哈佛商业评论

人工智能(AI)正在重塑商业，不过速度不像很多人想象的那么快。的确，从农作物收成到银行贷款，现在各个领域的决策都由AI指导，而且，过去似乎遥不可及的东西，比如无需人工的纯AI客服，已经逐渐成为现实。开发平台、强大的处理能力以及庞大的数据存储空间等AI背后的技术，正在迅速发展，应用成本越来越低。眼下似乎是企业开始采用AI获利的好时机。据我们推测，今后十年，AI将为全球经济增加13万亿美元。

然而，AI发展前景虽好，许多公司却并未做好充分准备。我们开展调查，了解了数千名高管所在公司对AI及高级分析技术的应用和相应组织情况，调查数据表明，只有8%的公司开展了支持AI大规模应用的核心工作。多数公司只做了临时的试点项目，或只在某一项业务流程中采用AI。公司进展这么慢，原因何在?上升到最高层面，这反映了组织未能做好AI所需的转型。在调查以及与数百名客户的合作中，我们发现，AI项目面临着难以跨越的巨大文化及组织障碍。但我们也看到，在项目开端采取措施克服障碍的领导者，能够很好地抓住AI带来的机遇。

实现转变

领导者最大的一个错误是，将AI视为能够迅速带来回报的即插即用式技术。他们决定启动几个项目，就开始投资几百万给数据基础设施、AI软件工具、数据专业技能和模型开发。少数组织的一部分试点项目勉强实现了一点点盈利，但之后再过几个月乃至几年，都未能取得高管期望的巨大成功。公司很难将这类试点项目扩展到整个公司，也很难将AI工作重点从分散的问题(如增强客户细分)上升到大的商业难题(如优化整个客户旅程)。

还有，领导者往往对运用AI的必备条件考虑得不够充分。前沿技术和人才自然必不可少，但公司文化、结构和工作方式也要支持广泛应用AI，这方面的调整与技术和人才同等重要。但在多数并非天生数字化的公司，传统思维方式和工作方式与AI的需求相悖。

要扩大AI应用范围，公司必须做出三项转变:

从孤岛作业转为跨领域合作。由具备多种能力和视角的跨职能团队开发的AI最能发挥影响力。让业务人员和技术人员合作，加上分析专业人士，能够确保项目照应到整个组织的重点议题，不只关注单一部门的问题。多样性团队还可以充分考虑到应用新技术要求的运营变革——这样的团队更能发现和反映问题，比如说，要引入一项算法用来预测维护需求，应当同时对维护工作流程进行相应的调整。此外，如果开发团队在设计项目时让终端用户参与，项目得到应用的可能性会大幅度提升。

从由领导者推进的基于经验的决策，转为由数据推进的一线决策。AI得到广泛应用时，算法推荐会让组织上下各层级员工的判断和感知得到增强，得出人类或机器单独无法获得的更好的答案。不过，要想充分发挥这种作用，各层级员工必须信任算法给出的建议，并感到自己有权利做决定——这意味着要摒弃传统的自上而下的决策方法。如果员工在采取行动之前必须先请示上级，AI应用就会受到阻碍。

某公司将一个复杂的手动排程方法换成了全新的AI系统，决策过程明显改变。过去，这家公司的活动策划者用彩色的标签、大头针和贴纸来标记时间冲突、参与者需求及其他要注意的地方，常常根据直觉和上级管理者的建议做决策，而管理者也是凭直觉行事。新系统能够迅速分析大量日程安排组合，先用一个算法在几亿种排法中提取出几百万种，再用另一个算法将这几百万种缩减为几百种，最后为每位参与者排出几种最佳日程供选择。随后，有经验的活动策划人运用自己的专业知识，在数据支持下做出最终决定，无须向管理者征求意见。策划人迅速适应了这个新系统，十分信任系统给出的结果，因为他们参与了系统参数和限制条件的设置，而且知道最终做决定的还是自己。

从僵硬固化、趋避风险转为敏捷、试验、可适应。组织必须摆脱“只有完全成熟的创意才能实行”或“只有设计完善的商业工具才能使用”的思维。AI应用需要迭代，绝少在投入应用之初就具备组织需求的功能。组织要具备“从测试中学习”的态度，将错误转为新知的来源，减少对出错的担忧。收集初期用户的反馈，用于升级AI工具，会使公司在小问题发展成为代价高昂的大问题之前及时将其纠正。发展会逐渐加速，让小规模AI团队能在几周(而非几个月)内开发出最小可行产品。

