直到最近，人工智能（AI）就像核聚变一样，长期以来承载着未能兑现的承诺。它问世已久，却始终未能达到诞生之初所预想的惊人成就。然而如今，AI正在实现其潜力，展现出近似人类的能力，因此我们有必要思考：企业领导者如何利用AI，发挥人类与机器各自的优势？
AI正迅速成为自动驾驶汽车、金融交易等各类领域的基础技术。自学习算法如今已普遍嵌入移动服务和在线服务之中。研究人员利用处理能力的大幅提升，以及数字设备和联网传感器持续产生的数据，改善AI的表现。机器基本上已经攻克了语音和视觉识别，乃至广义上的人类交流。其影响深远：
机器懂得说话、阅读文本、吸收并保留百科全书般的知识，因此能够围绕广泛的话题，与人们直觉自然地互动，交流深度也相当可观。
机器能够识别物体和光学模式，因此可以走出虚拟世界，进入现实世界。
这个曾令支持者失望的领域，如今正迅速进入人类常做的活动，越来越贴近我们的生活。（见图表1及侧栏。）例如，AI程序诊断某些癌症的准确度已超过放射科医生。难怪金融、零售、医疗保健等行业的传统企业开始向这一领域投入数十亿美元。
AI系统能够思考和互动，因此人们总会将它们与人类作比较。然而，人类擅长并行处理（模式识别），却不擅长串行处理（逻辑推理）；计算机则已在狭窄领域掌握了前者，在后者方面更是快得多。正如潜艇不会游泳，机器以自己的方式解决问题、完成任务。
如果处理能力没有进一步的飞跃，机器就无法达到通用人工智能（AGI）水平；AGI是多种迥异的问题解决能力的组合，也是人类智能的标志。例如，今天的自动驾驶汽车并不具备我们所说的常识，比如放弃行程去帮助一个从自行车上摔下来的孩子。但只要应用得当，AI就能快速、智能而全面地完成许多商业任务。
人工智能不再是可选项。企业必须弄清楚，如何让人类和计算机作为紧密协作的参与者，发挥彼此的优势，从而创造竞争优势。
竞争优势的演变
在较为简单的时代，一项技术工具就能成为优势来源，例如沃尔玛在20世纪80年代的物流跟踪系统。AI则有所不同。单靠算法本身不太可能带来优势。许多算法属于公有领域，企业可以使用开源软件平台，例如谷歌的TensorFlow。埃隆·马斯克等人创立的非营利组织OpenAI，正广泛提供AI工具和研究成果。许多知名AI研究人员加入百度、Facebook和谷歌等公司时，也坚持保留发表研究成果的权利。
AI并未摒弃地位和能力等传统竞争优势来源，而是重新诠释了它们。（见图表2。）因此，企业需要以灵活、动态的视角看待自身优势。例如，地位优势通常着眼于相对静态的因素，这些因素有助于企业赢得市场份额：专有资产、分销网络、客户渠道和规模。在AI时代，这些曾被奉为圭臬的理念都需要重新审视。
我们来看三个例子，了解AI如何改变人们对竞争优势的传统看法。
数据。 AI最强大的应用离不开海量数据。Facebook、谷歌和优步等先行者，通过从用户和其他来源获取当前及未来的数据——这是AI的原材料——以远超传统数据收集的方式，各自建立了“优势区”。它们的规模使其能够将更多训练数据输入算法，从而提升性能。例如，在研发功能完备的自动驾驶汽车的竞赛中，优步的优势在于每天从司机处收集相当于1亿英里的车队数据。这些数据最终将为公司的出行服务提供依据。Facebook和谷歌则借助自身的规模和数据深度，优化广告定向。
并非所有公司都能切实以Facebook、谷歌或优步为目标，但也没有必要。通过建立、获取并利用共享、租用或互补的数据集，即便这意味着与竞争对手合作，企业也可以补充自己的专有资产，打造自身的优势区。共享并不是一个贬义词。关键在于建立一组难以攻破、具有优势的开放和封闭数据来源。
客户触达。AI也改变了触达客户的方式。位置优越的实体门店和流量大的线上渠道，正让位于AI生成的客户洞察。例如，大型零售商可以将会员、销售点、天气和位置数据输入AI引擎，生成个性化营销和促销方案。它们可以在你意识到之前预测你的路线和偏好，并便捷地提供熟悉的、互补的或全新的购买选择。许多此类方案的引导力，在边际成本几乎为零的情况下带来了新的收入。
能力。传统上，能力被划分为知识、技能和流程等彼此独立的优势来源。AI驱动的自动化将这些领域融为一个持续循环，包括执行、探索和学习。算法纳入的数据越多，输出质量就越高。同样，在人类一侧，敏捷的工作方式也模糊了传统能力之间的界限：跨职能团队快速制作原型，并根据客户和最终用户的快速反馈加以改进。
