第16章
当人工智能改变企业

乔舒亚近期询问过一家机器学习领域的初创公司：“你们为什么要为医生们提供诊断？”这家公司正在开发一种人工智能工具，它可以告诉医生是否存在某种具体的医疗状况。这是简单的“是或否”的二元输出，一项诊断。问题在于，为了能够这么做，公司必须获得监管部门的批准，而获得批准，需要进行昂贵的实验。为了能做这些实验，它正在考虑要不要和一家成熟的制药或医疗设备公司合作。

乔舒亚提问的着眼点在战略上，而非医学上。为什么这家公司一定要提供诊断？它不能只提供预测吗？也就是说，该工具可以分析数据，然后告诉医生“患者有80%的概率患病”。接着，医生可以准确地探究出是什么导致了这一结论，并做出最终诊断——也就是二元的“是或否”结果。该公司可以让客户（本例中即医生）做更多。

乔舒亚建议该公司侧重于预测而不是诊断。这样，业务的边界就以预测结束，不再需要监管部门的批准了，因为医生有许多工具可以得出诊断结果。该公司不需要从初期就跟大公司合作。最关键的是，它不再需要审慎地研究或琢磨怎样将预测转化为诊断，它只需要推断出有价值的预测所需的准确阈值，是70%、80%还是99%？

你的企业的业务终点与别家企业的业务起点在哪里？你公司的边界究竟在哪里？这个长期的决策需要组织的最高层给予周密的关注。而且，新的具有通用功能的发明通常会为边界问题带来新的答案。某些人工智能工具可能会改变你企业的边界。预测机器将改变企业思考一切问题的态度，从资本设备到数据，再到人员。

保留什么，放弃什么

不确定性会对企业的边界产生影响。经济学家西尔克·福布斯（Silke Forbes）和马拉·莱德曼（Mara Lederman）研究了千禧年前后美国航空业的结构。联合航空和美国航空等大公司掌控了一些航线；美鹰航空和天西航空等区域性合伙企业则选择另一些航线。合伙企业是独立企业，跟大的航空公司签订合同。不考虑其他条件的话，区域性航空公司的运营成本通常低于大公司，工资和福利制度上面都比较节省。例如，一些研究表明，大公司的资深飞行员的薪水比区域性合伙企业的要高80%。

奇怪的地方在于，既然有合伙企业能以较低成本提供服务，为什么大型航空公司还要负责这么多条航线呢？福布斯和莱德曼指认出了一个驱动因素——天气，更具体地说，是天气的不确定性。天气异常时，航班延误，而在交通网严密、容量得到控制的航空行业，航班延误能在整个系统里造成连锁反应。一旦天气变坏，大型航空公司不希望被合伙的公司拖住，以免在本该根据不确定成本做出快速调整的时候，围着合同斤斤计较。因此，对于可能出现与天气相关的延误的航线，大型航空公司会保留控制权和运营权。

我们在前一章中介绍了人工智能带来战略变革的三个因素。首先，更低的成本与更多的控制是一对核心权衡。其次，这种权衡受到不确定性的调制，具体而言，也就是，随着不确定性增加，控制带来的回报会升高。大型航空公司通过优化边界（自己公司的活动范围止于此，同时合作伙伴的活动范围始于此），实现了成本与控制权之间的平衡。如果一台预测机器能够穿透这种不确定性，那么第三个要素就会出现，平衡也会随之改变。航空公司会将更多业务外包给合伙企业。

参与持续创新（尤其是涉及利用经验学习的创新）的企业创造了类似的模式。汽车大约每5年发布一次新型号，由于涉及详细的零件规格和设计工作，在新款汽车上市之前，汽车制造商需要知道零件从哪里来。是自己制造，还是外包出去？在漫长的研发过程中，汽车制造商对新车的性能表现知之甚少。一些信息只能在发布后收集，如客户的反馈，以及其他长期的性能指标。这是新车为什么每年都要升级的关键原因，升级不涉及汽车设计方面的重大改变，主要是组件的改进，以修补瑕疵和改善产品。

