵循的套利規則等，產生買入或賣出的輸出。 基于輸入（A）進行正確的交易（B）可能是一個困難的問題，因為市場潛在的不可預測性，但是如果 AI 解決方案在大量交易中能超越人類，仍然是具有吸引力。

將企業流程和活動分類到 A→B 與非 A→B 類別可以幫助管理者對 AI 自動化和增強策略進行系統機會的掃描。

參閱下圖，了解適用于 AI 的其他A→B任務，以及不適合 AI 自動化的活動。

事實 4：AI 的采用不僅需要技術上的可行性

我們的客戶經驗表明，即使潛在的技術要求可以實現，一些 AI 應用的采用率也會比其他應用更快。公司需要考慮更廣泛的部署采用的驅動因素， 關鍵采用驅動因素包括：

一次性成本：用于開發 AI 解決方案的初始資本支出，例如算法開發和訓練數據采集。人工智能算法的開放源代碼的可用性，“人工智能即服務”平臺可以幫助減少固定成本。獲取訓練數據往往成為一個昂貴的瓶頸，成為差異化的關鍵。

轉換成本：用新的 AI 解決方案取代當前解決方案的相關成本和障礙。 這包括技術障礙，例如打開 AI 算法黑盒子以追蹤和解釋決策的能力，以及政治，文化和變革阻力等人為障礙。

生態系統需求：作為綜合解決方案的一部分，需要補充技術。 例如，需要與創新的物聯網傳感器和新興的機器人技術集成，人工智能解決方案將經歷更高的采用復雜性。

系統外部性障礙：人工智能解決方案的網絡外部性，其中采用的價值隨著采用的增加而增加。

參見下圖，具有不同采用挑戰和潛在采用時間用例對企業的影響：

基于消費者語音或聊天來自動化進行情感分析，以提高話務員能力的案例。 該解決方案在文化和風險方面的轉換成本顯然較高。客戶對從小處著手以減少對消費者的負面影響要敏感得多。 即使解決方案有效，客戶也需要重新設計端到端的培訓流程，以允許 AI 引擎推送建議。 最后，解決方案具有相對較高的網絡外部性，更高的采用率將產生更多的訓練數據以進一步提高性能，但收集最初的批量訓練數據將需要時間和領導人“信心的飛躍”。 鑒于這種復雜性，人工智能情緒分析機器人可能需要長達 7 - 10 年，而不是 2 - 3 年時間內快速采用。

AI 自動化用例在企業和價值鏈中迅速成為現實。企業領導者應該從今天開始采用嚴格的基于投資組合的方法來開發機器學習功能、數據和合作關系。