重磅！深入解读埃森哲AI报告，企业拥抱AI的8大致胜策略

posuide

在《人工智能，产业利润提升加速器-埃森哲AI报告中文解读-上篇 | 亿欧智库》当中，笔者对埃森哲人工智能报告“人工智能如何增加产业利益并推动创新” （以下简称报告）进行了报告亮点、主要结论和主要具体内容的梳理和解读。简要回顾如下：

埃森哲此次报告，基于对12个发达国家经济体和16个不同类型产业的研究，对2035年人工智能稳定发展可能带来的经济增量和利润提升进行了量化的描述（包括国家层面和产业层面），并分析了人工智能提升产业利润的三大途径（智能自动化、人工及资本的增强，以及激发创新）和企业可以采取的八种跨产业通用的人工智能致胜策略。

此次文章下篇，笔者将从企业实用、研究模型和研究意义三个角度对埃森哲报告继续进行解读。

企业实用角度——八大人工智能致胜策略：

笔者在文章上篇对企业可以采取的八种跨产业通用的人工智能致胜策略仅仅做了罗列说明，尚未进行详细解读，本文将首先对这八种企业策略进行详细说明。

Accenture Research认为，企业将有巨大的机会通过应用人工智能技术、开发新的商业能力来实现空前的成长，包括盈利能力和可持续发展能力。作为一个全新的生产要素，人工智能将与传统的资本和劳动力交融，产生全新的挑战，商业领袖也将需要涉足到难以预计的新角色和工作当中。为了使企业能够做好准备，迎接人工智能可能带来的成功机遇，商业领袖或当采纳以下八种人工智能时代的“致胜策略”：

一、人工智能策略和领导力

在很多行业、企业内部，应用人工智能的驱动力往往来自组织的中低层人员——那些年轻的、关注科技进步并充满愿景的数字科技的狂热者。但Accenture Research认为想要真正使企业能够得益于人工智能技术，必须要组织最高层人士的认知和行动。

认知层面：这意味着企业需要让管理层（C-suite）能够对人工智能产生切实的认知，在真正的人工智能机器和应用上花时间进行交互、研究、测试。参观、走访人工智能实验室、创新中心会是一条必经之路——与专家进行深入交流和调研、测试创新的概念想法，甚至开发一些产品原型出来。

行动层面：企业想要在人工智能时代取得商业成功，还必须进行合理的人工智能蓝图规划——如何将人工智能视为一个关键的商业驱动力，整合到公司现有业务体系中以实现增长的规划——这就要求企业领导者/策略制定者能够基于对人工智能的充分理解，将其有效的转化、融合到商业计划中去，来确定企业的关键决策、指导企业进行合理的投资等。

二、从HR（人力资源）到HAIR（人力&人工智能资源）的彻底改造

通过报告和文章上下篇的详细解读，现在我们能够理解，人工智能将成为一种虚拟劳动力，在某些工作中能够像人类同事一样产生贡献和价值。也因此，未来CHRO（首席人力官）的职责，将不仅限于进行人类雇员的管理，也将包括人工智能劳动力的管理。

新的问题的和挑战也将随之产生：公司应当如何重构现行的绩效指标？如何进行劳动力需求在人类和人工智能之间的优化分配？这些问题将使得CHRO在未来的商业策略和创新中承担更加重要的角色。CHRO将需要积累更多的关于人工智能的技术认知，理解此类技术将会如何影响到企业未来的工作；另一方面，HR本身的工作，也需要将人工智能技术进行整合，应用到从招聘到退休的各个环节当中去。

三、通过机器进行学习

为了更完整的释放人工智能的潜力，人类和机器智能必须紧密交织在一起。在劳动力需求方面将会出现超越技术专家的新需求，这些需求将更加看重人类本身的能力——判断、沟通、创新思维等——与智能技术形成有效互补。

人工智能将改变的，不仅仅是人们学习的内容，更在于人类学习的方式。在过去，职业路径通常是一个线性发展的过程（从职场新人到经验丰富的老手），而在人工智能可以取代人类承担枯燥乏味、低附加值的任务之后，职场新人和老员工之间的将会出现一个相较于过去更难以逾越的技能差距（没有了简单工作处理以积累经验、进行学习的过程）。

