人工智能正在重塑商业。现在支持人工智能的技术正在快速发展，麦肯锡估计，人工智能将在未来十年为全球经济增加13万亿美元。然而，尽管有人工智能的承诺，许多组织的人工智能努力仍有不足之处。。
为什么实施这项改变游戏规则的技术进展缓慢？麦肯锡的人工智能专家得出结论，根本问题是未能重新构建组织。
一．解决方案和领导力需求
光有尖端技术和人才是不够的。公司必须打破阻碍人工智能的组织和文化障碍。领导者必须传达人工智能计划的紧迫性及其对所有人的好处；在采用上的花费至少和在技术上的支出一样多；根据公司的人工智能成熟度、业务复杂性和创新步伐组织人工智能工作；并为每个人投资AI教育。
人工智能正在重塑商业——尽管没有许多人想象的那么快。诚然，人工智能现在正在指导从农作物收成到银行贷款的一切决策，而完全自动化的客户服务等曾经不切实际的前景即将出现。使人工智能成为可能的技术，比如开发平台和巨大的处理能力和数据存储正在快速发展，而且变得越来越便宜。公司利用人工智能的时机似乎已经成熟。事实上，我们估计人工智能将在未来十年里为全球经济增加13万亿美元。
然而，尽管人工智能前景看好，但许多组织在这方面的努力还不够。麦肯锡调查了数千名高管，了解他们的公司如何使用人工智能和组织高级分析，数据显示，只有8%的公司从事支持广泛采用人工智能的核心实践。大多数公司只进行了临时试点，或者只在单一业务流程中应用人工智能
为什么进展缓慢？这在最高层次上反映了组织重组的失败。在调查和与数百名客户的合作中，我们看到人工智能计划面临着巨大的文化和组织障碍。但我们也看到，一开始就采取措施打破这些障碍的领导人能够有效抓住AI的机会。
二．转变领导者思维模式
领导者犯的最大错误之一是将人工智能视为一种即插即用的技术，可以立即获得回报。他们决定启动并运行几个项目，开始在数据基础设施、人工智能软件工具、数据专业知识和模型开发方面投资数百万美元。一些试点项目设法在一些组织中勉强维持小幅收益。但几个月或几年过去了，却没有带来高管们预期的重大效果。公司很难从试点项目转向全公司范围的项目，也很难从关注离散的业务问题（如改善客户细分）转向大的业务挑战（如优化整个客户旅程）。
领导者也经常过于狭隘地考虑人工智能的要求。虽然尖端技术和人才肯定是需要的，但调整公司的文化、结构和工作方式以支持人工智能的广泛采用也同样重要。但在大多数并非天生数字化的企业，传统的思维模式和工作方式与人工智能所需的背道而驰。
为了扩大人工智能的规模，公司必须进行三次转变：
1.从孤立的工作到跨学科的合作
当人工智能由混合了技能和观点的跨职能团队开发时，它会产生最大的影响。让业务和运营人员与分析专家并肩工作将确保计划解决广泛的组织优先事项，而不仅仅是孤立的业务问题。不同的团队也可以考虑新应用程序可能需要的操作变化——他们更有可能认识到，比如说，引入预测维护需求的算法应该伴随着维护工作流的彻底改革。当开发团队让最终用户参与应用程序的设计时，应用程序被采用的机会就会大大增加。
2.从基于经验、领导者驱动的决策到一线数据驱动的决策
当广泛采用人工智能时，上下层级的员工将通过算法的建议来增强自己的判断和直觉，以得出比人类或机器自己更好的答案。但要让这种方法发挥作用，所有层次的人都必须相信算法的建议，并感到有权做出决定——这意味着放弃传统的自上而下的方法。如果员工在采取行动前必须咨询上级，这将抑制人工智能的使用。
当一个组织用一个新的人工智能系统取代了复杂的人工方式来安排事件时，决策过程发生了巨大的变化。从历史上看，该公司的活动策划人使用彩色标签、别针和贴纸来跟踪冲突、参与者的偏好和其他考虑因素。他们经常依靠直觉和高级经理的意见来做决定，高级经理也是凭直觉行事的。新的AI系统快速分析了大量的日程安排排列，首先使用一种算法将数亿个选项提取到数百万个场景中，然后使用另一种算法将这数百万个选项浓缩到数百个，为每个参与者排列最佳日程。经验丰富的规划者将他们的在数据支持下做出最终决策的专业知识，无需从领导那里获得意见。规划者很容易采用这个工具，信任它的输出，因为他们帮助设置了其参数和约束，并且知道他们自己会做出最后的决定。
