《智慧协作时代》汤玛斯·戴文波特-257页

微信扫码，打开到小程序

1 2 3 作者简介 汤玛斯．戴文波特（Thomas H. Davenport） 《财星》杂志评为全球50强商学院教授、麻省理工学院数位经济计划访问学 者。 作为一位全球知名的管理学者、顾问，戴文波特曾任教麻省理工学院与哈佛 商学院，专长于商业创新、数据分析和人工智慧在企业中的应用。他以其在商业 数据管理和资讯技术方面的开创性研究而闻名，对于数位时代企业的运营模式具 有深远的影响。因此也被《咨询》杂志评为全球25位最佳顾问，并被《Ziff- Davis》杂志评为科技业100名最具影响力人物之一。目前是贝伯森学院（Babson College）资讯科技与管理校聘杰出教授、勤业众信（Deloitte）AI业务资深顾 问。 因其在大数据、商业智慧和人工智慧拥有深厚的学术研究成果，并经常与业 界合作，帮助他们运用最新的数据技术来改善业务流程，合作对象涵盖金融、医 疗、零售和制造等领域，因而累积丰厚的实战经验。 不仅如此，戴文波特撰写、合着或编辑了共23本书，其最具影响力的著作之 一是《竞争力分析》（Competing on Analytics），此书被认为是企业应用数据 分析实现竞争优势的权威指南，该书介绍如何透过数据分析来驱动企业的决策并 优化运营。他的著作探讨企业如何利用数据驱动决策，并透过技术创新来提升竞 争力，让他在学术界和商业界拥有强大的影响力。 他长期为《哈佛商业评论》、《史隆管理评论》、《加州管理评论》、《金 融时报》撰稿，并曾担任《华尔街日报》、《富比士》、《资讯周刊》和《CIO》 的专栏作家。 斯蒂芬．米勒（Steven M. Miller） 4 新加坡管理大学资讯系统名誉教授，此前曾担任计算与资讯系统学院创始院 长 ， 负 责 研 究 的 副 教 务 长 。 他 是 《 机 器 人 应 用 与 社 会 影 响 》 （ Robotics Applications and Social Implications）的合着者。 译者简介 周群英 清大社会学研究所硕士，台大政治系学士，近年涉足身心灵书籍，深感受益 良多，希望能尽一己之力介绍更多好书给读者。译作有《当下的力量牌卡》、 《那一天，我放手爱自己》、《卓尔，谢谢你毁了我的人生》、《更丰盛：工作 与财富的奇迹课程》《巴菲特的对帐单 卷二》等书。 5 目录 封面 书名页 作者／译者简介 │写于书前│ │前言│一人即团队！智慧协作时代来临 第一部 AI同事与智慧协作实况 1 摩根士丹利：高效的财务顾问都在做什么事？ 2 ChowNow：随时提供符合市场需求的最佳销售策略 3 Stitch Fix：AI辅助服装造型师 4 阿肯色州立大学：用Gravyty募款 5 虾皮：产品经理在AI电子商务里的角色 6 港湾人寿和美国万通保险：引进数位人寿保险核保人 7 雷帝斯金融集团：智慧抵押流程 8 星展银行：以AI监控交易 9 AI诊断和治疗纪录编码：让人类真正发挥所长 10 电通：公民开发者的机器人流程自动化 11 84.51°和克罗格：自动化机器学习提高资料科学生产力 6 12 麦迪安网路安全公司：AI辅助网路威胁归因 13 印度星展行动银行：用客户科学优化客户服务 14 直觉软体公司：AI辅助写作，人负责提供规则 15 Lilt：电脑辅助翻译，使专业翻译者产能提升160％ 16 赛富时：伦理AI实践的架构师 17 Miiskin：AI辅助皮肤成像，医师更能专注于复杂案例 18 好医生科技：实现家家户户都有好医生 19 奥斯勒工作：法律服务的转型现场 20 太平洋轴承公司：用于员工训练的AI虚拟现实 21 希捷科技：AI自动化视觉检测技术，削减晶圆和晶圆厂损耗成本 22 