打造企業智慧力

Paul+JH．Schoemaker+Philip+E+Tetlock

未來幾年中，企業必須智慧化發展，即能夠整合模型決策和人類在判斷、推理和選擇方面的天賦。能成功做到這一點的企業將勝出競爭者一籌

企業若要獲得可持續的成功，必然需要在其領域不斷創造、提升競爭優勢。這種優勢依然可以是規模生產的低成本、機密的自主知識產權、積極的員工或是高瞻遠矚的領導層。但在當前的知識經濟時代，企業的戰略優勢越發依賴超前的精準判斷與果斷抉擇。

從這個角度出發，有兩種不同的力量正在改造當今的企業：一是計算機和大數據技術，這為企業平穩運轉、進行預測研究以及踐行人工智能夯實了基礎；二是當前科學界對人在判斷、推理和選擇天賦上的認知加深。

針對這一新形勢，我們希望研究管理者如何將人類的智能與技術可實現的新洞察力結合起來，從而在不確定和復雜情形下做出更明智的抉擇。要知道，每五個決策中有3個正確和有28個正確的差別似乎很微小，但足以讓前者在競爭中占據優勢地位；而且隨時間累加，造成的差異將是巨大的。

通過企業戰略、組織理論、人類判斷、預測分析以及管理科學等多學科內容的探討，我們發現有五大能力，能夠支撐企業決策判斷力，提高企業的綜合智慧與決策能力，領先對手。這五大能力分別是：

1發現最需要“智慧”發揮作用的領域。將基于數據和理性的人工智能用于改善主觀預測，能夠帶來切實可見的變化。

2建立預測模型。鼓勵團隊之間以競爭的方式開展實驗和創新，發現最佳的預測方法。

3對企業內部的專家思維與知識庫建模。尋求企業內部對關鍵業務具有卓越見解的人才，通過預測模型來充分運用這些人才的能力。

4用人工智能進行試驗。采用超越簡單線性的模型，在有限領域使用深層神經網絡來實現計算機模型對人類專家的超越。

5改變企業運作方式。提倡探索文化，推動人類與機器能力結合。發現最需要“智慧”發揮作用的領域

建立智慧企業的起點是在合適的點投入資源，使之帶來最豐厚的回報。換言之，尋找最需要也最適合智慧化解決的問題。

最好的切入點是處于邊緣地帶的綜合性問題，解決它們需要有效結合真實數據與專家決策。這類問題的解決離不開確定性規程（karl POpper稱之為“準確性問題”），又受到不確定性（“云式問題”）限制。

“準確性問題”屬于依據過往經驗，可以穩定解決的問題。統計預測模型對此類問題的作用較大。例如評估新的醫療進展對預期壽命的影響，人類的直觀決策一般而言都不會比得上統計模型。

“云式問題”，如評估全球變暖對2025年邁阿密發生洪水的影響概率，大多是沒有歷史數據、沒有根據、或者隨機.出現的，這種情形下，專家的判斷對解決問題的效用更大；相對預測模型，專家能更好處理收集到的信息。

所謂智慧企業，核心是有機結合計算機及其算法的長處和人類在判斷、決策中的天賦，最終成型的智慧分析系統可能超越其各部分的簡單相加。

形成一個真正的智慧企業是一個慢而復雜的過程。認知心理學在過去幾十年的突破，使許多管理者擺脫了不規律思維的偏見和陷阱。但很少有企業能將這種進步轉化為企業智慧化的階梯。執行團隊在具體執行過程中遭遇的決策環境，很難與初始決策條件相同。因此，企業需要提高企業的智能化水平，強化協作的抉擇過程、深化數據和技術工具的效用。

目前，一些公司已經將大數據與預測分析投入使用，然而，很少有企業能夠系統整合人類的智慧和計算機的智能。

建立預測模型

通過預測模型比賽，以競爭形式尋找特定領域內最佳的思維方式或預測模型，是一條行之有效的途徑。其基本理念是激勵參賽者對可能發生的事情進行預測，并對預測結果進行概率分析，評判預測的準確性。