企业要想适应即将出现的员工培训、学习方式的变化，需要更加关注人类劳动力的成长，尤其是在快速实现技能发展的方面。合理地使用人工智能技术，让机器将老员工的知识、经验能够快速被附能到新员工和整个团队成员身上，让人类劳动力通过机器进行快速学习，或将是一个好的解决方案。

四、任命一个首席数据官（数据供应链）

人工智能技术的能力和表现，直接取决于可用数据的“质”与“量”。Accenture Research在研究过程中发现，绝大多数的企业经理人对于他们的数据分析项目能够带来多大程度的商业产出并不确定，这恰恰也说明了目前企业依然处在数据利用极度不足的情况中。

当然，目前已经有许多大公司开始在管理层（C-suite）中增加了CDO（首席数据官）的席位，Gartner预计在2019年，90%以上的大公司/组织将会拥有CDO的设置。企业经理人们将在未来重点关注数据安全性、规则设定和数据管理，而非仅仅将数据当作供应链来看待。

首席数据（供应链）官将需要设计构建一个综合的、端到端的数据供应链，考虑所有数据相关的事宜，如：如何平衡内外部数据源？每天公司的数据运转和成本如何？在哪里部署企业的数据仓库？公司如何简化数据存储？

五、建立一个开放的人工智能文化

企业文化将需要开始适应人工智能“雇员”的出现，人类和机器将相互合作，相互学习。与其他任何的协作关系一样，企业将需要信任、开放和透明的文化。例如，未来人们可能更愿意将不好的商业表现、错误的产出归咎于机器，而不是去寻找真正的问题所在——无论是人类还是机器的原因——并且去实施改进。就像在人类关系当中，竞争关系或交易关系都需要人们去克服共同障碍以实现共享价值的最大化一样，我们需要明白，帮助机器就是帮助我们自己。

人类对于人工智能在工作安全性、影响薪资、隐私方面的顾虑，同样会影响到公司雇员对人工智能技术的接受态度。企业领导者有责任清楚地向员工解释人工智能协同工作可能带来的对原有雇员的挑战和机遇，并且在企业中构建一种文化和指导方针，来最小化可能面临的挑战，和最大化能够迎来的机遇。

事实上，管理者甚至已经可以开始积极地尝试使用人工智能技术来改进公司文化，例如，人工智能技术现在已经可以通过自然语言处理来探测到员工的情绪压力和倦怠心态，帮助管理者更好的改善公司文化和员工满意度。通过人工智能服务人类的方式，或能让人类员工对人工智能抱有更加开放的心态。

六、比自动化更进一步

自动化是过去一个阶段商业策略中的重要一环，随着人工智能的迅速发展，企业需要再向前迈出一大步，驾驭全新的、动态的、自学习的、自管理的智能机器。

Accenture Research研究认为，人工智能能够激发的利润潜能将远远超过自动化在过去带来的影响。例如，从1993到2007年，经测算传统自动化为发达经济体贡献了0.9-1.3%的经济年增长率，相较而言，未来人工智能将可能在芬兰带来70%的增长率提升，在美国带来50%的增长率提升(Accenture and Frontier Economic analysis , 2016)。

七、将大数据带到云端

在过去几十年中，商业组织已经学会了利用大众的力量（人群数据/用户数据/行为数据等等）来开展创新。云计算的发展大大降低了企业进行大规模快速计算的成本，消解了企业构建内部IT架构的门槛。

企业下一个时期创新的开展，可以有效利用人工智能的计算力来整合处理大数据，来探索新的、甚至是颠覆性的商业机会。目前已经有诸如Google、Amazon等公司的基于云的机器学习平台已经开始运行。

八、人工智能收益的合理测算

基于传统生产要素的资本收益测算中，人力成本的绩效度量是一个关键因素。随着人工智能成为一个全新的生产要素，企业也将需要能够适应新形势的测算模型，来衡量人工智能产生的效益。

