第15章
人工智能在高管办公室

2007年1月，史蒂夫·乔布斯踏上舞台，将iPhone推向世界的时候，没有一位观察者回应说：“它将拉下出租车行业的帷幕。”然而，在2018年即将到来时，这一情况好像正在发生。过去10年，智能手机已经从单纯的更聪明的手机，变成了颠覆或从根本上变革各行各业的工具平台。就连说过“只有偏执狂才能生存”这句名言的安迪·格罗夫（Andy Grove）也不得不承认，你得相当偏执和狂妄，才能预见到智能手机竟然如此深远、广泛地影响了一些非常传统的行业。

人工智能和机器学习的近期发展让我们相信，这一创新足以跟过去各项伟大的变革型技术——电力、汽车、塑料、微芯片、互联网和智能手机相媲美。放眼经济史，我们知道这些通用技术是怎样扩散和演变的。我们也意识到，要预测最具破坏性的变革将在什么时候、什么地方、以怎样的形式发生有多困难。与此同时，我们已经学会了如何找到目标，怎样引领潮流，以及一项新技术何时会从一个有趣的玩意儿转变成一项具有变革意义的事物。

人工智能应该在什么时候变成你所在组织的领导团队的关键议题呢？投资回报率的计算只能影响业务层面的变化，而战略决策则会造成困境，强迫领导者们跟不确定性角力。在组织的这一部分采用人工智能，说不定需要改变组织的另一部分。就对组织内部产生的影响而言，采用人工智能和其他相关决策需要监管全局者（也就是CEO）拿出权威来。

那么，人工智能有可能在什么时候落入这一范畴呢？预测成本的下降在什么时候将重要到足以改变组织的战略呢？一旦发生这种情况，CEO可能要面临什么样的困境呢？

人工智能怎样改变企业战略

在第二章，我们推测，一旦预测机器的旋钮上调得足够高，像亚马逊这样的公司就会对特定客户想要些什么有足够信心，进而改变其业务模式。他们将先买后寄的模式变为先寄后买，预测客户想要什么，提前把物品发送出去。这种情况简明地阐释了三个要素，它们结合到一起，令对人工智能工具的投资上升到战略决策（而不仅仅是运营决策）的层面。

首先，必然存在战略困境或两难的权衡。对亚马逊来说，困境在于，先寄后买可能会产生更多的销售额，但同时也会带来更多的消费者想要退货的情况。如果商品退货成本太高，先寄后买的投资回报率就比传统的先买后寄要低。这就解释了为什么，如果没有技术上的变革，亚马逊的商业模式就仍然和几乎所有其他的零售商一样，保持先买后寄，而不是反过来。

其次，这个问题可以通过减少不确定性来解决。对亚马逊来说，这么做事关消费者的需求。如果你能准确预测人们会购买什么，尤其是预测到如果将货物配送到他们的家门口会发生什么，那么，你就可以减少退货概率，提高销售额。减少不确定性，同时兼顾了困境中的收益和成本两方面。

这一类型的需求管理并不是新鲜事。实体店存在的原因之一就在于此。实体店不能预测单个客户的需求，但他们可以预测一群客户可能的需求。把到访某一地点的客户汇聚起来，实体店对冲了单个客户的需求不确定性。要转向以个别家庭为基础的先寄后买模式，需要更多有关单个客户需求的信息，从而消解实体店的竞争优势。

最后，公司需要一台能够降低不确定性、改变战略两难平衡的预测机器。对亚马逊来说，一套非常准确的客户需求模型或许能让先寄后买的商业模式变得值得一试。此时，销售额增涨带来的收益高过了退货成本。

现在，亚马逊要实施这种模式，它将进一步改变业务。例如，它将继续投资，以减少处理退换货所需的取货及运输成本。虽然以客户为重的交付市场竞争激烈，但产品退换服务是一个相对不怎么发达的市场。亚马逊可能会自行投建卡车等基础设施，每天到街区进行配送、接收退货，进而对日常的产品退换业务进行垂直整合。实际上，亚马逊可以将它的业务边界直接搬到你家门口来。

