1. 智能自动化之旅从数据混沌到决策自主的演进每隔一段时间就会有一种新技术出现宣称自己是“自切片面包以来最好的东西”。九十年代任何“在线”的东西都比其离线版本更优越。本世纪初的几年蓝牙技术横空出世一度成为昂贵代名词的宠儿。从家用电器、家具到汽车、服装和配件万物皆可蓝牙。什么比一台烤面包机更好——一台带蓝牙的烤面包机。同样在企业领域自本世纪初以来云计算一直是变革性的力量。云革命带来了处理能力的普及和对大型数据集的访问。这部分地促成了一个古老算法——神经网络的复兴。正如广泛报道的那样神经网络和深度学习算法将这个被深入研究但鲜为人知的科学领域——人工智能推向了主流技术。可以说人工智能是迄今为止最具变革性的技术之一它是一种范式转变算法被设计成像人类一样从数据中“学习”并最终达到或超越人类在思考和决策方面的能力。我们今天在许多领域体验着人工智能的应用从最初让“AI”一词成为主流的游戏到Alexa、Siri再到道路上的众多自动驾驶汽车以及所有由人工智能驱动的社交网络Facebook、Twitter和Instagram。什么比一台烤面包机更好——一台带AI的烤面包机。进入AI时代学习仍然是其关键但不幸的是这些算法从我们在平台上的活动中学习到的东西远比我们意识到的要多得多。因此AI算法本身并不包含答案也不是被创造出来计算答案的。相反它们是具有结构和链接的“容器”能够“学习”。这就像我们的大脑或者说它最接近的软件对应物仅由代码构建需要能够支持大量处理能力的硬件和数据来运行。智能是通过用正确的数据“喂养”进行训练而随时间获得的——记住算法的好坏完全取决于它们所“吃”的数据字面意义上如此。这类似于我们幼年时上学被灌输大量数据和知识并被给予越来越难的挑战来解决从而使我们的智能得以进化。AI系统在获取智能的方式上与我们的大脑相似都是通过训练逐步、增量地获得。AI的一个不那么被广泛讨论的反常之处在于与以往的技术不同AI不是一个即插即用的即时解决方案至少目前还不是。它是一种“能力”需要时间利用与其用例相关的数据很可能来自组织自身的数据进行学习然后产生与该组织相关的洞察和效益。因此要正确利用AI首先必须拥有能够输送给AI算法进行训练的数据管道。毫不奇怪大多数组织的数据一开始就是孤立的、非结构化的。因此对许多组织而言AI之旅的起点要早得多——数字化和创建数据管道。这是一段旅程——你当前所处的位置以及你何时开始决定了你何时开始获得收益以及之后何时达到顶峰。AI常常与IA——另一个发音相似的缩写代表智能自动化——联系在一起。智能自动化涉及AI的应用理想情况下它以递增的复杂度级别使用以实现自动化和自主运行的预期效益。KPMG的Cliff Justice预测智能自动化市场将从2018年的124亿美元增长到2025年的2319亿美元——增长超过17倍或者说7年内增长1770%。这是大多数公司正快速拥抱这一趋势的最清晰信号之一。然而如前所述并非所有组织都同样准备好跳入自动化之旅。它始于数据尤其是正确数据的可用性。让我们更详细地审视如何逐步实施“数字化、分析、然后自动化”这几个阶段将AI嵌入组织流程。2. 数字化一切皆可数据始于当下随着数字设备使用的爆炸式增长我们拥有海量数据并且正在以惊人的高速率生成新数据。据预测全球数据量将在未来7年内增长到当前规模的5倍——从2018年的33泽字节增长到2025年的175泽字节。如果你对这个单位没概念1泽字节等于1万亿千兆字节。数据增长的大部分贡献来自物联网——那些始终连接并不断生成数据的“物”或设备。那么我们如何处理所有这些数据分析它好吧。不幸的是我们的大部分数据是非结构化的——在当前水平下大约80%的数据无法直接分析。例如我们执行的许多重复性任务比如预订下周的行程或填写上次行程的费用报告等处理的都是碎片化和非结构化的数据——你可能有一张纸质账单另一封电子邮件收据等等。由于所有数据并非从一个地方接收或存储也没有一个预定义的模型因此它从未完全实现自动化并持续需要我们投入注意力和时间去执行。