不同于传统资产会随时间发生贬值，人工智能资产基于其自学习技术的能力，会随着时间产生增值。这样的资产复合增长效应将使得更早进行人工智能投资的企业能够收获更大的人工智能收益。更进一步说，虽然目前人工智能仅有一部分应用场景的收益是清晰可见的，但人工智能自学习的天然属性，使得很多其他潜在收益会在我们目前还未能清晰预见的地方出现。

基于以上两个方面的原因，传统的投资测量分析模型在人工智能时代将变得过时。CFO（首席财务官）们将需要一个新的财务分析模型去合理地评估“基于人工智能的收益”，或许新模型的相关因素会包括每一种算法、初始投资和维护投入费用等等。人工智能时代，合理计算投入产出的复杂度将使得投资测算变得极具挑战性，而这也或将威胁到人工智能投资决策和行为的推进。鉴于此，企业乃至行业，都急需引入新的思考方式、新的资本支出术语，和新的测算模型，或许假以时日，人工智能本身能够被用来探索进行更加精准的计算和预测。

以上八点人工智能策略，本质上都是在为一件事情服务——激发企业利润、推动企业创新，正如Accenture公司首席科技&创新官Paul Daugherty所言：

想要抓住人工智能带来的商业机遇，企业必须立刻行动，遵循以人为本的理念，围绕人工智能技术制定发展策略。过程中要注意开发遵循伦理道德规范的、可靠的人工智能系统，以期为企业带来积极的影响，帮助人类员工去做他们最擅长的事情——想像、创造和创新。

研究模型角度——埃森哲关于AI对GVA影响程度的测算模型：

通过埃森哲报告解读文章上篇，我们看到Accenture Research联合Frontier Economics建模并测算了在12个发达经济体和16个不同产业中，人工智能可能带来的经济和利润增长幅度。

亿欧智库同为研究机构，自然最关注所有测算的依据/模型是否合理、值得借鉴；笔者作为研究人员，长期为企业提供研究决策支持，也一直遵循无论自己做研究还是企业做决策，都要“知其然亦要知其所以然”的原则。换言之，如果Accenture Research此份报告没有任何测算依据、分析模型的说明部分的话，从研究的视角看会认为是一份不合格的报告；从行业、企业的视角看也必须要对其所有结论画上一个问号。那么，报告中所有人工智能可能带来的国家经济和行业利润增长，究竟是基于什么样的模型来测算的呢？

从基础层面而言，Accenture Research是将人工智能视为一个全新的生产要素来进行评估的，并且认为它的出现会一定程度改变过去经济实现增长的方式。具体而言，Accenture Research和Frontier Economics的测算模型分以下三步来进行：

一、通过研究，Accenture Research评估了更容易受到人工智能技术影响的工作环节/任务，占到整个传统劳动力当中的比重；评估了未来有可能被人工智能替代实现自动化的工作岗位/工种。然后基于被分析国家/经济体的劳动力统计数据，研究所有上述工作环节、工种在各行业的具体分部情况，进一步建立起各个国家和产业的人工智能技术“吸收速率”认知。

二、测算过程中，Accenture Research也考虑到了人工智能技术随着时间会发生的进步。在与技术进步相关的变量设定方面，Accenture Research主要参考了软件、硬件、机器人和云服务自1990年到今天的价格下跌数据。

三、Accenture Research在测算人工智能技术扩散所能产生的附加的创新影响力方面，采用了全要素生产率(TFP)的计算方法。参考了信息通讯技术(ICT)对全要素生产率产生影响的历史数据，并基于人工智能在不同产业的投资情况，和不同经济体人工智能技术“吸收能力”，对ICT历史数据进行了加权处理进行评估。

基于以上三个步骤，Accenture Research进行综合计算，评定出人工智能在各个国家和产业的经济潜能，每个国家视角的指标都聚合了所有16个产业的数据，而每个产业视角的数据也都综合了所有12个国家的情况。研究中所有的利润提升可能性预测都是基于产业GVA（经济总增加值）数据来测算的。利润的模拟测算，是基于GVA减去人工成本，得到每一个产业的GOS（总营业盈余，用来描述剔除了人力因素之后的经营活动产生的盈余），相当于利润的一个近似值。为了使得利润值更接近真实情况，Accenture Research还考虑到了资本折旧对GOS数据产生的影响，进行数据测算调整，并且这一调整包含了对“平减物价指数”（deflator comprising data）的考量。