史丹佛医疗中心：往无人药局迈进 23 速食汉堡店：AI 助理炸薯条的同时还能服务客人 24 FarmWise：耐晒、抗雨淋的数位除草系统 25 北卡罗来纳州威明顿警察局：警务数位化 26 策安集团：AI同僚提升安管强度，同时照顾顾客 27 南加州爱迪生：预防现场事故的机器学习安全资料分析 28 MBTA：AI辅助柴油分析以利列车维修 29 新加坡陆路交通管理局：智慧城市里的铁路网管理 7 第二部 AI赋能下的职场大未来 30 用AI改变工作，需举全村之力 31 人人都是技术人员，或至少有混合角色 32 让AI发挥作用的平台 33 智慧案件管理系统 34 新鲜人的就业机会将愈来愈少? 35 远距独立工作 36 机器（还）不能做什么 第三部 智慧协作时代的关键思考 37 智慧协作的未来 │注释│ 版权页 8 │写于书前│ 这个世界不缺管理思想。每一年，有数以千计的研究人员、从业人员和其他 专家，创作了数以万计的文章、书籍、论文、贴文和Podcast，但只有极少数人致 力于推动真正的实务，而敢于谈论未来管理者则更少。我们想在本系列里展示 的，正是这种对实务有意义、有立论依据，并为未来树立方向的罕见观点。 ——罗伯特．霍兰德（Robert Holland）董事总经理 《麻省理工学院史隆管理学院评论》 （MIT Sloan Management Review） 9 │前言│ 一人即团队！智慧协作时代来临 关于人工智慧（AI）将对人类工作带来什么影响，这类作品已经汗牛充栋， 我们很容易找到大量相关的预测、方法或责难。然而，想找到人们如何使用智慧 机器从事日常工作的说明，却并不容易。 起码目前为止是这样。本书的核心是针对工作和工作环境，提出二十九个详 细案例，说明人类已经在这些工作和工作环境里，采用AI系统和自动化进行日常 工作。我们把AI定义为：能够完成过去需要人类大脑或是大脑与身体共同完成的 任务之技术。我们每个研究案例，都包含这类技术。1 这些人机协作的例子，以及我们相关见解和结论都非常重要。因为长期以来 由机器驱动的自动化，对人类工作的影响一直都是人们猜测和关注的主题。至少 从 1500 年 代 末 以 来 ， 女 王 伊 丽 莎 白 一 世 （ Elizabeth I ） 拒 绝 了 威 廉 ． 李 （William Lee）提出的丝袜自动针织机专利申请，因为这种机器可能会让针织工 人变成穷人，人们就一直担心使用机器会导致大规模失业。 如今，人类依然关心自己的职涯命运。最近相关的调查和分析焦点，是AI和 相关自动化技术是否大量取代人类工作。有些分析这类问题的分析师，明确预测 出我们即将失去（或增加）的工作比例和数量。我们不会在这里回顾这些分析， 但那些数字各不相同。从预测人们将失去二十亿个工作机会（至2030年为止）， 到认为工作机会将净增加数千万个的预测都有。失业的比例则从50％到5％不等。 有些预测比其他预测更严格，但预测结果的落差不表示人们对此有任何共识。2 没有人确切知道AI会导致多少失业或就业问题，但这并不妨碍人们不断发表 各种书籍和文章进行预测。在这段时期，最早期的书对人类就业前景显得相当消 10 极。马丁．福特（Martin Ford）的《被科技威胁的未来》（Rise of the Robots），以及杰瑞．卡普兰（Jerry Kaplan）的《无需用人》（Humans Need Not Apply，暂译）都是这种类型。3 他们谈到随时可能出现自动驾驶汽车和汉堡 机器人，并预测这些会为许多人类劳工带来可怕后果，以及更大的不平等。然 而，到目前为止，尚未出现自动驾驶汽车和大规模使用的汉堡机器人，也没有为 司机和速食店员工带来可怕的后果。 职场走向人机回圈新场域 这类主题的第二代书籍，则比较乐观。