3.从僵化和规避风险到敏捷、实验性和适应性强
组织必须摆脱这样的思维模式，即一个想法需要完全成熟，或者一个业务工具在部署之前必须具备所有的功能。在第一次迭代中，人工智能应用程序很少拥有所有想要的功能。测试和学习的心态将把错误重新定义为发现的来源，减少对失败的恐惧。得到用户早期的反馈并将其整合到下一个版本中，将允许公司在小问题变成代价高昂的问题之前纠正它们。开发将会加快，使小型人工智能团队能够在几周内而不是几个月内创造出最低限度的可行产品。
这种根本性的转变来之不易。要求领导者准备、激励和装备员工来做出改变。但领导人首先必须做好准备。我们已经看到了一次又一次的失败，原因是高级管理人员缺乏对人工智能的基础理解。
三．为AI成功做好准备
为了让员工参与进来，为人工智能的成功实施铺平道路，领导者应该尽早关注以下几项任务：
1. 解释原因。一个引人注目的故事有助于组织理解变革计划的紧迫性，以及所有人将如何从中受益。这对于人工智能项目来说尤其重要，因为担心人工智能会抢走工作岗位会增加员工对AI的抵制。
领导者必须提供一个愿景，将每个人团结在一个共同的目标周围。员工必须理解为什么人工智能对企业很重要，以及他们将如何适应一种新的、以人工智能为导向的文化。他们尤其需要得到保证人工智能将增强而不是减少甚至消除他们的角色。（研究表明，大多数工人将需要适应使用人工智能，而不是被人工智能取代。）
在大多数并非天生数字化的公司，心态与人工智能所需的心态背道而驰。当一家大型零售集团希望让员工支持其人工智能战略时，管理层将其视为生存之道。领导人描述了数字零售商构成的威胁，以及人工智能如何通过提高公司的运营效率和响应能力来帮助抵御这种威胁。发出战斗的号召生存，管理层强调了员工必须发挥的关键作用。在分享他们的愿景时，该公司的领导们把焦点放在了员工身上曾经试用过一种新的人工智能工具,帮助他们优化商店的产品组合，增加收入。这激发了其他员工想象人工智能如何增强和提升他们的业绩。
2.预测变革的独特障碍。一些障碍，比如员工对过时的恐惧，在整个组织中都很常见。但是一个公司的文化也可能有导致抵制的显著特征。例如，如果一家公司的公共关系经理以能适应客户需求而自豪，他们可能会拒绝这种机器可以更好地了解客户想要什么的想法，并忽略人工智能工具定制的产品推荐。大型组织中的经理人认为其地位是基于他们监管的人数，他们可能会反对人工智能可能允许的决策分散或减少报告。
在其他情况下，孤立的流程会抑制人工智能的广泛采用。例如，按职能或业务单位分配预算的组织可能很难组建跨学科的敏捷团队。通过回顾过去的变革举措如何克服障碍，可以找到一些解决方案。其他可能涉及将人工智能倡议与看起来像障碍的文化价值观结合起来。例如，在一家非常重视关系银行业务的金融机构，领导们强调了人工智能加强与客户联系的能力。该银行为公关关系经理制作了一本小册子，展示如何将其专业知识和技能与人工智能量身定制的产品推荐相结合，以改善客户体验，增加收入和利润。人工智能采用计划还包括通过使用新工具来推动销售转化的竞赛；获胜者的成就在CEO发给员工的每月简讯中展示。
了解变革的障碍不仅可以告知领导者如何与员工沟通，还可以帮助他们确定在哪里投资，什么样的人工智能计划最可行，应该提供什么样的培训，什么样的激励措施可能是必要的等等。
3. 对集成和采用的预算与对技术的预算一样多。在我们一项调查中，近90%参与成功扩展实践的公司将超过一半的分析预算用于推动采用的活动，如工作流重新设计、沟通和培训。剩下的公司中只有23%投入了类似的资源。
