为了面向下一阶段 AI 发展做好准备，领导者必须优先考虑人才输送管道与技术基础设施方面的议题。人工智能（AI）与机器学习已经证明了自身在复杂情况下增强管理者决策水平方面的能力，并借此为生产力提升、人才培养与组织变革推动指明了一条新的探索道路。

智能工具给企业的运营思路带来不小的冲击，但只有在企业的各个层面（由上到下）在设计之初就考虑到 AI 的意义之后，下一场革命才会真正到来——这样的全新运营架构，则被称为智能企业。

与其他重大的管理层革命一样，智能企业浪潮有望在未来几十年内改变组织模式甚至是整个行业。人工智能（AI）与机器学习已经证明了自身在复杂情况下增强管理者决策水平方面的能力，并借此为生产力提升、人才培养与组织变革推动指明了一条新的探索道路。为了面向下一阶段做好充分准备，领导者们需要运用机器智能推进企业决策、聘用合适的人才，并充分意识到 AI 技术的优势与局限性，据此为组织制定发展战略。

理解 AI 的优势

时至今日，相信已经不会有人怀疑人工智能所能成就的非凡功业。事实上，AI 与分析技术已经改变了拥有数百年历史的植物育种技术、推动对于疾病的前沿性研究，甚至在破译部分损毁的古希腊碑文方面也做出了自己的贡献。这些成就的共通之处，在于它们都属于离散的结构化任务。

在具体案例中，AI 与分析技术利用算法吸纳可用数据、识别出其中的模式、模拟潜在结果并基于获得成功的统计可能性选择具体举措或产生结果。以植物育种为例，设计试验能够对一系列决定育种成功或失败的简单步骤中做出分析，并在 1.16 x 1012 种潜在组合中做出最合理的选择。在数据分析的加持之下，这一高度复杂的流程将得到显著的效率提升，并节约下数百万美元研发资金。

而这还仅仅是通过数据分析改善一种流程中单一要素所带来的收益。如果各类组织能够充分利用 AI 技术对现有流程及业务功能进行学习、分析与优化，迸发出的能量必将超出我们的想象。

AI 技术推动领导力提升

企业，特别是业务范围覆盖全球的大型公司，往往拥有复杂的自适应系统。任何个人甚至是管理团队，都不可能充分了解成千上万名员工在组织内建立的一个个单元与职能层面。肩负如此繁重的事务负担，时间自然成了 CEO 们最为稀缺的资源，明智的企业必须采取类似的智能化数据处理流程，通过AI 技术高效跟踪并收集与业务运营相关的各类信息，包括通过自然语言处理算法对内部报告进行摘要与分类，并对外部新闻报道及行业趋势做出分析。

并将 AI 系统推广至下辖各事业部、部门、单位以及群组当中，范围涵盖人力资源、IT、市场营销、财务及运营等层面，保证以增强智能系统为每一位员工提供决策支持、最终实现对业务运营的整体优化。

了解 AI 技术的极限

尽管 AI 系统的创新步伐从未止歇，但还远非全知全能——事实上，人工通用智能仍仅存在于科幻小说当中。当前，战略的选择与执行依旧需要由人类 CEO 及高管团队负责。但是，机器与 AI 系统强大的数据呈现能力确实给领导者们带来了更广泛的审视角度与选择范围，并在结合现实场景与预期目标的平衡点方面有着不可估量的价值。

经验丰富的 CEO 们能够发现机器漏掉的无形因素，而人工智能工具则善于监控结果并评估策略能否产生预期的效果。CEO 们绝不可能在做出决策后就放手不管，一旦发现决策失误，快速调整路线无疑非常重要。在整个决策实施与结果审查周期当中，AI 系统都将帮助领导者持续更新组织目标，并在必要时果断放弃原有计划。