在末日预言家2016年出书后仅仅一 年 ， 汤 玛 斯 ． 戴 文 波 特 （ Thomas H. Davenport ） 和 茱 丽 亚 ． 柯 比 （ Julia Kirby）合写了一本书《下一个工作在这里！智慧科技时代，人机互助的五大决胜 力》（Only Humans Need Apply）。2018年，他的前同事吉姆．威尔森（Jim Wilson）与保罗．道格尔提（Paul Daugherty）合着《人机合作》（Human + Machine，暂译）。4这两本书都聚焦在增强技术，或说人类工作者与智慧机器刻 意合作——有时被称为「人机回圈」（human in the loop，编按：结合人类判断力和 智慧机器的效率，提升系统性能和准确性）的工作环境。书中仍会警告AI对工作的影 响，但重点已经从AI接管人类的工作，转向人类和AI的合作模式。就像谈到未来 书籍中常出现的状况一样，这些论点没有佐证大量数据，但确实谈到工作里的增 强技术。我们两人都坚信，AI的主要影响是增强人类的能力。我们希望有更多证 据和文件可以佐证，而非只有那两本早期书籍里提到的初步例子。 我们也坚信，未来一、两年内，因AI而流失的工作比例，将比较接近专家估 计的下限。有一个预测非常有启发性：2015年，麦肯锡全球研究院（McKinsey Global Institute）将工作分解成任务，预测透过目前的AI技术，美国将可能有 45％的工作可以用自动化处理。5 然而两年后，麦肯锡研究人员指出，有几个因 素：包括自动化的成本、劳动力不足、经济效益和法规，将对自动化的速度和普 及程度产生重大影响。他们把估计下调到可能不到5％的工作适合「完全自动 11 化」。6 乐见增强，人机协作 「全自动」这个词非常重要。全自动常见的替代方案是部分自动化，或者透 过智慧机器增强人类的工作，反之亦然。这也是本书关注重点。AI——至少是 2020年代初期可以用的那种——非常适合强化大多数现实世界里的工作环境。 在广大的真实使用场景里，无论是办公室、工厂和现场环境，使用增强的案 例比完全自动化的例子多更多，而且这种状况预计在可预见的未来持续下去。自 动驾驶汽车技术就是一个例子。几十年来，有些人说自动驾驶汽车和卡车已经 「指日可待」，但实际上仍遥不可及。现在，我们拥有的并非完全自动化驾驶汽 车，而是各种驾驶和导航辅助设备，让驾驶汽车更容易、更安全，而不是完全的 自动驾驶。尽管这类系统的供应商做了很多宣传和承诺，但一些观察家如今质 疑，我们这些生活在今日的人，是否能在有生之年看到所有驾驶环境里，都达到 完全自动驾驶的结果。7 同样模式也适用于AI的其他领域。AI可以执行小任务，而不是整个工作或整 个业务流程。AI能够帮助业务人员优先考量潜在客户，并指导他们在销售对话时 使用最有效的语言，但人类销售员仍然发挥重要作用。即使聊天机器人和对话式 AI技术，已广泛应用在客服领域，明智的组织也永远不会完全撤除人类客服人 员。相反地，AI系统可以处理客户最常重复和结构化的问题，而人类则会接管其 余部分；或者当AI系统无法处理客户问题时，人类就可以出面。 根据制造业机构的一些证据显示，机器人确实取代了工人：每个就定位的机 器人，平均大约可以胜任三人份的工作。8 但是，过去十年我们曾和数百家公司 以及其他类型的组织谈过，它们绝大多数做的是增强人类，而不是大规模自动 化。这是AI早期采用者可能会遇到的情况，这些公司和组织要么正在成长，不必 解雇任何员工；要么把人力调派去执行更复杂的任务。在COVID-19（亦称严重特 12 殊传染性肺炎）流行期间，一些企业确实解雇了工人，但大多数企业并没有用机 器取代他们。 企业导入AI的主要目的 世上仍会有一些高度结构化的工作环境，可以在这种环境里，AI以经济又安 全的方式达成全自动化。