1704246233
我们发现，全球各国自动化潜力相差约15个百分点。这样的差异取决于两个因素：一是各经济体的产业结构。制造、酒店饮食等行业的自动化潜力较大，而教育等行业的自动化潜力较小，这些行业在各经济体中所占的比重不同，导致自动化潜力出现差异。二是这些产业在各国的职业结构。在各产业内，生产制造等岗位自动化潜力较大，而管理和行政等岗位自动化潜力较小，这两类岗位所在行业的就业人数也会影响整体自动化潜力。例如，中印两国产业结构偏重于生产制造业，未来自动化潜力高；而美国则偏重于医疗、管理、教育等自动化潜力较小的领域，因此未来自动化潜力相对较低。
1704246234
1704246235
在企业层面，我们发现具有规模性的企业，或在核心业务场景使用人工智能工具的企业有着更高的利润率。我们通过对比企业的人工智能部署情况、数字化成熟度及人工智能战略定位，将所有企业分为三类：积极的人工智能实践者、人工智能探索者和传统企业。通过对比不同行业内这三类企业的利润率，我们发现第一类企业的利润率远高于其他两类企业，具体见图5-3。
1704246236
1704246237
1704246238
1704246239
1704246240
图5-3 三类企业的利润率
1704246241
1704246242
为何企业在人工智能的应用中取得的收益差异如此之大？在总结大量行业案例后，发现原因来自部分企业应用人工智能的方法不得当，我们将在下一部分深入讨论企业应通过哪些切实可行的措施实现人工智能的价值。
1704246243
1704246244
企业向人工智能成功转型的核心要素
1704246245
1704246246
很多企业虽然启动了人工智能转型项目，但收益甚微，往往是因为陷入了以下误区或陷阱。
1704246247
1704246248
一是过于专注技术。这些企业片面地认为人工智能转型只是一个数据项目，因此全权交于科技部门负责，只关注培养数据分析能力，脱离具体的商业应用场景，业务与技术部门缺乏协作，从而导致转型失败。
1704246249
1704246250
二是“煮沸大海”。这些企业专注于整个企业的数据转型，战线过长，追求面面俱到，不根据企业自身特征制定业务场景的优先级，无法实现速赢。
1704246251
1704246252
三是研发和落地的比例不当。这些企业把99%的重心放在了模型的研发，只放剩下1%用到模型的落地。用例开发本质上是一个从模型开发到落地的端到端过程，不能顾此失彼。
1704246253
1704246254
四是“大跃进”的模式。这些企业往往定下过高的目标，追求一步到位的大规模技术能力提升，而非稳扎稳打的快速迭代模式，导致转型半途而废。
1704246255
1704246256
根据我们过往的项目经验，我们认为成功的人工智能企业转型应当包括以下五个要素。
1704246257
1704246258
（1）清晰的愿景。转型之旅始于愿景，需要企业自上而下对行业未来有明确的认识。《金融时报》曾采访通用电气首席执行官杰夫·伊梅尔特关于5年后他希望市场如何评价通用电气，他说道：“我接管的是一家工业公司，现在成为一家分析公司。”
1704246259
1704246260
（2）以用例为导向。失败的转型往往是因为没有把人工智能产品放在具体的业务场景中进行开发，导致开发的产品脱离实际，不能为业务所用，最终被抛弃。因此我们建议任何人工智能产品的开发，必须以实际业务用例为导向，做到以下两步：
1704246261
1704246262
首先，确定用例。按照企业业务流程梳理人工智能的各个应用场景。以快消行业为例，人工智能在销售、营销、创新这三个领域有多个应用场景，具体见图5-4。
1704246263
1704246264
1704246265
1704246266
1704246267
图5-4 以用例为导向进行价值潜力与可行性排序
1704246268
1704246269
其次，按用例价值潜力与可行性排序。对各个用例价值潜力进行全面的量化，明确企业短板与未来可提升空间；同时对用例进行可行性评估，然后根据这两点建立用例梯队，优先开发和落地可行性高、价值潜力高的用例。以快消行业为例，企业应当首先落地“优化各媒体平台支出”“业绩广告”“实时针对性产品建议”等用例，具体见图5-4。
1704246270
1704246271
（3）选择合适的组织原型、搭建数字化卓越中心（CoE）。不同企业类型需要不同的数据组织部门实现敏捷的用例开发与落地，常见的有两类。
1704246272
1704246273
一类是分散式数据组织部门，即“赋能一线模式”——数据负责部门主要分散在各个业务部门内部，对业务数据负责，与业务人员高效协作；另外有小型的首席数据官（CDO）部门在整个组织内起到促进协调的作用。这种架构较适合自下而上进行创新的科技类公司。
1704246274
1704246275
另一类是集中式数据组织部门，即“统筹管理模式”——CDO配备了一支大型的数据运营团队，负责企业层面的数据治理与统筹开发；另外各个业务部门分散有少量的数据组织，负责管理业务数据。这种架构简化了数据访问权限，有助于提升企业数据质量，较适合业务协同性高并需要统一管控的传统大型企业。
1704246276
1704246277
数字化卓越中心（CoE）是推动文化变革和进行人员在职培训的有效工具，他们将与业务职能部门同场办公，负责为各个职能部门的多种问题提供支持，为人员提供在职培训，对潜在用例进行优先排序，在整个组织内推广创新想法和实践，从内部推动企业的文化变革。成功的CoE需要包含多种能力及跨领域能力进行的纽带连接，包括：
1704246278
1704246279
业务能力：业务负责人带领整个组织转型；交付经理负责数据和分析洞察交付，与终端用户对接。 技术能力：数据工程师负责收集分析数据、设置数据架构。 分析能力：可视化分析师负责实现数据复杂关系可视化，建立报告和看板；工作流整合人员建立互动决策支持工具，实施解决方案。 跨领域能力：数据架构师有业务、技术能力，确保现有和未来数据流的质量和稳定性；数据科学家有技术、分析能力，制订同类最佳统计模型和算法；业务翻译员有业务、分析能力，负责高级分析和业务需求间的联系。 同时，应该坚持“一个团队”，业务、技术、分析三部分成员通力合作，以敏捷开发的模式进行工作，保证人工智能产品的快速迭代开发（见图5-5）。
1704246280
1704246281
1704246282