人工智能的最新进展引发了企业AI转型，其规模、速度和不确定性程度都是巨大的。那些敢于大胆行动、走在时代前沿的企业，将能够抓住人工智能在几乎每个行业中带来的巨大增长和价值创造机会。这样做需要他们的领导人掌握人工智能作为二十一世纪通用技术的深远能力。采用由5大策略组成的蓝图来应对颠覆性变革将帮助他们带领企业迈向人工智能的未来。

1. AI时代已经到来

在短短几十年内，数字技术已经将一个依赖固定电话、没有个人电脑和互联网的世界转变为一个算法和数据支撑全球经济以及我们生活、工作和娱乐的世界。但即使是这种巨大的转变也可能只是人工智能时代的预热行为，人工智能时代正开始以惊人的速度展开。人工智能最近的快速发展催生了具有逻辑推理等新功能的模型，远远超出了预测这些突破的时间，并且令该领域许多最有影响力的先驱者感到惊讶。现在AI的向前发展正在通过帮助创建人工智能的两个重要要素：数据和处理能力的模型来实现。通过帮助生成数据集和设计增强型处理器，人工智能可以训练功能更强大的人工智能模型，就像递归向上螺旋的飞轮一样。即使在未来人工智能发展最保守的合理场景中，包括没有进一步的突破，比如发现通用人工智能（数字思维在所有领域与人类智力相媲美，这是领先人工智能实验室的既定目标），最近的进展已经奠定了基础实现深刻的规模和速度的转变。

这些进步首次创造了具有感知和决策能力的实体，可以在各种任务上与人类相媲美，包括驾驶汽车等常规任务、生成业务场景等战略任务、作曲等创造性任务以及分析任务就像评估房屋一样。

然而，人工智能的潜力远远超出了复制人类任务的范围，还包括解决以前棘手的“重大挑战”，从核聚变到气候变化和粮食安全。一个例子是蛋白质折叠，2021 年 Google DeepMind 宣布它已经预测了几乎所有已知蛋白质的结构。这正在加速几乎所有生物学领域的发现，从精准医学到分解塑料废物的酶。

仅人工智能预期的近期影响就令人震惊。各种预测预计，到 2030 年，全球经济产出每年将增长 15 万亿美元，相当于日本、德国、印度和英国产出的总和，相当于当今世界经济 100 万亿美元的 15% 。根据生成式AI和其他技术的最新进展进行的估计表明，到 2030 年，占美国当前员工工作时间高达 30% 的活动可能会实现自动化，此后这一比例将上升至 70%。在所谓的人工智能军备竞赛中，世界各国政府都在宣示领导雄心，并竞相通过培育国内人工智能产业和支持基础设施（如支持性政策框架、半导体代工厂，甚至用于训练专有AI模型的国家超级计算机）来获得优势。与此同时，他们正忙于通过研究AI安全和模拟潜在的社会混乱来理解和减轻下行风险，这可能构成人类历史上类似于工业革命甚至农业出现的关键时刻。

更实际的是，人工智能实验室和包括 OpenAI、Anthropic、Google 和 Meta 在内的技术巨头的快速创新和发布已经在大型语言模型的功能方面带来了阶跃式的进步。其中包括理解语境、情感和语言的细微差别；逻辑推理和规划；数学; 创造力; 海量数据处理；根据用户偏好和情况定制响应；生成表格、图表、音频和视频等多种形式的输出，这些输出不太可能出现不准确、偏见或有害内容。他们在心理理论测试中的表现——迄今为止被认为是人类独特的能力，能够感知他人不可观察的心理状态，包括他们的知识、意图、信仰和欲望——从 2019 年的几乎为零，上升到 40% 或相当于 3.5%。 2020 年 5 月，儿童比例将达到 70%，2023 年 3 月将达到 95%。

但与所有通用技术一样，比核心人工智能技术本身的发展更重要的是人工智能驱动的创新浪潮，它刚刚开始席卷各行各业，重塑客户体验，改变从医疗保健、能源到医疗保健、能源等各个领域的范式。零售和媒体。

2. 企业AI转型的新议程

在此背景下，人工智能迅速上升到企业领导议程的最前沿，标准普尔 500 强企业在财报电话会议中提及人工智能的比例急剧上升，最近几个季度每次电话会议的平均提及次数比上一季度翻了一番。

最近对美国和全球各行业首席执行官的调查表明：

• 75%认为，未来的竞争优势将取决于谁拥有最先进的生成式AI。9只有 13% 的人认为AI的潜在机会被夸大了，而 87% 的人认为事实并非如此。
• 65%认为，生成式AI将在未来三到五年内对其组织产生巨大或极高的影响，远远超过其他所有新兴技术。
• 78%认为人工智能将对创新产生巨大或极高的影响。11 43% 的企业已将AI驱动的产品或服务变革整合到资本配置中，另有 45% 的企业打算在未来 12 个月内这样做。