以及一些十分特殊的非商业应用，例如军事和情报，人 们将不惜代价在这些领域部署完全自主的AI机器。 长期以来，在工厂和其他高度结构化和可控的工作环境，各种形式的实体自 动化，包括机器人，已经取代工人。9 在电子电路板上置入晶片、在汽车装配厂 焊接和喷漆汽车和卡车的车身，以及大规模的化学加工，都是常见例子。在AI自 动化机器和机器人的推动下，这种趋势显然会持续下去，这些机器和机器人的能 力愈来愈强，并逐渐变得更有能力和环境互动。尽管如此，我们预计即使在工厂 的环境下，增强的状况也会比大规模自动化更为常见。 当然，这种情况可能出现变化。随着技术变得更加成熟，以及公司逐渐将AI 和自动化整合到其业务流程中，公司可能倾向使用机器而非人力。2018年德勤 （Deloitte survey）曾对美国高阶主管做过一项调查，其中63％熟悉AI的高阶主 管表示，他们将「尽可能让更多工作自动化，以削减成本」。但该研究也显示， 谈到采用AI技术的原因时，高阶管理层最少提到的一个原因就是「为了直接减少 员工人数」。而使用AI最常被提及的原因是，强化现有产品、最佳化内部营运、 做出更好的决策，以及让员工发挥更大的创造力。10 两年后，德勤在2020年的调 查报告中，发现了非常相似的状况。11 事实上，裁员不仅是企业使用AI最少提到的原因，而且提到的频率比2018年 更低。这些调查结果符合我们在研究个案里观察到的结论。简言之，根据我们和 其他人的研究，眼前并没有大规模自动化和相应大规模人力被取代的状况。事实 上，经历这几年的疫情后，许多公司正在苦苦寻找员工，而人口减少的长期趋 13 势，让眼前问题变得更加复杂。在2020年代剩下的时间里和未来几十年，在世界 十二大经济体之中，除了其中一个国家外，所有国家的出生率都将远低于人口替 代水准（replacement levels）。12 事实上，早期证据显示，世界上几个最大经 济体的人口老化和工人退休，已经促使企业更加密集使用自动化，以维持其经济 产出。13 人类和AI 的合作是现在进行式 本书描述的研究有个明确的发现，也是我们开始这个计划时的猜测，那就是 人类和AI的合作不是未来式，而是现在式。这种合作虽然非俯拾即是，但起码对 许多组织和员工来说确实如此。我们很容易就找到许多这类现象的例子。事实 上，如果不是由于本书篇幅和出版截止日期等限制，本可涵盖更多案例。现今， 很多人每天都和AI打交道，我们发现这类情况在大公司、小公司、办公室、工 厂、农场，以及广泛的知识型和行政工作里上演。 可以说，和AI合作并不是什么新现象。在金融服务等产业里，人们使用AI系 统已经有四十年之久。现在，几乎所有其他产业，都看见了AI能力也在影响他们 的工作和职业，虽然这种影响是渐进的。这些技术包含基于规则系统（rule- based systems）、具有多个「若则」（if-then）条件语句，机器学习（machine learning, ML）和神经网路模型（根据标记结果的资料加以训练，以预测未知成 果），以及一些用于和客户互动的自然语言处理系统。AI包括透过机器人流程自 动化达到办公室工作自动化，以及透过实体机器人达到工厂自动化。这些AI系统 可以执行多种不同功能： 根据过去的资料模式预测（通常是机器学习功能）； 建议如何进行工作或任务的下一步（有时称为「推荐引擎」或「下 一步最佳行动」系统），并利用规则和／或机器学习； 14 针对可能的活动项目排定优先顺序，例如按照最有可能购买某物 品，排列潜在销售客户清单。