哈佛商业评论

人工智能（下称AI）已经能胜任很多“人类”的工作，例如诊断疾病，担任翻译、客服等，且发展势头迅猛。人们自然会担心，AI是否终将在各个经济领域取代人类。但这并非不可避免，也不是最有可能的结果。数字工具和人类的协作从未如此密切。尽管AI从根本上改变了工作完成的方式和执行者，但该技术更大的影响力在于补充并强化人类的能力，而非取代人类。

当然，很多公司已经通过AI将工作流程自动化，但那些仅仅使用AI取代人类员工的企业，只能获得短期生产率收益。我们研究了1500家公司，发现绩效提高最明显的企业，是那些实现人类与机器协同工作的公司（见图表“协作价值”）。通过这样的协作，人类和AI主动提高彼此的互补性优势：人类提高领导力、团队合作、创造性和社交技能；机器提高工作速度、扩展性和定量能力。对人类来说很自然的事（比如讲笑话），对机器却很难。对机器而言简单的事（分析千兆字节的数据），人类几乎做不到。但商业活动需要这两种能力相互协作。

想要充分利用协作优势，企业必须懂得如何让员工用最高效的方式提高机器能力，同时机器又可以拓展人类最擅长的事情，以及如何重新设计商业流程，为协作提供支持。通过我们在该领域的工作，我们找到了帮助企业完成这件事的指导原则，让协作智能发挥作用。

人类辅助机器

人类担任的三个关键性角色是：培训机器完成工作；解释工作结果，特别是在工作反直觉或有争议时；负责任地使用机器（例如，防止机器人伤害人类）。

培训。机器必须通过算法学习完成指定工作。在机器学习的过程中，通过学习海量培训数据组，机器翻译应用程式学会了如何处理常用表达语，医疗程式学会如何诊断疾病，推荐引擎学会了如何为财务决策过程提供支持。此外，人类要教会AI系统如何用最好的方式和人类互动。尽管各领域的机构仍然在寻找培训者的初期阶段，但领先的技术公司和研究团体已经有了成熟的培训专员和专业知识。

举例来说，微软的AI助手科塔娜（Cortana），需要经过大量培训，才能发展出合适的个性：自信、关心他人、乐于助人但不颐指气使。为了让她具备这些能力，由诗人、小说家和编剧等人组成的团队花了大量时间培训她。同样地，在开发苹果Siri和亚马逊Alexa性格的过程中，人类培训者也加入其中，确保这些产品体现出公司的品牌特性。例如Siri有一种时髦活泼的感觉，这符合用户对苹果的期待。

现在，人类开始通过训练，为AI助手赋予更复杂和微妙的人类特征，例如同情。由麻省理工学院媒体实验室创办的初创公司Koko，研发出能帮助AI助手展现同情心的技术。例如，假设用户某天过得不顺利，Koko系统不会用预先设置好的标准答案“对此我感到很遗憾”回复，而是进一步询问更多信息，为用户提供建议，帮助他从不同角度看问题。如果他感到压力，Koko可能会建议他将这种感受视为触发行动的一种积极情绪。

解释。AI得出结论的流程越来越不透明（所谓黑匣子问题），这样一来，该领域的人类专家就需要向非专业用户解释行为。对于讲求证据的行业，例如法律和医疗，这些“解释者”尤为重要。此类行业从业者需要理解AI如何量刑或给出医嘱。解释者要帮助保险公司和执法机关理解，为什么某无人驾驶车辆的行动导致车祸或未能免于车祸。在管制行业中解释者已经变得不可或缺。

任何面向消费者的行业中，机器的贡献都有可能被视作不公平、非法甚至完全错误的。欧盟新出台的一般数据保护规定（General Data Protection Regulation，简称GDPR）阐明：消费者有权获得任何基于算法决定的解释，例如针对信用卡或贷款的利率优惠决定。在这一领域，AI的出现增加了人类就业。专家预计，企业因执行GDPR的规定，需要创造7.5万个新工作。

维护。除了解释AI结果，企业还需要“维护者”，确保AI系统运行良好、安全、负责。例如，有时人们会将一批专家称为安全工程师，负责预测和阻止AI可能造成的伤害。开发者在制造担任“人类助手”的工业机器人时，会格外谨慎，确保机器人能识别身边的人类，不会对其造成伤害。当AI确实造成伤害时，例如无人驾驶车辆发生致命车祸，这些专家也可能会负责评估解释者的分析。

另外一批维护者负责确保AI系统遵守道德规范。例如，如果人类发现，某AI系统在信贷审批中，歧视了某一族群（曾发生过），这些道德管理者将负责调查并解决这些问题。数据合规人员的工作类似，也是确保输入AI系统的数据符合GDPR及其他消费者保护法的规定。涉及使用数据的工作，都要确保AI能负责任地管理信息。

