說到推行AI運用，許多公司的執行規模都太小，試探性質太強。據調查，在90％已經進行一些AI投資的公司中，三年來取得商業效益的不到40％，因為小規模運用的成效有限。那麼，那些大力投入AI運用並取得成功的公司，做對了什麼？

關於本文藝術作品／卡羅琳．杜塞特（Carolyn Doucette）的數位修改照片，探究自然界中人的存在。

若請某個人舉例，說出有哪些公司將人工智慧（AI）置於業務核心，你可能會得到一張意料之內的科技巨擘名單：字母公司〔Alphabet（Google）〕、Meta〔臉書（Facebook）〕、亞馬遜（Amazon）、微軟（Microsoft）、騰訊、阿里巴巴。但在其他產業的傳統組織中，許多領導人認為，使用AI來推動自身轉型，超出了公司的能力範圍。這項技術相當新穎，十年前還沒有一家公司採用AI，因此所有在這方面已經很成功的公司，都必須完成相同的基本任務：安排人員負責創建AI；收集所需的數據、網羅人才，以及投入經費進行必要的投資；並且盡可能積極地培養本身的能力。

本文觀念精粹

問題 許多公司只是試驗性應用AI，而不是規畫或編列預算，準備全面部署AI。

原因 這通常是因為沒有分配足夠的資源、能力和時間於AI專案。

解決方案 十分積極採用，加上與策略、營運作最佳的整合，最後將帶來最大的業務價值。

說比做容易？是的。許多組織的AI行動方案都規模太小、試驗性質太濃，而且從來沒有走到能夠增添經濟價值的唯一一步，即大規模地部署AI模型。《麻省理工學院史隆管理評論》（MIT Sloan Management Review）和波士頓顧問集團（Boston Consulting Group）於2019年進行的調查發現，有十分之七的公司表示，本身的AI工作所產生的影響微乎其微，或者根本沒有影響。同一項調查顯示，在90％已經進行一些AI投資的公司中，三年來有獲得商業效益的不到40％。這並不令人驚訝：試行計畫或實驗只能產生有限的成效。

過去幾年我們所作的研究，找出了30家公司和政府機構已全力投入AI（這些組織不見得是以精通技術著稱），並從中獲益。其中許多公司在銀行、零售和消費品等產業中競爭。我們研究這些公司的AI發展歷程之後，確認這30個組織採取了十項行動，因而得以成功採用AI。

你的組織若想從AI獲取可觀的價值，就必須徹底重新思考工作環境中的人機互動方式。你應該聚焦的應用，是能改變員工執行工作的方式，也改變顧客與公司互動方式的應用。你應該考慮在每個關鍵職能和營運作業中，有系統地部署AI，以支持新的流程和數據驅動的決策方式。同樣地，應該要讓AI推動新的產品和服務，以及商業模式的發展。換句話說，最終應該要讓AI技術改造你公司業務的每一個層面。

“你的組織若想從AI獲取可觀的價值，就必須徹底重新思考工作環境中的人機互動方式。

本文列出的十項要務，每一項都會使你的組織更接近轉型；但若要完全轉型，你必須避免片段零星的修補行動，而應該推行所有這十項要務。文中會提出案例，詳細說明一些組織如何取得成功。你的組織可以選擇以不同的方式處理這些要務，或者以不同的順序來處理。

1. 知道你想要達成什麼

具有企圖心的公司很清楚知道為何要應用AI。它們當然希望財務表現更亮麗，但若要確認和發展轉型AI，就需要更明確的目標。一些企業開始使用AI技術來改善流程速度、降低營運成本，或者提高行銷能力。不管你運用AI的原因是什麼，我們都建議要先確定一個妥善定義的總目標，並以這個目標作為你採用AI的指導原則。

2014年，德勤（Deloitte）的審計和鑑證實務部門開始發展專有的AI平台Omnia，當時的指導原則是要改善全球的服務品質。要在那個領域創建一項全球性的工具，並不像將數據轉譯成多種語言那麼簡單。各國用以規範數據的法規，包括隱私標準、審計流程和風險管理，都存在重大的差異。