经济学家沙伦·诺瓦克（Sharon Novak）和斯科特·斯特恩（Scott Stern）发现，自己制造零件的豪华汽车制造商，在新车发布年与次年之间改进配件的速度更快。它们使用《消费者报告》（Consumer Reports）的评分来衡量客户端的改进效果。拥有控制权，意味着汽车制造商对客户的反馈意见能做出更快速的响应。相比之下，外包零部件的厂商并没有显示出同样的改善。不过，后者获得了不同的收益；它们的初始车型在质量上比自己生产零件的汽车制造商更高。零部件外包的汽车制造商发布的新车型更好，是因为供应商制造的零部件更好。因此，汽车制造商面临着如下选择：零件外包还是自己制造？如果选择后者，它们可在汽车型号的生命周期内控制创新，随着时间的推移，使汽车获得更大的提升。能减少客户需求不确定性的预测机器，再一次有可能改变战略。

在上述两例中，短期和长期绩效之间、常规与非常规事件之间的权衡取决于一个关键的组织选择：应在多大程度上依赖外部供应商。但这一选择的特点与不确定性紧密相关。航空公司无法提前预知的天气事件有多重要？车辆该怎样满足客户真正的需求？

人工智能的影响：资本

假设出现了一种人工智能可以减少这种不确定性，则第三种要素已经就位了。预测非常便宜，可以最大限度地减少不确定性，足以改变战略困境的性质。这将对航空公司和汽车制造商的业务产生怎样的影响呢？人工智能使机器可以在更复杂的环境下运行。它扩大了可靠的“如果”的数量，减少了企业独立拥有资本设备的需求，原因有二。

首先，更多的“如果”意味着，企业可以编写合同，具体规定某件反常情况发生时该怎么做。假设说，人工智能不仅使航空公司可以预测天气事件，还可生成可以最好地应对天气相关干扰的预测。大型航空公司在合同中就可对应对突发事件的方式做出更加具体的规定，提高回报。它们可以在合同中指定更多的“如果”。因此，大型航空公司无须再通过所有权来控制航线，而是掌握了预测的力量，更有信心地与区域性的独立航空公司签订合同，以利用后者较低的成本。大型航空公司会减少对资本设备的需求（如飞机），因为它们可以把更多的航班外包给更小的区域性的航空公司。

其次，人工智能驱动的预测（以预测消费者满意度告终）能让汽车制造商更自信地提前设计产品，带来更高的消费者满意度和性能，而无须对车型进行大量过渡性调整。故此，汽车制造商可以从独立供应商处为车型挑选全世界最好的零部件，同时能够满怀信心地认为，优秀的前期预测可消除重谈合同的必要，毕竟再次谈判代价高昴。汽车制造商自身将不必再拥有零部件工厂。更宽泛地说，预测给我们带来了更多“如果”，我们可以用这些“如果”来更清晰地指定“那么”。

这种评估认为航空网络和汽车产品的复杂性是一成不变的。很可能出现的情况是，提前预测能让航空公司和汽车制造商更有信心做更复杂的安排、提供更复杂的产品。目前尚不清楚这对外包会有什么样的影响，因为更好的预测将推动更多的外包行为，而更复杂的状况又往往会减少外包。在现阶段，哪个因素占主导地位很难判断。我们可以这样说，最新且可行的复杂流程大概会在企业内部完成，但许多从前需要内部完成的较简单的流程却可以外包出去。

人工智能的影响：劳动力

20世纪70年代，银行开发出了自动柜员机（ATM），到80年代，这种机器得到了大范围的推广。一如它的名字所暗示的，这一潜在的劳动力节省技术旨在将柜员的业务自动化。