和很多科技公司一样，苹果公司通过AI，在用户使用公司产品和软件时，搜集用户个人信息。公司目标是提高用户体验，但不受约束的数据收集会损害消费者隐私，激怒消费者并触犯法律。苹果公司的“差别隐私团队”，就是为了确保AI从统计学角度全面了解某用户群组的信息时，单个用户的隐私得到保护。

机器辅助人类

智能机器可以通过三种方式，帮助人类拓展能力。它们能够增强我们的认知优势；和客户以及雇员互动，让人类省出时间，完成更高级别的任务；掌握人类技能，拓展人类极限。

强化。人工智能可以通过在正确的时间提供正确信息，提高我们的分析和决策能力。但它也能增强创造力。欧特克公司（Autodesk）的“追梦人”AI拓展了最顶尖设计师的想象力。设计师告诉“追梦人”理想产品的标准，例如最高承重300磅的椅子，座椅离地18英寸，用成本少于75美元的材料制成等。她也可以提供其他有吸引力的椅子信息。

“追梦人”制造出数千种符合这些条件的设计，常常激发设计师想到很多最初并未考虑过的点子。设计师可以指导软件，告诉软件她喜欢哪些椅子，不喜欢哪些，从而进入下一轮设计。

在迭代过程中，“追梦人”进行了大量计算，确保每个设计提案都符合具体标准。这让设计师能够集中精力发挥人类特有的优势：专业判断和美感。

互动。人机协作让企业能和雇员及客户用一种全新的、更高效的方式互动。类似科塔娜这样的AI代理，能够协助人类互相沟通或代表人类沟通，例如记录一场会议，让未能出席的人获得一份语音搜索版本的会议纪要。这类应用有天然的扩展性，比如说一个聊天机器人能够为世界各地的大量人群，同时提供日常客服工作。

瑞典北欧斯安银行（SEB）现在使用虚拟助手Aida和数百万用户互动。Aida可以进行自然语对话，拥有大量存储数据，能回答很多常见问题，例如如何开户或海外转账。她也能追问电话那头的用户，以便解决问题，还可以分析对方的语调（例如挫败或感激），改进未来的服务。系统解决不了问题的时候（30%的情况下会发生），会将电话转接到人类客服代表处，监测互动过程，学习解决类似问题的方法。有了Aida，人类客服可以集中精力解决更复杂的问题，特别是那些需要更多关注的不满用户。

具象。很多像Aida和科塔娜这样的AI，主要以数字形式存在，但其他应用的智能体现在提高人类员工能力的机器人中。这些AI赋能的机器人，拥有精密的感应器、发动机和制动器，可以识别人类和物体，安全地在工厂、仓库和实验室和人类一同工作。

在制造业，机器人已经从有潜在危险性的“低配版”工业机器进化为具备情景感知能力的智能“协作机器人”（cobots）：比如，协作机器人通过手臂反复举起重物，与此同时，人类则进行需要灵敏度和判断力的其他任务，例如组装齿轮电动机。双方的工作互补。

韩国现代公司通过添加外骨骼延伸了“协作机器人”的概念。这些可穿戴的机器人设备，能够根据用户和使用地点实时调整，让工业劳动者在工作中拥有了超越人类的耐久性和力量。

重塑行业

企业需要重新设计运营流程，以便充分利用AI价值。首先，企业要找出并描述一个有改善空间的运营领域，或某个低效的内部流程（例如人力资源部门迟迟无法招到合适员工），也可以是之前无法解决，现在能够通过AI解决的难题（搜索所有病患，快速定位药物不良反应）。此外，一些全新AI和高级分析技术能找出此前经过AI解决方案考验的隐性问题。（见边栏“揭示隐性问题”）

其次，企业必须让利益相关方预想和AI系统合作的情况，改进流程，通过共同创造，找出解决方案。举例来说，一家大型农业公司想要通过使用AI技术帮助农民。有关土壤特性、天气模式、历史收成记录等的数据非常多，初始计划是设计一个AI应用，更准确地预测未来的粮食产量。但在和农民讨论后，公司了解到他们更迫切的需求。农民真正需要的，是一个能够为提高生产率提供实时建议的系统，告诉他们该种哪种作物、在哪里种、应使用多少氮肥等。公司开发出提供这类建议的AI系统，初期成果前景不错，农民对听取AI建议后的粮食增产感到满意。初期测试结果被用于优化系统算法。新的AI和分析技术通过提出流程改进建议，辅助合作创造。

对企业来说，第三步是扩展、并维护潜在解决方法。SEB最初在内部使用了一个版本的Aida，帮助1.5万名银行员工工作，之后针对100万客户，使用了聊天机器人。

通过和数百家公司的合作，我们发现企业一般想要提高的商业流程的5个特性：灵活性、速度、扩展性、决策流程和定制化。在重新设计商业流程的过程中，企业有必要找出哪些特征对预期的改革至关重要，如何利用智能协作解决问题，以及有必要和其他流程特性做哪些统一和取舍。