公司審計的一個重要部分，是以易於分析的格式，來收集財務和營運數據。各公司的數據結構不同，因此提取相關的數據並載入審計平台，可能相當耗時費工。Omnia在一家美國客戶公司試營運，但想讓它成為全球性工具的目標，在一開始就產生幾個獨特的挑戰，例如開發一個能在不同客戶和地區運作的單一數據模型。

德勤的開發人員在創建Omnia之前，就將它設想為全球性的工具，因此能夠專注於把來自不同國家、不同公司的資訊標準化；而這是一項艱鉅的任務，在開發過程的後期會更具挑戰。

2. 與伙伴組成的生態系統合作

建構Omnia需要審計和鑑證實務部門來察看世界各地的新創科技公司，以找到符合德勤需求的解決方案。若沒有那些伙伴，德勤就不得不在內部開發這些技術，而這雖然有可能辦到，成本卻高得多，時程進度也慢得多。公司需要強大的合作伙伴關係，才能在AI方面取得成功。

德勤和加拿大的新創公司Kira Systems合作，後者開發的軟體能從法律文件擷取合約字詞。德勤的審計師以前必須讀完許多合約，用人力執行這項任務，但現在Kira Systems的自然語言處理技術，可以自動辨識和擷取關鍵字詞。另一家伙伴公司Signal AI則建構了一座平台，可分析公開提供的財務數據，以找出客戶業務中的潛在風險因素。德勤的Omnia平台最近新增了「誠信AI」（Trustworthy AI），這個模組是與評估AI模型偏見的話匣子實驗室（Chatterbox Labs）合作開發的。

3. 擅長分析

大多數成功採用AI的組織在迅速推動AI之前，都會慎重執行分析行動方案。任何形式的機器學習，都可能包括其他不是以分析為基礎的技術，例如自主行動、機器人技術和元宇宙，但核心仍然是分析。正因如此，擅長分析對採用AI非常重要。

但「擅長分析」究竟是什麼意思？在本文探討的情況當中，這是指致力使用數據和分析來制定大多數的決策，而這表示必須改變你和顧客往來的方式、將AI嵌入產品和服務，以及用更為自動化和智慧的方式執行許多任務，甚至執行整個商業流程。企業若要運用AI來改造業務，必須日益擁有獨特或專有的數據，因為如果他們所有的競爭對手都有相同的數據，大家都會得到類似的機器學習模型和類似的成果。

希捷科技（Seagate Technology）是全球最大的磁碟機製造商，旗下各工廠裡有大量的感測器數據，並在過去五年廣泛使用這些數據，來改善製造流程的品質和效率。這項工作的一個重點，是將矽晶圓的目視檢查作業和製造矽晶圓的工具都自動化（矽晶圓用於製造磁碟機的磁頭）。整個晶圓的製造過程中，各種不同的工具組會拍下多張顯微鏡圖像。希捷科技在美國明尼蘇達州的工廠使用這些圖像提供的數據，創建一套自動化系統，讓機器直接尋找和分類晶圓的瑕疵。其他的圖像分類模型會偵測監控工具中的失焦電子顯微鏡，以確定是否確實有瑕疵。這些模型在2017年底首次部署啟用，此後希捷設於美國和北愛爾蘭的晶圓工廠日益廣泛使用這些模型，節省了數百萬美元的檢查人力成本和廢料預防成本。目視檢查的準確率在幾年前是50％，現在超過90％。

數據是機器學習成功的基礎，如果缺乏大量的好數據，模型便無法做出準確的預測。可以說，大多數組織擴大AI系統規模面臨的單一最大障礙，是獲取、清理和整合正確的數據。為新的AI行動方案積極尋找新的數據來源也很重要。本文稍後會談這一點。

4. 創建模組化、彈性的IT架構

你會需要一種方法，可在企業的各項應用上輕鬆部署數據、分析和自動化。這方面需要的技術基礎設施，要能夠溝通和理解來自公司內外其他資訊科技（IT）環境的數據。傳統數據中心裡的軟體，通常設計為只能與同一數據中心的軟體溝通。把這套軟體與來自那個基礎設施之外的軟體整合起來，可能耗時又昂貴。