因此在启动AI之旅之前每个组织都应制定数字化和数据治理计划以确保组织生成的数据中尽可能高的比例能够用于构建分析从而最大化其产生数据的效用和学习价值。这不仅仅是购买一个数据库或云存储那么简单。数字化意味着将物理世界和业务流程中的信息转化为机器可读、可处理的标准化格式。这包括文档数字化将纸质合同、发票、报告通过扫描和OCR光学字符识别技术转化为可搜索、可索引的文本数据。流程数字化将依赖人工传递、审批、签字的线下工作流转移到线上系统如OA、ERP、CRM使每个环节的状态、耗时、参与者都成为可追踪的数据点。物联数字化通过传感器、RFID、摄像头等设备将物理设备如生产线机器、仓库货架、楼宇设施的运行状态、环境参数实时转化为数据流。数据标准化与治理建立统一的数据字典、元数据管理、主数据管理MDM体系确保不同来源的数据在定义、格式、质量上保持一致这是后续分析可信度的基石。一个常见的误区是认为数字化就是上系统、存数据。实际上没有治理的数字化只会制造更多的“数据孤岛”。因此在数字化阶段就必须同步考虑数据架构数据如何采集、清洗、存储、分类、归档和安全保护。这为后续的分析和自动化提供了高质量、可用的“燃料”。3. 分析从描述过去到预演未来有了结构化的数据分析才能成为可能。数据分析可以根据分析目标变得日益复杂它可以是事后追溯、前瞻预测或深度洞察。我们可以将其演进分为五个层次3.1 描述性分析发生了什么这是最基础的分析专注于发现和描述过去——发生了什么以及为什么会发生。这可以说是事实发现任务也是我们日常任务中最常见的数据分析类型包括报告、下钻查询和警报。例如月度销售报表、网站流量统计、客户投诉分类汇总。其核心是汇总和可视化历史数据回答“是什么”的问题。工具通常是BI商业智能平台如Tableau、Power BI通过拖拽生成图表和仪表盘。3.2 诊断性分析为什么会发生在描述“是什么”的基础上诊断性分析进一步深入探究现象背后的原因。它通过数据钻取、关联分析和根本原因分析等技术寻找变量之间的相关性。例如发现本月销售额下降诊断性分析会追溯是哪个区域、哪个产品线、哪个销售渠道出了问题并可能关联到市场活动、竞争对手动或内部运营因素。这需要更深入的数据探查和统计知识。3.3 预测性分析可能会发生什么这需要更严格的科学方法和复杂的数据建模包括统计建模目的是推断可能发生什么然后推荐处理它的最佳方法例如统计分析、预测、预测建模和优化。预测性分析利用历史数据建立统计模型或机器学习模型来预测未来的结果或趋势。例如基于历史销售数据和市场指标预测下季度营收基于用户行为数据预测客户流失风险。常用的技术包括回归分析、时间序列分析如ARIMA和经典的机器学习算法如随机森林、梯度提升树。3.4 规范性分析应该怎么做这是更高级的分析目标是基于输入或采取行动的场景来得出结果。模型通常从数据中学习为其针对特定情况的建议或执行创建推理依据。它不仅是预测还会提供一系列行动选项并模拟每个选项可能带来的结果从而推荐最优决策。例如供应链优化系统不仅预测需求还会建议在哪个仓库储备多少库存、选择哪条物流路线成本最低且时效最快。这通常结合了运筹学、模拟仿真和高级机器学习。3.5 认知性分析如何像人一样理解与推理这是目前最前沿的领域旨在让系统能够理解非结构化数据如文本、图像、语音中的语义、情感和上下文并进行类似人类的推理、学习和对话。自然语言处理NLP、计算机视觉CV和知识图谱是支撑技术。例如AI客服能理解用户口语化投诉的本质并给出解决方案医疗AI能从医学影像中识别病灶并参考海量文献给出诊断辅助意见。实操心得许多企业一上来就想做预测性甚至规范性分析但基础的数据描述和诊断都没做好。我的经验是一定要先打好描述性分析的基础确保关键业务指标KPI的定义清晰、计算准确、可视化直观。这不仅能建立团队对数据的信任也能暴露出数据质量的问题。预测模型的构建往往80%的时间花在数据清洗、特征工程上只有20%的时间用于建模和调优。不要迷信复杂的算法有时一个简单的线性回归模型只要有高质量的数据和正确的特征其表现可能远超一个过度调参的黑盒神经网络。4. 