AI能為企業帶來什麼?如果你認為AI的數據分析能力可以提供預測與見解,那只回答了一半;AI還能進一步改善決策,甚至改變整個產業的營運生態。問題是:該如何徹底發揮AI的能力?以及如何排除連帶引發的不確定性?
關於本文藝術作品:拉夫.賈可布斯(Ralf Jacobs)受到專業工作上的光學建模軟體及光學像差研究的啟發,把19世紀的藍曬法、數位諧波圖、軟體引導的雷射投影結合在他的藝術中,創作出千變萬化的複雜橢圓線圖。
投資人提問:「你們的人工智慧(AI)可以為企業帶來什麼?」
新創公司創辦人回答:「AI可以為企業帶來深入見解。」
這種回答太常見,真希望每次我們創意破壞實驗室(Creative Destruction Lab)的導師與投資人聽到這種回答時,都能拿到一分錢。創意破壞實驗室是我們在多倫多大學(University of Toronto)創立的全球種子基金階段新創公司計畫。
雖然上述回應是大家司空見慣的答案,但針對AI的進步可以如何創造價值,「深入見解」這個答案實在是錯誤的思考方式。其實,我們覺得「深入見解」往往暗指「我們不知道該怎麼運用我們的AI預測」。
更好得多的回答,是描述那些預測可改進哪些決策,因為AI只有在促進更好的決策時,才具有價值。
本文觀念精粹
問題:
AI預測通常會改善特定決策的品質,但可能會對整個決策系統造成破壞性的影響。
為什麼會發生這種情況?
決策通常結合了預測與判斷。當預測極其準確時(AI可能如此),決策權將流向仍需要做判斷的地方,而這可能改變做決策的人、地點、時間與方式。系統中某部分做出較準確的預測,將會對其他部分產生漣漪效應。
解決方案:
如果缺乏完美的即時溝通,組織與整個價值鏈就必須創造一些可在設計模組化與協調之間拿捏平衡的系統。模組化讓人可以根據局部觀察到的因素,做出許多決策;協調則可以在更廣泛的網路中優化決策。
幸好對創業者來說,讓AI促進更好決策的機會是無限的。企業所做的決策數量與日俱增,而在營運的每個面向都需要做出正確的決策,而且比過去更有必要這麼做。例如,根據哈佛大學甘迺迪學院(Harvard Kennedy School)大衛.戴明(David Deming)所做的研究,1960年時,僅6%的工作需要擁有一些核心決策技能,像是解決問題、診斷、制定策略、設定優先要務等。到了2018年,這個比率已達到34%。
但本文稍後會說明,採用AI不只是為了改進特定的決策而已。組織內某個領域的決策,往往會影響其他領域的決策,所以若要導入AI,通常組織必須重新檢討及重新設計整個決策系統。我們先從某項行動方案的具體例子開始看起,那項方案的情況就是這樣,AI最後完全改變了系統創造價值的方式。
紐西蘭隊如何贏得美洲杯帆船賽
5000年來,帆船製造者與帆船手始終都在改進自身的技術。雖然商業航運不再依賴風力推進,但帆船航行方面的創新從未停止。
帆船運動的最高獎項(也是國際體育界最古老的獎項),就是美洲杯帆船賽(America's Cup)。如今這項比賽的關鍵不僅在於帆船手的技能,也在於技術。有數百萬美元投注在帆船設計上。風、水、船舶的物理學運作已為人熟知,因此參賽者不必實際建造船隻,就可以使用模擬器來先行測試最有效的設計。擁有最佳模擬器的團隊,享有很大的優勢。2017年阿聯酋紐西蘭隊(Emirates Team New Zealand)贏得美洲杯帆船賽,就是最好的證明。
該團隊的成員在規畫2021年的比賽時,想知道能不能加快設計流程。他們與全球顧問公司麥肯錫(McKinsey)合作,找出創新的主要瓶頸:真人帆船手。真人帆船手透過模擬器來駕駛帆船需要時間,而且無法加快成員因應各種狀況、操縱船隻做出反應的速度。帆船手是以人類的時間尺度來運作,這種速度不夠快。
該團隊使用那種類似於打敗世界頂尖圍棋手的AI科技,教會一個AI程式如何駕駛帆船。那款機器人程式不需要睡覺或吃飯,而且可以同時做數千次模擬,而真人帆船手在同樣時間內只能做幾次模擬。八週後,那款AI開始在模擬器中擊敗真人帆船手。