这种边界的转移已悄然发生。德国的电子商务企业奥托集团（Otto）就是一个例子。消费者通过互联网而非门店购物的一个主要障碍在于配送时间不确定。如果消费者对配送交付的体验不佳，就不太可能回访这家网站。奥托集团发现，如果交货延迟（送货时间远远不止几天），退货率就会飙升。在等待期间，消费者不可避免地会到门店直接买下想买的商品。即使奥托把东西卖了出去，退货也会增加成本。

你要怎样削减产品送达的时间呢？预测他们可能订购什么产品，并在附近的配送中心存货。但是这种库存管理模式本身就很昂贵。

还有一种做法，你只需要保留可能需要的库存。你想更好地预测消费者的需求。奥托靠着一套有着30亿次交易量及数百种其他变量的数据库（包括搜索的关键词和人口统计数据），创造出一台预测机器来处理预测事宜。它现在可以对一个月内要销售的产品，做出准确度高达90%的预测。依靠这些预测，它改进了物流。库存量下降了20%，每年的退货量下降了200万件。预测改善了物流，降低了成本，提高了消费者的满意度。

我们再一次看到了三个具有战略重要性的要素。奥托面临过困境（怎样在无须昂贵库存的条件下改进配送的时间安排），不确定性推动了困境（本例中指一定地区的客户总需求），通过解决这一不确定性（例如，更好地预测本地需求），它构建起了新物流的组织方式，重新分配了仓库的位置、本地运输和客户交付保证。不借助预测机器来解决关键的不确定性，它不可能实现上述一切。

亚拉巴马，甜蜜的故乡？

要让预测机器改变你的策略，必须有人创造出一台对你而言特别有用的预测机器。这取决于几件超出你的组织控制的事情。

让我们看看哪些因素可以让预测技术为你的公司所用。我们不妨先到20世纪30年代的艾奥瓦州玉米地去看看。在那里，一些富有开拓精神的农民用了近20年的时间通过广泛的杂交育种引入了新的玉米品种。这种杂交玉米比普通商用玉米更有特色。它杂交了两种自交系玉米，改善了抗旱性，提升了对当地环境的适应性。杂交玉米是一项关键的改变，因为它不仅会大幅度提高产量，农民还得依靠他人才能获得这种特别的种子。新种子需要适应当地条件，这样才能发挥出最大的益处。

如图15-1所示，相较艾奥瓦州，亚拉巴马州的农民似乎有些落后。但是，哈佛经济学家兹维·格里利谢斯（Zvi Griliches）仔细观察过这些数字，他发现，艾奥瓦州和亚拉巴马州采用这种玉米存在20年的时间差距，不是因为亚拉巴马的农民动作慢，而是因为，在20世纪30年代，亚拉巴马州农场播种杂交玉米的投资回报率显示这么做似乎并不划算。跟北部和西部诸州相比，亚拉巴马州的农场规模较小，利润率较低。相反，艾奥瓦州的农民可以在更大的农场中播种成功培育的种子，收获更大的产量，抵消种子的高成本。大农场意味着对新的杂交品种进行实验更容易，因为为了验证出新品种的有效性，农民只需要留出一小部分土地。艾奥瓦州的农民冒着较低的风险，也有着更高的利润作为缓冲。一旦某一地区有足够多的农民采用了新种子，种子市场就会有更多的买家和卖家，变得更加稳定，销售种子的成本将下降，采用种子的风险也进一步降低。最终，随着成本下降，风险降低，美国各地（以及全球）的玉米农户都采用了杂交种子。

在人工智能界，谷歌就相当于是艾奥瓦州。它正进行着近千种人工智能工具的开发项目，涵盖了自己业务的每一个门类，从搜索、广告到地图和翻译。世界各地的其他技术巨头也加入了谷歌的行列。原因很明显：谷歌、Facebook、百度、阿里巴巴、Salesforce以及其他企业已经踏入工具业务了。清晰定义过的任务遍布这些企业的每个角落，而且人工智能有时会极大地改善这些任务中的预测要素。

