能力加成：人类的能力如何增强 AI 的商业影响力？

引言：关于 AI，你相信天花乱坠的宣传吗？

关于 AI 的宣传天花乱坠，是否有真实的商业机遇能够证明所有这些宣传所言不虚？Thoughtworks AI 专家表示，答案是肯定的，但有几点需要注意。

对 AI 知识的渴求

来源: Deutsche Bank, Google Trends

“太多人把关注点放在了 ChatGPT 上，但 ChatGPT 只是冰山一角而已，”Thoughtworks 总监级咨询顾问 Barton Friedland 表示，“业界早就具备这种能力。不同之处在于，现在我们可以将 AI 本身作为交互界面，因此如果要针对欺诈检测、动态定价或供应链管理等功能开发一个系统，你可以直接告诉系统你想要什么，系统就会理解你的需求并产生预期结果，而不必你去逐步创建解决方案。我们与计算机的交互会更加顺畅，因为我们现在有更多的模式选择。”

“AI 已经达到一定的成熟水平，对于每个人来说，AI 的潜力变得越来越显而易见，越来越具体了，”Thoughtworks 总监级顾问 Ossi Syd 指出，“我们发现，越来越多的企业开始理解 AI 对于他们而言可能意味着什么，以及如何利用 AI 解决问题，由此带来的机遇也会越来越多。”

“企业只有采取审慎的 AI 方法，并破除自己对 AI 的某些误解，才能通过这种转变获得真正的好处。

例如，一种常见的误解是认为 AI 需要海量“干净”的历史数据，但事实并不一定是这样。Thoughtworks AI 与数据实践总监 David Colls 表示，“数据依然发挥着重要作用，但已发生一些重大转变。”

“仅通过审视历史数据无法驱动AI的创意性战略应用，还必须融合来自现实世界或集体想象的新数据，”他说，“另一方面，使用 AI 服务和基础模型可为企业提取大量未经分类的外部数据。这些数据虽然来自外部，但仍需要妥善管理，只有运用专业知识加以利用，才能发挥出可持续的优势。确切地说，需要重新审视 AI 是如何与数据联系在一起的。”  

与之类似，对于企业纷纷聘用数据科学家的这股热潮，Colls 继续说道，“最好将需要考虑的 AI 问题都留给专门的 AI 和数据科学专家团队来处理，这是业界存在的另一种误解，也需要重新进行审视。AI 解决方案最终是为人设计的，具有领域和技术专业知识以及人本思维的跨学科团队可以助力企业充分发掘 AI 解决方案的价值。”

Syd 建议企业不要对 AI 应用可能涉及的要求过度恐慌，也不要期待立即获得回报。他解释道：“人们以为 AI 的集成和技术改造是一大飞跃，需要大量的前期投资才能产生结果，但其实，企业转型和采用 AI本质上是一个渐进的过程。以前，对于数字转型也存在同样的看法。” 

企业及其员工也不必担心高级生成式 AI 模型会淘汰一些岗位。“曾有一段时间，人们认为端到端自动化是可行的，但许多事件表明，这种方法并不是多么灵活，”Colls 说道，“不一定会大规模淘汰很多岗位，但普通工作会变得更简单。人们的职责会变成设定总体目标，处理与正常参数的偏差，运用创造性思维和问题解决能力来应对各种情况。”

Friedman 补充说，“不一定要相信那些天花乱坠的宣传，只要重新调整策略，考虑这种技术上的革新”，就能取得最好的结果。“技术只有在增强企业特色、减少阻碍、促进发展时，才会真正发挥作用。” 

1. 为什么现在 AI 策略关乎每一个人？

既然几乎每个行业都会受到 AI 的影响，那么对于各个企业，将 AI 纳入更广泛的愿景就变得至关重要。

“任何企业只要关注未来十年如何保持市场份额和竞争力，就需要提高警惕，采取行动，”Friedland 表示，“如果不这样做，当前的工作模式就会失去效力，企业也可能跟不上产品和市场本身的变化。”