自动化从模拟点击到自主决策的六层阶梯工业革命一波接一波每一次都带来了创新和自动化的范式转变。从18世纪80年代蒸汽机带来的机械化到19世纪80年代电力和大规模生产的开始再到20世纪70年代普遍开始的基于逻辑门和计算机的计算。最后我们目前所处的信息物理系统革命通过更好地利用数据——通过从数据中获取更好的学习和洞察然后利用网络和互联网将这些洞察集成到物理系统中——来实现自动化。因此前提是如果我们能更多地分析数据并利用其中的洞察我们就能将更多的工作自动化。当然最大的障碍是很大一部分数据从一开始就是非结构化的——例如以非预定义的方式存储因此无法轻易地大规模集成和分析。因此自动化连续体始于一个流程在该流程中碎片化的数据可以在IT环境变化最小的情况下转换为“结构化”数据。然后结构化数据可以用于分析和学习遵循分析连续体随着复杂度的增加和从数据中学习。4.1 机器人桌面自动化软件模仿人类操作类似于Excel中的“宏”可以录制一次然后根据需要运行多次以执行连接跨多个通过计算机或桌面访问的碎片化应用程序工作流的多个步骤。通常用于记录基于规则的重复性任务。与宏类似这是一个灵活的有人参与流程可以设计为在执行期间暂停以等待用户输入或决策。涉及步骤少或多的流程都可以使用这种相当经济高效的软件实现自动化而无需投资大型IT系统——并在效率、结构和流程控制方面获得收益。注意事项RDA高度依赖于用户界面的稳定性。如果软件界面如按钮位置、菜单结构发生更新录制好的脚本很可能失效需要重新录制或调整。因此它最适合那些界面稳定、规则极其明确、且变化频率低的桌面操作任务如数据录入、报表生成、跨系统数据搬运。4.2 机器人流程自动化与RDA类似但自动化程度更高无需用户输入因此整个流程端到端自动化。例如在匹配纸质文件的情况下使用OCR——光学字符识别软件来执行无需人工干预。RPA是更成熟的企业级方案它通过软件“机器人”模拟人在电脑上的操作自动执行跨系统、规则明确、大批量的重复任务。与RDA相比RPA通常有中央控制台、流程设计器、机器人调度和监控功能。它能处理更复杂的逻辑如简单的if-else判断并能7x24小时运行。实操要点实施RPA前必须对目标流程进行彻底的梳理和“适RPA性”评估。一个好的RPA流程候选者通常具有“规则明确、输入结构化、系统稳定、异常可控”的特点。流程中要设计完善的异常处理机制比如当OCR识别失败时是转人工处理还是记录日志后跳过此外RPA机器人的账号权限管理至关重要需遵循最小权限原则避免安全风险。4.3 数字化RPA这是RPA的扩展具有自助服务功能如通过IVR交互式语音应答、移动端、网页等进行通信以增强自动化。这本质上是RPA与前端交互渠道的集成。例如客户在网页表单提交申请RPA机器人后台自动抓取信息查询多个数据库进行校验完成处理后再通过短信或邮件通知客户。这使自动化流程能够直接面向客户或员工提供无缝的服务体验而不仅仅是后台的无人化操作。4.4 机器学习包含特定算法的软件可以通过称为“训练”的过程从提供给它的数据中学习然后用于预测性和规范性类型的分析以取代或增强人类决策。通常与RPA解决方案集成以增强自动化。ML是AI的核心子集它使系统能够不依赖显式编程而是通过模式识别从数据中学习并做出预测或决策。当ML与RPA结合就产生了“认知自动化”或“智能RPA”。例如RPA机器人处理发票时不再需要预设的规则来匹配订单号和金额而是通过一个训练好的ML模型自动识别发票图片上的各种字段抬头、日期、项目、总价并判断其真伪及是否与合同一致。核心挑战ML模型的引入带来了新的复杂性。首先是数据需求训练一个有效的发票识别模型可能需要成千上万张已标注的发票图片。其次是模型维护业务规则或票据格式变化模型可能需要重新训练。最后是结果不确定性ML模型有准确率比如98%那2%的错误如何处置需要设计人工复核流程或置信度阈值。4.5 认知解决方案ML系统进一步与流程执行能力集成。因此以前需要人类决策或判断的流程现在可以在没有人工干预的情况下无缝执行。