但他们也表明，大多数首席执行官认为他们的组织尚未做好准备，并将面临跟上步伐的挑战：

• 60% 距离实施他们的第一个生成式AI解决方案还需要一两年的时间。
• 68% 尚未任命中央领导者或团队来协调企业的生成式AI工作，大多数人表示他们的组织缺乏人才和治理等关键推动因素。
• 67% 尚未开始或正处于评估风险和缓解策略的初始阶段，原因包括不准确、网络安全和数据隐私；只有 5% 的企业制定了健全的AI管控计划。

考虑到AI革命的深远规模、速度和不确定性，以及它带来的巨大机遇和挑战，企业同样充满活力却毫无准备也就不足为奇了。哈佛商学院已故教授克莱顿·克里斯滕森 (Clayton Christensen) 在三十年前通过其开创性研究发现了这一动态，并随后在他的开创性著作中捕捉到了这种动态，因此，在面对颠覆性技术时，组织常常屈服于惯性或阻力最小的路径 ，创新者的困境。尽管一些具有前瞻性思维的公司正在走在前面，但我们才刚刚处于 AI 时代的起步阶段，赢家和输家还远未确定。那些能够有效驾驭颠覆性变革并抓住人工智能促进增长和价值创造的巨大潜力的公司将是那些大胆且尽早采取行动的公司。这需要领导团队培养共同的紧迫感和信念，在缺乏完善信息的情况下创新其业务模式，同时创造专有见解，将强大的人工智能能力嵌入到其组织中，并巧妙地管理与人工智能相关的不确定性。

我们关于引领人工智能未来的五项建议借鉴了 Runwise 的丰富传统，即帮助企业通过战略转型创造新价值并推进行业前沿，包括数字和人工智能支持的战略转型，以及我们的创新变革的模式和工具经过15+年的研究、应用和磨练。这些建议并不侧重于建立团队和制定风险缓解计划等战术步骤，而是我们所知的打破障碍和产生影响的行动。它们共同构成了推动企业转型的蓝图。

企业创新战略

立即查看方案 >

3. 策略1 - 拉齐领导层对AI的认知和策略重视

事实上，从战略制定到资源分配和文化变革，每一个转型推动因素都取决于领导层的协调。它不是一个离散或独立的推动者，而是一个必须贯穿转型计划各个方面的重要线索，包括我们在此介绍的其他四项建议，以开始有效地驾驭人工智能时代。例如，如果缺乏领导层协调，即使是最全面的运营和面向客户的人工智能转型策略也几乎没有实际用途。

人工智能通用语言挑战

与人工智能相关的领导层一致性必须从对人工智能的共同基础理解和共同语言开始，这使得领导者能够进行连贯的对话，而不会无意中互相谈论。值得注意的是，人工智能的本质使得这具有挑战性。它不仅是一个复杂、技术性和快速发展的领域，而且人工智能作为一种通用技术的普遍影响意味着来自不同职能（如营销、人力资源和研发）的高管越来越多地接触到不同的工具、用例和影响。这可能使他们可能在不同程度上以不同的方式解释术语和问题，通常会因其特定权限而产生偏见，而代价是认识到人工智能对整个组织影响的真正广度和深度。领导团队中存在许多多样化且狭隘的人工智能权限，可以用四个盲僧的故事来类比，每个僧侣触摸大象的不同部位——象牙、鼻子、腿或尾巴——并辨别出矛、蛇、树、或绳子。

对以下相关术语的基础性、非技术性、共同理解对于使领导团队了解人工智能的本质、潜力和挑战至关重要：

• AI领域：人工智能的特定领域，专注于不同类型的问题和解决这些问题的技术，例如机器学习、计算机视觉、自然语言处理和机器人技术。这些领域各不相同，但经常相互作用。例如，谷歌翻译应用程序中的增强现实功能允许用户将相机对准标志或菜单上的文本，然后该应用程序使用计算机视觉来检测和识别文本，使用自然语言处理来翻译它，然后机器随着时间的推移，学习根据反馈和上下文提高翻译准确性。
• AI模型的类型：人工智能系统用来解释数据、识别模式和做出决策的方法。这包括判别模型和生成模型。
• AI方法和流程：构成人工智能基础的深度学习和神经网络等架构，以及使其发挥作用的训练和部署等流程。熟悉可以帮助解释人工智能的行为方式和原因，包括有时通过做出决策和获取并不总是预期、理解或可追踪的能力来看似不可预测和神秘的方式。
• AI道德和信任：可解释性、人工智能偏见和一致性等术语，满足确保人工智能行为和决策透明、公平并与预期结果保持一致的需求。