Syd 解释说：“这种紧迫感源于这样一种事实，那就是在未来几年，所有软件，包括仓库管理和价格规划等普通用例，都将接入 AI，显著提高自动化水平，同时为人类活动提供助力。在这样的世界里，投资非 AI 软件就没有意义了，因为其成本几乎和 AI 嵌入式软件一样高，却达不到 AI 嵌入式软件同样的投资回报率和效率。” 

有效的 AI 策略需要满足什么条件？首先，它要以对 AI 的理解为基础，将 AI 理解为一种可以嵌入任何应用程序、流程或潜在解决方案的方法，而不是一种特定工具。“AI 策略是众多范式的集合，这些范式适合不同的背景，可以解决不同类型的问题，”Syd 表示，“说到底，应将 AI 能力视为产生商业价值所需的一种核心要素或资产。”

将 AI 嵌入业务之中，这种能力将逐渐成为企业的一项关键优势。Colls 指出，“AI 技术，尤其是像信用卡刷卡服务那样的 AI 技术，你的竞争对手也会采用。企业内部构建的定制解决方案，很大程度上也会基于开源。企业独特的竞争优势不一定在于能够自行构建或实施解决方案，而在于用最有效的方式将解决方案整合至企业的流程和产品之中。

其次，AI 策略应与业务保持深度一致，而不完全由技术主导。

“很多企业从概念验证开始，这类实践往往由于无法扩展而无法在‘实验室外’实施，”Syd 解释道，“企业应该从一开始就考虑如何将成功的概念验证扩展，并嵌入业务之中，这样概念验证就不会永远停留在理念阶段或内部实验阶段。”

将这些力量汇聚到一起需要高管层的大力支持，因此相应地可能需要对他们进行一定程度的宣讲。

Friedman 指出，“董事会成员通常会面临双重压力，一方面要求采用新技术，另一方面要求保证公司不冒灾难性风险，然而他们甚至都不知道相应技术会怎样发挥作用。因此，可以向董事会进行情况简报，让他们大概了解他们需要解决什么类别的问题，以及他们需要怎么做才能保持合规。”

越来越多的企业开始设立专门的 AI 领导岗位，以推动各级别对AI的认可和愿景。尽管这样会促进转变，“但企业需要警惕将 AI 归类为一项由特定岗位人员负责的独立策略，”Syd 说，“企业的所有垂直部门都必须紧跟企业的 AI 发展动态，并充分参与其中。”

如果企业的所有部门都参与进来，就会更容易确定具体的流程或产品及其优先级，在人和机器之间重新分配工作，逐渐转向实现重要的业务成果服务。

“企业首先要确定机遇，然后围绕这个机遇制定整体规划，列明重点领域以及不同业务组成部分之间的共同点，这样或许就可以多次应用同样的解决方案或方法，为取得成功做好准备，”Colls 解释道，“理想情况下，企业要与业务利益相关方、跨学科技术团队合作，共同推进 AI 的应用和发展。”

Syd 提醒企业高管注意不要被 AI 的各种理论应用震惊，也不要期待 AI 能从头开始为所有企业创造新的机遇。对于许多企业来说，AI 能改善其现有运营，使企业能够更好地完成他们目前已经能够做到的事情。 

“我的建议是不要被 AI 迷惑，”他说，“你之前一直在运营公司，以前做出的许多优先决策现在依然有效。你提供的服务在很多情况下也和以前一样，只是因为 AI 而变得更自动化，更高效，或更有价值。”

二、能够实现成果的案例

围绕企业的数据资源，会出现一些颇具吸引力的机遇，可以利用 AI 来增强企业能力。在上云的过程中，许多公司会继续疲于应对位于不同系统的数据以及不再适用的各种代码，导致运营和决策更加复杂化。AI 可以帮助汇总数据、识别软件问题，甚至更新程序，有助于公司建立新的联系，同时增强系统弹性。