彈性的IT架構會使複雜的流程更容易自動化，例如德勤從法律文件擷取關鍵字詞的流程。如果你不能自行開發這種架構（極少中小企業辦得到），可能就必須和其他公司建立伙伴關係，例如與微軟Azure、亞馬遜網路服務（Amazon Web Services，簡稱AWS）或Google Cloud等公司合作。

第一資本（Capital One）幾十年來一直被公認為分析領域的翹楚，運用分析法來了解消費者的支出型態、降低信用風險，並改善顧客服務。（資訊揭露：本文作者之一的湯瑪斯，一直是第一資本的付費論壇演講人。）2011年，第一資本做了一項策略決策，要重塑和現代化本身的公司文化、營運流程和核心技術基礎設施。這項轉型包括：轉向敏捷模式來交付軟體、建立大型工程組織，以及雇用數千人擔任數位職務。這項轉型也推動公司將數據送上雲端。

第一資本和AWS合作建立本身的雲端架構。但在遷移到雲端之前，第一資本的高階主管必須重新設想銀行業的未來。顧客遷移到數位通路，例如銀行的網站和行動應用程式（app），而這些數位通路產生的數據，遠多於面對面互動的數據，這使第一資本有機會更加了解顧客如何與其互動。轉向雲端具有策略意義，部分原因是這會降低數據儲存的成本。根據美國南加州大學馬歇爾商學院（USC's Marshall School of Business）的數據，1960年儲存10億位元組（GB）數據的成本是200萬美元。1980年代這項成本降到20萬美元，到2000年代初只要7.70美元，而由於雲端儲存的出現，2017年更低到2美分。

第一資本判斷，AWS可以在雲端提供由軟體驅動、可擴大規模、即時可用的數據儲存和運算能力，而且成本遠低於在公司內部儲存數據。AWS也提供創新的新機器學習工具和平台。由第一資本的IT組織為所有這些數據建構和管理基礎設施的解決方案，已不再有意義。相反地，IT組織開始專注於培養軟體和業務能力。今天，第一資本即時分析來自網路和行動交易、自動櫃員機和信用卡交易源源不絕的數據流，以滿足顧客的需求和防止詐騙。到2020年，這家銀行關閉了最後一座數據中心，將所有的應用程式和數據移到AWS雲端。

許多公司的確已經將數據和應用程式移到雲端（或者數據和應用程式原本就起源於雲端）。還沒有這麼做的公司，會更難成為積極的AI採用者。

5. 將AI整合到目前的工作流程中

缺乏彈性的商業流程可能和缺乏彈性的IT架構一樣具有局限性。本文提到的公司不遺餘力地將AI整合到員工和顧客的日常工作流程中。要在你的組織做到這一點，必須確定你的哪些工作流程適合AI的速度和智慧程度，並且盡快開始將AI整合到其中。不要試圖將AI塞進無法從機器的速度和規模獲益的工作流，例如既不包含也不會產生大量數據、沒有一再重複進行，且極少使用的商業流程。

若要進行工作流程整合，需要比第一項任務「知道你想要達成什麼」更具體得多的行動計畫。假設你已經確定要改善顧客服務。但若要將AI整合到目前的顧客服務工作流程中，就必須對這些流程有敏銳的實地了解，而極少最高層主管能有這種知識。然而，生產線員工擁有理想的視角，能夠確定哪些流程可以從AI受益，以及這些流程可以如何具體改善。

