想象一下在美國國家橄欖球聯盟數十萬個視頻的歷史檔案中找到某一特定影像。一個賽季就會產生16320多分鐘的比賽錄像。如果你把每次賽前、中場和賽后的表演、每一次訓練以及每一次媒體采訪都包括進來，你擁有的錄像片似乎無窮無盡，而這僅僅是一個賽季的內容。
為了讓工作人員更容易從所有這些材料中制作精彩集錦和其他媒體，NFL在2019年12月與亞馬遜網絡服務公司（Amazon Web Services）合作，使用人工智能來搜索和標記其視頻內容。這個過程的第一步需要NFL的內容創(chuàng)作團隊教會人工智能（AI）該找什么。該團隊為每位球員、每支球隊、每件球衣、每個體育場以及它希望在視頻資料庫中識別的其他可識別的視覺內容制作了元數據標簽。然后，它將這些標簽與亞馬遜現有的圖像識別AI系統相結合，亞馬遜已經用數千萬張圖片對該系統進行了訓練。AI能夠對這兩組數據都加以利用，以標記視頻庫中的相關影像，而內容創(chuàng)作團隊只需點擊幾下就能核準每個標簽。員工曾經不得不手動搜索、發(fā)現和剪輯每個視頻，將其存儲在資料庫中，然后用元數據標記視頻，而亞馬遜的AI讓大部分過程實現了自動化。
在《哈佛商業(yè)評論》之前的一篇文章中（“協作智能：人機合作新模式”，2018年7-8月），我們描述了一些領軍企業(yè)如何挑戰(zhàn)了技術會將人淘汰這一傳統預期——相反，他們利用人機協作的力量來改造他們的業(yè)務并提高最終盈利?，F在，好幾家公司不僅用這種方法在創(chuàng)新上超越了競爭對手，甚至更加果斷地轉向以人為本的AI技術，并顛覆了創(chuàng)新的本質，正如在過去十年里所踐行的那樣。
比如，在NFL一例中，AI加速了圖像識別過程，但如果沒有員工確定哪些數據需要上傳，然后核準，系統就會失靈。NFL并未簡單地將制作精彩片段的工作交給AI；內容制作專家從事這項工作，但由于人工智能具有快速整理海量信息的獨特能力，他們做起此事來速度更快、更輕松。
新的以人為本的AI方法正在改變人們對創(chuàng)新的基本構件的設想。一些公司正在重新確定AI和自動化如何將各種尖端信息技術與能夠實現靈活適應力和無縫人機一體化的系統緊密結合。這些開創(chuàng)性的企業(yè)正以前所未有的速度投資于數字技術，以應對新的運營挑戰(zhàn)和迅速變化的客戶需求。根據埃森哲2019年對8300多家企業(yè)的調查，他們大幅增加了對云服務、AI等方面的投資，而且他們的創(chuàng)收速度是落伍者的兩倍。2021年對4000多家公司進行的另一項研究表明，數字技術投入排名前10%的公司飛速發(fā)展的程度甚至更深，其收入增長速度是落伍者的五倍。
我們已經將我們從這項研究中所獲知的東西轉化為指導思想，在一個多數企業(yè)會將其成功歸功于人類而不是機器的世界中，企業(yè)領導者可以用這種指導思想去競爭。我們的IDEAS框架要求關注新興技術領域的五個要素：智能（intelligence）、數據（data）、專業(yè)知識（expertise）、架構（architecture）和戰(zhàn)略（strategy）。它可以幫助技術和非技術高管更好地理解這些要素，并構想這些要素如何可以密切結合，成為強大的創(chuàng)新引擎。
在本文中，我們使用IDEAS框架來審視那些實施了人類驅動的AI流程和應用程序來解決具體問題的企業(yè)案例。你也可以這樣做，集結你自己員工的技能和經驗來管理一切技術創(chuàng)新，從研發(fā)和運營到人才管理和商業(yè)模式的發(fā)展。
人類智能和人工智能是互補的。AI驅動的任何機器都無法像哪怕最年幼的人類那樣輕松、高效地學習、理解和聯系語境。不小心掉了一個東西，一個一歲的孩子看到你伸手去夠，他就會幫你撿。故意把它扔下去，孩子就會不理不睬。換句話說，即便是很小的孩子也都明白，人是有意圖的——這是一種非同尋常的認知能力，似乎已預置于人類的大腦中。
這還不是全部。從很小的年齡開始，兒童就對物理學產生了直覺認識：他們認為物體會沿著平滑的路徑移動，保持存在，并在沒有支撐的情況下墜落。他們在習得語言之前就能區(qū)分生命體和無生命的物體。當他們學習語言時，他們會表現出從很少的例子中進行歸納的非凡能力，新單詞只聽過一兩次就能學會。他們會通過試錯學會自己走路。
