‍数据智能产业创新服务媒体

——聚焦数智 · 改变商业

---

2023年4月16日，中泰证券首席经济学家李迅雷先生发表了《奇点将至：AI或开启新一轮科技革命》的文章。李迅雷先生认为，以智能化为特征的第四次工业革命轮廓日渐清晰，在世界百年未有之大变局与新一轮工业革命的历史性拐点，无论是国家、地方还是企业都会不遗余力布局投入。

李迅雷先生表示，“互联网+”红利已耗竭  “AI+”已到来。

那么，如何利用AI实现企业生产模式、组织结构和业务流程的再造，将成为每个企业的一个重要课题。

对此，我们将从两个层面进行解析，一是AI应用发展到什么阶段了？能具体解决哪些问题？二是如何成为人工智能驱动型企业？

AI产业链：基础层+技术层+应用层

在具体分析之前，我们有必要了解一下AI产业链的基本框架。

从AI产业链构成来看，可以分成三个层级：基础层、技术层、应用层。

基础层：主要提供数据输入和计算能力，包括AI芯片、AI基础设施、数据及服务等；

技术层：在基础层上开发算法模型，通过软件框架进行训练和学习，获得人工智能技术，其中算法模型是AI的灵魂；

应用层：针对不同的场景，将人工智能技术进行应用，进行商业化落地。

来源：平安证券

从以上层级来看，与大部分行业和企业密切相关的就是应用层。也是本次我们主要讨论的问题。

目前的人工智能产品包括基础产品和复合产品。

基础产品包括智能语音、自然语言处理、计算机视觉、知识图谱、人机交互五类，是基于人工智能底层的技术研发的产品，是人工智能终端产品和行业解决方案的基础。

复合产品可看作为人工智能终端产品，是人工智能技术的载体。目前主要包括可穿戴产品、机器人、无人车、智能音箱、智能摄像头、特征识别设备等终端及配套软件。

从行业解决方案来看，人工智能在医疗、交通、家居、智能制造、金融、教育等多个领域均有广泛应用。

当前企业运用 AI 的真实现状及案例展示

AI 能否成为营收增长的驱动力？这当然是毫无疑问的。对于一部分创新型 AI 采用者，例如 NVIDIA 和 NavTech 等企业，AI 有助于创造全新的产品，甚至开创全新的商业模式。

但只有极少数企业能够应用 AI 来实现如此大规模的转型。大多数企业都是应用 AI 来解决孤立的实际业务问题。全球范围的组织都在广泛采用 AI 来帮助降低成本、改善客户和员工体验、提高赢单率、优化供应链绩效等等。

根据IBM的研究报告，到 2022 年底，约有四分之一的大型企业将从 AI 试点转为 AI 运营。

大型企业正在运用混合数据科学、传统机器学习、深度学习和预处理技术来解决各种不同的业务问题并实现重大业务价值。

图：AI采用情况2016-2022 来源：IBM

那么，大部分的企业是如何应用定制化 AI 方案来解决不同的业务问题呢？

接下来，我们将通过具体的案例进行场景展示，其中海外案例来自IBM的调研报告。

案例1：欧洲服装零售商运用 AI 提高效率和可持续发展能力

需求预测和销售效率始终是消费品和零售行业的核心； 即使是些微改进也会对业务产生巨大影响。

服装零售商 BESTSELLER 希望提高其需求预测准确性，并借此充分提高服装产品的销量。当时，这家服装零售商售出了其成品的 78%。这个成绩在充满变数的时尚行业已经算相当不错了。但是，如果 BESTSELLER 可以增加其预测算法中的产品属性粒度，就可以进一步提高效率。

在确定传统分析技术已经达到极限之后，BESTSELLER 团队利用其服装图像作为输入训练了一个卷积神经网络 (CNN)。（CNN 是一种人工神经网络，通常用于分析视觉图像。）这样一来，BESTSELLER 可以根据未包含在其结构化数据集中的其他特征来对产品进行分类。

通过将这些数据输出至核心预测引擎，BESTSELLER 将销售效率提高到了 82%，并将所需的样本设计数量减少了 15%。在全球销售因疫情而持续低迷之际，实现这一改进已难能可贵。此外，该企业还减少了打折、捐赠或丢弃的服装商品，从而积极改善了可持续发展能力。

案例2：Zzapp Malaria使用AI降低疟疾发病率

2020，疟疾造成约 62.7 万人死亡，其中 96% 发生在非洲。2021 年度 XPRIZE AI 优胜者 Zzapp Malaria 致力于开发 AI 驱动的方法来抗击疟疾，并通过专有移动应用直接将方案传达至实地。

