哈佛商业评论

2019 年，在蚂蚁金服（AntFinancial Services Group）成立五年后，使用其服务的消费者人数突破10亿大关。从阿里巴巴分离出来后，蚂蚁金服利用人工智能（AI）和支付宝（其核心移动支付平台）的数据，运营各种业务，包括消费贷款、货币市场基金、财富管理、医疗保险、信用评级服务，甚至包括一款鼓励人们减少碳足迹的在线游戏。该公司的客户数超过美国最大银行的10倍，员工数量则不到其十分之一。在2018年最后一轮融资中，该公司的估值为1500亿美元，几乎是全球最具价值金融服务公司摩根大通（JPMorgan Chase）的一半。

与传统银行、投资机构和保险公司不同，蚂蚁金服以数字为核心。在其运营活动的“关键路径”中没有人工，由AI 主导。没有经理批准贷款，没有员工提供财务建议，没有代表授权消费医疗费用。在没有限制传统公司的经营条框情况下，蚂蚁金服能以前所未有的方式竞争，并在各个行业畅行无阻，实现增长和影响。

新型公司的出现催生了AI时代到来。与蚂蚁金服一起涌现的，还有谷歌、Facebook、阿里巴巴和腾讯等巨头，以及许多规模较小、发展迅速的公司，从ZebraMedical Vision、Wayfair到IndigoAg和Ocado。每次我们使用这些公司的服务时，都会发生同样令人赞叹的情况：我们获得的价值不再依赖由员工、经理、流程工程师、主管或客服代表操作的传统业务流程，而是由算法提供。微软首席执行官萨提亚·纳德拉（Satya Nadella）将AI称为公司新的“运行时”（runtime，指程序在运行或被执行时的状态——译者注）。确实，经理和工程师设计了 AI 和使算法工作的软件，但之后系统就通过数字自动化或利用公司外部提供的生态系统，自行交付价值。AI在亚马逊上定价，在Spotify上推荐歌曲，匹配Indigo市场上的买家和卖家，并在蚂蚁金服上授信贷款。

消除传统限制改变了竞争规则。随着数字网络和算法被编织到公司组织中，行业开始以不同的方式运作，它们之间的界限也变得模糊。这些变化远远超出了天生数字公司，因为更传统的组织，面对新的竞争对手，也转向基于AI的模式。沃尔玛、富达投资、霍尼韦尔和康卡斯特正在广泛开发数据、算法和数字网络，以便有底气在这个新时代竞争。无论你领导数字初创企业，还是致力于改造传统企业，了解 AI 对运营、战略和竞争的革命性影响都至关重要。

AI工厂

新公司的核心是决策工厂，我们称之为“AI工厂”。其软件在谷歌和百度每天运行数百万次广告拍卖；其算法决定哪些汽车可以在滴滴出行、Grab、Lyft和优步上运营；它为亚马逊耳机和马球衫定价，并在一些沃尔玛门店运行地板保洁机器人；它还支持富达的客户服务机器人，并为 Zebra Medical解读 X光片。在每种场景下，AI工厂都将决策视为一门科学。分析工具系统地将内部和外部数据转换为预测、洞察和选择，进而指导和自动化运营工作流。

奇怪的是，能推动数字公司爆发式增长的AI通常并没那么复杂。AI带来的剧变，不一定必须像科幻小说里写的那样，能以假乱真人类行为或模拟人类推理（这种能力有时被称为“强AI”）。你只需要一个计算机系统就能执行传统上由人处理的任务，通常被称为“弱AI”。

AI 工厂依靠弱AI已经可以做出一系列关键决策。在某些情况下，它可能会管理信息业务（如谷歌和 Facebook）。在其他情况下，它将指导公司如何构建、交付或运营实际物理产品（如亚马逊的仓库机器人或谷歌的自动驾驶汽车服务Waymo）。但任何情况下，数字决策工厂都会处理一些最关键的流程和运营决策。软件是公司的核心，人类被边缘化。每个工厂都有四大要素。一是数据管道，即以系统、可持续和可扩展方式收集、清理、集成和保护数据的半自动化过程。二是算法，它生成业务未来状态或操作的预测。三是实验平台，用来测试有关新算法的假设，以确保假设能产生预期效果。四是基础设施，即将该过程嵌入到软件中并将其与内外部用户相连的系统。