这些企业具有很大的利润空间，负担得起实验成本。它们可以用一部分“土地”来尝试各种全新的人工智能品种。如能将之大范围应用于自家旗下的各类产品中，它们可收获巨大的回报。

对许多其他企业来说，通向人工智能的道路就不这么清晰了。跟谷歌不同，很多公司并没有过20多年的投资耕耘，对工作流程的方方面面加以数字化，甚至，对自己想要预测什么也没有明确的概念。但是，只要一家公司制定出清晰的战略，就可以开发上述要素，为高效的人工智能工具做好铺垫。

等条件成熟，威斯康星州、肯塔基州、得克萨斯州和亚拉巴马州的所有玉米农户最终都会跟随艾奥瓦州的脚步，采用杂交玉米。到那时，需求方的收益足够高，供应方的成本也下降了。同样，与人工智能相关的成本和风险也将随着时间的推移而下降。许多并未置身于数字工具开发前沿的企业也将采用人工智能工具。需求方将推动这一过程：他们提供了一个机会，通过减少不确定性来解决这些企业经营模式中的根本困境。

棒球选手之间的互补

比利·比恩的“点球成金”策略——利用统计预测，克服人类球探的偏差，改善预测——就是利用该预测来减少不确定性、提高奥克兰运动家队成绩的例子。这也是一项需要在组织的隐性和显性层级上做出调整的战略性改变。

更好的预测改变了球队所雇用的上场球员，但棒球队的运作本身并没有改变。预测机器选择的球员上场打球的方式跟它换下的球员没什么两样，只不过可能有着更高的上垒率。球探也继续发挥着挑选球员的作用。（就棒球统计学分析师与球探比谁更好，人们展开过一场丰富有趣但归根结底毫无用处的论战。一如纳特·西尔弗强调的那样，统计分析师和球探都有着很重要的作用。）

更为根本性的改变，发生在团队雇用的人员和组织的结构图上。最重要的是，团队雇用了专人来指导机器要预测些什么，并运用这些预测判断哪些球员是值得延揽的人——最著名的人选是保罗·德波德斯塔（Paul DePodesta），以及在电影里杂糅成“彼得·布兰德”这一角色（扮演者是乔纳·希尔）的多个原型人物。该团队还设立了一个新的工作岗位——棒球统计资料分析师。棒球统计资料分析师构建衡量标准来预测签下不同球员将给球队带来多大的回报。他们就是棒球界的回报函数工程师。如今，大多数球队都拥有至少一名此类分析师，而且，在其他竞技体育项目里也有了类似的角色（只是名字各有不同）。

更好的预测在组织结构图上创立了一个新的高级职位。研究科学家、数据科学家和分析副总裁如今都成了线上前台通讯录里的关键角色。休士顿太空人棒球队甚至有一个独立的决策科学部门，负责人是前美国国家航空航天局工程师西·迈达尔（Sig Mejdal）。战略上的变化也意味着球队调整了负责选择球员的人。这些分析专家拥有数学技能，但其中的佼佼者最清楚该告诉预测机器做些什么。他们提供判断。

回到为本书所有论点提供支撑的极简经济学，预测和判断是互补品；随着预测的使用量增加，判断的价值会上升。球队越来越多地引入新的高级顾问，这些人或许没有打棒球的第一手经验（人们的刻板印象是真的），乍一看并不适合职业体育的运动员世界。然而，被招聘到这种环境里的书呆子，仍需要对棒球有着深刻的理解，因为，在体育管理中使用预测机器，意味着那些拥有确定损益的判断，以及运用预测的判断来进行决策的人的价值提高了。

战略选择需要新的判断

就应用人工智能策略而言，棒球队管理组织的变化为高管凸显出了另一个关键问题。在有棒球统计资料之前，球探的判断仅限于权衡个别选手的优劣。但使用量化指标，人们便得以预测一群球员一同上场的表现。判断从思考特定球员的损益，转向了思考一支特定球队的损益。如今，更好的预测使管理者能够做出更接近组织目标的决策：选出最佳球队，而不是最优秀的球员。