Friedland 举了芬兰设计公司 Marimekko 的例子。这家公司找到 Thoughtworks，要求 Thoughtworks 帮助他们将向消费者推荐产品的引擎升级。这次升级已经取得了成功，现在平均每个用户给该公司带来的收益提高了 24%，但是嵌入 AI 后可能会进一步提高引擎的能力。

“推荐过程有成功，也有失败；为此，可以使用 AI 来处理辅助数据，突出产品系列存在的差距，所以 AI 不仅可以用来提高销量，还可以用来开发产品，”Friedland 说道，“这是一种非常重要的 AI 应用方式。企业对 AI 进行重大投资时，不妨彻底思考一下整个价值链，看看可以如何延续数据的生命周期，创造更多价值？”

采用基于 AI 的方法编写程序，减少人力，迅速、持续地提供所需信息，保持综合运营，这类做法也越来越可行。 

“所有这一切需要的就是在情况发生变化时，重新训练模型，或融合新数据，”Friedland 说，“仍然需要程序员来采取更先进的方法构建图形用户界面，创建程序，输入数据。但 AI 解决了一个关键问题，它可以用非常低的成本更改经过验证的程序。这样一来，系统连接更为紧密，而且能够快速实施系统变更，这两个方面都可以推动企业更高效地跟上变革的步伐。”  

“一般来说，当前与软件有关的一切都会受到 AI 的影响，”Syd 赞同道，“以前，无论企业需要解决什么样的业务问题，都会用到软件工具，也确实用软件工具提高了人员的效率。现在，可以采用 AI 让企业提高自动化水平，提高人员的效率，而且比以前任何软件做得都好。”

另一个相关案例是一家航空公司客户，Thoughtworks 与其设施管理层和停机专家合作，开发了一个模型，用以优化为抵达机场的飞机进行的空间分配，可以综合考虑众多复杂因素，以人工无法完成的程度制定和调整计划。自从采用该模型后，与航班相关的机场延误情况降低了 60%。 

Thoughtworks 在将生成式 AI 解决方案纳入生产环境方面经验丰富，见证了这些方案在超越预期，提升效率方面的潜力。

“AI 还可以帮助激发创意，改进产品和服务设计，或了解策略选择，这同样有价值，甚至更有价值，”Colls 指出，“要超越单纯的生产率思维，研究 AI 工具如何支持创造性发现，机会有很多。”

AI 已经用于创建新模式或将领域专业知识引入开发层面，明显带来了很多机会。我们有一个客户是世界领先的零食制造商。这家公司让 AI 负责菜谱创作过程中的某一部分工作，以前这些工作非常复杂，存在数据采集困难、缺乏相关技能、口味不一致等问题。公司让产品专业人员采用 AI，从而能够极为迅速地制作高质量菜谱。AI 并不是单独工作，而是为技能娴熟的团队提供辅助，由团队负责提供指导和反馈，进而改善结果。 

这家公司的系统将新产品的开发步骤从 150 步减少到了仅需 15 步。“这真的意义重大，因为如果企业可以那么快地生产高质量产品，可能就会改变产品的营销和销售方式，可以开发出更多的限量版产品，让消费者更欣喜地尝试新体验，从而对品牌更感兴趣，与品牌建立更紧密的联系，”Friedland 表示，“这完全颠覆了当下的商业模式。” 

AI 的最新迭代版本甚至有着更为深远的战略影响，它可以在决策过程中，纳入更广泛的观点和因素，包括那些通常可能会被边缘化的观点。。

“如果企业高管层正在制定决策，可能他们中间有很多人会代表各种截然不同的观点或利益，很可能会从自己的角度看待问题，”Friedland 解释道，“但要制定出更明智的决策，我们真的需要理解各种不同的顾虑，明确这些顾虑之间的联系。人脑在这方面能力有限，但是如果用计算机创建一个镜像，对人们做出的各种假设进行建模，比如考虑员工等群体有何需求，财务团队有何需求，营销团队有何目标和期望，再考虑可持续性等因素，就会建立全新的联系，形成新的看法。”  