要实现这种根本性的转变绝非易事，需要领导者帮助员工做好准备，提供动力和相应的培训。但首先领导者自己必须先做好准备。我们看到过很多次由于高管对AI缺乏基础认知而导致的失败。(之后我们会进一步讨论分析培训班如何帮助领导者获得这种对AI的基础认知。)

为成功做好准备

为了让员工积极参与，并让AI顺利投入应用，领导者应当在初期重视以下几项工作:

解释原因。有说服力的解释，可以帮助组织上下理解对改变的迫切需求，以及改变能够为各方带来的益处。对于AI项目，这一点尤为重要，因为员工担心AI取代自己的工作，就会产生抵触情绪。

领导者必须提供一种愿景，让全体人员围绕一个共同的目标团结起来。员工必须了解AI对本公司的重要意义，以及自己如何适应以AI为主导的新文化。领导者必须向员工保证，AI会协助他们更好地工作，而非抹消乃至取代他们的作用。(我们的研究显示，绝大部分员工不会被AI取代，而是需要学习运用AI。)

某大型零售集团希望AI战略能够获得员工支持，管理层将之作为攸关集团存亡的重大事宜。领导者讲述了数字零售商带来的威胁，以及AI将如何改善公司的运营和响应效率、抵御这种威胁。管理层这样呼吁大家为生存而战，让员工理解了自己在AI转型中应当履行的重要职责。

分享愿景时，该公司领导者重点强调一些员工尝试应用新的AI工具协助优化门店产品搭配，提升了门店收入。这样可以鼓励其他员工思考如何用AI提升自己的表现。

预先考虑阻碍转变的独特障碍。员工担心自己被淘汰这一类的障碍在各个组织内普遍存在，但特定公司的文化也可能会有一些独特的属性，致使员工抵触改变。举例来说，如果一家公司的客户经理擅长回应客户需求并引以为豪，这些人就可能对“机器可能更了解客户想要什么”的概念感到排斥，不理会AI工具的定制化产品推荐;大型组织内部认为自己的地位取决于下属数量的管理者，会排斥AI可能带来的去中心化决策或下属人数减少。

此外，孤岛式流程也可能影响AI的广泛应用。按照职能部门分配预算的企业，可能很难组织起跨职能的敏捷团队。

回顾过去的转型项目如何跨越障碍，可以找到一些解决方案。将AI项目与看似是障碍的文化价值观相结合，也不失为一种解决思路。例如，某金融机构十分注重关系理财(relationshipbanking)，领导者强调AI协助增进客户关系的能力。该机构为客户经理编写了一本手册，指导他们把自己的专业知识和技能与AI的定制化产品推荐结合起来，提升客户体验，进而提高收入和利润。该机构AI项目中还有运用新工具实现的销售转化率竞赛，获胜者的成绩会通过CEO月报展示给其他员工。

新出现的一类专业人士——分析解读员(analyticstranslator)，能够协助公司找到影响AI发展的障碍。分析解读员在技术领域的数据工程师、科学家与经营领域的营销、供应链、制造和风险管理等员工之间架起桥梁，确保AI工具回应确实的商业需求，且能顺利推广。AI投入应用初期，分析解读员会对终端用户开展问卷调查，观察他们的工作习惯，研究工作流程，以期诊断并解决问题。了解影响改变的阻碍，不仅能使领导者了解如何与员工沟通，还能帮助领导者确定在何处投资、哪些AI项目最具可行性、应当提供怎样的培训、必须提供怎样的奖励，等等。

为整合与推广应用安排跟技术本身相当(或更多)的预算。我们的一项调查显示，广泛应用AI获得成功的公司中，有近90%将一半以上的分析预算投入到推广应用相关的活动上，如工作流程调整、沟通和培训。其他公司则只有23%采取类似的资源分配方式。

例如，某电信服务提供商在呼叫中心启动了一个新的客户保留项目，由AI主导。在投资AI模型开发的同时，公司也投资协助呼叫中心员工适应新的工作方式。员工原本只对打电话要求取消服务的客户作出反应，在新项目中则是主动联系有流失风险的客户，按照AI生成的定制化推荐，为这些客户提供他们可能会接受的新服务。员工通过培训和在职辅导，获得了完成新工作所需的营销技能。培训师和管理者旁听他们的电话应对，根据具体情况给出反馈，并对培训材料和电话用语进行相应的调整。有了这些协调工作，新项目使得客户流失率减少了10%。