就在那時,情況變得有趣。AI開始教真人帆船手新的技巧。開發團隊的一位成員告訴《連線》雜誌(Wired):「對帆船手來說,那款AI程式所做的事情,其實感覺上是違反直覺的,但他們在水上實測後發現,那些招數還真的有用。」以前,帆船設計師需要真人去測試任何創新。要找出新設計的船有何最佳使用方式,可能需要花數週的時間。
相較之下,AI可以一天24小時同時測試船隻的多種不同設計版本,並且嘗試不同的競速戰術。AI加快了設計迭代的週期及新招式的開發。一旦AI想出更好的解決方案,真人帆船手就可以仿效。一位團隊成員表示:「加速學習的流程真的很有價值,既可以讓設計團隊盡可能探索更多的設計空間,也可以盡量提高帆船手操作某種設計的表現。」那年,阿聯酋紐西蘭隊以7勝3負的佳績贏得美洲杯。
為什麼AI的這種用途如此新奇?先不談這項能在複雜環境中進行模擬的高超技術,關鍵影響在於系統層次。AI並沒有為紐西蘭隊提供見解,而是被嵌入決策系統之中。
為比賽做準備會涉及兩種決策:一種與帆船設計有關,另一種與航行的操縱運作有關。雖然長久以來,模擬器一直被用來設計帆船,但操縱船隻始終是由真人完成。AI並沒有真的在比賽中操縱駕駛帆船(比賽仍規定帆船必須由真人駕駛),但AI加快了創新流程,改進帆船設計與航行操縱之間的協調。結合了模擬帆船與AI帆船手的完整體系,讓這兩種決策都能改善。
為何系統改變需要時間 新技術對系統的影響,可能需要一段時間才會明白顯現出來。新技術出現時,最一開始的應用很狹隘。例如,電力問世並取代蒸汽動力時,企業只會在不易取水製造蒸汽的地方使用電力。愛迪生發明電燈的20年後,僅3%的美國企業使用電力。同樣地,企業開始使用電腦數十年之後的1987年,經濟學家羅伯.梭羅(Robert Solow)指出:「到處都可以看到電腦時代的蹤影,就只有生產力的統計數據裡看不到。」當時電腦的運算潛力顯而易見,但其影響卻依然很小。
“愛迪生發明電燈20年後,僅3%的美國企業使用電力。
同樣的事情也發生在AI上。新的AI技術雖然有一些另類的品牌推廣,但基本上是統計數字的進步。那些新技術讓人們可以預測更多面向的結果,而且這麼做可以善用原本可能缺乏利用的數據。它們最初的應用,主要是在可以立即顯現成果的地方:AI可做出比人類更好、更便宜的預測。
AI早期應用的一個不錯的例子,是翻譯軟體,能根據真人如何翻譯以前的文本,來預測我們如何把某些文字從一種語言,翻譯成另一種語言。用AI來為醫學影像做分類,是另一個AI的早期應用,它預測專業放射科醫師會說掃描影像顯示了什麼。這兩種應用都善用了群體智慧,而群體智慧的預測往往比單一個人的預測準確許多。這類應用可能有龐大的商業價值。以加拿大公司Verafin為例,它被納斯達克(Nasdaq)以27.5億美元的價格收購。為什麼?因為數百家金融機構用Verafin那項可以辨識金融詐騙的AI技術,取代了原本執行這項功能的資安團隊。
這些新的應用可能會促成一些重要的進步,但很難推動轉型改變。它們相當輕易地融入既有的事業中,恰好取代了傳統上負責做這些預測的真人。但在其他方面,事業本身並沒有變化。
不過,我們在思考電力與電腦運算的影響時,想的不是狹隘的應用,而是轉型改變。多虧電力的發明,工廠不再需要設在靠近水的地方,也不必建好幾個樓層來優化蒸汽的使用。工廠可以設在遠離水源的地方,並全部分布在同一樓層,讓新型的量產系統可以運作。電腦也有相同的影響,它們原本是受到讚譽的運算機器,演變發展成為史帝夫.賈伯斯(Steve Jobs)所謂的「人類心智的腳踏車」,而不是取代人類的心智大腦。
這才是美洲杯帆船賽真正帶來的啟發。阿聯酋紐西蘭隊沒有把真人從流程中抽離出來。沒錯,你有可能想像出一個全自動解決方案,它可以做出每項決策,但這種做法必定很罕見。AI預測可提供資訊,用來改善決策,而決策是由人來做的。有趣的是,在AI的成效方面,關鍵較不在於那些機器是否做了比較多的工作,而在於誰是做決策的最佳人選。