这可以看作是智能自动化的高级阶段系统不仅能执行任务、能预测还能在复杂、模糊的情境下做出判断并执行。例如在信贷审批中系统不仅能自动抓取申请人的多维度数据ML预测违约风险还能在风险处于灰色地带时自动发起额外的数据验证请求如调用第三方征信接口并根据综合结果做出通过或拒绝的决策全程无需信审员介入。4.6 狭义AI与广义AI将AI的范围和应用从少数流程扩展到广泛的领域以实现“演绎”或场景分析。人工通用智能是学习算法范围的进一步扩展它可以模仿或超越人类跨越多学科和领域的学习能力。这尚未实现理论上是未来才会发生。目前企业应用的都是狭义AI即在特定领域如视觉识别、自然语言处理、下棋达到或超越人类水平。广义AIAGI则指具备通用智能能像人类一样学习、理解和应对任何智力任务这仍是遥远的目标。重要提示RPA/RDA将信息从孤立的流程和非结构化数据转换为特定的数据模型因此随后可以被用作使用ML和AI等的更高级别的自动化。这意味着即使从简单的RPA开始也是在为未来的智能自动化积累结构化的数据资产。5. 启动你的自动化之旅必经的五个阶段与以往的自动化浪潮不同AI的开发和集成是独特的因为它不像一个即插即用的过程至少到目前为止是这样。由于包含针对组织特定数据集的“学习”开发、集成、交互、治理过程是分阶段进行的每个阶段可以说都有其自身的“学习”过程。Rashed Haq最近在彭博社的文章中阐述了企业AI的最佳实践。假设所需的数据管道已构建并正常供给实施会经历以下几个阶段5.1 实验探索阶段如今有许多新颖的AI基础设施包括IBM Watson或Google TensorFlow。你可以把这些基础设施想象成预格式化的PowerPoint幻灯片模板——你选择幻灯片数量、格式、主题等仅此而已——实际内容仍然来自你。类似于从另一个销售演示文稿复制内容看起来不协调且效果不佳——AI算法在不复制、而是为每个应用程序定制开发时会产生更好的结果。至少目前是这样。这些基础设施提供了你需要在此基础上构建的架构——例如用特定于你应用程序的数据来开发和训练系统。到目前为止开发过程类似于博士水平的研究阶段是迭代的大多像试错实验包括重复的验证和测试阶段以确保准确性和无偏见。除非你能找到一个AI与另一个组织的问题和所需解决方案完全匹配——这就像PowerPoint幻灯片一样非常罕见——否则从一个组织复制一个训练好的AI系统并产生最佳结果的机会非常渺茫。实操心得这个阶段切忌“为了AI而AI”。应从具体的、高价值的业务痛点出发定义清晰的试点项目。例如“利用AI减少客服工单的首次响应时间”而不是“实施AI战略”。小范围试点可以控制风险快速验证技术可行性和业务价值。同时要管理好预期AI项目初期投入大、见效慢可能经历多次失败这需要管理层有足够的耐心和容错空间。5.2 部署整合阶段一旦AI系统开发出来需要时间来调整业务流程将AI嵌入工作流。除非AI是在一个已经实施的系统内比如说SAP否则AI的输出需要应用到日常流程和工作流中。这需要“业务流程再造”或“变革管理”——我们任何在组织中工作的人只要团队中有这样的名称都知道这有多么困难和耗时。技术部署只是第一步更重要的是人的接受和流程的适配。可能需要重新设计岗位职责、绩效考核方式并为员工提供培训让他们理解AI是如何辅助决策的以及何时应该信任AI、何时需要人工覆核。5.3 人机协同阶段假设我们遵循之前描述的自动化旅程——大多数刚接触AI的组织首先需要实施AI来“增强”人类决策和行动而不是拥有一个端到端的解决方案。因此人类对应方必须学会与AI建议协同工作并随着时间的推移做得更好。这涉及学习。这个阶段的关键是设计良好的人机交互界面。AI的输出不应是一个简单的“是/否”而应附带置信度、推理依据如果可解释的话以及备选方案。例如在医疗影像辅助诊断中AI不仅标出疑似病灶区域还应给出其判断为恶性肿瘤的概率并列出支持该判断的图像特征供医生最终决策参考。5.4 治理与监控阶段由于AI主要用于预测性和规范性应用即使它学习的是过去的数据但通过输入和用更新、更近的数据重新训练来保持系统最新是至关重要的。