亿欧智库认为，Accenture Research在报告中对于自己的数据模型陈述足够清晰，值得肯定。

研究意义角度——亿欧智库详细解读分享的原因：

从研究的视角看埃森哲的这份报告，亿欧智库认为值得解读，原因在于其三方面的高专业度——视野、量化、策略。

关于视野：埃森哲旗下Accenture Research多年积累的全球执行力、分析模型和能够灵活合作的分析支持资源，可以说在这份行业研究报告中得到了充分展现。

虽然报告篇幅并不算长，但要对12个发达经济体、16个产业进行全面盘点梳理，绝非易事；对于产业的理解和人工智能作用方式的深入分析，也要求研究机构必须有足够丰富的模型构建和研究分析经验；而此次报告另一个非常重要的参与者，文中多次提及的Frontier Economics，为报告在量化解读方面发挥了重要作用。以上种种都是埃森哲报告能够具备较高“视野”的重要原因。

当然，还有另外一个小细节，也凸显了整个报告的视野广度和专业度——报告的注释部分——我们可以看到此份报告一共有21个注释内容，有官方机构、企业家、学界、专业媒体等不同类型的内容引用，涉猎广泛，十分用心，也表现出了足够的严谨性。

关于量化：长期从事研究分析工作，使得笔者对于量化的意义和难度有非常具体的感知。

先说意义。无法量化，就没法准确描述，量化能够让我们清晰准确的理解一个的判断及其相应的程度。就好像我们描述一个人“很高”，不同的受众会有完全不同的认知，而当我们明确一个人有2米26，那我们很快就能有一个准确的感知，甚至把这个人和姚明的形象进行对应理解。

再说难度。对于一个事物、群体、现象、趋势进行量化描述，从来都是从事统计分析相关工作从业者的追求，量化表达代表着需要具备统计学意义上的足够的代表性，且进一步具有足够的信效度（可简单理解为准确度）。在过去，研究人员需要进行科学的抽样设计，来通过样本估计总体情况，现在随着大数据的发展，研究人员可以利用某一领域的大数据的完备性，直接进行对某个总体的分析研究。基于历史趋势数据和当下数据的结合，进行对未来趋势的判断，从来都是研究工作中最难的部分，研究机构和人员常常容易被未来“打脸”。

在目前众多探讨人工智能之于未来影响的研究分析内容中，埃森哲报告从研究角度脱颖而出的一个重要原因就是其实现了对未来的量化描述，使读者对未来能够有一个明确的认知；同时埃森哲对于整个模型构建也进行了足够明确的说明，虽未公布具体的模型计算公式和系数，但整个推理逻辑对读者而言是清晰的。可以说Accenture Research的专业度和对于产业、经济体研究的深耕程度，是其能够对未来进行如此大胆的量化描述的信心来源。

关于策略：报告在视野和量化两大基础之上，进一步对人工智能作用于产业的方式进行了分析阐述、对企业能够采取的人工智能策略给出了明确建议。这一点，使得报告不再是一个空中楼阁般的存在，具备了研究落地产业、服务企业的基础。

在此回顾一下分散在笔者解读文章上下篇的人工智能作用于产业的方式和企业的八种人工智能致胜策略：

人工智能助力产业利润率增长的三大途径：智能自动化、人工及资本的增强，以及激发创新；企业八种人工智能致胜策略包括：AI策略和领导力、从HR到HAIR的彻底改造、通过机器进行学习、首席数据（供应链）官、建立一个开放的人工智能文化、比自动化更进一步、把大数据送上云端、人工智能收益的合理测算。

综上所述，虽然埃森哲此份报告的分析是基于12个发达国家经济体进行开展的，但其提出的人工智能影响产业经济的方法论思维体系（三大途径），和企业拥抱人工智能时代的战略方法（八种策略），都是中国乃至全世界其他发展中国家可以参考和借鉴的；量化的描述，也让读者对人工智能将带来的经济推动，能够有一个更为清晰和明确认知，且不论其分析方法是否有漏洞、未来是否真的为我们所知，大胆的设想总是能够提供一种积极看待未来的视角。