AI和敏捷方法本质上都具有迭代性。在这两者中，产品和流程都形成持续循环。算法从经验中学习，使企业能够将对新机会的广泛快速探索，与对已知机会的开发结合起来。这有助于企业在高度不确定、快速变化的环境中蓬勃发展。
除了重新诠释具体的竞争优势来源外，AI还有助于提高决策速度和质量。对于特定任务，机器处理的输入数量和处理速度可能比人类高出数百万倍。预测分析和客观数据取代直觉与经验，成为许多决策的主要驱动力。股票交易、在线广告，以及零售业的供应链管理和定价，都已显著朝这个方向发展。
需要明确的是，即便会出现类似工业革命时期的社会动荡（其速度可能更快），人类也不会过时。首先，系统需要由人来构建。例如，优步聘请了数百名自动驾驶汽车专家，其中约50人来自卡内基梅隆大学机器人研究所。AI专家也是华尔街最抢手的人才。其次，人类可以提供机器目前欠缺的常识、社交技能和直觉。即使把常规任务交给计算机，人们在很长一段时间内仍会参与其中，确保质量。
在这个由AI启发的新世界中，优势来源已经发生变化，战略问题会转变为组织、技术和知识问题，反之亦然。要应对变化的速度和程度，人和机器都必须具备组织结构上的灵活性和敏捷性。
可扩展的硬件和自适应软件为AI系统奠定基础，使其能够发挥规模和灵活性的优势。一种常见方法是构建中央智能引擎和分散式半自治代理。例如，特斯拉的自动驾驶汽车会将数据传送到中央单元，由该单元定期更新分散式软件。
成功的战略重视敏捷性、灵活用工以及持续培训和教育。专注于AI的公司很少雇用大批传统员工。开放式创新和合同合作日益普遍。一家创新型移动银行的首席运营官坦言，他面临的最大挑战，是将领导团队成员培养成能够同时管理人和机器人的熟练管理者。
着手行动
希望借助AI获得竞争优势的企业，需要深入分析能够学习、进行人际互动并执行其他高级职能的机器所带来的影响——它们的规模和速度无与伦比。企业需要明确机器在哪些方面优于人类，反之亦然，为双方制定互补的角色和职责，并据此重新设计流程。例如，AI往往要求建立新的组织结构，同时开展集中式和分散式活动，而这类结构可能难以实施。最后，企业需要采用初创公司和AI先行者普遍运用的自适应、敏捷工作和战略制定方式。所有企业或许都能从这种方法中获益，但对于AI赋能的流程而言，这种做法必不可少，因为人和机器都需要在这些流程中持续学习和适应。
高管需要找出AI能够创造最大且持久优势的领域。从宏观上看，AI适用于零售业等数据量巨大的领域，也适用于定价等常规任务。但这种经验法则过度简化了竞争格局。企业的所有活动都日益充斥着数据，也都能拆分为简单任务。（见图表3。）我们建议从四个角度审视AI：
客户需求
技术进步
数据来源
流程分解
首先，明确客户需求。AI或许是个热门领域，但建设企业时，回归基本面始终是明智之举。现有或潜在客户有哪些明确或未言明的未满足需求？即使是优步和爱彼迎等近期最具颠覆性的商业创意，也满足了人们的基本需求。
其次，纳入技术进步。AI领域最重大的发展通常涉及汇集和处理新的数据来源，并作出部分自主决策。众多服务和平台能够采集来自数据库、光学信号、文本和语音的输入数据。你很可能不必亲自构建这类系统。随着数字代理和机器人等输出技术日益普及，后端也同样如此。考虑如何运用这些技术转变流程和产品。
第三，构建整体架构，将现有数据与新的或新颖的数据来源结合起来，即使这些来源来自外部也不例外。AI服务技术栈已相当标准化，也可以通过直观易用的工具日益便捷地获取。即使是非专业人士也能使用大型数据集。
最后，将流程和产品拆分为相对常规、彼此独立且可自动化的组成部分，利用技术进步和数据来源加以优化。然后重新组合这些组成部分，更好地满足客户需求。
对许多组织来说，这些步骤颇具挑战。要系统地运用这四个角度，企业需要熟悉该技术当前和新兴的能力，以及所需的基础设施。卓越中心可以作为培育技术与商业专长、并在整个组织内传播AI专业知识的平台。但归根结底，AI应当融入并归属于必须将其付诸实践的业务和职能部门。
只有当人类和机器共同解决问题、彼此学习时，AI的全部潜力才能实现。