称为「倾向建模」（propensity modeling， 编按：使用数据预测行为），以机器学习为根据； 使用自然语言处理技术和客户或员工对话，称为「对话式AI」； 从信件或合约等文件中撷取重要资料； 自动化流程里的关键步骤，并利用这个流程里使用的资讯做决策 （和机器学习混用时，最常称为「机器人流程自动化」或「智慧流程自动 化」）。 AI 正在改变工作，但不会让每个人都失业 毫无疑问，AI变得愈来愈普及和强大，能支援愈来愈多的任务和任务类型。 已经在日常工作使用AI的产业和工作种类，其规模非常庞大，而且成长迅速。这 就是为什么我们分享这些研究案例和相关洞见十分重要。这些内容为私营和公共 部门组织，在工作场所结合人类和机器能力的过程中，提供了有用的范例和指 引。我们的例子也反驳了AI主要会冲击人类就业的悲观观点。AI确实正在改变工 作，但不会摧毁人类的就业。 我们用来记录当前实务的方法，有利人们了解AI影响工作的方式。首先，没 有必要猜测未来，因为我们对于AI辅助工作所描述的一切内容，实际上已经在发 生。对于每个研究案例，我们都能观察到智慧机器的工作环境。这一点帮助我们 了解它们如何在多个面向上影响工作环境，例如人机协作的性质、专业知识需求 变化的本质、其他员工或供应商如何参与公司在流程部署的AI职务生态系统，以 及在职员工对自己工作有什么感受。 也许，本书案例最重要的贡献，在于它们针对增强现象提供了丰富观点。在 任何官方的统计数据里，相对难以找到AI增强人类工作的情况，反之亦然。AI不 15 会带来失业。当人类和机器以增强的方式一起工作时，人们会执行工作里的某些 任务，而AI系统则执行其他任务。在某些情况下，人类可能会完成80％的工作， 而机器只完成一小部分；在其他情况下，情况恰恰相反，机器会完成大部分工 作，人类则检查输出，并处理更复杂或不常见的情况，同时担任其他支援角色。 我们需要深入了解工作环境，才能详细理解增强现象，而这只能透过书中介绍的 各种研究案例才能做到。 我们的研究宗旨：AI 如何增强工作？ 在我们全部的研究案例中，所有公司至少有一些员工每天都在工作时使用 AI。我们的主要目标，是至少采访一位在组织第一线实际使用AI的人，然而大多 数情况下，我们也会采访该第一线使用者的生态系统里，其他利害关系人，包 括： 决定采用AI系统的经理或主管； 监督系统使用者的主管； 系统开发者； 将AI部分功能卖给使用AI组织的供应商； 使用该系统的一个或多个外部企业客户。 我们透过多种方式找到研究对象，包括它们发表过的文章、AI供应商发布的 新闻稿或行销资料、过往和我们任何一位作者有关系，或者透过同事推荐。在接 触的公司里，大约80％都成为我们的研究案例，也就是说以我们接触过的公司来 说，公司拒绝我们和其员工访谈的比例相对较低。 16 由于我们要访谈的对象是公司里的员工，所以必须透过公司才能接触到他 们。因此，访谈对象在谈到工作上使用智慧系统时，可能不愿意谈到他们担心或 害怕这类系统能否保障他们工作的话题。 我们撰写的内容必须经过公司审查和批准。有些人可能认为，这些公司会删 除我们部分的研究，甚至删掉全部的重要主题。然而，我们知道交给公司审核的 研究案例草稿内容，也知道公司在审核过程中修改了哪些内容。对于我们每个研 究案例，这些公司都没有删除任何「不方便透露的事实」。 整体而言，我们很惊讶这些公司竟然这么愿意合作，让我们汇整出这些研究 案例，并且大方地让我们直接接触他们的员工。在访谈过程中，公司员工和经理 与我们讨论了他们的AI部署现况，以及如何改变其工作性质。尽管我们事先和公 司联络人讨论了访谈的一般目的和性质，但我们没有事先让他们看过访纲，公司 也没有「预先安排」员工应该如何回答我们。 因为，我们的目标是说明已经受AI增强的工作，所以只看公司内部已经成功 使用AI系统的案例。我们没有和这些公司讨论它们是否有过其他失败的尝试。我 们的研究案例，无法说明其他在日