同样AI系统就像黑匣子——因为无法理解或看到它是如何进行特定学习的——因此必须监控它产生的建议并仔细检查以检查它是否随着时间的推移产生任何意外的偏见。这包括模型性能监控持续跟踪模型在生产环境中的准确率、召回率等指标设置衰减警报。数据漂移检测监控输入数据的分布是否随时间发生变化这可能导致模型失效。偏见与公平性审计定期检查模型的决策是否存在对特定群体如性别、种族的不公平偏见。可解释性与透明度尽可能采用可解释的AI技术或在关键决策点保留人工解释环节。安全与合规确保AI系统符合数据隐私法规如GDPR并防止对抗性攻击。5.5 规模化扩展阶段毫无疑问由于这些学习阶段构建和部署任何AI系统都比以往任何技术更加微妙和分阶段。然而一旦各个环节整合在一起它可以非常快速地扩展。以Motobot——自动驾驶摩托车案例研究为例。Valentino Rossi是人类有史以来最优秀的摩托车赛车手之一。他是历史上唯一一位在四个不同级别——125cc、250cc、500cc和MotoGP——赢得世界冠军的车手也是九届大奖赛世界冠军是有史以来最成功的冠军之一。Motobot是雅马哈汽车公司创造的一个3岁的人形机器人能够自主驾驶摩托车绕赛道行驶。Motobot能在赛道上打败你吗是的。Motobot能打败Rossi吗不还不能……目前。加油Rossi人类——1机器人——0。是的雅马哈Motobot是真实的并且随着时间的推移变得更快、更好。Motobot在赛道上击败Rossi的日子并不遥远——不是因为Rossi变老了而是因为Motobot被输入了更多数据并且正在学习变得更好。一旦Motobot学会在赛道上击败Rossi——许多这样的Motobot几乎可以立即被创造出来每一个都能击败Rossi。与人类相比AI具有无限的可扩展性——它只是一个可以被复制的软件。同样在任何行业中在实施成功AI系统方面领先的公司可以立即扩展这些系统变得不可战胜即使不是不可能也很难被击败。然而另一家公司或应用比如说一个滑板车共享公司可能无法复制Motobot的AI来驱动他们的两轮车在道路上自主行驶——因为道路与赛道相比提出了完全不同的挑战目标也大不相同。尽管这两个用例大致相似——都是用于自主两轮车——但用例不同因此每个都必须构建自己的系统。因此大多数AI系统都是定制的然而一旦构建成功对于相同的应用是无限可扩展的。核心启示AI的规模化不是简单的复制粘贴。它意味着将经过试点验证的AI能力以平台化、组件化的方式复制到其他相似的业务场景中。这需要前期在技术架构上做好抽象比如建立统一的特征平台、模型服务平台和自动化流水线。规模化也意味着组织能力的复制包括团队、流程和治理框架。6. 常见挑战与务实建议踏上智能自动化之旅绝非坦途结合我过去在多个项目中推进的经验以下是一些最常见的挑战及应对建议挑战一数据基础薄弱质量堪忧。这是最大的拦路虎。很多企业的数据散落在数十个互不连通的系统里格式不一标准混乱且存在大量缺失、错误值。建议不要试图一次性解决所有数据问题。从你选定的试点项目所需的最小数据集入手。集中力量对这些数据进行清洗、标注和结构化。采用“数据管道”思维建立从原始数据到分析就绪数据的自动化处理流程哪怕一开始只覆盖一个业务环节。同时必须争取高层支持建立跨部门的数据治理委员会从组织层面推动数据标准的统一。挑战二业务目标模糊期望过高。业务部门可能提出“用AI提升销量”这样空泛的需求或者期望AI能立刻取代所有人工达到“无人化”境界。建议与业务方紧密合作将宏大目标拆解为具体、可衡量、可达成、相关性强且有时限的智能自动化用例。例如将“提升销量”转化为“通过AI分析客户交互历史在客服系统中为坐席实时推荐最可能成交的交叉销售产品目标是将坐席的交叉销售成功率提升15%”。用原型和试点数据说话管理好各方期望。挑战三技术选型困难人才短缺。市场上RPA、AI平台、机器学习工具琳琅满目是自建还是采购团队缺乏既懂业务又懂数据科学和算法的复合型人才。建议对于RPA和通用的ML平台初期建议采用成熟的商业解决方案以降低开发门槛和加快上市时间。