灵活性。对梅赛德斯奔驰公司高管来说，灵活的流程会带来不断增长的挑战。公司的超级客户一直要求定制款的S-class箱式轿车，但奔驰的装配系统无法为客户提供他们想要的定制化服务。

过去，汽车制造流程一直由“低配”机器人通过自动化步骤完成。为提高灵活性，奔驰用AI赋能的“协作机器人”取代了其中一些机器人，围绕人机协作，重新设计了流程。在公司位于德国斯图加特附近的工厂里，协作机器人手臂在人类员工的指导下，举起并安装重型部件，成为工人身体的延伸。这一系统由员工主控车辆组装，人类的体力劳动减少，更多是在机器人的协助下，从事“领航”工作。

公司人机团队可以在工作中随时进行调整。在工厂，人类可以通过平板电脑轻松地给协作机器人重新设定程序，让其根据变化，处理不同任务。这样的敏捷性让制造商实现了前所未有的定制化水平。奔驰公司可以根据消费者在代理商那里的实时选择，为其定制并生产车辆，可定制的部分包括仪表盘部件、座椅皮革、轮胎阀门等。在斯图加特工厂组装线上的车辆，没有两辆是完全相同的。

速度。对一些商业活动来说，速度就是金钱。例如信用卡诈骗的识别。企业决定是否同意某项交易只需几秒。如果该交易是欺诈，他们就要自己承担损失。但如果拒绝了正当交易，将会失去这单的手续费，并引发顾客不满。

包括汇丰银行在内的很多大型银行，都开发出了基于AI的解决方案，提高欺诈识别速度和准确率。AI每日监测并给数百万项交易打分，采用购买地点和用户行为的数据、IP地址等信息，识别潜在欺诈的微弱信号和行为模式。汇丰银行率先在美国投入使用这一系统，极大提高了欺诈识别率，减少了误报率，之后在英国和亚洲进行推广。丹斯克银行使用另一种AI系统，将欺诈识别率提高了50%，误报率降低60%。误报率的降低让调查人员能够集中精力发挥人类判断的作用，解决AI标识出的可疑交易。

针对金融诈骗的斗争就像军备竞赛：侦测技术取得发展后，罪犯的手段也更加隐蔽，迫使企业研究出更好的技术，然后无限循环。因此，算法和打击犯罪的评分模型生命周期都很短暂，需要不断升级。此外，不同国家和地区的模型也不同。因此在人机交互端口，我们需要数据分析师、IT专业人士和金融欺诈专家团队确保软件能够领先罪犯一步。

扩展性。很多企业难以改善流程的主要障碍是扩展性不强。特别是那些需要大量人类劳动力，机器辅助程度很小的流程。例如，联合利华公司的员工招聘工作，公司希望找到让17万员工更多样化的方式。HR认为，公司要专注于初级职位，然后让最优秀的员工快速进入管理层。但在确保每位申请者获得关注的情况下，现有流程难以规模化，从而导致企业缺乏评估潜在人才所需的足够样本数量，无法做到优秀人才多样化。

下面是联合利华公司结合人类和AI的能力，解决这一问题的过程：在第一轮海选环节，公司要求候选人玩一个在线游戏，通过游戏评估候选人风险规避能力等特征。游戏没有对错，但联合利华的AI能从中找出哪些人最适合某个职位。第二轮中，申请人需要针对他们感兴趣的某个职位，在视频中回答一系列问题。AI系统不仅会分析他们回答的内容，还有身体语言和语调。由AI选出的本轮最佳人选，可以参加联合利华公司的员工面试，由人类选出最终通过面试的人选。

目前，判断新招聘流程是否能为公司招聘到更好的雇员还为时过早。企业已经在密切追踪这些雇员的成功率，但仍然需要更多数据得出结论。但是，有一点很明确，那就是新系统极大拓展了联合利华招聘的规模。一部分原因是应聘者可以通过智能手机轻松进入招聘流程，所以应聘者的数量在一年内翻了一倍，达到3万人，涉及的大学数量从840所增加到2600所，新雇员的社会经济学多样化增加了。此外，从投简历到做出招聘决定的平均时间由4个月下降到4周，公司人力资源筛选简历的时间降低了75%。

决策流程。AI可以通过给员工提供定制信息和指导，帮助他们做出更好的决策。这对行业竞争激烈的员工来说格外有价值，在这些行业中，决策的正确与否对盈亏有巨大影响。

例如通过使用“数字双胞胎”——实体设备的虚拟模式，改善维修设备的方法。通用电气公司构建了涡轮等工业产品的软件模型，并通过设备的运行数据流持续升级系统。通用电气公司通过搜集该领域机器的大数据，聚合了关于正常运行和异常运行的海量信息。使用机器学习算法的Predix现在能够预测，某部件在某个机器上可能会出现故障。