AI 技术的作用是对企业战略加以监督与约束。AI 会持续自动评估“计划是否发挥了预期效果”、“预期与愿景是否合理”等问题。此外，AI 还能提出替代方案，包括如果企业继续朝着当前或者其他方向发展，会产生怎样的影响等。明智的企业需要向 AI 系统提供关于组织目标的清晰信息，同时设定合理目标（例如聘请新员工以完成下阶段工作任务）并跟踪目标的进度及实施效果，保证各个业务部门都能与企业的总体战略保持一致。

AI技术与ML技术的运用

随着计算机性能的增强、数据存储成本的下降、云计算的全面普及等三大主要进步的实现，AI 与机器学习已经从纯技术理论迅速发展为主流实践方案。在 AWS 等先驱厂商的云服务加持之下，如今的 AI 与机器学习，几乎各个行业（金融、零售、农业、医疗保健、制造业等等）都有机会享受到机器学习的最新进展。

达美乐披萨目前正在使用 Amazon Personalize 预测购买行为，而后通过数字渠道（包括大受欢迎的移动端应用）向客户提供个性化促销信息与通告。

Intuit则使用 ML 驱动型预测功能，预估特定日期或时间段内的呼叫中心来电需求，借此保证在线客服充足可用。

在医疗保健领域，全球规模最大的上市医疗 IT 厂商，Cerner公司使用 Amazon SageMaker 构建起一套解决方案，在实际临床表现出现的 15 个月之前抢先预防充血性心力衰竭。

美国橄榄球联盟NFL使用其历史数据（例如过往赛季数据）开发出一组下一代数据统计与 ML 模型。

这些例子确实振奋人心。但对于经验不足的企业，他们在采用 ML 的过程中，可能面临哪些常见挑战？

对企业来说，采用机器学习的头号难题往往与数据有关。如果没有数据策略，企业雇用的 ML 科学家将不得不耗费大量时间处理数据管理与清洗方面的工作；更糟糕的是，由于缺乏解决重大问题的资源，他们可能被困在原地、逐渐陷入沮丧与消极。为此，企业需要指派 IT 团队打破现有数据孤岛，以安全且合规的方式收集正确数据。

第二项挑战在于，我们该如何迈出第一步。虽然每家企业都能在机器学习中找到适合自己的改善机会，但也有相当一部分业务问题没办法靠机器学习解决。为此，AWS创建了机器学习解决方案实验室，旨在与客户并肩工作、倾听他们的业务问题、确定他们最具价值的 ML 应用场景，并协助、指导他们的具体实施工作。

第三大挑战在于技能短缺。需要再次强调，人工智能的快速增长导致数据科学家与机器学习专家处于严重短缺状态。企业可能无法雇用到自己需要的全部数据科学家，因此不妨专注于对现有员工的培养，同时辅以对外部人才的聘用。

第四大挑战，主要体现为不少企业误以为自己需要从零开始构建所有解决方案。相反，AWS 等云平台能够提供完善的数据访问与机器学习模型开发、测试及部署类工具/基础设施。在这些工具及服务的支持之下，您可以专注于打造与业务独特性相关的增值贡献，借此真正将 ML 转化为提高业务效率的力量。

因此，企业采取机器学习需要一种文化层面的转变，而这种转变需要从高层开始，自上而下进行推动。作为领导者，最重要的一点就是向企业阐明机器学习的优先级，并鼓励团队成员不断探索如何使用机器学习更好地解决业务问题。同样的，相当一部分业务问题无法通过机器学习获得最优解。总之，明确且持续地跟进这一问题，将成为决定 ML 项目成败的关键。

智能企业代表着一种为全部可能性做好准备的系统，无论是否需要推进整体改革，面对复杂的市场环境，能够笑到最后的永远是那些适应能力最强的企业。

当下，无数企业正积极投资 AI 项目。但要实现最终战略目标，组织必须进一步扩大视野，而不仅仅将 AI 系统视为适用于特定任务范畴的增强智能工具。

为了将这种广阔的视野转化为现实，领导者需要高度重视人才输送管道与技术基础设施的建设，并一步步迈向智能企业这一全新愿景。