你的企业准备好加入人工智能大潮了吗？请先看一下这些建议

今年春天，当ChatGPT用户突破1亿之际，Kuang Xu正在教授一门新课程，深入探讨这一变革时刻最紧迫的问题之一：现在我们似乎正处于人工智能时代的风口浪尖，如何才能最好地利用这些技术呢？

或者更准确地说，正如Kuang在《人工智能和数据科学：战略、管理和创业》这门课程中所总结的核心问题一样：“我们应该如何构建由人工智能和数据科学深度整合或驱动的产品？与此同时，我们又要如何管理从事人工智能和数据科学的团队呢？”

Kuang是斯坦福商学院运营、信息和技术 (OIT) 教授，一直在研究如何利用人工智能和数据驱动的决策来推动企业和政策的发展。“实际上，早在ChatGPT真正开始流行之前，我就已经在考虑开设这门课程了。” 他解释道。该课程主要是以他的研究和咨询工作为基础，因为他曾看到过当公司为了应对董事会的压力而匆忙成立人工智能或数据科学团队时会发生什么。“五年后，每个人都离开或被解雇了。为什么？因为他们从来没有认真地整合过。整合这些新技术并不是一件小事。”

没有人想错过人工智能技术所带来的机会。但我们应该从哪里开始呢？人工智能已经成为了从ChatGPT等生成工具和机器学习到计算机视觉和机器人过程自动化等很多事物的代名词。企业领导者如何确定他们需要哪些人工智能工具，然后应该怎样快速地采取行动而又不会破坏原有的业务或团队呢？本文中，Kuang和其他斯坦福商学院的教授就如何才能灵活地、战略性地和负责任地部署人工智能分享了他们的看法。

做好前期准备

“直到最近，那些来自科技行业以外的公司，在加入斯坦福商学院的高管教育项目时，还会担心他们是否已经在人工智能方面落后了。” 商学院经济学教授、机器学习以及人工智能治理和道德专家、95年博士Susan Athey说道。“我经常需要向他们保证，仅仅是一些更复杂的人工智能形式并没有足够的价值来证明投资的合理性。”

然而，这种情况在过去一两年发生了变化：随着越来越多的公司开始认真收集和分析数据，人工智能的质量出现了爆炸性的增长。“这种结合，” Athey说，“让我们的工作进展非常快。”

OIT数据科学教授Gabriel Weintraub表示，ChatGPT的大规模采用是人工智能热潮已经到来的具体信号。最近，他在与同事Mohsen Bayati和Stefanos Zenios一起组织的关于利用人工智能进行业务转型的研讨会上，提出了评估人工智能投资机会的框架。“我们确实相信时机已到。” Weintraub说。对于对人工智能感兴趣的商业领袖，他建议既要迅速行动又要保持谨慎的态度。“我认为你确实需要加入这个浪潮，但一定要以一种深思熟虑的方式进入。在面对如此多的炒作时，人们往往很容易忘记一些最基础的概念。你仍然要通过解决客户痛点来创造价值。基本上，人工智能正在做的就是为你提供了新的、潜在的、变革性的价值创造方式。”

最重要的是，人工智能和数据科学应该帮助你做出更好的决策。
​- Kuang Xu

尽管加入这个浪潮的压力很大，但目前人工智能还并不是所有企业都必不可少的。“我认为这取决于每个公司的业务领域。” Kuang说。他建议那些对此并不确定的人，可以试着设想一下：如果现在有一个可以回答有关你的企业未来任何问题的预言家，可以预测到你的产品的未来需求，这会改变你的产品定价吗？“当你开始问这种更加具体的问题时，人们就会意识到，’哦，由于监管或声誉的问题，我可能无法改变产品的价格。’”

我们可以使用相同的流程来评估潜在的人工智能解决方案：如果它按计划工作，你的做法会有哪些不同？如果答案是“差不多”，那么也许你应该再等一等，不用急着去购买诸如人工智能驱动的分析应用程序之类的东西。“最重要的是，” Kuang说，“人工智能和数据科学应该能够帮助你做出更好的决策。如果你没有办法因此改变公司的运营或决策，那么仅仅拥有更多信息对你其实没有帮助。”

组织行为学副教授Amir Goldberg的研究融合了数据科学和组织研究，强调人工智能仍然存在的未知性和复杂性。“对于某些对如何优化已有明确定义的事情，例如比较简单的供应链管理问题，当然可以采用人工智能。因为它已经被证明有效而且我们知道如何去使用它。但在其他一些事情上，比如管理与员工的关系，采用人工智能的机会和风险似乎都是巨大的。” 总的来说，他认为：“这不是一个用或不用人工智能的二元决定，而是要弄清楚如何才能将人工智能整合到公司的整体运营中去。”

找到合适工具

要整合人工智能，你首先需要有一个战略。“如果你甚至还没有一个框架来部署人工智能解决方案，那就需要付出更多的努力。” OIT教授Mohsen Bayati说。他的研究方向是数据驱动决策中人工智能的数学和算法基础。如果你目前还没有关于人工智能的战略，那也很正常。根据McKinsey的统计数据，现在只有刚刚超过50%的“人工智能高绩效者”表示，他们已有明确的人工智能战略或愿景。而近80%的其他公司都尚未制定任何关于人工智能的战略。

下一步则是寻找合适的工具，这需要平衡好奇心和谨慎。现在有更多的人工智能解决方案可供选择使用，“但是这并没有消除如何将正确的解决方案与正确的问题相匹配的挑战。” OIT助理教授Jann Spiess说。他主要研究数据驱动的决策和人工智能与人类之间的相互作用。无论你想要购买还是自己构建人工智能工具，都必须确保“它们所做的事情确实会对公司业务的进展有帮助，而不仅仅是盲目地解决一些无用的技术问题。”

你确实需要加入这个浪潮，但一定要以一种深思熟虑的方式进入。在面对如此多的炒作时，人们往往很容易忘记一些最基础的概念。
– Gabriel Weintraub

Athey指出，该领域已经为技术实力较薄弱的公司敞开了大门，但对于许多面向客户或涉及到关键任务的应用程序来说，还没有完善到即插即用的程度。“对于公司来说，如果仅仅是尝试一下，并不是一个坏主意，因为采用新工具的门槛已经降低了。” 她说。“但我认为，可以运行和真正可以工作且安全的东西之间还是存在很大差距的。目前，我们缺乏能够帮助企业评估绩效和管理风险的现成工具，还有很多方面需要考虑，而且一旦发现问题，也没有足够的既定方法可以来解决问题。”

与人们的直觉相反，人工智能能力的突然爆发可能会让找到合适工具变得更加困难。Bayat称之为“校准差距”。通常，当人们对人工智能提出担忧时，会想到的是超级人工智能失控所带来的生存风险。但Bayati指的是一些更直接、更实际的问题：你怎么知道人工智能工具真的能够完成你交给它的任务？另外，当人工智能达不到预期时，你又有什么办法可以来调整它？

对于旧的人工智能模型来说，这不是一个问题，因为这些模型是针对一组狭窄的问题和数据进行训练的。但是，像大型语言模型这样的新工具已经远远超出了他们的训练范围，可以完成开发人员从未预料到的事情。比如，ChatGPT最初的设计目标只是要预测句子中的下一个单词，谁知道后来它可以通过MBA考试、调试代码或是在认知发展测试中取得高分呢？“这就是‘校准差距’所在—训练和任务之间的差异。” Bayati说。