鉴于现有的卫星图像识别技术无法有效识别小型水体，Zzapp Malaria 开展了一个试点项目，旨在利用卷积神经网络来分析视觉图像以检测小型水体（这有可能是携带疟疾病毒的蚊子的滋生地）。该方法实现了大约 75% 的准确率，但无法足够清晰地确定哪些因素可以改善预测。虽然这种方法的效果不错，但还不够好，无法扩展至其他地理位置。

作为改进方案，该团队利用 CNN 从图像中提取 50 个地形和其他特征，并将这些特征用于传统的线性回归方法，以确定出现积水的可能性。其效果与之前的方法相当，但能够更加清晰透明地确定哪些因素可以改善预测。这样一来，团队就可以更加轻松地解释数据，也就更易于扩展至地形差异较大的地域。该团队运用这种 AI 驱动的成功经验来调整其方法，不断扩大适用范围，以帮助降低其他地区的疟疾发病率。

案例3：保险公司IFFCO-Tokio利用AI快速回本

总部位于印度的通用保险合资企业 IFFCO-Tokio 决定在客户提交获批索赔后直接向客户支付维修费用，从而改善客户体验。

第一步是更好地捕获碰撞受损汽车的图像。然后，团队运用深度学习对汽车型号、受损的零部件和损坏类型进行分类。AI 系统可以确定零部件是需要维修还是更换，并提供成本预估，同时让人工评估员参与其中以降低欺诈风险。

最终，项目取得了巨大成功。IFFCO-Tokio 只用了不到一年时间就收回了成本，不仅将结算成本降低了 40%，将客户接受率从 30% 提高至 65%，而且还提高了客户满意度、客户保留率和客户获得率。AI 不仅是提高效率的利器，更是收入增长的强力助推器。

案例4：医疗设备商Boston Scientific 仅投入 5 万美元就实现了 500 万美元的成本节省

Boston Scientific 希望实现自动化的支架检查流程，从而提高查找缺陷（例如连接断裂或表面缺损）的准确性。准确的检查对于临床治疗的成败关系重大。美国食品和药物管理局根据对患者的风险来严格监管“逃逸率”（也就是漏检的缺陷部件的比例）。

该公司配备了大约 3000 名专家负责目测检查工作，每年要花费数百万美元的成本。但是，人员目测检查通常速度缓慢，成本高昂，还可能带来不必要的质量风险。

Boston Scientific 实施了一个基于规则的自动化系统， 可以使用尺寸测量和其他方法来捕捉常见问题。该团队将系统调整为相对保守，即设定可忽略不计的误报率。然而，5%-10% 的误报率仍然过高。许多符合质量要求的零件被标记为缺陷品。

卷积神经网络 (CNN) 支持分析视觉图像，因此特别适合解决此问题，但这样的模型需要大量的数据。该团队没有足够的数据从零开始训练这些模型。该团队还认识到，收集或生成这些数据不切实际，而且成本过高。

于是，该团队专注于粒度更小、范围更窄的任务，从而缩小问题的范围。然后，他们利用已有的现成开源 AI 模型来应对重新定义的挑战。最后，他们使用较小的数据集来进一步优化此系统。

该公司只投入了大约 5 万美元，就直接节省了 500 万美元的成本，同时还提高了准确性。

看完以上案例，我们迫切的想知道一家传统公司如何可以成为人工智能驱动型公司？

如何成为人工智能驱动型公司？

人工智能驱动型企业将数据作为一种资产，运用以人为本的方式，在所有类型的核心业务流程中系统地部署和扩展人工智能。他们利用数据驱动的快速决策能力来增强员工和客户体验，从而获得竞争优势并不断创新。

德勤按照AI应用的部署与实现的成果两个维度，把企业分成四大类：

变革者（高成果和高部署）：正在转型但尚未完全转型。变革者已确定并在很大程度上采用了与最具代表性人工智能成果相关实践。在10种不同类型的人工智能应用部署中，他们的平均数量是5.9，在17种潜在的成果中，他们的平均数量是6.8。他们是市场领导者，正在成为人工智能驱动型企业。

探路者（高成果和低部署）：探路者已经具备了迈向成功的能力和行为，但具体的举措较少。他们正在采取行动，但还不具备变革者的规模。他们在10种不同类型的人工智能应用部署中平均达到1.9个，在17种潜在的成果中平均达到6.2个。 