这项技术从根本上改变了工业设备维护的密集决策流程。比如说，Predix也许会发现某个意料之外的涡轮转子发生磨损，检查涡轮工作记录，生成报告称，在过去几个月里磨损程度提高了四倍，并给出警告：若不作为，转子预计将损失70%的使用寿命。系统会考虑到机器目前的状况、工作环境及其他机器的类似损耗和维修聚合数据，给出建议。Predix除了提出具体该采取什么措施，还会提供关于成本和财务收益的信息，并分析出设备使用的假定可信度（比如说95%）。

如果没有Predix，想在常规维修检查中发现转子磨损只能靠运气。员工很可能直到转子损坏才会发现问题，被迫停工，损失惨重。有了Predix，维修员工在问题还不算严重的时候及时发现，并握有所需信息，方便做出正确决策，这样的决策有时能帮助通用电气省下数百万美元。

定制化。营销的最高梦想是为用户提供个性化定制的品牌体验。在AI的帮助下，企业可以以前所未有的精度和规模实现这类定制。在线音乐服务提供商Pandora使用AI算法，根据每位用户在歌曲、歌手和音乐类型上的偏好，为数百万用户提供个性播放列表。星巴克也是一例，在顾客同意的情况下，使用AI识别他们的移动设备，访问购买记录，帮助咖啡师为顾客提供餐饮推荐。AI技术完成了它们最擅长的工作：通过筛选和处理海量数据，推荐某些服务或措施。人类则完成自己最擅长的：使用直觉和判断力进行推荐或从一系列备选项中选择最合适的。

嘉年华公司通过名为Ocean Medallion的可穿戴设备，和连接智能设备的网络，为数百万度假客户定制航线。机器学习动态处理来自Ocean Medallion、感应器和邮轮系统的数据，帮助顾客获得最佳度假体验。Ocean Medallion优化了游客登船和下船的流程，追踪游客活动，简化消费过程，只需将信用卡靠近设备即可连接，还可以将其作为房间钥匙。与之相连接的还有一个能预测游客喜好的系统，帮助船上工作人员为每位顾客提供个性化服务，包括定制旅游活动和餐饮体验。

职位和人才新需求

企业重新思考商业流程，不仅要让AI技术落地，还包括大力投资培养具备“融合技能”的员工，即让员工能在人机交互界面有效工作的能力。首先，人类必须学会将一些任务交给新技术完成，就像医生相信电脑得出的X光和核磁共振成像结果。员工也要学会如何将他们独特的人类技能和智能机器的技能相结合，得出1+1大于2的结果，就像在机器人辅助下的手术。员工必须知道如何帮助智能机器习得新技术，接受培训，顺利参与AI赋能的业务流程。例如，他们必须知道如果得到所需信息，什么提问方式最好。而且公司必须有类似苹果公司的差别隐私团队，确保企业负责任地使用AI系统，不会从事任何非法或不道德的行为。

我们希望在未来，企业将围绕重新构建的流程达到预期结果，重新设计公司职位。企业将更多围绕不同技能类别，而不是僵化的头衔来运营。AT&T公司在将座机电话服务转为移动网络服务的过程中，已经开始这种过渡。为了适应新的工作岗位，公司需要重新培训10万名雇员。其中一部分内容，就是全面调整全公司的组织构架：按照技能相似性，约2000个职位被合并到更大的类别下。一些技能在预料之中（如熟练掌握数据技术和数据整理），另一些则没那么明显（如在交叉销售中能使用简单的机器学习工具）。

多数人机互动活动都需要人类完成全新的、不同的工作（例如培训聊天机器人），或者用不同方式做事情（使用聊天机器人提供更好的客户服务）。但是到目前为止，只有一小部分调研企业开始重新思考他们的商业流程，优化协作智能。结论很明确：仅仅通过自动化取代人类的企业，难以开发出AI的全部潜力。这样的战略从开始就是误导。未来的领导企业应该是那些拥抱协作智能，改革运营、市场、行业，以及同样重要的劳动力的企业。

詹姆斯·威尔逊是埃森哲咨询公司信息科技与商业研究部门总经理。保罗·多尔蒂是埃森哲咨询公司的首席技术与创新官，两人合著《人类+AI：人工智能时代工作重新洗牌》一书（Human +Machine: Reimagining Work in the Age of AI，哈佛商业评论出版社2018年出版）。

詹姆斯·威尔逊（H.James Wilson）保罗·多尔蒂（ Paul R.Daugherty）| 文  

牛文静 | 译    刘铮筝 | 校   万艳  时青靖 | 编辑