現(xiàn)如今很多的企業(yè)都會在自己的公司配置一定的人工智能，從最起初的人臉識別打卡到工作上的數(shù)據(jù)分析整理。AI系統(tǒng)可以實現(xiàn)人機協(xié)作，從根本上改變工作性質(zhì)，從而徹底顛覆企業(yè)運營和員工管理方式。研究表明，各大行業(yè)中，只有行業(yè)領軍企業(yè)成功抓住了這股由人機協(xié)作催生出的第三輪業(yè)務轉(zhuǎn)型浪潮所帶來的機遇。

AI帶來企業(yè)的革新

很多人都存在這樣一種認識誤區(qū)，認為包括高級機器人和數(shù)字機器人在內(nèi)的AI系統(tǒng)會逐步接管人類的工作。例如，無人駕駛汽車終有一天會取代出租車司機、快遞和卡車司機；智能語音也將取代電銷和客服的存在。對于某些工種，這一擔憂或許會成真。不過我們發(fā)現(xiàn)，AI技術更重要的影響還是賦能于人，從而推動重大商業(yè)轉(zhuǎn)型。在部署了AI系統(tǒng)（從機器學習到計算機視覺再到深度學習）的公司中，一些公司的生產(chǎn)效率短期內(nèi)略有提高，還有一些公司的績效可能突飛猛進，后者的訣竅在于能夠充分理解并利用AI技術帶來的真正影響。為了充分挖掘AI技術的潛力，行業(yè)領軍企業(yè)已經(jīng)采用更具流動性、適應性的業(yè)務流程，并組建了人機協(xié)作團隊，人機協(xié)作推動了許多傳統(tǒng)流程的革新。

例如，在位于德國丁戈爾芬格(Dingolfing)的一家BMW裝配廠，工人和機器人共同完成汽車組裝工作。在工廠的一角，一位工人擺好了用于傳動裝置的齒輪箱，而一個可以感知周圍環(huán)境的輕量機械臂拿起了一個重達12磅的齒輪。這位工人隨后開始處理下一項任務，同時，這個機械臂將齒輪精確地放入齒輪箱，并拿起了另一個齒輪。在工廠的另一角，另一個輕型機械臂正在小型車窗的邊緣均勻涂抹黏稠的黑色黏合劑。一位工人在機械間走來走去，擦拭黏合劑噴嘴，放入新玻璃，并拿走已涂好的車窗，在這里，人類和智能機器人真正實現(xiàn)了“和諧共舞”。

這些創(chuàng)新團隊能夠適應不斷涌現(xiàn)的新數(shù)據(jù)環(huán)境和多變的市場行情，幫助企業(yè)革新工作流程。例如，在電話銷售的過程中，AI不會取代人類的角色而是承擔繁瑣乏味的初步篩選、收集數(shù)據(jù)并進行初步分析，從而使電銷專員能夠?qū)Ｗ⒂谔幚硪庀蚩蛻簟Q言之，機器承擔自己比較擅長的任務：完成重復性工作、分析海量數(shù)據(jù)集并處理常規(guī)案例。與此同時，人類則專注于他們最擅長的工作：處理存疑信息、針對復雜案件做出自己的判斷并與不滿意的客戶進行溝通。

思維模式

通過重新定義“中間地帶”的工作，打造截然不同的業(yè)務流程。人類與AI互相促進。如果只將AI用于現(xiàn)有流程的自動化，只能實現(xiàn)績效的小幅提升。重新定義工作則需要采用完全不同的思維模式，利用人機協(xié)作，實現(xiàn)許多傳統(tǒng)流程的革新。死板的裝配線將讓位于靈活的人機團隊，被機器賦能的人類與AI攜手共進，適應不斷涌現(xiàn)的新數(shù)據(jù)和新角色。不過，要實現(xiàn)這些，企業(yè)首先要奠定堅實的基礎。因此，需要首先實現(xiàn)常規(guī)工作的自動化，例如電銷可以將初步篩選的工作完全交給電銷機器人，然后充分挖掘員工的潛能，然后再專注于人機協(xié)作，完成對客戶的跟進從而成單。這離不開以行動導向的思維模式，具體包括以下三個關鍵步驟：

探索與描述。必須了解傳統(tǒng)業(yè)務流程和新型AI解決方案之間的區(qū)別。例如，工作崗位不應僅限“人類專屬”和“機器專屬”，還應包括協(xié)作型崗位來負責對機器人和人工之間的交接。

共同創(chuàng)造。發(fā)現(xiàn)流程轉(zhuǎn)型機遇是一回事，而抓住這些機遇又是另一回事：只有設想出新的工作模式，才能抓住這些機遇。

推廣與維護。重新定義流程的最后一步是擴大解決方案的適用范圍，并通過不斷改進進行維護?？赡苄枰趩T工內(nèi)部對新系統(tǒng)進行測試，以便解決所有問題，隨后再應用于客戶。

數(shù)據(jù)

構建數(shù)據(jù)“供應鏈”，為智能系統(tǒng)提供發(fā)展空間。良好的數(shù)據(jù)是AI的基石，也是推動AI發(fā)展的動力。為了提供必要的動力，不妨將數(shù)據(jù)想象為一個端到端的供應鏈。這就要求我們以截然不同的方式定義數(shù)據(jù)：管理數(shù)據(jù)不是企業(yè)內(nèi)部分散開展的靜態(tài)流程，而是在整個企業(yè)范圍內(nèi)獲取、清洗、整合、甄選和存儲信息的動態(tài)活動。做好數(shù)據(jù)的收集，才能對相應的對象進行更加完善的學習和更新，了解客戶的需求。由于機器學習、深度學習和其他AI應用都需要使用數(shù)據(jù)，數(shù)據(jù)必須又“好”（種類多、質(zhì)量高、可用性強）又多。同時，AI系統(tǒng)是在反饋回路中進行培訓的，數(shù)據(jù)的質(zhì)和量均會影響算法的改進，AI系統(tǒng)的質(zhì)量取決于培訓數(shù)據(jù)的質(zhì)量。因此，公司必須將目光投向“被遺忘的中間地帶”中負責獲取并提供數(shù)據(jù)以供分析的崗位。這些崗位至關重要，因為數(shù)據(jù)中的偏差會造成嚴重的后果，導致結果有誤，誘使員工做出錯誤的決定。