收支平衡的可行性，时间投入，以及价值。执着于实行起来过于困难的项目，或需要一年以上才能实行的项目，可能会对现在乃至未来的AI项目造成损害。

组织不必只关注能够快速带来回报的项目。应当设置多个回报时间长短不一的项目。举例来说，AI检测欺诈等无需人工干涉的项目，可以在几个月内带来回报，而需要人工干预的项目，如AI客服，回报时间则更长。确立重点时应当有长期(通常是三年)视角，还要考虑时间线不同的多个项目如何组合才能发挥出最大价值。例如，为获得有关客户的详细信息，让AI进行客户细分，公司可能需要设置一系列销售及营销活动。定制化推荐等AI项目会在几个月内带来价值，但整套项目完全发挥影响力可能需要12到18个月。

亚太地区某零售商认定，如果启动AI项目来优化店内布局和库存空间，那么公司必须彻底翻新所有门店，重新摆放每一类商品，否则无法充分发挥该项目的价值。经过一番争论，公司高管决定，这个项目对于未来盈利发展十分重要，应当继续进行，但必须分为两部分进行——在正式开始前，首先要利用AI工具向门店管理者推荐一些能大卖的增值商品。这个工具的建议只占预期总回报的一小部分，但管理者能够立刻引入新商品，迅速展示AI工具的益处，在开始为期数年的翻新之前帮助员工建立起对AI的信心。

调整组织结构

AI和分析能力在组织里应当占据怎样的位置，这个话题一直有许多争论。领导者往往只会问:“哪个组织模型效果最好?”然后听取其他公司的成功经验，在以下三种模式中选择一种:将AI和分析能力的大部分集合在某个“中心”部门;将AI和分析能力分散开来，集中于业务部门(“分支”);将两种能力结合在一起，运用混合(“中心及分支”)模式。我们发现，要扩大AI应用规模，这三种模式不相上下，哪一种最合适，取决于公司的具体情况。

比如我们服务过的两家大型金融机构。一家把AI和分析团队集中在一个中心部门，全体分析人员向首席数据及分析官汇报工作，并按需分配到业务部门。另一家机构将所有分析人员分散到各业务部门，以团队形式向业务部门汇报。这两个公司的AI推广程度都达到了行业顶尖水平，第二家公司的盈利AI项目在两年内从30个增加到200个。两家公司都是在充分考虑过组织结构、能力、战略和特性之后选择了合适的模式。

中心。有几项责任最好由中心部门负责，由首席分析官或首席数据官主导。这类责任包括数据治理、AI招聘及培训战略，以及与第三方数据、AI服务和软件提供商合作。中心应当栽培AI人才，建立社区供AI专业人士分享最佳工作方法，并为AI在组织中的全局应用做好布局。我们的研究表明，成功地推广了AI的公司设置中心部门的可能性是其他公司的3倍，对于建立模型、解读洞见和部署AI新能力有明确方法的可能性是其他公司的2.5倍。

中心还应当负责与AI相关的体系和标准。这些方面应当由公司项目的需求决定，换言之，应该循序渐进，而非在业务开始前一蹴而就。我们看到过许多组织把大量的时间和金钱——几亿美元——浪费在整个公司的数据清理和数据整合项目上，然而这些项目半途而废，回报极少，甚至毫无用处。

与之相比，欧洲一家银行发现彼此冲突的数据管理战略阻碍了新AI工具的开发，于是放慢速度，规划在接下来四年里统一数据架构和管理，同时打造多个业务计划以实现AI转型。这个项目多层次并行，还包括重新设计组织和调整人才战略，预计一年内产生的影响将超过9亿美元。

分支。还有一些责任与AI系统的使用者关系最为密切，应当固定由分支部门负责。其中有与推广相关的任务，包括培训终端用户、重新设计工作流程、激励项目、绩效管理和影响追踪。

为鼓励客户积极使用由智能互联设备提供的AI服务，某制造商的销售及服务部门建立了SWAT团队，为使用产品的客户提供服务，并设置折扣促进推广。这项工作显然属于分支部门的范畴，无法委托给负责分析的中心部门。