根据美国劳工局的调查数据，柜员并没有被自动柜员机取代（见表格16-1）。但他们确实不再继续处理简单的取款业务了。在存款和取款业务以外，这些柜员成了推销银行产品的销售员和客服专员。机器处理相关业务会更为安全。银行不愿意开更多支行的原因就是安全问题，以及不愿将宝贵的人力资源耗费在取款这类事务性工作上。打破了这些束缚后，银行以更加多样的形态和规模大量扩张（在城区增加了43%之多），并且将柜员（tellers）这个称呼扫入了故纸堆。

自动柜员机的引入带来了显著的组织变革；新的柜员需要做出更多的主观判断。显然，原来的柜员任务是常规的，容易被机器取代。但跟客户讨论银行的业务需求、向客户提供贷款建议和制定信用方案，这些新任务就复杂多了。在此过程中，评估新柜员的工作好坏，变得更为困难。

当绩效指标从客观（你是否缩短了银行排队）变为主观（你销售的是不是合适的产品），人力资源管理变得更加复杂了。经济学家会告诉你，岗位责任须少一点明确性，多一些关联性。你将根据主观程序（如绩效审查需考虑任务的复杂性和员工的长短板）对员工进行评估，给予奖励。这样的程序很难贯彻，因为必须付出巨大的信任，管理者才能依靠这些程序创建激励机制，推动良好的绩效。毕竟，较客观的绩效指标而言，基于主观考察的公司更容易否决员工的奖金、加薪或晋升请求。但在复杂环境下，哪怕绩效指标是客观的，重大失误仍可能出现。富国银行的客户经理欺诈事件生动地向我们揭示了这一点。（2016年，富国银行因大规模欺诈遭到索赔，其客户经理在激励政策下为客户开设昂贵的账户，并向其收费。）

这一经济逻辑链的直接含义是，人工智能会将人力资源管理转向人际关系层面，而非交易层面。原因有两方面。首先，宝贵的人类判断得到了利用，因为这种判断很难被编程到机器当中。回报要么不稳定，要么是未知的，又或是需要人类的经验才可执行。其次，随着机器预测的增多，人类的判断越发重要，而这类判断必然涉及一些主观的绩效评估手段。如果客观手段行得通，机器就有望自行做出此类判断，而不再需要任何人力资源部分的介入。因此，如果目标是主观的，人类就是做出决策的关键。出于这个原因，对这样的人加以管理，就有必要侧重于人际关系层面。

因此，人工智能对劳动力的影响不同于它对资本的影响。判断变得至关重要，这意味着劳动合同需更加主观。

那些影响资本设备的力量也会影响劳动力。如果人类劳动力的关键产出是数据、预测或行动，那么，使用人工智能意味着更多地将业务外包给合同工，一如它意味着使用更多外包的设备和供给。跟资本一样，更好的预测会给出更多的“如果”，我们可以用这些“如果”对外包合同里的“那么”做出明确规定。

但是，人工智能对劳动力更重要的影响在于，它提高了人类判断的重要性。预测和判断是互补的，更好的预测会增加对判断的需求，这意味着，你员工的主要任务是在决策时做出判断。根据定义，这在合同中无法加以详细规定。这里，预测机器增加了战略困境中的不确定性，因为评估判断的质量很困难，外包有风险。有违直觉的是，更好的预测会增加你对人类工作表现进行判断的不确定性：你需要把回报函数工程师和其他以做判断为主的员工留在公司内部。

人工智能的影响：数据

另一个关键的战略问题是数据的所有权和控制权问题。一如预测和判断之间的互补性与员工承受的后果相关，预测和数据之间的关系同样推动了一些权衡。数据让预测变得更好。这里，我们的着眼点是与组织边界相关的权衡。你应该利用他人的数据，还是拥有自己的数据？（我们将在下一章中探讨对数据收集进行投资的战略重要性。）