AI如何改變決策方式
蘋果公司(Apple)掀起智慧型手機革命時,沒有人認為計程車業就此完蛋了。但共乘服務之所以可能,是因為連上網際網路的手機讓人可以透過app叫車,並以較低的成本取得導航資訊。例如,在倫敦,計程車司機需要花三到四年,才能熟悉倫敦的所有街道與最佳路線。如今,智慧型手機上的AI讓任何人都可以考量交通狀況,以預測最佳路線。如果沒有智慧型手機,計程車業可能依然蓬勃發展。
多數決策需要決策者具備兩個條件:能夠預測某項決策的可能結果,以及判斷力。預測主要是根據數據做出的(以可使用的路線與交通狀況來看,這趟行程可能需要花多久時間?)。基本上,判斷則是要主觀地評估不容易簡化為數據的背景因素。(這位顧客喜歡快速抵達,還是喜歡走風景優美的路線?)
計程車司機擁有這兩項技能。一般駕駛人則是能力比較有限,可以評估乘客的喜好(判斷),但比較不擅長選擇路線駕駛(預測)。不過,把一般駕駛人和導航軟體搭配在一起,就可以媲美計程車司機了。再加上一個不需要里程表的平台、一種付款方法,以及一套中央調度機制來分派駕駛人去執行載客要求,這樣一來,任何可使用該平台的駕駛人都可以提供載客服務。
這些平台與其AI有兩個重要的效應。第一,現在有遠為更多的人可以參與做出乘車決策;第二,駕駛人對決策的控制減少了。共乘平台可以配對司機與乘客,並找出最佳路線,因此駕駛人只要專注提供舒適愉快的乘車服務,以滿足指派給他們的顧客就好。這兩種效應削弱了傳統計程車司機的力量,也推動了計程車業的轉型。
在某些情況下,AI只是把決策集中在一起,而沒有改變誰握有掌控權。以人才聘雇流程為例,在大多數的大型組織中,聘雇是由人力資源部負責。傳統上,聘雇作業會有許多人資人員參與,他們做出很多小決定,尤其是在篩選應徵者方面的決定,這可能需要一組人員翻閱數百份履歷,以找出有潛力的應徵者來面試。如今有了AI,一名人資高階主管就可以決定,要以什麼標準來決定找誰來面試。基本流程與關鍵決策者維持不變,但需要的人員減少了。
在其他情況下,AI徹底集中決策,完全改變了決策的方式與地點。信用卡驗證就是一個很好的例子。在推出自動驗證信用卡的連線裝置以前,商家是自行判斷要不要接受某人刷卡。如果商家懷疑有欺詐行為(例如某人的簽名與卡上的簽名不符,或顧客沒有證明其身分的證件),商家可以拒絕讓顧客刷卡購物。商家也可以輕易接受一般顧客刷卡。但後來系統把這個流程自動化了——最初背後的驅動力量是系統有了粗略的數據庫查核,現在則是由AI預測來驅動。刷卡購物是根據一小組人(很可能是一個委員會)制定的規則來核准消費,那組人員制定了風險參數,把這些參數嵌入運作驗證裝置的程式中。
還有一些情況是,導入AI不僅使決策掌握在既有的決策者手中,也使他們(比較分散)的判斷變得更重要。AI在醫學影像上的運用,就是一個很好的例子。
根據診斷做治療決定,一直是由患者的醫生負責。但在AI預測出現以前,醫生常會請專業的放射科醫師協助。放射科醫師會進行磁振造影(MRI)、超音波或X光等醫學成像程序,並運用自身的判斷來做出診斷。實際上,醫生需要放射科專家的決定,才能做出治療決定。以AI診斷取代放射科醫師的判斷後,接下來治療決定只需要患者醫生的判斷。因此,患者的醫生變得更重要,權力更大;放射科醫師則變得沒那麼重要了。
上述所有的例子中,AI的應用改變了決策的方式與決策的人。但是,把AI導入你公司的決策過程,不僅影響到你而已,也會影響到你在價值鏈中的合作伙伴與你所在的生態系統。對你有效的做法,可能會給他們帶來問題。接著我們來看這是怎麼發生的。
把AI導入你公司的決策過程,不僅影響到你而已,也會影響到你在價值鏈中的合作伙伴與你所在的生態系統。
AI如何轉移不確定性
想像一下,你經營一家餐廳,顧客進門點餐,接著廚師開始烹煮。在任何時點,廚師能做什麼菜,都會受到限制,這取決於廚師的廚藝、顧客的點餐總數、是否有足夠可用的食材與廚具。如果你讓顧客隨意點任何他們愛吃的菜,就會出問題。