灰色地带。成功的AI转型中，许多工作在责任上来讲都属于灰色领域。关键任务如为AI项目设定方向、分析AI要解决的问题、制定算法、设计工具、与终端用户测试工具、管理变更，以及设置IT配套基础设施，都可以交给中心或分支部门中任意一方，或双方共同承担，或与IT部门一同完成(见图表“为推广AI调整组织结构”)。确定组织内部的责任归属不算是一门精密科学，但应当参考以下三个因素:

▶AI能力的成熟程度。公司开始AI应用早期，通常需要设置分析高管、数据科学家、数据工程师、用户界面设计师和用图形表示分析结果的可视化专家等专业人员，集中在中心部门，并根据需求分配到分支部门。这些专业人士合作，可以为公司建立起核心AI资产和能力，如通用分析工具、数据处理和交付方式。但一段时间后，流程逐渐标准化，专业人士分散在分支部门也能够达到同样乃至更高的工作效率。

▶商业模式复杂程度。AI工具要支持的职能部门、业务线和地区越多，就越有必要为AI专业人士(如数据科学家或设计师)建立同行业公会。业务复杂的公司通常把这些公会集中在中心，再根据需求分配到不同的业务部门、职能部门或地区。

▶所需技术创新的速度和级别。如果需要迅速创新，一些公司会把更多灰色地带的战略和能力构建任务交给中心部门，这样可以更好地观察行业和技术变化，迅速安排AI资源应对竞争挑战。

我们回到前文提到的两家金融机构。两家公司都面临竞争压力，需要快速创新，但双方分析能力成熟程度和业务复杂度不同。

把分析团队放在中心部门的金融机构，商业模式更为复杂，AI成熟程度相对较低。该公司已有的AI专业人士主要在风险管理部门。将数据科学家、工程师和其他许多灰色地带的专业人士集中到中心部门，确保了所有业务部门和职能部门都能迅速获得所需的专门技术。

另一家金融机构的商业模式更为简单，涉及的金融服务数量较少，且有大量AI相关经验和专业人士。因此，该机构将AI人才分散，把许多灰色地带的分析、战略和技术专业人员派到各个业务分支部门。

这些例子说明，确定责任分配需要一些技巧。每家公司的能力和竞争压力各不相同，以上三个关键因素不能单独考虑，必须综合起来进行考量。例如，某组织的业务复杂性很高，需要迅速创新(亦即应该将更多的责任转移到中心)，但AI能力也非常成熟(亦即应当把责任分散到分支部门)。该组织领导者必须权衡这三个因素的重要程度，确定如何以最有效的方式分配人才。人才水平(AI成熟度的一个指标)往往会对这方面决策产生极大的影响。组织内数据专业人员的数量是否足够，能否确保在长期分配到分支部门后依然满足所有业务部门、职能部门和不同地区的需求?如果答案是否定的，那大概还是让这些人留在中心，根据组织各部门具体需求临时调配为好。

监管与执行。虽然各个组织AI和分析职责的分配不尽相同，但成功推广了AI的组织有两个共同点:

▶由业务、IT和分析部门领导者组成的联合治理团队。彻底整合AI是一个漫长的过程。建立联合工作团队对该过程进行监督，可以确保三项职能相互协作，共同承担责任，不受职责和功能分配的影响。这样的团队通常由首席分析官牵头，还有助于强力推进AI项目，在初期尤其如此。

▶根据任务划分执行团队。成功推广AI的组织在分支部门内部建立跨职能团队的可能性是其他组织的两倍。这样的跨职能团队，将不同的视角聚合在一起，在培养、分配和监督新的AI能力的过程中向一线员工征求意见。此类团队通常在项目启动之初组建，向中心部门和分支部门双方寻求所需人才。一个团队通常包括一位负责新AI工具的管理者(“产品负责人”)、解读员、数据架构师、数据工程师、数据科学家、设计师、可视化专家，以及业务分析员。这种团队能够及早解决执行上的问题，以更快的速度获取价值。

举例来说，上文提及的运用AI优化门店布局的亚太地区零售商，组建了跨职能执行团队，协助打破销售商(决定门店商品如何摆放)和采购者(决定商品种类)之间的隔阂。在此之前，销售商和采购者各自行动，由采购者依照自己的判断调整AI生成的推荐，导致采购的库存与门店可用空间不匹配。跨职能团队邀请双方合作，一同调整AI工具，建立起了更有效的模型，为采购者提供加权选项。随后采购者可以根据销售商的意见，从中选出最合适的商品。优化结束时，应用了AI工具的各产品类别总利润均上升了4%至7%。

