虽然人工智能的普及程度仍然较低，但许多企业正通过人工智能提升盈利能力。人工智能在创造巨大商业价值的同时，也在影响行业价值的转移。通过了解人工智能应用案例以及项目实施的关键因素，管理者们可以更好地采取行动，为在人工智能时代取胜而做好准备。
人工智能的应用
人工智能在商业中的广泛应用程度仍然很低：根据BCG和麻省理工学院的调查，20家公司中仅有1家已广泛地使用人工智能。尽管如此，每个行业都有在人工智能领域处于领先地位的企业。
■营销与销售
人工智能使企业有机会为客户提供个性化的服务、广告和互动，其中的收益是巨大的。通过引入高阶数字技术及运用专有数据来创造个性化体验的品牌可以提高6％至10％的收入，这是不采用人工智能技术品牌的两到三倍。
■研究与开发
与营销和销售相比，研发是人工智能应用中一个不太成熟的领域。研发产生的数据比大型连锁零售要少得多，而且往往不能以数字化方式获取这些数据。此外，很多研发问题不仅复杂、技术性强，还受到严格的科学约束。即便如此，人工智能在这个领域仍具有极大的潜力。例如，在以研发为主要利润驱动因素的生物制药行业，人工智能可以帮助企业降低成本并缩短开发周期。
在工业品领域，领先的制造商通过人工智能、工程软件和操作数据（如维修频率）的结合来优化设计。人工智能在增材制造（也称为3D打印）的设计开发方面颇有助益。
■运营
运营的实践和流程与人工智能自然契合。这些实践和流程常常拥有相类似的操作程序和步骤，产生大量的数据和可测量的输出信息。目前，包括预测性维护和非线性生产优化在内的被广泛应用的人工智能技术是基于全面分析生产环境中各项要素，而非按顺序或孤立地进行分析。
■采购和供应链管理
在采购领域，结构化的数据和重复交易属于常见现象，因此人工智能具有巨大潜力，但在很大程度上还未实现应用。在公开场合，机器还未显示出其在企业采购中制胜供应商的能力（企业可能会使用支持人工智能的采购系统，但不会告知供应商或其他任何人，从而保持其竞争优势）。为人所知的采购应用人工智能包括聊天机器人、半自动的合同设计和审查，以及根据新闻、天气、社交媒体和需求分析提出的采购建议。
■后台职能
企业通常会外包部分后台职能，这一现象在各个机构中都很相似。如今，企业很快就可以为这些流程购买人工智能解决方案。IBM、埃森哲和印度四大巨头（HCL、Infosys、Wipro、Tata）等外包巨头正在进行大规模的人工智能开发。这些公司将重点从强调降低劳动力成本和规模转向建设智能和自动化平台，以提供更高附加值的服务。
■产品和服务
与之前大多数案例不同，涉及提供高阶产品和服务的人工智能应用程序（如数字私人助理、自动驾驶车辆和智能投顾）往往受到很多关注。提供人工智能服务的公司急切地向公众展示这些高阶产品和服务的优越性能和特性。
由于与它们的产品和服务乃至于整个商业模式利害攸关，这些公司必须建立强大的内部人工智能团队。这就解释了技术厂商、车辆制造商和供应商之间针对人工智能人才的激烈竞争。
如何利用人工智能
对大多数公司而言，最明智的做法是根据当前趋势制订一系列短期行动，并通过构建能力和数据基础设施为将来的机遇做好准备。
■如何开始
高管们应该把他们的人工智能之旅分成三个步骤：构思和测试、试点排序和启动，以及规模化应用（见图）。
▲构思和测试。在这个阶段，公司应该依赖于四个视角：客户需求、技术进步（特别是涉及人工智能模块的技术）、数据源和流程分解（或系统化分解），以确定最有前途的应用案例。客户需求对发现有价值的人工智能应用起到了至关重要的指导性作用。
客户可能来自外部，也可能是内部后台部门。对于缺乏人工智能经验的公司，我们建议其实施一个并行的附加测试。这个测试阶段要基于一个能传递价值，能被合理定义且复杂度适中的应用案例。