以谷歌或必应等搜索引擎为例。一旦有人在搜索框中输入几个字母，算法就会根据许多用户之前输入的词汇及该特定用户过去的操作动态预测整个搜索词。这些预测被捕获在下拉菜单，即“自动建议框”中，该菜单可帮助用户快速在相关搜索中归零。每次键盘输入和点击的数据点都会被捕捉，以便改进对未来搜索的预测。AI 还会生成有机搜索结果，即依靠此前收集的网络索引，并根据此前搜索结果生成的点击进行优化。输入词还会触发与用户搜索最相关的广告自动竞价，由另外的实验和学习循环生成其结果。任何搜索查询内外或搜索结果页都会提供有用的数据。搜索越多，预测越好；预测越好，搜索引擎就有越多人用。

消除规模、范围和学习的限制

至少自工业革命以来，规模的概念就一直是商业的核心。伟大的阿尔弗雷德·钱德勒（Alfred Chandler）描述了现代工业企业如何以更低的单位成本达到前所未有的生产水平，使大公司比小公司更具优势。他还强调了公司可以从实现更大的生产范围或品种中获得的好处。推动改进和创新为企业增加了第三个要求：学习。规模、范围和学习已成为公司经营绩效的基本驱动因素。长期以来，它们一直由精心定义的业务流程实现，这些业务流程依赖于人工和管理来向客户交付产品和服务，并且传统IT系统也加强了这些流程。

工业模式逐步改进历经了数百年，而如今数字公司正从根本上改变规模、范围和学习模式。AI驱动的流程可以比传统流程更快规模化，允许更大的范围；因为这些流程可以轻松与其他数字化业务连接，并为学习和改进创造令人难以置信的强大机会。例如，能够生成更加准确和复杂的客户行为模型，然后相应地定制服务。

传统运营模式中，不可避免地，规模会达到收益递减的临界点。但我们不一定在AI驱动模型中看到这一点。在这种模型中，规模的回报率或将继续攀升至前所未有的水平（详见图表“AI驱动型企业如何超越传统企业”）。请试想，当一家由AI驱动的公司与传统公司竞争时，通过类似或更好的价值主张和更可规模化的运营模式为同一客户提供服务，将会发生什么。

我们称这种对抗为“冲突”。由于学习和网络效应都放大了体量对价值创造的影响，建立在数字核心上的公司可能会压倒传统组织。试想，当亚马逊与传统零售商、蚂蚁金服与传统银行，以及滴滴/优步与传统出租车服务发生冲突时，会有何结果。正如克莱顿·克里斯坦森（Clayton Christensen）、迈克尔·雷诺（Michael Raynor）和罗里·麦克唐纳（Rory McDonald）在《什么是颠覆性创新》（《哈佛商业评论》2015年12月刊）中所说，这种竞争不符合颠覆模式。冲突不是由技术或业务模式的具体创新引起的，而是一种截然不同公司横空出世的结果。它们可以从根本上改变行业和竞争优势的性质。

请注意，AI 驱动的运营模式可能需要相当长时间，才能接近传统运营模式在规模上产生的经济价值。网络效应在达到临界点之前产生不了多少价值，大多数新应用的算法在获得足够数据之前都遭遇了“冷启动”。蚂蚁金服发展迅速，但其2004年由阿里巴巴推出的核心支付服务支付宝（Alipay），花费了数年才达到目前体量。这解释了为什么那些囿于传统模式的高管最初很难相信数字模式会迎头赶上。然而一旦数字运营模式真正见效，可以提供更多更优价值，并迅速超越传统公司。

AI驱动的企业与传统公司之间的冲突正在各行各业上演：软件、金融服务、零售、电信、媒体、医疗保健、汽车，甚至农业综合企业。很难想象哪个企业不会面临数字化运营模式和应对新威胁的急迫需求。