对于人工智能初创公司而言，拥有能实现学习的数据尤其关键。如若不然，随着时间的推移，它们将无法改进产品。机器学习初创公司Ada Support帮助其他公司与客户展开互动。Ada有机会将其产品整合到一家已成立的大型聊天服务供应商的系统当中。如果这一招奏效，获得牵引力和建立庞大的用户基础就会容易许多。这是一条颇具诱惑力的道路。

可问题在于，大公司将拥有来自互动的反馈数据。没有这些数据，Ada无法根据实际情况改进产品。Ada鼓足勇气，重新考虑了合作方式，直到确保自己能拥有结果数据之后才进行整合。这么做帮它搭建了一条从现在通向未来的数据管道，能让它借此持续学习。

要掂量到底是拥有还是购买数据的，远远不止初创公司。以那些旨在帮助广告商家定位潜在客户的数据为例。约翰·沃纳梅克（John Wanamaker）曾和其他人一起，创造了媒体上广告的框架。他曾说：“我花在广告上的钱，有一半是浪费掉的；麻烦的是，我不知道是哪一半。”

这是广告的根本问题。在网站上投放一条广告，每个访问该网站的人都会看到，你要为每次展示支付费用。如果这其中只有一小部分访客是潜在客户，你对每次展示支付费用的意愿就相对较低。不管你是广告商，还是想要靠广告赚钱的网站，这都是一个问题。

其中一个解决方案是，专注于建立能吸引有着特定兴趣（体育、金融等）的访客的网站，这样一来，对特定的广告来说，这些访客中会有更高比例的潜在客户。在互联网崛起之前，这是广告的核心特征，杂志、有线电视频道、报纸的不同板块（汽车、时尚、房地产、投资）也因此越来越多。但不是所有媒体渠道都可以通过这种方式对内容进行调整。

多亏了网络浏览器的创新（尤其是记录用户行为的cookie），广告商可以随着时间的推移，横跨多个网站对用户进行跟踪。于是，它们获得了更好的锁定客户的能力。cookie记录的是网站访客的信息，最重要的是，它还记录了网站类型的信息，包括访客们经常访问的购物网站。依靠这种跟踪技术，如果你访问过某购物网站，想买一条新裤子，之后你可能会发现，你接下来看到的广告有极大比例都是有关裤子的——它们甚至来自完全不相干的网站。

任何网站都可以放置cookie，但这些cookie对网站来说并不一定具有太高的价值。相反，网站向广告交易平台（或直接向广告商）出售cookie，能方便后者更好地对广告进行定位。网站向想投放广告的公司出售自己访客的数据。

这些公司会购买数据，是因为它们无法自己收集数据。不足为奇，它们购买的是能帮助自己识别高价值客户的数据。它们说不定还会购买能帮助自己避免向低价值客户发送广告的数据。这两类数据都很有价值，因为它们能让这些公司将广告经费集中投放到高价值客户的身上。

包括谷歌、Facebook和微软在内的许多人工智能领军企业，都已经建立或购买了自己的广告网络，以便拥有这些宝贵的数据。它们认为，这些数据是值得花钱的。对于其他企业来说，广告数据并不是那么重要，因此，它们会权衡对数据的控制权，避免收集数据时付出高昂的成本。故此，广告数据仍然在这些公司的业务边界以外。

销售预测

谷歌、Facebook、微软和少数其他公司掌握着消费者线上偏好的数据，这些数据尤其有用。它们不仅仅销售数据，还会进一步为广告客户做出预测。例如，谷歌通过搜索，YouTube通过其广告网络，纷纷掌握了有关消费者需求的丰富数据。它并不销售数据，相反，它把数据生成的预测，变成捆绑服务的一部分出售给广告商。如果你通过谷歌的网络进行广告宣传，你的广告会向该网络预测的最有可能受其影响的用户展示。通过Facebook或微软进行广告宣传，也可收获类似的结果。无须拥有数据，广告商就购买了预测。

