通過人工智能“卓越中心”進行轉型

Peter B. Nichol

你是否樂觀地認為人工智能（AI）將會影響轉型？你是否認為企業正在從以數據驅動決策為基礎的輔助型智能向下一代的增強型智能過渡？對于后者，企業需要設計能夠強化人類智能與交互的機器。一切皆有可能，但是前提是人，沒有人就一切皆無可能。文化是由人來推動的。

我們需要設定愿景、啟用跨功能的協作、設計企業文化，因為愿景、合作和文化是創建世界一流人工智能“卓越中心”的三大支柱。無論你是對標準化與集成，利用數據資產還是對評估業務價值感興趣，卓越中心（COE）都可以提供企業成功所需的治理或資源平衡。

愿景：學習集中化的價值

為了真正掌握卓越中心背后的愿景，讓我們回溯一下它們的根源。卓越中心是建立在權力集中化理念之上的，其具有系統性和一致性。這種集中化的優勢包括直接的責任和職責、清晰的決策，以及當權者相信權力集中化可更好地為他們帶來利益。緊隨這些優點之后的是缺點，如決策并非由了解問題的人所做出的，由于信息傳播速度慢而導致執行延遲，以及將可能有助于做出更好決策的某些資源排除在外。

在工業革命期間，我們開始看到了新的制造理念，特別是從家庭生產制（散工制）到工廠生產制的轉變。家庭生產制將材料運送到農村生產者手中。以這種分散的方法提供的產品不僅價格相對較高且質量也良莠不齊。工廠生產制則使用機器大規模集中生產商品。這種新方法降低了成本并提高了工人效率。工廠生產制的采用提出了一個新的問題：我們應該在哪里生產商品？

協作：人工智能卓越中心架構與區位理論之間的相似之處

人工智能卓越中心的組織架構設計直接影響到了人工智能卓越中心與企業其他部門之間的協作程度。區位理論專注于預測經濟活動的理想地理位置。簡而言之就是企業應位于何處？我們是否關注差異成本？生產與配送之間的距離矛盾是否是一個問題？這些概念似乎已深深植根于傳統制造業，當今的企業高管很少談論或考慮這些。

有趣的是，我們可以在具有試驗性質的卓越中心架構設計和區位理論之間找到相似之處。以下三個主要的區位理論有助于我們理解設置人工智能卓越中心時需要注意的一些組織架構設計注意事項。

·德國經濟學家阿爾弗雷德·韋伯（Alfred Weber）建議，制造工廠應設在成本最低的地方（最低成本理論）。韋伯理論考慮了運輸、勞動力和集聚等成本。

·美國數學統計學家、經濟理論家哈羅德·霍特林（Harold Hotelling）提出了霍特林理論。該理論提出了以下原則：不參考其他同類行業就無法理解行業的位置，他建議位置選在客戶（集群）附近。位置相互依存的觀點將企業的地理位置與其經營和創造利潤的能力聯系在了起來。

·專注于區域和城市經濟學的德國經濟學家奧古斯特·廖什（August L?sch）研究了區位經濟學。廖什的理論認為，制造廠應位于能夠實現最大利潤（利潤區）的地方。

韋伯理論、霍特林理論和廖什理論都認為，企業應該將利潤轉移到凈利潤最大的地方。從表面上看，這似乎是常識，但是在將這一概念應用于卓越中心時，我們較少關注利潤，而更關注持續的價值交付（這可能會，也可能不會立即涉及利潤）?，F在我們要思考企業中的哪個地方產生了最大價值？

文化：為人工智能卓越中心找到家

歷史并不能成為預測未來成功的依據，但是了解它們并借鑒過去的錯誤沒有什么壞處，至少企業不會再犯一模一樣的錯誤。

我們得出以下觀察結論：

·集中化技術可以有效地分發通信，能夠最大限度降低信息出現偏差的可能性。

·由于具有定制性和分布性，去中心化的方式有助于招聘工人。

·區位理論引入了一個概念，即企業應該位于能夠實現價值最大化的地方。

我們需要將這些概念應用到人工智能卓越中心當中。縱觀卓越中心的發展歷史，我們找到了一些有用的經驗：

·在傳遞企業愿景的過程中，卓越中心的集中管理可最為有效地防止發生偏差。

·去中心化的員工參與模式有助于提高參與度和加速卓越中心在企業中的采用。

·卓越中心應該讓功能報告實現集中化（強制性），在操作上必須內置在能夠產生最大價值的地方（在公司內部）。

當我們針對持久性、彈性和加速部署而設計建造人工智能卓越中心時，這些概念提供了一些富有遠見的原則。具體而言，優秀的設計對于支持企業價值觀、信念和行為的發展至關重要，這樣有助于以數據為中心的文化獲得認可，進而讓“人工智能優先”的思維模式獲得支持。

建立“人工智能優先”思維模式只與文化和人有關，而與技術和數據無關。有了“人工智能優先”、人和人工智能文化，那么能否衡量人工智能卓越中心的價值呢？

衡量人工智能卓越中心的價值

通過設定愿景可以明確人工智能卓越中心的目標。與此同時，人工智能卓越中心用于決策的原則也需要被明確。那么人工智能卓越中心的期望是什么？人工智能卓越中心的基本價值主張是什么？如何共同創造價值以深化共享所有權？

愿景確定后，如何實現協作將成為重點。人工智能卓越中心團隊將如何與現有的內部組織架構（團隊，部門和部門）進行協作？何時選出和確定人工智能精英？如何激勵人工智能社區積極參與？

現在開始針對文化轉型進行設計。如何定義“數據即資產”文化的臨界點？哪些基準可以展示行為上的文化轉變？個人績效計劃如何與人工智能優先思維方式聯系在一起？哪些傳媒形式將用于教育和宣傳？

規劃人工智能車間、確定人工智能試驗項目、開辦人工智能系列講座都可以促進部署，讓企業獲得真正的人工智能。但是難點在于我們不知道何時能夠取得進展。以下問題可以幫助大家評估自己的人工智能計劃是否正在對價值實現產生積極影響：

·企業領導者是否能夠將人工智能項目與業務成就聯系起來？

·現有的業務精英是否是人工智能社區的一部分？

·人工智能試點項目是否對價值實現進行了量化？

·企業資源能否闡明它是如何為人工智能社區的知識做出貢獻的？

·資源是否可以進入企業并根據人工智能優先思想解釋其角色是如何發生變化的？

·隨機抽取的企業資源是否能夠闡明企業人工智能卓越中心的價值主張？

·人工智能卓越中心是否已集成到現有業務流程中，還是作為企業價值創造的局外人袖手旁觀？

技術合作伙伴會建議你通過收集數據資產清單、檢查技術堆棧和探索跨孤立區域的技術共享等方式開始人工智能卓越中心之旅。雖然這些措施在某些時候是必需的，但是人工智能卓越中心的成功在于人，而不是數據。我們需要設定愿景、 啟用跨功能的協作和設計文化。

本文作者Peter B. Nichol為業務和技術主管，其在數字創新方面獲得了CIO.com、麻省理工學院斯隆管理學院、計算機世界、Computerworld、BRM學院和項目管理學院的認可。

原文網址

https：//www.cio.com/article/3452583/designing-an-artificial-intelligence-center-of-excellence-for-disciplined-transformation.html