▲试点排序和启动。高管们应该根据每个试点的潜在价值和交付速度进行优先级排序。上一步中的测试结果将为这个环节中潜在试点的时间需求和复杂性提供洞察。
一旦机构选定了一组最终的试点，就应该像在敏捷软件开发过程中一样，将其作为测试和学习的冲刺阶段运行。每个冲刺阶段都应同时交付具体的客户价值，并定义所需要的基础设施和集成架构。
▲规模化应用。最后阶段包括将试点扩展为可靠的运行流程和产品，并构建能力、流程、组织、网络技术和数据基础设施。在执行这一运营项目的同时，高管们也应实施一系列活动，让自己及其组织做好准备，发挥人工智能的作用。
▲理解人工智能。高管们需要了解人工智能的基本知识，其应开始尝试用Tensorflow Playground（Google推出的机器学习开源平台）做一些实验，或者进修一些有启发性和广泛普及的在线课程。它们的核心算法很简单，除了那些神秘的术语外，这个领域极易理解。因此，高管们应该能够对这个课题有一个功能性的理解。
▲执行人工智能“健康”检查。高管们应该对他们在技术基础设施、组织技能、设置和灵活性方面的起始条件有一个清楚的认知。此外，他们应该了解访问内外部数据的难易程度。
▲增加员工视角。人工智能可能会对员工产生威胁。尽管员工对即将失业的担忧往往比实际情况夸张，但引入人工智能确实会产生情绪压力。工作场所的沟通、教育和培训需要在试点设计的初始阶段就被考虑到。
■从长计议
人工智能的未来仍然有着高度的不确定性。应对这种不确定性的最佳方式是绘制并测试几个场景，并制订一个路线图，将各项独立的方案结合在一起。
▲数据。人工智能的突破在很大程度上取决于获得新的、独特的或丰富的数据资源。BCG与麻省理工学院的联合研究项目表明，对于跨行业以及行业内的管理者而言，数据所有权是一个棘手的问题。更重要的是，排他性数据的数量往往决定了竞争优势，这要求高管们更深入地理解行业和公司内部数据源的价值和可用性。
▲技能。研究表明，只有一小部分公司了解未来人工智能所需要的知识和技能。而拥有高阶人工智能技术的公司往往很难聘请和留住那些精通人工智能的数据科学家。随着大学和在线教育提供更多的人工智能相关课程，这种迫切的需求将逐渐减少。长期而言，更有价值的技能可能是对数据科学家和业务高管团队的管理能力，以及将人工智能的洞察和能力与已有流程、产品和服务相整合的能力。
▲组织。根据研究，企业对于究竟是集中式、分散式还是混合式的组织模式最有利于发展人工智能存在分歧。更关键的问题是，随着组织中人员和机器越来越紧密地合作，在具备人工智能和业务专长的员工中需要实现组织内灵活性及跨职能的团队合作。
我们越来越清晰地了解到，除了整体的组织设计，人工智能技术在行动分散、学习集中的结构中可以得到最好的应用。对于无论是自动驾驶车辆、实时市场营销、预测维护，还是公司的后台职能都是如此。通过一个中心收集和处理所有来自分散机构的数据，从而使得学习集合最大化，然后在中心对汇总数据池进行集中学习后，向分散机构部署新模型并调试。
▲未来工作。人工智能无疑会影响未来工作的结构。尽管人们担心人工智能将导致大规模的失业，但研究表明，未来其产生的影响其实十分有限。大多数受访者并不认为人工智能将在未来五年内导致公司裁员。超过三分之二的受访者并不担心人工智能通过自动化取代他们的工作。他们希望人工智能能够接管他们目前所从事的不愉快的工作。与此同时，几乎所有的受访者都承认，人工智能将要求员工学习新的技能，就像汽车修理师不得不扩充技能一样。不同之处在于，他们没有几十年的适应时间，所以他们可能需要利用新的教育产品和人工智能本身加快再培训的过程。组织需要灵活性，员工和高管也是如此。针对长远成功的最佳准备是建立变革的能力。