三、准则与规范

兴奋之余，还必须承认，AI 的发展会给企业带来新的挑战。

利用 AI 追求提高生产率的同时，“企业还要注意质量，而质量会很难评估，”Colls 提醒道，“AI 的采用情况取决于企业的容错能力。”

Syd 指出，随着各种解决方案越来越精细复杂，越来越频繁深入地融入软件、产品、日常运营之中，“这类解决方案可能会让人们更容易犯错或更容易实现恶意目标”。 

研究指出，无论是“深度伪造”的政治领袖和商业巨头视频，还是监控和数据分析中的偏见，类似 AI 事故频发，引发了激烈争议。因此，企业必须采取积极措施，保证 AI 的采用符合道德，并且遵守法律，以避免名誉损失和监管处罚。 

过去十年来，AI 事故频发，争议愈加激烈

来源: Institute for Human-Centered AI, Stanford University, April 2023

然而，我们不能因为潜在事故而因噎废食，停滞不前。对于负责任的技术，其基本原则可以确保相应解决方案遵循公平性、可及性、可持续性等价值观（许多公司已经在践行这些价值观），形成第一道重要防线。换言之，负责任的 AI 是负责任的技术方法的自然延伸。

“当然，多数企业利用 AI 所解决的问题完全与基本人权或隐私问题无关，”Syd 说，“任何情况下，强大的公司文化和严格的道德规范始终是最重要的准则。在 AI 时代，在商业活动中坚持遵守道德、负责任，这样的核心原则依然是必要的，有效的。” 

Colls 指出，企业和交付团队的多样性是另一个主要考虑因素。在开发过程中考虑多方观点，从更广泛的视角评估解决方案的潜在后果，使模型更有可能避免偏见和其他问题。

“道德追求永无止境，企业在不断谋求更好的发展、提升盈利能力时也是如此，”Friedland 指出，“盯紧价值链，提高道德水平，永远不会错。”

负责任的 AI 还意味着，要承认不存在捷径。

Colls 表示，“有些 AI 解决方案并没有经过充分的工程实践，无法可靠地部署到生产环境中，也无法轻易改进。业务或其他领域团队难以接触安全可靠、管理妥善的实验环境，这方面的各种挑战也是一个障碍，导致无法验证大量优秀创意，由此产生的机会成本又是一个问题。” 

Friedland 颇为赞同，他认为“企业必须严谨对待 AI 模型测试，就像严对待任何其他应用程序一样，但事实并不总是如此，因为公司会迫不及待地将产品推向市场。测试驱动的开发方法需要考虑边缘用例，因为企业需要在初期就明确界限，以便降低风险。”

如果仓促采用生成式 AI，代价会很惨痛，已经有公司证明了这一点，比如，针对微软接入的 ChatGPT，谷歌匆忙推出了竞品 Bard，但 Bard 对有些问题给出的回答有缺陷，导致谷歌市值蒸发超出一千亿美元。谷歌承诺会通过更加严谨的测试解决缺陷问题。

为避免出现这类问题，在开发 AI 解决方案时应像开发其他优质产品一样，遵循持续交付原则，通过增量化变更取得进展，如果方案没有产生预期效果，可以通过这种增量化方式轻松撤销变更。 

这样也可以保证模型逐步发展，而不是在推出之始就非常复杂，否则更易出现问题或故障。Colls 说，“这样有助于企业以迭代和渐进的方式逐步完善模型，并充分了解与最初更为简单的案例相比，模型行为的变化。” 

这种情况包括在产品发布后持续评估和改进解决方案（在这个过程中，也可以对 AI 加以有效利用），甚至在必要的情况下将产品下线。

尤其是在 AI 表现变化无常、充满不确定性的情况下，“企业应该设计故障体验，尽可能实现优雅降级，而且确保没有 AI 也可以提供某些体验，”Colls 表示，“这样一来，如果出现意外情况，他们总是可以迅速改变体验。” 