企業內部預測模式競爭的最大好處在于優化執行團隊的學習周期、加速學習過程，具體的操作方法包括：

1.仔細記錄。通過準確記錄，對各預測（新舊、自己與他人的）分門別類進行標記。

2.強迫失敗者面對自身的失敗與對手的成功，增加對自己反思的過程，培養優先自我批評的能力。

3.優勝者的選取有利于激發其他員工對取勝過程的好奇心，鼓勵團隊不斷嘗試并改進方法。

4.培養企業公平競爭的意識。

對企業內部的專家思維與知識庫建模

培養企業智慧力的另一種方式是模擬專家的思維與知識，進而更有效、客觀地利用這些知識。

一項早期的決策心理學研究，跟蹤了農民種植農作物并批發拍賣的過程，記錄了農業專家關于玉米質量的評判數據。這些專家通過對500個玉米穗的評價來預測其在市場上的最終價格，其間綜合考慮了穗長與飽滿度、玉米顆粒重量、預計胚芽填充度等。研究人員對這一流程和數據建立了一個簡單的加法模型評分系統，其給出的結果出人意料地比專家給出的答案更接近實際。幾十年前曾推出過的電腦模擬貸款決策也是如此，即使在消費貸款包含有許多主觀因素的前提下，模型的結果仍要比專家意見更為科學。事實上，在多數領域，這種情況都曾出現。

真實信息與信息噪聲的交織總會導致人類判斷的前后不一致。基于專家知識庫的決策模型能有效濾除信息噪聲，對同一問題反復判斷時顯得非常重要。某醫學研究中，相同的96例疑似胃潰瘍信息被提供給9名放射科醫師判斷，相隔一周的評估結果確實存在極為可觀的差異。

從醫藥到金融等領域的數十項研究表明，專家模型替代專家可以提供極為出色的決策力。但專家意見在情況緊急時效果出眾，而且他們的意見對模型更新有較大作用。對于企業也是如此，搜集積累企業內部人才和專家解決處理問題的信息，建立模型，是企業智慧化的重要實現途徑。

用人工智能進行試驗

對人類認知理解的加深推動了計算機早前在圍棋方面的建模。由于人類思維中的固有缺陷和各種認知偏見的局限，計算機通過其強大的計算能力對舊數據進行研究學習從而建立起的“智慧”，往往比專家更具優勢。1997年的深藍計算機就是這樣擊敗國際象棋特級大師加里·卡斯帕羅夫（GarryKasparov）的。人類能通過自身各種各樣的認知機制，建立起外界刺激與大腦中對應區域的聯系。不過，這種認知情形下，人類經常會陷于建立好的框架，這一缺點在新信息不斷涌現時是致命的。

Bootstrapping算法（自舉法）可以通過簡單的函數輸入輸出模擬出均值統計量的近似分布。進行專業知識建模，替代了人類推理的過程。而通過人工智能，能增強該算法模型的引導功能，使模型掌握人類思維方式和大數據變量間的復雜關系。

人工智能發展至今，涵蓋了機器視覺、語言理解、智能算法多個領域，但在跨領域建立聯系這一命題上仍有較大的不足。故人類的智慧，尤其是專家的行為信息，對機器模型的情境學習和創造力發展都非常重要。公司應密切關注人工智能的發展，適時在企業中進行試驗應用。

位于康涅狄格州西港的對沖基金公司Bridgewater Associates正在開發各種算法模型，希望用計算機模擬公司內部專業人才的能力，來實現企業的自動管理。

改變企業運作方式

通常，我們認為最強大的決策支持系統必然需要多技術融合。這樣的決策輔助工具正變得越來越普遍，遠不是諸如銷售預測、幫助醫生進行復雜的醫療診斷等可以概括。隨著時間的推移，人工智能技術將變得越來越精細，最終達到與大多數人類專家相當甚至更好的境界。

機器的精密必然帶動企業運作的復雜化。要讓企業運轉中信息“消噪”，得到企業智慧化真正需要的數據，必須改變企業的運作方式，主要有以下兩種方法：記錄員工的預測數據；評估預測結果，給每個員工積累“聲譽積分”，從而分配各員工的觀點在企業決策中的權重。

Bridgewater Associates創始人Ray Dalio一直在這方面進行努力。他制定了一套規則和管理制度，持續對員工進行記錄、評估和判斷，在企業內形成一種高透明度和激勵改善的文化。

未來，企業的智慧化轉型將集中于三個方面。第一，瞄準戰略重點，管理層需要明確企業的發展方向，譬如究竟要不要開展智慧化；第二，企業需要致力于建立一個評估記錄體系，將企業內部員工與專家的判斷力轉化為概率和數據，并建立模型；第三，企業要推動企業文化和運作的轉型，迎合智慧化發展的目標。

細節將是建立智慧企業的最大挑戰。人與機器的判斷分別適用于什么場合？組合判斷得到的結果是不是更優？一旦企業突破這些問題，開始采用綜合方式進行數據積累與建模，并不斷改進，其相對競爭對手的戰略優勢勢必不斷擴大。