独一无二的数据对创造战略优势非常重要。如果数据不是独一无二的，就很难围绕预测机器建立业务。没有数据，就没有真正的学习途径，所以人工智能不是你的战略核心。即便如此，一如广告网络的例子所示，预测仍然有用。它们让广告商得以瞄准价值最高的消费者。故此，哪怕数据和预测无法成为战略优势的源头，更好的预测也能对组织有所帮助。（一个例子是万事达卡顾问公司的咨询服务，它利用万事达卡的海量数据提供各种预测，从消费者诈骗到客户留存率。见http：//www.mastercardadvisors.com/consulting.html。）就算数据和预测都在组织的边界之外，组织也可以利用预测。

其主要的言外之意是，数据与预测机器是互补品。因此，除非你拥有能“喂养”人工智能的数据，否则采购或开发人工智能起的作用十分有限。如果这些数据在别处，你就需要一个得到它的策略。

如果数据被独家拥有或属于某家垄断供应商，那么，你的风险在于，该供应商有可能占用你的人工智能的全部价值。如果是你的竞争对手拥有这些数据，那么，你可能找不到任何战略从它们手里以合理的价格获得这些数据。如果是消费者拥有这些数据，那么你可以用更好的产品或更高质量的服务来交换它们。

但在某些情况下，你和其他人或许拥有对双方都有价值的数据；故此，就有可能实现数据的交换。在其他情况下，数据可能会分属多个供应商，此时，你或许要做一些更为复杂的安排，来购买数据与预测的组合。

是自己收集数据进行预测，还是从其他人手里购买，取决于预测对贵公司的重要性。如果预测机器是一种对你而言现成可用的输入项，那么只要人工智能并非你的战略核心，你就可以用大多数公司对待能源的态度来对待它，也就是从市场上采购。相反，如果预测机器即将成为你公司战略的核心，那么，你就需要控制数据以改进机器，数据和预测机器都必须来自公司内部。

在本章的开头部分，我们建议一家机器学习型的初创公司改变计划，由原来的提供医学诊断转向出售预测结果。为什么医生愿意购买预测而非完整的诊断呢？为什么医生不想拥有预测机器和数据呢？答案就在于我们讨论过的相关权衡。诊断是医生这份工作的一个关键要素，因此购买预测不是医生战略决策的核心。有了额外的信息，医生还是继续做自己从前做的事情。如果这不是关键的战略决策，那么他们就不需要拥有数据或预测，只需要购买预测。对比来看，那家初创公司的创业之本是人工智能，而为客户提供价值的是预测。所以，只要初创公司拥有数据和预测机器，它便不需要拥有诊断。该初创公司与医生之间的边界就是人工智能不再具备战略意义，而只是另一项流程里的一个输入项。

本章要点

※确定你的公司结束业务的地方与另一家公司开始业务的地方，是一项关键的战略选择——它确定了公司的边界（例如，航空公司的合作伙伴关系，外包汽车零件的制造）。不确定性会影响这种选择。由于预测机器可以减少不确定性，它会对组织与其他组织之间的边界产生影响。

※通过减少不确定性，预测机器提高了编写合同的能力，故此也就提高了公司以合同的方式将专门负责数据、预测和行动的资本设备和劳动力外包出去的动机。然而，预测机器会削弱公司把专司判断的任务外包出去的动机。判断的质量很难细化到合同中，而且难以监控。如果判断能够被清晰地细化，那它就可以被编程，交给机器，而不再需要人类来做。随着人工智能越来越普遍，判断有可能成为人类要扮演的关键角色，这样一来，企业内部聘用的员工会增加，外包出去的劳动力会减少。

※人工智能将提升拥有数据的动机。尽管如此，如果数据提供的预测对你的组织并不具备战略意义，那么通过外包获得数据便有其必要。在此种情况下，最好直接购买预测而不是购买数据，接着用它生成你自己的预测。