美國有些政府機構，便找到一些很適合AI速度和規模的具體任務與工作流程。例如，美國國家航空太空總署（NASA）在應付帳款和應收帳款、IT支出和人力資源方面，啟動試行專案（由於這項人資專案，航太總署86％的人資交易是在沒有人力插手的情況下完成的）。社會安全局（Social Security Administration）在裁定工作上使用AI和機器學習，以處理繁重的案件數量帶來的挑戰，並確保決策的準確性和一致性。在新冠疫情（Covid-19）嚴峻之初，美國退伍軍人事務部（Department of Veterans Affairs）設置AI聊天機器人來回答問題、協助確定確診病例的嚴重程度，並且尋找患者可以入院的地點。國土安全部科學技術局（Department of Homeland Security Science and Technology Directorate）的運輸安全實驗室，正在探索一些方式將AI和機器學習納入運輸安全管理局（TSA）的安檢流程，以改善乘客和行李掃描作業。美國國稅局（Internal Revenue Service）正使用AI測試哪些正式通知的組合，最有可能誘使欠稅的納稅人寄出繳稅支票。

6. 在整個組織中建立解決方案

你的組織已經在內部測試和精通特定工作流程的AI之後，就應該要更積極地在整個組織的各單位裡部署AI。你的目標不應該是為一個流程設計一套演算法模型，而應該是要找到一種統一的方法，可以在整個公司裡複製使用。

克里夫蘭醫學中心（Cleveland Clinic）的企業分析與資訊管理執行總監克里斯．杜諾文（Chris Donovan）表示，這所醫學中心「AI隨處可見」。他的團隊致力推動由員工主導的AI開發和部署工作，也提供由高階主管領導的治理方法。到目前為止，這項工作一直由植根於企業分析、IT和道德部門的跨整體組織實務社群所推動。

與開始積極推動AI轉型的大多數組織一樣，克里夫蘭醫學中心面臨數據和分析方面的巨大挑戰。杜諾文表示，醫院擁有的數據遠比其他產業的組織要少，而且比較不可能是清理過且結構良好的數據。他表示，克里夫蘭醫學中心的數據有品質上的問題、以不理想的方式擷取、輸入方式不同，而且在整個機構裡有不同的定義。即使是血壓等常見的指標，也可以在患者站立、坐著或仰臥時測量（這樣通常會有不同的測量結果），並以各種不同方式記錄。必須了解每種實務做法的數據結構，才能正確解讀血壓的數據。杜諾文的團隊並沒有將每個數據集的數據準備工作，留給醫學中心內部的每個醫療單位去做，而是讓它成為每個AI專案的一部分，並且努力提供有用的數據集給所有的AI專案。

克里夫蘭醫學中心也使用AI來評估人口健康領域的風險。它已在這個領域建立一個預測模型，以協助設定使用稀有資源的優先順序，為最需要的患者提供醫療服務。目前，該中心主要是根據預測風險分數，來決定誰能接到電話通知去看醫生。例如，難以控制病情的糖尿病患者，會獲得高風險分數。這所醫學中心建立另一個模型，來找出有某種疾病罹患風險，但沒有病史或病徵的患者。這個模型用於主動安排患者接受預防性照護。克里夫蘭醫學中心也致力找出生活或工作條件有問題，導致健康受到影響的患者；他們除了需要醫生，也可能需要社會工作者的協助或一張公車票去看醫生。

7. 創建AI治理和領導結構

安排某個人負責決定如何在整個組織部署AI，會使轉型更為容易。最優秀的領導人知道，整體而言AI能做什麼、能為他們的公司做什麼，以及可能會對策略、商業模式、流程和人員有什麼含意。但領導人面臨的最大挑戰，是建立一種文化，強調依據數據做成決策和採取行動，以及引導員工對AI改善業務的潛力充滿熱忱。若缺少這種文化，即使組織中零星散布著一些AI擁護者，他們也無法取得建構出色應用所需的資源，無法聘雇到優秀的人才。而且即使建構了AI應用，企業也無法有效地運用。

“領導人面臨的最大挑戰，是建立一種文化，強調依據數據做成決策和採取行動，以及對AI改造業務的潛力充滿熱忱。

什麼樣的領導人可以培養正確的文化？首先，由熟悉IT的執行長或其他長字輩主管來領導AI行動方案，會有幫助。雖然沒有技術背景的人也可以在你的公司領導AI工作，但那個人必須很快地學習很多東西。其次，領導人多管齊下開展工作很重要。他或她選擇加入的具體計畫會因組織而異，但資深高階主管的參與特別重要，有助於表達出對技術的興趣、建立由數據驅動決策的文化、促進整個企業的創新，以及激勵員工採用新技能等等。第三，領導人掌握財務資源的權力。探索、開發和部署AI的費用很高。領導人必須投資或說服其他人投資足夠的經費，讓所有的層級都能採用。