因此,你必須設定一份菜單,限制顧客的選擇,以確保你能端出顧客點的東西。從廚房的角度來看,菜單創造了可靠性,避免出乎意料的狀況。每週你都需要根據菜單來訂購食材。如果菜單上有酪梨醬,你就必須要有酪梨。你每週訂購100磅酪梨,有時這個量太多,不得不扔掉過剩的食材。有時100磅不夠用,只能忍痛推掉生意。
假設你採用AI來預測需求(顧客點什麼菜),而且你覺得這樣做確實有幫助。現在有幾週你只訂30磅的酪梨,有幾週則需要訂300磅。你減少了報廢的食材,增加了業績。獲利增加了。
但你的在地供應商已經習慣每週為你進貨100磅的酪梨,現在他因為你而面臨更高的不可預測性。他的其他客戶也使用AI來預測需求,於是需求開始大幅波動。因此,供應商也決定採用AI來預測自己的需求。以前他每週進貨2.5萬磅的酪梨,現在每週的訂單是從5,000磅到5萬磅不等。這個供應商的酪梨來源也需要發展AI,因為它的訂單也開始波動。因此,這種影響會一路延伸到種酪梨的果農,他們必須提前一年或更長的時間來決定作物的種植規模。
這顯示,雖然AI可用來解決一個人面臨的不確定性,但這種效果無法擴散到整個系統裡的決策。根本問題(供給必須配合需求)沒有真正解決。就像把石頭扔進池塘一樣,你自己的AI解決方案會對系統中的其他決策產生漣漪效應。
這為我們帶來一種矛盾的情況。AI的價值來自於,根據原本可能不確定的因素來預測會發生什麼,藉此改善決策。但結果是,你自己的決定對他人來說變得沒那麼可靠。把AI導入價值鏈,意味著價值鏈中的合作伙伴必須更常協調,以吸收那種不確定性。
協調系統以調配工作與資源
餐廳經理除了預測需求以外,也必須做出其他決定,例如菜單上要提供什麼品項。如果AI的漣漪效應導致果農無法供應足夠的酪梨,餐廳就必須改變菜單。但餐廳可能不會這麼做,除非知道酪梨供應不足,而這就需要決策者之間進行協調。這種協調有兩方面:
同步運作。以一個由8名划槳手組成的船隊運作方式為例。有兩件事情決定這個團隊在比賽中的表現:船員是否齊心協力地划船,以及他們如何隨著比賽進行而調整划船的速度,以確保團隊中沒有人會在終點之前耗盡體力。坐在船尾的舵手,對第二件事情來說是必要的,但是對第一件事情來說並非必要。這可能令人訝異,畢竟舵手會高喊「划!划!划!」,以協調划槳手維持同樣的划槳步調。但這項任務不需要單獨由某個人來執行,其中一位划槳手就可以兼顧這項任務。其實,沒有舵手的船隊就是這樣出賽的。但若要在比賽中監看策略,以及注意到個別划槳手的狀態(亦即收集並匯總資訊),舵手就非常重要。舵手可以評估是否需要改變團隊的節奏,並據以調整傳達給划槳手的訊息。舵手之所以在場,是因為團隊必須確保大家是同步進行調整的。
分配資源。協調方面的挑戰也涉及一種問題,保羅.米爾格龍(Paul Milgrom)與約翰.羅伯茲(John Roberts)稱之為「分配問題」(assignment problem),而這種情況是指,你必須分配資源給一項活動,但你知道只有某個數量的資源會被使用。分配的資源比那個數量多,就會浪費掉;比那個數量少,就不夠用。以救護車的調度為例。如果某個網路中的所有救護車都收到一則緊急消息,並且各自決定要不要回應,最後可能會出現沒人回應或太多人回應的情況。為了確保只有一個人回應,你需要一名中央調度員,真人或軟體都可以,由他來接聽緊急事件的電話(亦即資訊),接著指派一輛救護車去回應。在這種情況下,派出「錯誤的」救護車(可能距離太遠,或沒有合適的裝備),比沒有派出救護車或派出太多救護車的問題小很多。
舵手與調度員都算是溝通系統,是為了防範因缺乏同步運作或資源配置不當而可能產生的糟糕後果。同樣地,當AI導致出現協調問題時,可能需要新的溝通系統來克服這些問題。組織若能精明地投資在協調上,就可以獲得AI可望產生的效益。
那麼,這種情況下所謂的「精明」是什麼意思?