培训员工

为确保AI工具得以推广，公司必须自上而下对全体人员进行培训。为此，一些企业建立内部AI培训班，一般包括课堂教学(在线课程或面授)、研讨会、在职培训，乃至前往有经验的同行业公司参观学习。多数AI培训班一开始是邀请外部机构编写课程和提供培训，但也经常自行培养内部教学能力。

各公司设置的培训班不尽相同，但多半都提供四大类课程:

领导者。多数培训班努力培训高管和业务部门领导者，让他们对AI工作原理有一个高层次的认识，学会识别AI机遇并判断其重要程度。培训班还会讨论AI对员工职能的影响、推广AI的障碍以及人才培养，并为逐渐推进AI组织所需的文化转型提供指导。

分析人员。这部分课程关注的是数据科学家、工程师、架构师以及其他负责数据分析、治理和AI解决方案的员工，持续培养他们的硬技能和软技能。

解读员。分析解读员一般是业务人员，需要基础的技术培训，例如运用分析方法解决商业问题、构建AI实践案例等。这部分课程可以包含在线课程、实际操作、模仿有经验的解读员，在“期末考试”中要求参与培训的员工实际执行一个AI项目并获得成功。

终端用户。对于一线员工，可能只需要大致介绍一下新的AI工具，之后提供在职培训，教他们使用AI工具即可。负责营销和财务等方面的战略决策者可能需要更高层次的培训课程，学习在真实商业场景中运用AI工具辅助产品发布等决策。

对改变加以巩固

AI转型多半要花18到36个月，还有一些转型长达5年之久。为避免项目失去动力，领导者要做好以下四件事:

说到做到。领导者必须以身作则。AI转型开始时，领导者可以带头参加培训班，表现自己的积极性。

不过领导者也必须主动鼓励员工采用新的工作方式。AI需要试验，而且初期的迭代往往无法按照计划顺利进展。这个时候，领导者应当强调从试点项目中获得的价值。这样有助于鼓励员工适当承担风险。

我们遇到过的领导者里，以身作则最有成效的人十分谦逊。他们乐于提问，强调多元化视角的价值。他们定期与员工会面，讨论数据，提出“我们做得对的时候有多少”“今天的决策有什么数据支持”这样的问题。

我们知道的一个特色产品零售商的CEO就是一个很好的例子。她在每次会议上都邀请参与者分享经验和意见，自己最后开口。每过几周，她就安排时间与业务部门和分析部门的员工见面，看看他们都做了些什么——无论是否启动了新的试点项目或扩大了原有项目规模，她都会这样做。

让业务部门负责。由分析人员担任AI产品负责人的情况并不少见。不过，分析只是解决商业问题的一种手段，因此业务部门必须领导项目，负责让项目取得成功。项目责任应当指派给相关业务人员，由业务人员负责分配工作，从头到尾引导项目。有时组织会在项目发展周期中的不同节点(如证明项目价值、配置资源和扩大规模)安排不同的负责人。这样做也不对，因为会在交接时遗漏一些问题，或者错失机会。为所有利益相关者记录项目绩效指标的计分卡，可以将分析团队和业务团队的目标整合一致，是一种非常好的方法。例如，某航空公司引入AI解决方案优化航班价格和预订，使用多部门公用的计分卡评估该AI方案的推广应用率、发挥全部作用的速度以及商业成果。

跟踪推广情况并加以推进。对比使用和不使用AI辅助的决策带来的成果，可以鼓励员工应用AI。例如，某日用品公司的经销者发现没有AI支持的预测准确率一般只有一半，比瞎猜好不了多少，这个发现使得经销者更加积极使用AI工具辅助预测。

监督执行的团队可以根据需求调整流程。北美某零售商的AI项目负责人，发现门店管理者很难把AI试点项目的结果应用在跟踪门店绩效的实际工作中。这个AI工具的用户界面不友好，而且给出的结论并未整合进门店管理者每天决策参考的控制面板。为解决这一问题，AI团队简化了用户界面，调整了数据输出方式，让新的数据流出现在门店管理者的控制面板上。

