人工智能企业自动化、人工智能和机器学习的四个关键事实和战略影响已经在面向消费者的应用领域(如亚马逊alexa)取得了巨大进展，它们在企业中的部署也正在出现。

上述趋势提供了强有力的证据，表明人工智能的能力和性能将在不久的将来继续提高。商业领袖不应该忽视人工智能。

事实2:人工智能用例在企业中很常见，但范围有限

[/h]专家们的共识是，大多数企业用例都是弱人工智能(如监督学习)，要实现与人类相似的广泛智能需要几十年的时间。

简而言之，人工智能算法将具有根据训练数据自动完成任务的学习能力。然而，一旦学习了某项任务，解决方案的范围将会缩小，并且在大多数情况下，其他任务不能被一般化。下图显示了当前或未来5年的可能使用案例:

考虑到以下计算机视觉使用案例，公司可能需要培训人工智能算法来自动扫描pdf和手写发票、验证字段格式并触发自动应付账款流程。出现了更先进的算法(即无监督学习)，甚至可以在未标记的数据上训练解决方案。

然而，由此产生的人工智能解决方案基本上局限于自动执行文本字段识别和格式化的任务。如果公司希望使用发票处理机器人来检测欺诈，他们将需要设计和培训一个全新的解决方案，专注于其他基本功能和模式。

在可预见的未来，人工智能的应用将遵循弱人工智能的“使用训练数据的监督学习”范式。有两个战略意义:

获得培训的标记数据成为战略能力和差异化的根源

ai解决方案需要深入的功能以及在特定领域与人一起创造和重新设计的过程[/事实3:优先考虑a→b活动

日本保险公司福科最近从2000年到2016年，高盛将600名交易员组成的团队转变为一个更精简的200人机器学习团队。

然而，目前并不是所有的企业活动都适合使用数据范例的弱人工智能自动化。

描述机器可学习任务特征的一个有用方法是安德鲁的a→b活动；输入一个确定的数据集A，并对活动B产生一个回复。

。例如，零售需求预测可被视为a→b活动。通过获得各种输入信号，例如季节性和区域性销售历史数据、销售趋势点、社交媒体信号和定价敏感度数据，该算法可以实现对未来需求的预测。

金融交易也是一种a→b活动。交易算法获取一组输入数据，如历史价格、宏观趋势驱动因素、过去交易者遵循的套利规则等。，并产生买入或卖出输出。由于市场的潜在不可预测性，根据输入(a)正确交易(b)可能是一个困难的问题，但是如果人工智能解决方案能够在大量交易中超越人类，它仍然是有吸引力的。

将企业流程和活动分为a→b和非a→b两类，有助于管理人员审视人工智能自动化和增强策略的系统性机会。

参考下图，了解适用于ai的其他a→b任务和不适合ai自动化的活动。

事实4:采用人工智能不仅需要技术上的可行性[/s2/]

我们的客户经验表明，即使潜在的技术要求能够实现，一些人工智能应用的采用速度也会比其他应用快。公司需要考虑更广泛部署和采用的驱动因素，关键驱动因素包括:

一次性成本:开发人工智能解决方案的初始资本支出，如算法开发和培训数据收集。随着人工智能算法的开源可用性，“人工智能即服务”平台可以帮助降低固定成本。获取培训数据往往成为昂贵的瓶颈和差异化的关键。

转换成本:与用新的人工智能解决方案替换现有解决方案相关的成本和障碍。这包括技术障碍，如打开人工智能算法的黑匣子来跟踪和解释决策的能力，以及人为障碍，如政治、文化和对变革的抵制。

生态系统需求:作为综合解决方案的一部分，需要补充技术。例如，它需要与创新的物联网传感器和新兴机器人技术相集成，而人工智能解决方案将面临更高的采用复杂性。

系统外部性障碍:人工智能解决方案的网络外部性，其中采用的价值随着采用的增加而增加。

见下图，该图显示了不同采用挑战和潜在采用时间用例对企业的影响:

基于消费者语音或聊天的自动情感分析案例，以提高操作员的能力。这种解决方案在文化和风险方面的转换成本显然很高。客户对从小做起更加敏感，以减少对消费者的负面影响。即使解决方案是有效的，客户也需要重新设计端到端的培训流程，让人工智能引擎能够提出建议。最后，该解决方案具有相对较高的网络外部性，较高的采用率将产生更多的培训数据以进一步提高绩效，但收集初始批次的培训数据需要时间和领导者的“信心飞跃”。鉴于这种复杂性，人工智能情感分析机器人可能需要长达7-10年，而不是2-3年才能被迅速采用。

ai自动化用例很快在企业和价值链中成为现实。从今天开始，企业领导应该采用严格的基于投资组合的方法来开发机器学习功能、数据和合作关系。(本文的原作者、科尔尼管理咨询有限公司董事迈克尔·胡(michael hu)是由古藤风险投资公司编辑的。)