相反，AI能夠做許多人類（盡管被賦予了天生的智力）發(fā)現不可能做好或難以做好的事情：在大量數據中識別模式；在國際象棋中擊敗最偉大的冠軍；運行復雜的制造流程；同時應答客服中心的許多電話；分析天氣、土壤狀況和衛(wèi)星圖像，來幫助農民最大限度提高作物產量；在打擊剝削兒童的斗爭中掃描數百萬幅互聯網圖像；偵查金融欺詐；預測消費者的偏好；個性化廣告；以及其他許多事情。最重要的是，AI已經使人類和機器能夠高效地合作。與自動化的末日論者相反，這種合作正在創(chuàng)造一系列新的、高價值的工作。
為了掌握利用大數據和小數據來產生AI價值，企業(yè)必須首先打下堅實的數據基礎。業(yè)務數據通常被鎖定在傳統的實地平臺上，這些平臺是孤立的，員工很難（如果說并非不可能的話）讓不同類型的數據一起工作。商業(yè)用戶則更難找到并處理正確的信息，做出適當的決策。創(chuàng)建一個強大的數據基礎需要讓信息突破傳統藩籬，這樣信息就能夠協調一致，以最佳方式存儲，便于輕松訪問，可以隨時用新的工具進行分析——所有這一切都在云中進行。
現代數據工程
在一個強大的、基于云的基礎上，數據來自多個內部和外部來源。它被拼接成精心策劃、可重復使用的數據集，可用于各種分析目的。一個好的基礎依賴于支持不同數據類型的數據獲取和ETL（提取、轉換、加載）框架。這些框架還會處理信息的標準化、信息分類、確保信息質量和獲取元數據的規(guī)則。此外，它們還支持使用一種更快的模板化方法來使用數據，這使得工程師能夠快速開發(fā)新的分析用例和數據產品。
AI輔助的數據管理
基于云的AI工具提供高級功能和擴展性，可在引入云時，對云中收集的數據自動進行清理、分類和保護，從而支持更好的數據質量、準確性及道德處理。
數據民主化
一個現代的數據基礎可以讓更多的數據被更多的人掌握。數據應可以及時獲取并易于使用，同時支持多種方式來分析數據，包括通過自助服務、人工智能、商業(yè)智能和數據科學。最新的基于云的工具實現了數據民主化，讓整個企業(yè)中更多人能夠輕松地找到并利用與他們的具體業(yè)務需求相關的信息。
這三種能力可以合力幫助企業(yè)克服從數據中獲取價值的一些最常見的障礙：數據的可訪問性、可信度、準備使用的就緒狀態(tài)和及時性方面的問題。它們使企業(yè)能夠實時調和來自大型和小型數據集的項目，構建靈活的報告，并應用AI來創(chuàng)建可廣泛訪問的客戶、市場和運營見解，這些見解可以產生有意義的業(yè)務成果。
有了堅實的數據基礎——來自更多來源的更多數據，在AI的幫助下進行管理，并在你的企業(yè)內廣泛傳播——你不再被數據弄得不知所措，而是能夠最大限度地發(fā)揮其潛力。你可以把它用于越來越強大和精細的用途，但是，就像仿人智能一樣，這將需要你的員工更多地參與。
釋放員工的才能
在易集這一在線復古和手工制品市場，它的座右銘是“讓商業(yè)人性化”。它需要人來教公司的搜索引擎如何識別許多購買決定的關鍵——審美風格。在考慮購買一件商品時，易集的客戶不僅會留意商品的尺寸、材料、價格和評級等細節(jié)，而且會審視其風格與審美方面。
對易集來說，按風格對商品進行分類特別具有挑戰(zhàn)性。其網站上的大多數產品都是獨一無二的作品。許多商品借鑒了多種風格，或者根本沒有表現出明顯可辨的風格。而且，任何時候都有約5000萬件商品在售。在過去，基于風格的推薦系統為購物者群體提供的是令人費解的產品建議。這是因為AI假設的是，如果兩件商品經常被一個共同的客戶群體同時購買，那么它們的風格肯定類似。另一種方法使用顏色、材料等低層次屬性來對商品進行風格分類。這兩種方法都沒能理解風格是如何影響購買決策的。
有誰能比易集的推銷專家更好地教AI學習主觀的風格概念？根據他們的經驗，他們開發(fā)了42個吸引買家興趣的風格標簽，涵蓋從珠寶到玩具再到工藝品的15個類別。有些是藝術界熟悉的標簽（新藝術、裝飾藝術）。有些會喚起情感（趣味與幽默，勵志）。商家擬出了一份清單，列出了分布于這42種風格中的13萬件商品。
然后，易集的技術人員轉向那些在搜索時傾向于使用風格相關詞語的買家，他們會輸入“裝飾藝術餐邊柜”這樣的詞。對于每一個這樣的查詢，易集都把選好的風格名稱分配給用戶在搜索過程中點擊、收藏或購買的每件物品。從一個月的此類查詢中，該公司就能夠收集到一個含有300萬實例的標記數據集，用以測試其風格分類。然后，易集的工程師們訓練了一個神經網絡，使用文本和視覺線索來最好地區(qū)分每件物品的分類。結果就是對Etsy.com上所有5000萬件現售商品進行了風格預測。