后进者（低成果和高部署）： 大量的开发和部署活动是这一群体的特点。然而， 他们的实践还没来帮助他们有效地实现有意义的成果。在10种潜在的全面部署中，他们平均达到5.5个，而在17种潜在的成果中，他们平均达到1.4个。

起步者（低成果和低部署）： 在构建人工智能能力方面起步较晚似乎是这一群体的特点。他们最不可能展现领先实践。在10种不同类型的人工智能应用部署中，他们的平均数量是1.6个，在17种潜在的成果中，他们的平均数量是1.0个。

图：一个企业的AI成熟度可以通过部署的应用数量和达到的成果来描绘 来源：德勤

从以上可以看出，只有变革者才有可能成为人工智能驱动型企业。

所以，首先，我们必须成为一个变革者，这是第一步。从德勤对企业的调研结果，我们提炼了如下变革经验：

1、战略层面：在最高层制定明确的企业级战略，使高管利用人工智能来推动新的机遇和竞争优势。

主要发现： 

设定并传达大胆的愿景。具有公司战略的企业和大胆愿景的领导者，实现高水平成果的可能性是平均水平的1.7倍。

寻求人工智能助力实现差异化战略的途径。仅有38%的受访者认为他们对人工智能的应用让他们与竞争对手区别开来。

传达战略清晰透明。告诉员工和市场您的战略，以及在此过程中的影响和权衡。

规避踩坑： 

不要让数据科学家或IT来推动人工智能战略。高级业务领导应与数据科学家合作，根据核心业务战略推动人工智能战略。

不要过度强调效率目标。 在效率与增长、创新导向的目标之间寻求平衡。

2、运营层面：将转型融入日常工作。通过新的运营模式、角色和流程推动持续的质量、创新和价值创造。

主要发现： 

重新设计业务工作流程和角色。对工作流程进行了重大改变或增加了新角色的企业，其实现高成果的可能性达1.5倍以上。

记录并实施MLOPS。记录和实施MLOps流程的企业在很大程度上实现其目标的可能性是平均水平的两倍。他们对人工智能风险的高度准备超出平均水平近两倍，对以可信方式部署人工智能的信心也高出平均水平近两倍。

规避踩坑： 

企业高管应该分配更多的时间来设计解决方案。重新设计流程以及人工智能工具如何适应工作流程需要深思熟虑的关注。

不要低估人工智能解决方案独特的维护需求。 建立并记录健全的MLOPS程序，以保障持续的交付质量和道德合规。

3、企业文化层面：建立信任、敏捷、精通数据的文化，大力投资变革管理，以支持新的工作方式。

主要发现： 

精通数据带来回报。与低成就企业（起步者和后进者）相比，高成就企业（变革者和探路者）对人工智能的信任水平是前者的三倍。

变革管理优先。大力投资变革管理的企业称人工智能举措超出预期的可能性是平均水平的1.6倍，实现预期目标的可能性是平均水平的1.5倍以上。

恐惧亦能成为积极变革的标志，如果与支持性文化和变革管理相结合。

规避踩坑： 

不要对变革管理采取一刀切的方法。根据主要受众群体调整工作重点，确保各种资源可用于支持新的行为。

不要指望变革管理能够修复设计欠佳的转型。 从一开始就精心设计新的解决方案，为积极的变革奠定基础。

4、商业生态系统：这指的是协调合作伙伴的关系。协调动态生态系统，帮助建立和保护竞争优势。

主要发现： 

建立广泛多样的合作伙伴关系。83%的受访高成果企业（变革者和探路者）创建了多样化的合作伙伴生态系统，以执行其人工智能战略。

利用合作伙伴来改善您对市场的看法。拥有多样化生态系统的企业更有可能拥有人工智能和企业级人工智能战略的变革性愿景，并将人工智能作为战略差异化因素。

规避踩坑： 

小心被供应商套牢。外部合作伙伴过少可能会导致很难与供应商在未来需要的时刻分道扬镳。

不要牺牲你的竞争优势。在内部建立差异化能力，保障竞争优势。

目前，市场上很少有企业在整个企业中实现了成熟的人工智能为驱动的转型。也就是说，转型一直处于快速的进行时，但始终尚未完成。但是，随着我们进一步迈向人工智能驱动的未来，那些现在奠定基础的企业可能会得到加倍的回报。

奇点将至，我们必须做点什么！

文：七七/ 数据猿