重塑传统企业

对于传统企业的领导者而言，与数字对手竞争不仅仅涉及部署企业软件或构建数据管道、了解算法和进行实验，还需要重新构建公司的组织和运营模式。很长时间以来，企业通过专注和专业化，优化了规模、范围和学习，导致绝大多数企业具有现存的孤岛式结构。信息技术的更新换代并未改变该结构。几十年来，IT被用于提高具体职能和组织单元的绩效。传统企业系统甚至强化了孤岛和不同职能、产品之间的隔阂。

然而，孤岛是AI 驱动增长的敌人。事实上，谷歌广告和蚂蚁金服的网商银行等公司刻意抛弃孤岛，旨在利用集成的核心数据和统一、一致的代码库。当公司中的每个孤岛都有自己的数据和代码时，内部开发支离破碎，几乎不可能跨孤岛或与外部业务网络或生态系统建立连接；也不可能全方位了解每个部门和职能服务的客户。因此，当公司建立新数字核心时，应该避免在组织内部造成部门间的鸿沟。

虽然向AI驱动模式的过渡具有挑战性，但许多传统公司（其中一些我们曾合作过）已开始转变。事实上，在最近一项研究中，我们调查了服务业和制造业领域的 350 多家传统企业，发现大多数企业已开始将更多的注意力放在组织中的数据和分析上。包括诺德斯特龙、沃达丰、康卡斯特和维萨在内的许多公司已经在数字化和重新设计运营模式的关键环节取得了重要进展，并开发了先进的数据平台和AI能力。你不必是软件初创公司，也能将业务关键元素数字化，但你必须处理孤岛和支离破碎的旧系统、添加功能并重塑文化。（欲详细了解推动此类变革的关键原则，请参阅边栏“让AI成为企业核心”）

点击查看大图

富达正在利用AI在重要领域实现流程，包括客户服务、客户洞察和投资建议。其 AI计划基于多年努力，将数据资产集成到一个数字核心中，并围绕其重新设计组织。这项工作尚未完成，但AI的作用在全公司许多高价值应用案例中已经非常突出。为与亚马逊较量，沃尔玛正在围绕AI重建其运营模式，并用基于云的集成架构取代传统的孤立企业软件系统。这样一来，AI和分析工具将使沃尔玛盘活独特的数据资产，并自动化或加强越来越多的运营任务。在微软，纳德拉将公司的未来押注于其运营模式的整体转型（详见边栏“微软的AI革命”）。

点击查看大图

重思战略和能力

随着AI驱动企业与传统企业发生冲突，竞争优势越来越多地被定义为塑造和控制数字网络的能力。（请参阅《平台何以成功》，《哈佛商业评论》2019 年 3月刊。）擅长连接业务、聚合流动数据并通过分析和AI提取数据价值的组织将占上风。传统的网络效应和AI驱动的学习曲线会互相加强、影响加倍。在谷歌、Facebook、腾讯和阿里巴巴等公司中，你可以看到这种动态，它们通过许多网络连接积累数据，并跨行业构建提高竞争优势所需的算法，成为强大的“枢纽”公司。

与此同时，以传统行业分析为重的传统战略方法收效甚微。以汽车公司为例，它们面临着从优步到Waymo等种种新数字威胁，每种威胁都来自传统行业界外。如果汽车公司高管们能超出传统行业背景思考，将之视为高度互联、AI支持的服务，不仅可以捍卫自己的公司，还可以通过当地的商业机会、广告、新闻和娱乐信息Feed流、基于位置的服务等，释放新价值。

高管们曾被建议，要经营他们了解的业务，坚守他们熟悉的行业。但算法和数据流的协同效应并不遵守行业边界。不能利用跨界客户和数据的组织可能处于很大劣势。战略需要关注公司跨行业建立的联系以及公司使用的网络数据流，而非专注行业分析和管理公司内部资源。