谨慎选择数据来源和应用方式也有助于企业从一开始就将风险降至最低。有时候，这仅仅意味着要学会在适当的时候“叫停”。

“数据安全和隐私是 AI 项目必须考虑的基本因素，所以，无论用什么方法尽可能降低对海量数据（尤其是敏感客户数据）的依赖，都会收获数倍回报，”Colls 解释道，“尽管以数据为中心的方法很有效，但如果数据会带来成本或风险，企业应该批判性地看待这种数据，并思考：‘我们真的需要这种特定数据才能实现那种体验吗？’ 

“越是能从隐私角度明显改善[应用程序]的体验，越能更好地服务客户，”他补充道。

在 AI 解决方案的整个生命周期中，需要牢记一个关键概念，那就是可解释性或可诠释性，从广义上讲，可解释性是指能够识别模型得出输出结果的方式，以及影响该过程的各种因素。Colls 表示，“简单模型往往比复杂模型更容易解释，而复杂模型通常性能更高。” 

要开发一个在性能、透明度、可信度之间达到微妙平衡的模型，一种方法是对不同的性能指标进行加权，给可解释性赋值，或者在可解释性和模型的准确性之间添加一个折中因子。这些指标的权衡取决于用例和情景信息。  

“重要的是了解失败成本，”Syd 指出，“有些情况下，如果人们知道自己在使用 AI，人们是愿意接受的。然而，有些情况下，绝对无法容忍失败；否则，有人可能会因此而丧命。”

“比如说，如果要检测癌症，那就需要保证不漏掉任何真正的癌症病例，”Colls 说，“在金融领域，与欺诈相比，洗钱或违反制裁可能会受到更严厉的惩罚，因为欺诈通常只意味着损失某一笔业务。因此，你可以相应地设定阈值。” 

一般而言，对于内部用例，企业在可解释性指标上可以更加灵活。Colls 指出：“如果借助 AI 模型来给任务确定优先级，可能没有必要向员工解释为什么一项任务排在了第一位，而没有排在第二位。解释一下算法考虑的各种因素可能就足够了。”

在某些情况下，在技术层面上可能难以满足对可解释性的要求。对此，Colls 建议“要提前了解客户对可解释性的期望，以及从监管角度来看需要满足什么要求。”企业还可以探索开发近似模型等工具，用于解释在复杂系统的特定方面的决策原因，即使很难给出一个全面的解释也无妨。

Friedland 表示，“有些问题可以提前解决。例如，在开发过程初期就应已解决道德和安全问题，而不能等到较晚的时候才开始考虑。”

四、利用 AI 引领企业向前发展并保持以人为本

从本质上而言，为了鼓励员工采用 AI，同时确保员工对可能出现的问题保持敏感，并且留出创新空间，企业应该在这三方面之间寻求平衡，而不是等到每个可能出现的道德或安全漏洞爆发之后，再试图进行弥补。

“试图利用技术手段确保 AI 完全没有缺陷，从而解决这个难题，可能会导致错误投资，损失惨重，”Syd 说，“更重要的是提升人们行事时的道德意识。”

利用 ChatGPT 等来自外部的模型会带来知识产权困境，要打破这种困境，有必要制定一些准则。“需要围绕这一点谨慎设定一些治理限制，因为你肯定不想过于依赖外部，也不想冒险，”Colls 表示,“但是在设定这些限制时，需要让团队能够加以执行，这是一种更可持续的方式，可以跟上进度，提高效率。”

Colls 指出，这些限制非但不会抑制创造力，有时甚至会提高创造力，就像车辆方面的法规推动了燃油效率创新一样。

与 AI 相关的大多数挑战不仅与技术有关，同样与人有关，因此，提升用户意识和获得用户的支持是取得进展的主要决定因素。为了降低风险和挫败感，在制定解决方案时，必须考虑解决方案使用者的能力以及解决方案对他们的影响。

Colls 指出，“专家用户可能能够纠正错误，但对于新手用户，我们应该降低问题发生率，因为他们甚至可能发现不了问题。” 