當新冠疫情襲來、大眾零售商的供應鏈崩潰時，這變得特別有用。許多買家轉向易集購買急需的產品：口罩。在這個類別中，最熱銷的是根據客戶審美情趣而量身定制的口罩，客戶可以指定他們正在尋求的設計——波爾卡圓點、花卉圖案、動物面孔等等?？谡值匿N售額從2020年4月初的幾乎為零增長到當年剩余時間的約7.4億美元。該公司的收入在此期間翻了一倍多，其市值升至220億美元。易集CEO喬希·西爾弗曼（Josh Silverman）表示，關鍵是讓買家可以找到一個“能表達他們趣味和風格”的口罩。
機器教學會釋放出整個企業(yè)中通常尚未利用的專業(yè)知識，讓更多的員工以新的復雜的方式使用AI。由于它可以根據業(yè)務情況進行定制，它為真正的創(chuàng)新和優(yōu)勢開辟了道路，你不再只是簡單地追趕技術。在監(jiān)督學習的情境下，當機器學習算法的標記訓練數據很少或沒有時，機器教學特別有用——因為行業(yè)或公司的需求非常具體，所以通常不會如此。
為了從系統和知識員工那里都獲得最大的價值，企業(yè)必須重新設想非專家以及專家與機器互動的方式。你可以先讓你的領域專家了解AI的實用知識，這樣他們就可以有效地將他們的專業(yè)知識轉移到公司的流程和技術上。熟悉人工智能的基礎知識還會使他們有能力開發(fā)出創(chuàng)造性的方法，將人工智能應用于業(yè)務。
傳統的架構界限嚴格，在業(yè)務范圍、地理區(qū)域、銷售渠道和職能部門之間維持著壁壘。這些架構十分僵化，無法適應新的智能技術或順應新戰(zhàn)略、不斷變化的市場條件及新的運營機會。這就是許多企業(yè)的創(chuàng)新項目停滯不前的原因。
今天出現的快速轉變和新技術的突然涌入，將IT架構推到了前沿和中心位置。當落伍者未能抓住IT創(chuàng)新的機會時，領先企業(yè)卻廣泛采用了各種新興信息技術，并將它們組合成我們所說的有生機的系統，因為它們沒有邊界，適應性強，而且以人為本。
我們所謂的“沒有邊界”是指它們打破了IT堆棧內部的壁壘，用云基平臺來利用網絡效應的企業(yè)之間的壁壘，以及人類和機器之間的壁壘，并賦予了企業(yè)無限的機會去改善他們的運營方式。所謂“適應性強”，我們意指這些系統在數據和智能技術進步的推動下，迅速適應業(yè)務和技術變化，最大限度減少摩擦，擴大創(chuàng)新，學習和改進。當我們把這些系統描述為“以人為本”時，我們的意思是，它們模仿的是人類的大腦和行為，能夠比前幾代智能技術以更像人類的方式來傾聽、觀看、交談和理解。
通往這一未來的道路取決于你的企業(yè)在整個技術堆棧中做出的選擇。你必須轉向更加以人為本的AI和自動化方法。你可以首先加快對云計算、數據分析和移動性等核心技術的投資。你可以重新設想你應用程序開發(fā)方法，以便利用云功能和微服務及其釋放的靈活性。你可以專注于創(chuàng)建可重復使用的、具有最大價值而不是最小可行性的組件。成功將業(yè)務和技術戰(zhàn)略結合起來的企業(yè)將有能力以前所未有的敏捷度開發(fā)獨一無二的產品。
在以人為本、基于IDEAS的創(chuàng)新取得明顯成功之后，我們的任務將是以審慎的速度向前推進。未來遠比預期來得更快，它需要明智而迅速地掌握剛剛才開始嶄露頭角的新的創(chuàng)新方法。我們已經看到它無處不在——從雜貨店配送到快餐，在手工產品的零售中，甚至在美國國家橄欖球聯盟。AI正在以我們大多數人永遠無法想象的方式幫助企業(yè)運營，而且它將繼續(xù)這樣做，但前提是人在引路。我們的框架為那些準備開始的公司提供了一幅清晰的路線圖。
H·詹姆斯·威爾遜（H. James Wilson ） 保羅·多爾蒂（Paul R. Daugherty）| 文
H·詹姆斯·威爾遜是埃森哲研究部負責技術與商業(yè)研究的全球董事總經理。保羅·多爾蒂是埃森哲首席技術官及該公司技術業(yè)務的全球負責人。他們合著有《以人為本：新技術在如何改變企業(yè)并塑造我們的未來》（Radically Human: How New Technology Is Transforming Business and Shaping Our Future）（哈佛商業(yè)評論出版社，2022年）一書。本文改編自此著作。