为了充分利用预测机器，你需要重新思考整个组织的回报函数，让它更好地适应你真正的目标。这项任务并不容易。除了球员的招聘工作，球队的营销也需要改变，说不定还会淡化个别球员的成绩。同样，教练们必须了解每一名球员被招募的原因，以及球队的人员构成对每一场比赛有些什么影响。最后，就连球员也需要了解自己在球队中扮演的角色，对手是否采用相似的新型预测工具，这一角色将会相对应地发生怎样的改变。

你或许已经掌握的优势

战略亦关乎获取价值——换句话说，谁将获取更好的预测所创造出的价值呢？

企业高管常常对我们说，由于预测机器需要数据，数据本身就成了一种战略资产。也就是说，如果你有多年的酸奶销售数据，那么，为了用预测机器预测酸奶的销售量，总会有人需要这些数据的。因此，数据对它的主人很有价值，就像坐拥一座石油库一样。

这一假设掩盖了一个重要问题：一如石油，数据也分为不同等级。我们已经强调了三类数据：训练数据、输入数据和反馈数据。训练数据用于创建预测机器，输入数据用于为它提供生成预测的动力，反馈数据用于改进。预测机器成形之后，就只需要后两类数据了。训练数据在开始阶段用于训练算法，等预测机器运行起来就没用了。就像你把它烧掉了一样。只要你根据过去的酸奶销售数据建好了预测机器，这些数据就没什么价值了。（你可能会反驳并确定地说，为了得到改进，预测机器需要过去的数据库吗？这是个棘手的问题。新增的数据对算法未造成太大改变的时候，预测效果最好——这种稳定的状态是良好的统计实践带来的结果。这意味着，当你用反馈数据来改进算法的时候，只有当所预测的事物正在自我演进时才有最大价值。因此，如果酸奶的需求因为人口统计因素或别的潮流突然发生改变，那么新的数据就会帮助你改进算法。不过，这仅在以上改变意味着“旧的数据”对预测没那么有效时才会发生。）换句话说，它今天可能有价值，但不大可能成为持续价值的源头。为实现持续价值，你需要生成新的数据（用于输入或反馈），要不然，你就需要另一种优势。我们将在下一章探讨生成新数据的优势，此刻，我们着重讲一讲其他的优势。

电子表格发明人丹·布里克林创造了巨大的价值，但他并不富有。电子表格的价值在哪里？在财富排行榜上，后继者如莲花公司出品的软件Lotus 1-2-3的创始人米奇·考波尔（Mitch Kapor），或微软的比尔·盖茨的财富都远远超过了布里克林，但即便是他们也仅仅只占了电子表格价值的一小部分。电子表格的价值归于用户，归于利用电子表格做出数十亿次更佳决策的企业。无论莲花或微软做了什么，他们的用户都拥有电子表格所改善的决策。

这是因为电子表格在决策层面运行，预测机器也是如此。假设人工智能应用程序能极大地辅助连锁超市的库存管理，知道酸奶什么时候能大量销售，你就能预知该在什么时候进货，同时降低未售出酸奶的库存。提供预测机器预测酸奶需求的人工智能发明家可能做得很不错，但为了创造出价值，他必须跟连锁超市打交道。只有连锁超市才能采取是否储存酸奶的行动。如果没有这种行动，酸奶需求预测机就没有了价值。

不管有没有人工智能，大量企业将继续采取自己的行动。他们处在有利位置，可获取应用人工智能带来的价值。这一优势并不意味着，拥有行动的企业就能获得所有的价值。

在卖掉电子表格之前，布里克林和搭档鲍勃·弗兰克斯顿掂量过该不该保留它。他们可以只卖掉自己的建模技能，这样一来就能获取自身洞见所创造的价值。他们放弃了这个计划（很可能理由充分），但在人工智能中，这一策略说不定很管用。人工智能提供商可能会试图扰乱传统玩家。