在一定程度上，这涉及摒弃对 AI 应用场景的假设，听取团队意见，了解团队希望如何利用 AI 来辅助他们的工作——毕竟，团队更了解他们自己的工作。 

“在许多公司，参与制定 AI 策略的人很少，”Friedland 说，“这种策略跟变戏法一样突然就出现了，没有人清楚要怎么做。如果企业能在变更过程中培养人才或采用众包方式，让员工参与进来，情况会更好。如果企业征求员工的意见，真正支持他们参与，并予以奖励，员工可能会对提升工作流程效率提出非常不错的建议。”

员工及其所任职的企业也需要确信，无论做什么，有了 AI 的助力，都会创造价值。随着时间的推移，AI 解决方案的成功、重要与否，将取决于其性能和适当的目标进行衡量的结果。

“无论采取什么行动，都要确保 AI 以某种方式推动业务发展，这可能不仅局限于财务方面，而且要做好准备，用数据说话。”Syd 说，“要对你在公司采取的行动做出最终合理性检验，业务目标是基础。”

“企业应向优秀的交付团队提供明确的指标，用以衡量他们的工作与业务策略的契合程度。如果没有这些明确的衡量指标，那么他们构建的产品就无关紧要，而且也无法保障他们朝着正确的方向前进，”Friedland 赞同道，“企业构建产品时，需要能够衡量产品是否会引起客户共鸣，能否达到业务目标，是否会实时收集缺陷反馈。”  

同时，根据设计方式，孤立的一套 AI 指标实际上会引入偏差。“无论企业用什么指标来评估业务成功与否，这些指标对于AI 也同样适用，”Syd 表示。

“跟衡量数字化是一样的，”他补充道，“如果用半人工指标衡量贵企业当前的‘数字化’或‘AI’水平，你可能会被误导，进而可能损害企业发展。关键问题应该是：你的业务取得了发展吗？成功后，关于如何扩大业务规模，你有切实可行的愿景吗？”  

根据企业的实际情况，通常从一开始就必须考虑生产率和客户体验。但是“内部能力指标，例如团队对 AI 潜力的认识，探索、应用或部署 AI 解决方案的难易程度，也是重要指标，可以给与企业信心，让企业相信他们在朝着正确的方向买进，提升客户体验、企业生产率和收入。”Colls 说。

如果企业难以决定是否要迈出这一步或无法证明必要预算的合理性，Thoughtworks 专家建议，不妨将 AI 视为对当前业务变革的增量投资，它要和公司一起发展，而不是作为一项单独的技术驱动举措。 

“到目前为止，你如何对待计算机和软件，你就如何对待 AI，”Syd 说，“问题不在于是否要在业务中使用计算机或软件，而在于如何使用。尽管 AI 有能力掀起更大的变革，但问题依然类似——不在于是否使用，而在于如何使用。”

“请记住，我们现在看到的只是沧海一粟，”Colls 说，“不要让当前的解决方案影响思路，这些解决方案不是一夜之间就出现的。AI 已经很普遍。这段时期很艰难，突然将 AI 纳入用户体验实属险招，但要普及 AI，这依然是漫漫旅程中的一小步。所以，采取任何应对措施时，都应该考虑可持续性，遵循未来的发展轨迹，同时充分利用当前的能力。”

努力推行负责任的 AI，实施更严格的监管，有助于“更好地处理失败，从而把握好时机，赢得成功。”Colls 解释道，“随着复杂模型可信度的提高，人们会获得更大信心，相信这些模型能够按照预期运行，催生众多全新机遇，但由于没有安全性或可预测性保证，目前企业不会追求这些机遇。”

Friedland 指出，AI 对商业的整体影响在于“并不是明确依赖 AI 本身，而是如何借助 AI 的能力来实施并发展各种项目。”他认为，这有可能进一步扩展数据、系统、人类和技术之间的联系，在未来几年彻底改变商业世界。

“如果能够将策略与 AI、数据和工程有效关联起来，将会有助于人们从数据以及日常经历中获得价值，这样一来，人们就会得出更好的创意，优于任何个体的观点，并开发出更高性能的系统，”他表示。