领导团队应该以直观、说明性和与行业背景相关的方式采用此类术语的通用定义。附录中提供的常用术语词汇表可以作为此方面的起点。

理解生成模型和判别模型

为了强调人工智能通用语言的重要性，请考虑两种基本的人工智能模型：生成模型和判别模型。虽然大多数领导者至少在一定程度上熟悉生成式人工智能，但许多人并不熟悉歧视性人工智能——我们建议的几位高管第一次接触这个术语时，我们建议他们将其解释为表现出偏见的人工智能，这是可以理解的。这种不熟悉可能会导致人工智能策略存在明显的差距。由于它们学习和使用数据的独特方式，这两种类型的模型在实现极其强大的用例的能力上是不同的，但也带来了不同类型的风险，部署它们的领导者需要了解这一点。

对这两种重要类型的人工智能模型的共同基础理解可以从直观和图解的定义开始，如下所示：

• 生成式AI模型就像艺术家。他们吸收、把握本质，从已有的例子中汲取灵感，进而创作出自己的新颖作品。在聊天机器人中，它们从大量文本数据集中学习，针对提示和问题编写新的相关响应。Deepfakes 是另一个例子。这些系统分析大量视频片段，然后创建真实的人造视频来显示从未发生过的事件。从本质上讲，生成式人工智能模型学习数据模式以“生成”新的原始输出。
• 具有判别力的AI模型就像侦探。他们发现线索，使他们能够区分和分类物体。在图像识别中，他们可以通过查明每种动物的具体特征来区分猫和狗。同样，他们通过识别垃圾邮件的典型特征和常规邮件的非典型特征来过滤垃圾邮件。从本质上讲，判别式人工智能模型学习数据模式，以“区分”所呈现的对象。

此外，领导团队需要对人工智能当前和新兴的功能有广泛的了解。这应该包括其自动化或增强当今使用人类智能日常执行的任务（人类可以做的事情）的能力；执行的任务要么完全超出人类智能的能力范围，要么人工智能可以在速度、规模、复杂性、准确性和成本（人类无法做到的事情）等维度上实现根本性的性能飞跃。

对于后者，例如，在半个多世纪的时间范围内，研究人员发现了大约 190,000 个蛋白质的结构，其中单个蛋白质的结构花费了数周、数月甚至数年的时间，而 Google Deepmind 在 2022 年宣布其 AlphaFold 模型已经在短短 18 个月内就预测了几乎所有科学已知的蛋白质结构，大约有 2 亿个。同样，虽然个性化的金融和投资建议迄今为止一直是那些拥有丰富财富并能获得专业顾问帮助的人的专利，但人工智能已经为每个人带来了廉价、高质量、个性化的金融建议的前景。

要获得这种理解，领导者需要寻找人工智能在哪些领域超越其自身行业范围实现“可能的艺术”的例子，因为人工智能未来的有意义的部分已经存在，但分布极不均匀。图 1 显示了生成式和判别式 AI 可以完成而人类可以完成和不能完成的任务示例。

4. 策略2 - 制定运营和面向客户的AI转型的价值创造战略

对人工智能的基本了解对于企业领导者掌握其在组织内的巨大可能性至关重要。但人工智能实现转型的能力比任何组织在多年规划周期中所能资源和吸收的能力要大几个数量级。因此，领导团队需要明智地在巨大的潜在人工智能用例和真正推动业务绩效和客户价值的用例之间进行选择，将人工智能视为达到目的的手段，而不是目的本身。沃尔玛首席执行官道格·麦克米伦 (Doug McMillon) 在自己的组织中描述了这种紧张局势，他说，当谈到人工智能的应用时，“对于我们供应链中的客户体验、员工体验、效率和预测，人工智能对我们来说是一个巨大的机会我们经常感觉我们只受限于我们的想象力。” 他还承认，“对我们来说，重要的是要意识到并专注于我们正在努力解决的问题，而不是迷恋任何特定的技术，无论是人工智能还是其他技术。”

通过人工智能推动价值创造通常需要公司避开同行趋势的肤浅和明显的应用程序，而是发现能够实现有意义的价值创造的用例。正如一位银行首席执行官向我们表示的那样：“我不明白为什么公司在有这么多机会更好地了解客户并改进产品和体验的情况下却专注于聊天机器人。”

由于文章篇幅有限，完整内容请点击：

创新指南｜引领AI时代的企业AI转型 - 以5大务实策略来推进实施