公共关系经理可能会拒绝AI机器知道客户想要什么的想法。以一家电信提供商为例，该提供商在其呼叫中心推出了一项新的人工智能驱动的客户维系计划。该公司同时投资于人工智能模型开发和帮助该中心的员工过渡到新方法。他们不只是对取消服务的电话做出反应，他们会主动联系有流失风险的客户，就他们可能接受的新提议向他们提供人工智能生成的建议。员工们接受了关闭企业所需销售技能的培训和在职指导。教练和经理监听他们的电话，给他们个性化的反馈，并不断更新培训材料和电话脚本。由于这些协调努力，新计划减少了10%的客户流失。
4.平衡可行性、时间投资和价值。追求过于难以实施或需要一年以上才能启动的计划可能会破坏当前和未来的人工智能项目。
组织不必只关注速赢；他们应该制定一系列具有不同时间范围的举措。不需要人工干预的自动化流程，如人工智能辅助的欺诈检测，可以在几个月内获得回报，而需要人工参与的项目，如人工智能支持的客户服务，可能需要更长的时间才能获得回报。优先次序的确定应以长期（通常为三年）观点为基础，并考虑到如何将不同时限的几项举措结合起来价值最大化。例如，实现足够详细的客户视图，以允许AI微细分，一个公司可能需要建立一些销售和营销计划。有些服务，比如有针对性的服务，可能在几个月内就能产生价值，而整套服务可能需要12到18个月才能发挥全部作用。
一家亚太零售商认为，除非该公司翻新其所有商店，为每一类商品重新分配其空间，否则优化占地面积和库存的人工智能计划不会产生完整的价值。经过一番辩论后，公司的高管们决定，这个项目对未来的盈利能力非常重要，可以继续进行，但必须将其一分为二。第一部分开发了一个人工智能工具，为商店经理推荐一些在商店里会卖得很好的增量商品。该工具仅提供了预期总回报的一小部分，但经理们可以立即将新商品带入商店，展示项目的好处，并为未来多年的发展树立热情。
四．规模化组织
关于人工智能和分析能力应该存在于组织中的什么地方，有很多争论。通常领导者会简单地问：“什么样的组织模式最有效？”然后，在听到其他公司的成功经验后，做三件事之一：将大部分人工智能和分析能力整合到一个中央“枢纽”内；分散后并将其主要嵌入业务部门（“辐条”）；或者将它们分布在两者之间，使用混合（“轮毂辐条”）模型。我们发现，在让人工智能达到规模方面，这些模型中没有一个总是比其他模型更好；正确的选择取决于公司的个人情况。
拥有良好扩展实践的公司将一半的分析预算用于采用。以我们合作过的两家大型金融机构为例。第一家公司将其人工智能和分析团队整合在一个中心枢纽，所有分析人员向首席数据和分析官报告，并被部署到根据需要确定业务单位。第二家公司分散了几乎所有的分析人才，让团队驻留在业务部门并向其报告。两家公司都以行业顶端的规模开发了人工智能；第二个组织在短短两年内从30个盈利的人工智能项目发展到200个。两者都是在考虑了各自组织的结构、能力、战略和独特特征后选择其模式的。
1.枢纽（Hub）
少数职责最好由中心处理，并由首席分析官或首席数据官领导。其中包括数据治理、人工智能招聘和培训战略，以及与数据和人工智能服务和软件的第三方提供商合作。中心应该培养AI人才，创建AI专家可以分享最佳实践的社区，并为整个组织的人工智能开发制定流程。我们的研究表明，已经大规模实施人工智能的公司拥有中心的可能性是同行的三倍，并有2.5倍的可能性采用一个清晰的方法来创建模型，解释见解，并部署新的人工智能能力。
枢纽还应该负责与人工智能相关的系统和标准。这些应该由公司倡议的需要驱动，这意味着它们应该逐步发展，而不是在商业案例确定之前一下子建立起来。我们已经看到许多组织浪费了大量的时间和金钱，在公司范围内的数据清理和数据集成项目上预先花费了数亿美元，却中途放弃了这些努力，几乎没有或根本没有收益。