所有这一切都对组织及其员工具有重大影响。无论什么职业、收入水平或专业化程度，机器学习将改变几乎任何工作的性质。毫无疑问，基于AI的操作模式可以造成真正的人力损失。几项研究表明，目前一半的工作活动可能被AI支持的系统所取代——我们不应对此太过惊讶。毕竟，操作模型长期以来设计的初衷，都是让任务变得可预测和可重复。例如，在结账时扫描产品、制作拿铁和治疗疝气的过程可以标准化，并且不需要太多的人类创造力。虽然改进AI将丰富就业，并产生各种有趣的机会，但也不可避免地会让许多职业变得混乱。

这些混乱不仅包括工作被替换，还包括传统能力被削弱。几乎所有场景中，AI支持的公司都拥有高度专业化的组织。在 AI 驱动的世界中，竞争与专业化关联不大，更多与获得、处理、分析数据和算法开发等系列通用能力有关。这些新的通用能力正在重塑战略、业务设计，甚至领导力。非常多样化的数字和网络企业战略现在越发相似，运营绩效的驱动因素也趋同。行业专业知识已变得不那么重要。当优步寻找新CEO时，董事会聘用了一位以前经营过数字公司Expedia的人，而非豪华轿车服务公司。

每个行业拥有不同核心竞争力的时代已经渐行渐远，由数据和分析塑造、算法提供支持的时代离我们越来越近。所有这一切都托管在云中，可供任何人使用。这就是为什么阿里巴巴和亚马逊能够在零售和金融服务、医疗保健和信用评分等不同行业展开竞争。这些部门现在有许多类似的技术基础，并使用共同的方法和工具。战略正在从基于成本、质量和品牌资产的传统差异化以及专业、垂直的知识，转向业务网络定位、积累独特数据和部署复杂分析能力等优势。

领导力挑战

虽然可以释放出巨大增长，但消除操作限制并不总是好事。失去了摩擦力的系统容易不稳定，一旦启动就难以停止，就像没有刹车的汽车或者无法减速的滑雪者。数字信号[例如病毒式模因（meme）]可以通过网络快速传播，甚至连发起它的组织或网络中控制关键枢纽的实体都无法阻止。如果没有摩擦力，煽动暴力的视频，虚假、操纵性的标题可以迅速传播到不同网络，触达数十亿人，甚至能优化点击率和下载。如果你想发信息，AI 提供了绝佳的方式覆盖大量人群并为他们个性化该信息。这对于营销者是天堂，但对于民众却是噩梦。

数字运营模式可以聚合危害和价值。即使好意也可能会引发潜在的不利因素。错误会使大型数字网络面临破坏性的网络攻击。算法如果不加以控制，可能会在大规模范围内加剧偏见和误解。风险会被极度放大，试想数字银行以前所未有的方式聚合消费者储蓄。蚂蚁金服目前经营着全球最大的货币市场基金之一，数亿中国消费者的储蓄都托付给了它。这其中蕴含着巨大风险，特别是对于那些未经过考验的机构。

数字规模、范围和学习带来了一系列新挑战，不仅关乎隐私和网络安全，也包括市场集中、混乱和不平等加剧造成的社会动荡。商业监管机构正在努力适应所有这些快速变化。在AI驱动的世界中，一旦产品与市场契合，用户数量、参与度和收入就会直线上升。然而，不受约束的增长十分危险，这越来越显而易见。采取数字运营模式的企业潜力巨大，但也需要明确考虑其可能造成大规模伤害的能力。应对这些机遇和威胁，是对企业和公共机构领导力的真正考验。

马可·伊安西提（MARCOIANSITI）  卡里姆·拉卡尼（KARIM R. LAKHANI） | 文

马可·伊安西提是哈佛商学院工商管理DavidSarnoff讲席教授，他负责技术和运营管理和数字项目。他还担任过很多科技领域公司的顾问，包括微软、Facebook和亚马逊。卡里姆·拉卡尼是哈佛商学院工商管理Charles Edward Wilson讲席教授，哈佛商学院Dorothy and Michael Hintze研究员，以及哈佛创新科学实验室创始人和联合主任。两人合著有《AI时代的竞争战略》一书（哈佛商学院出版社2020年出版）。

刘铮筝 | 译   蒋荟蓉 | 校   钮键军| 编辑