为改变提供激励。认同员工的工作，可以在漫长的过程中激励他们。上文提到的特色产品零售商CEO，在会议开始时公开表扬一位帮助公司AI项目取得成功的员工(如产品经理、数据科学家或一线员工)。在这家大型零售企业里，CEO为参与AI转型的优秀员工提供新的职位。例如，他让在项目试点期间协助测试优化解决方案的品类经理负责该方案在各门店上线的工作，强调了积极参与AI转型对个人职业发展起到的积极作用。

最后，公司必须确保对员工的激励与AI应用相关。这里有一个反例，某实体零售店用AI模型优化商品折扣，希望清空积压的库存。AI模型表明，与打折出售相比，丢弃积压商品对利润增长更有利。然而门店员工卖出商品可以得到奖励，即使以极低的折扣价出售也是如此。由于AI建议与标准的奖励模式相冲突，员工开始怀疑AI工具，弃之不用。销售奖励写在员工合同里，无法轻易修改，于是公司修改AI模型，对利润和奖励的冲突做出妥协，帮助终端用户接受AI工具，最后提升了收益。

扩大AI应用规模的举措可以产生良性循环。从单一职能团队转为跨职能团队，可以聚合不同的技能、视角和用户意见，更好地改进工具。一段时间后，组织各部门的员工还可以再投入新的合作。

员工与其他职能、其他地区的同事关系拉近，思路就会得以扩展，从尝试解决单个问题转为彻底重新构想业务和运营模式。因此，试点项目获得成功，其采用的从测试中学习的方法推广到组织的其他部门，创新速度就会提升。AI工具推广到整个组织，终端用户越来越能够承担过去由上级管理者负责的决策任务，使得组织结构扁平化。这又能鼓励进一步的合作，提升员工大局观。

运用AI辅助决策的方法还在增加。新的应用方式将会在工作流程、职能和文化方面推动根本性的改变，有时改变还会十分艰难。领导者必须谨慎地带领组织渡过这一阶段。人与机器合作可以获得高于双方单独作业的成绩，未来这种合作将会越来越多，在整个组织内成功推广AI应用的公司会拥有巨大的优势。

蒂姆·方汀是麦肯锡悉尼办公室合伙人，麦肯锡旗下高级分析公司QuantumBlack负责人，公司位于澳大利亚。布赖恩·麦卡锡是麦肯锡亚特兰大办公室合伙人，麦肯锡分析公司知识发展议程负责人之一。塔米姆·萨利赫是麦肯锡伦敦办公室高级合伙人，麦肯锡分析公司欧洲负责人。

破坏AI项目的十种方法

很多组织为AI及分析工作投入大量资金，结果却不尽如人意。是什么破坏了AI项目?公司推广AI失败通常是由于以下几项:

一、缺乏对高级分析方法的明确认知，配备了数据科学家、工程师以及其他重要人才，却不了解高级分析与传统分析的不同之处。

二、不评估项目可行性、商业价值和投资回报期，启动试点项目之前没有充分考虑如何平衡第一年的短期成就和之后的长期回报。

三、只有用例，没有战略，根据当前状况随意处理AI，不考虑AI为本公司所在行业全局带来的机遇和挑战。

四、没有对关键职能进行明确定义，因为不了解强大的AI项目所需的各种技能和要完成的任务。

五、没有负责“解读”的专业人士辨别高价值AI用例，向技术人员解释业务需求，说服业务人员应用AI工具，即在业务部门和技术部门之间架起沟通的桥梁。

六、将分析部门严格限制在中心部门，或协调能力低下的孤岛部门，与业务部门彼此隔离，未能让分析人员和业务人员紧密合作。

七、浪费时间和资金进行全公司范围内的数据清理，而不是集中在最有价值的方面进行数据整理。

八、尚未找到业务应用实例就盲目构建分析平台，尚不了解数据用途就建立起数据库等框架，还经常对新平台和旧有系统进行不必要的整合。

九、未能量化分析对企业损益的影响，没有高效的绩效管理方法，未能以清晰的指标跟踪评估每个项目。

十、没有重点关注伦理、社会和监管影响，在数据获取及运用、算法误差等多个方面容易出错，也可能产生负面的社会和法律影响。

详情参见McKinsey.com网站文章《分析项目失败的十个危险信号》(“TenRedFlagsSignalingYourAnalyticsProgramWillFail”)。