有一個專門負責AI的領導人當然有幫助，但終究來說，對這項工作的投入必須深入到組織之中。如果上層、中層主管，甚至第一線經理人只是口頭支持要用AI來轉型，事情的進展就會相當緩慢，組織很可能會故態復萌。我們曾看到一些高度投入的領導人，以多項行動方案建立起聚焦於AI的公司。可是他們的接班人不相信這種做法，因此不再那麼關注AI。

8. 發展卓越中心並配置適當人員

大多數AI和分析主管仍然得花很多時間，向其他經理人宣導這種技術的價值和目的。所有事業單位的決策者都應該確保AI專案獲得足夠的經費和時間，也應該在自己的工作上實施AI。重要的是，要教育那個群體了解AI如何運作、何時適用，以及大幅投入AI要做些什麼。對絕大多數公司來說，這種技能提升和再培訓工作仍然處於早期階段，而且不是每位員工都需要接受AI的培訓。但有些公司顯然這麼做了，而且可能做得愈多愈好。本文提到的每家公司都曉得，經營要成功，就需要AI、數據工程和數據科學等方面大量的人才與培訓。

“所有事業單位的決策者都應該確保AI專案獲得足夠的經費和時間，也應該在自己的工作上實施AI。

2009年，星展銀行（DBS Bank）聘用高博德（Piyush Gupta）擔任執行長時，是新加坡顧客服務評等最低的銀行。高博德大力投資於AI實驗，在過去幾年內，每年投入約3億美元，並給予事業單位和職能部門一些彈性去聘雇數據科學家，觀察他們能夠達成什麼。這家銀行的人資主管沒有技術背景，卻設立一個小型的工作小組，以確認和試運行各種AI應用，包括AI招募系統Jobs Intelligence Maestro（JIM），這套模型用於預測人員的流失，並協助該銀行招募條件最符合的員工。今天在星展銀行工作的1,000名數據科學家和數據工程師中，有許多人是透過這套JIM系統聘雇的。

高博德表示，星展銀行現在的工程師人數是銀行業務人員的兩倍。那些工程師投入區塊鏈和資產支持代幣等新興技術，以及各種AI專案。而且這家銀行的文化已大幅改善。從2018到2021年的四年間，《歐洲貨幣》（Euromoney）雜誌年年評選星展銀行為全球最佳銀行，而且它的資本狀況和信用評等目前在亞太地區名列前茅。2019年，《哈佛商業評論》評選全球表現最佳執行長的排行榜上，高博德位列第89名。

9. 持續投資

選擇積極採用AI，並不是領導人輕易做出的決定。這項行動將在未來數十年對公司造成很大的影響，大型企業最後可能需要投入數億或數十億美元。我們研究的每一家成功採用AI的公司都告訴我們，這是在整個企業層級中致力大幅採用AI所需的成本。組織起初可能會覺得，像這樣大規模投注資源相當嚇人。但我們調查的AI驅動公司，在看到自身從早期的專案獲得的效益之後，發現投注經費在AI導向的數據、技術和人員上要容易得多。

例如，CCC智慧解決方案（CCC Intelligent Solutions）已經每年支出超過1億美元在AI和數據上，並且預期會繼續這麼做。（資訊揭露：湯瑪斯一直是CCC的付費論壇演講人。）這家公司成立於1980年，原名是認證抵押公司（Certified Collateral Corporation），經營的業務是提供汽車估價資訊給保險公司。

如果你曾發生車禍，需要大修，可能那時曾受益於CCC的數據、生態系統，以及以AI為基礎的決策。四十多年來，CCC已經演變發展為收集和管理愈來愈多的數據、和汽車保險業的各方建立愈來愈多的關係，並且根據數據、分析，最後則是根據AI，做出愈來愈多的決策。在過去的23年裡，這家公司一直由曾任技術長的吉塞希．拉瑪默西（Githesh Ramamurthy）領導。CCC成長穩健，年營收接近7億美元。