結合協調與模組化
理想的情況下,系統應該能夠完全透過溝通來協調,就像船隊的舵手與救護車的調度員那樣。但是光靠溝通不見得足夠。餐廳光靠溝通,無法讓整條供應鏈彼此配合,因為供應鏈橫跨數千公里,運作費時好幾個月。若要投資在協調上,不僅成本高得嚇人,也很耗時。
解決方案是什麼?來看亞馬遜(Amazon)的運作。它為全球各地供應數百萬種商品,這涉及採購、倉儲、接單,及配送給顧客。但這個前提是協助顧客釐清自己要買什麼,也就是提供購買建議。亞馬遜面臨的問題,跟上述的餐廳例子一樣,希望能在顧客有購買需求時候,提供顧客想要的東西,但產品不會神奇地出現,因為亞馬遜的供應鏈很複雜。比如,亞馬遜的AI推薦引擎給出預測,顯示應該推薦給顧客的最佳產品可能缺貨。亞馬遜該怎麼做?
我們很容易這樣想:你若是缺貨,就不該推薦給顧客。問題是,你怎麼知道AI的預測是否正確,以及顧客是否真的想要那個東西?如果你只推薦你有現貨的東西,就錯失了學習與成長的機會。
正是基於這個原因,亞馬遜也把缺貨及需要更長時間備貨的商品推薦給顧客。這個決定是經過協調的,因為亞馬遜會先向顧客說明到貨可能延遲。顧客很可能選擇有現貨的產品,但有時他們不會這樣做。接著,亞馬遜會去了解要花多少心力,才能進這些缺貨的商品。
達到這種平衡需要精心設計。亞馬遜是模組化的組織,因而得以把更好的AI預測嵌入建議中,盡量減少這對組織其他部分的影響。但它做的庫存與採購決策,不能完全獨立於AI推薦系統之外,原因正是在於顧客的選擇與反應會產生資訊,而物流部門必須根據那些資訊採取行動。
採用AI,通常會需要一套系統,能在模組化與協調之間拿捏最佳平衡。模組化會把組織某一部分的決策,與AI在其他部分造成的變動(即漣漪效應)分隔開來。模組化降低了系統對可靠性的需求。相對地,協調可以彌補因採用AI所帶來的可靠性不足。成功的AI系統會盡可能促進協調,而在必要時採取模組化。
“採用AI,通常會需要一套能在模組化與協調之間拿捏最佳平衡的系統。
創造更多價值
我們希望現在情況已經很明朗:AI預測技術的前景,很類似當年電力與個人電腦運算的前景。和這兩者一樣,AI是從解決當前的少數幾個問題開始發展,在孤立、有嚴格範圍限制的應用中創造價值。但隨著人們與AI互動,大家會發現一些新機會可以創造解決方案,或者提高效率與生產力。例如,餐廳很可能會更深入地融入自身的供應鏈之中,或許菜單上的菜色會變得更有彈性。隨著這些機會的實現,也會帶來新的挑戰,而這又會提供更多的機會。因此,隨著AI在供應鏈與生態系統中擴散應用,我們會發現,我們認為理所當然的所有流程與做法都正在轉型改變,而且這轉變不是AI技術本身造成的,而是運用這項技術的人發揮創意造成的。
文章來源:《哈佛商業評論》12月號