在一定程度上，无人驾驶汽车就是一个例子。尽管也有部分传统的汽车制造商正在积极地为旗下产能进行投资，其他传统汽车制造商却都希望跟行业外厂商（如谷歌子公司Waymo）进行合作，而不是关起门来自己开发相关能力。此外，大型科技公司也正与传统汽车制造商共同发起项目。例如，中国最大的搜索引擎运营商百度正与包括戴姆勒和福特在内的几十家合作伙伴一起，启动一项庞大而多元化的开放自动驾驶项目，即阿波罗计划。另外，腾讯控股有限公司（微信的拥有者，微信拥有近10亿的月活用户）则主导了另一支自动驾驶联盟，其合作伙伴包括北京汽车集团等龙头企业。腾讯的副总裁之一陈菊红表示：“腾讯希望全力加强人工智能技术在自动驾驶中的应用……我们希望成为一个‘连接者’，来帮助加速合作、创新和产业融合……”北京汽车集团董事长徐和谊思考了推动合作时的竞争压力，并表示：“在这个新时代，只有跟其他公司联手制造下一代汽车的厂商才能存活下去，而那些闭门造车的厂商，则会被淘汰出局。”这一行业相对较新的参与者（如特斯拉）则直接在新车里部署人工智能，将软件和硬件紧密结合，与对手展开竞争。优步等公司则利用人工智能来开发自主权，希望把驾驶的决策从消费者手里抢过来。在该行业，价值竞夺赛并不顾忌传统的商业界限。相反，它向行动的所有者发起了挑战，因为这些行动很可能会在其他地方变成优势。

人工智能战略的极简经济学

我们所强调的变化，来自于经济框架核心受人工智能影响的两个不同方面。

首先，如亚马逊的先寄后买模式中所表现的，预测机器可减少不确定性。随着人工智能的发展，我们将更广泛地运用预测机器来减少不确定性。因此，由不确定性驱动的战略困境将随着人工智能不断演化。随着人工智能成本的下降，预测机器将解决更多类型的战略困境。

其次，人工智能会增加预测互补品的价值。棒球分析师的判断，杂货零售商的行动，还有预测机器的数据（我们在第十七章里会介绍）变得十分重要，你必须改变战略，才能利用它带来的优势。

本章要点

※企业领导切不可将人工智能战略全权交给IT部门，因为，强大的人工智能工具远远不止于提升业务层面任务的生产效率，而是有望彻底改变企业战略。只用具备三个因素，人工智能就能带来战略上的变革：（1）商业模式中存在核心权衡（例如，先买后寄还是先寄后买）；（2）受不确定性影响的权衡（例如，因为拿不准客户要买什么，先寄后买带来的更高销售额会被退货带来的更高成本所抵消）；（3）减少不确定性的人工智能，拨动了权衡天平上的指针，最优策略从这一边转到了那一边。（例如，人工智能预测客户要买什么，降低了不确定性，这就改变了天平的指针，使先寄后买模式的回报超过传统模式带来的回报。）

※人工智能战略需要企业决策层领导参与的另一个原因是，采用了人工智能工具的业务同样有可能影响到企业的其他业务。在亚马逊的思想实验中，过渡到先寄后买模式带来的副作用之一是对退货收集业务的垂直整合，比如，在整个街区部署卡车负责配送和回收退货物品。换句话说，强大的人工智能工具可能会导致工作流程和公司的业务边界在很大程度上被重新设计。

※预测机器会增加互补品的价值，包括判断、行动和数据。判断的价值增加可能导致组织等级的变化——把不同的角色或不同的人员放到权力岗位上，可能会带来更高的回报。此外，预测机器使管理人员不仅可以优化单个要素，还可以优化更高级别的目标，从而使决策更接近组织的目标。拥有受预测影响的行动，可以成为竞争优势，传统企业亦可获得人工智能带来的一些价值。然而，在某些情况下，强大的人工智能工具带来了明显的竞争优势，新加入者可能会将该行动进行垂直整合，利用人工智能作为竞争基础。