CCC的機器學習模型是根據以下資料建立的：價值超過一兆美元的歷史索賠資料、數十億張歷史圖像，以及汽車零組件、維修廠、碰撞損壞和法規等其他數據。它也透過車載遠程通訊技術和感測器，收集了超過500億英里的歷史數據。它提供數據給一個廣泛的生態系統，其中包括約300家保險公司、26,000家維修廠、3,500家零組件供應商，以及所有的主要汽車原廠設備製造商，而且它提供的決策也愈來愈多。CCC的目標是連接這些各式各樣的組織，形成一個密接無縫的生態系統，以快速處理索賠申請。所有這些交易目前都在雲端上處理，CCC是在2003年把各種系統移到雲端。它們連接3萬家公司和50萬名個人用戶，處理價值達1,000億美元的商業交易。可以想像，已經花了不少錢和時間才能做到這個程度。

10. 時時尋求新的數據來源

對大公司來說，收集數據通常不成問題，但AI策略在很大的程度上是由可以收集到的任何數據所驅動的。能有更多的數據，不錯。能有更準確的數據，很棒。可以立即用於AI模型的更準確、結構化數據，很理想。德勤的AI發展歷程裡最具挑戰性的部分，可能就是整合來自客戶的系統裡的數據。第一資本一直擁有強大的數據，但需要設法在彈性的IT架構中儲存和使用那些數據。CCC用自身的第一個商業模式來累積數據，因此為轉向以AI為基礎的模式做好準備。但是當CCC學會使用五年前還不存在的大量數據庫時，才鞏固了從數據導向業務過渡成為AI導向業務的過程。

談到數據時，不要以為數據只是文字和數字。對CCC來說，車輛的圖像是可以應用於幾個關鍵流程的數據。CCC歷年來累積了數十億張圖像，但那些是由車輛損壞現場的保險理賠理算師或維修廠商拍攝的照片。這些照片需要配備特殊顯示卡的專業相機來儲存和發送。

2012年左右，CCC的高階主管注意到業餘相機的性能正在迅速改良，並且被納入智慧型手機之中。他們設想的未來是：受損車輛的車主可以自行拍照，並從手機直接發送照片，來估計保險理賠金額。高階主管預期，在不需要專業攝影師和相機的情況下，這個流程會更快，而且更具成本效益。他們找來頂尖大學的幾位教授探討這種能力。在此同時，CCC的高階主管開始研究一種新的AI圖像分析方法，稱為深度學習神經網路，只要有足夠的訓練數據，有時候這種方法的成效可與人力分析相當，甚至更高。

CCC網羅了一群才華洋溢的數據科學家，他們學會如何將照片對應到各種車輛的結構上，以及註釋或標記照片以供訓練之用。到2021年的年中，這套系統已經準備好可以部署，美國聯合服務汽車協會（USAA）成為它的首批顧客之一。更多的數據、更好的模型、更多的業務和更多的數據所形成的良性循環，使得CCC的智慧型手機圖像應用功能強大。新的數據會繼續流進該公司，用於改善估算預測和其他的功能。這有助於CCC的客戶做出更好的決策，很可能因此為CCC帶來更多的業務和數據。

全力投入

我們相信，最積極採用AI、AI與策略和營運整合得最好、執行最佳的公司，將獲得最大的商業價值。了解居於領先地位的採用者正在做什麼事，可協助其他公司嘗試評估運用AI技術推動事業轉型的潛力。你的組織可以採取本文所述的十項行動，朝相同方向邁進。

我們也相信，策略性地大規模應用AI，攸關未來幾乎每一家企業的經營成敗。數據正在快速增加，這情況不會改變。AI是大規模理解數據，並確保在整個組織做出明智決策的方法。這一點也不會改變。AI將繼續存在。積極應用AI的公司，未來數十年將稱霸本身所屬的產業。

文章來源：哈佛商業評論 2023/1月號