但对于核心的、能形成竞争壁垒的AI模型应考虑组建内部团队进行定制化开发。人才方面可以采取“内部培养外部引进”结合的方式。为业务分析师提供数据素养培训为IT工程师提供机器学习基础课程同时招聘少数资深数据科学家作为核心。挑战四流程变革阻力大。自动化可能会改变部分员工的工作内容甚至导致岗位调整从而引发抵触情绪。建议透明沟通至关重要。明确告知员工智能自动化的目标是“增强人而非取代人”将员工从重复、枯燥的任务中解放出来从事更有创造性和战略性的工作。让受影响的员工早期参与流程设计和测试听取他们的意见。设立“机器人协管员”、“AI训练师”等新角色为员工提供转型路径。挑战五衡量投资回报率复杂。AI项目的收益不仅有直接的成本节约如人力减少还有难以量化的间接收益如决策质量提升、客户满意度提高、风险降低等。建议建立分阶段的ROI评估体系。在试点阶段重点关注概念验证和可行性。在推广阶段衡量效率提升指标如任务处理时间缩短百分比、错误率下降。在规模化阶段则需与业务成果挂钩如收入增长、利润率提升、客户生命周期价值增加等。采用综合记分卡平衡财务指标和运营指标。7. 未来展望在智能自动化的浪潮中找准航向工业革命在21世纪已然到来——由AI及其在自动化和自主性中的应用带来。它正在改变机器的构建方式以及如何增强和造福人类文明。尽管它远未成为一种完全成熟的技术但成功的AI系统所预测的指数级或无限潜力的优势也带来了伦理和我们文明未来的问题——无论是否出于自愿AI系统若落入错误之手是否会对我们或文明造成无法弥补的伤害这是一个更大的问题。然而21世纪的工业革命将由数据驱动——而且是海量数据。当然最大的挑战是数据仍然是非结构化和不可用的。数字化以结构化格式捕获数据并采用类似RPA的自动化是朝着正确方向迈出的步骤。数据准备更充分的组织已经领先一步。AI系统与过去其他技术的不同之处在于它们至少到目前为止需要通过几个迭代阶段和过程为每个应用程序定制构建和实现算法这是一个漫长的过程。很明显这一次快速的追随者将继续处于劣势因为AI系统的开发和受益需要高时间要求和分层学习曲线。因此如果你的组织还没有尝试和测试AI系统而是在等待技术成熟那么你应该感到担忧。今天使用该技术的公司一旦成熟就会向前推进届时想要跟随、追赶并取得优势将变得具有挑战性。这场由智能自动化驱动的变革其本质是“数据驱动决策”和“机器增强智能”的深度融合。它不是一个可选项而是一个必然趋势。起点不是购买最先进的算法而是审视自身的数据资产和业务流程。从一个小而具体的痛点开始踏出数字化的第一步构建数据分析能力然后引入自动化工具逐步注入智能。这条路需要耐心、务实和持续的投入但回报将是巨大的运营韧性、创新速度和难以复制的核心竞争力。你的组织现在出发了吗
从数据到智能：企业智能自动化实施路径与实战指南
发布时间：2026/6/2 4:26:57
1. 智能自动化之旅从数据混沌到决策自主的演进每隔一段时间就会有一种新技术出现宣称自己是“自切片面包以来最好的东西”。九十年代任何“在线”的东西都比其离线版本更优越。本世纪初的几年蓝牙技术横空出世一度成为昂贵代名词的宠儿。从家用电器、家具到汽车、服装和配件万物皆可蓝牙。什么比一台烤面包机更好——一台带蓝牙的烤面包机。同样在企业领域自本世纪初以来云计算一直是变革性的力量。云革命带来了处理能力的普及和对大型数据集的访问。这部分地促成了一个古老算法——神经网络的复兴。正如广泛报道的那样神经网络和深度学习算法将这个被深入研究但鲜为人知的科学领域——人工智能推向了主流技术。可以说人工智能是迄今为止最具变革性的技术之一它是一种范式转变算法被设计成像人类一样从数据中“学习”并最终达到或超越人类在思考和决策方面的能力。我们今天在许多领域体验着人工智能的应用从最初让“AI”一词成为主流的游戏到Alexa、Siri再到道路上的众多自动驾驶汽车以及所有由人工智能驱动的社交网络Facebook、Twitter和Instagram。什么比一台烤面包机更好——一台带AI的烤面包机。进入AI时代学习仍然是其关键但不幸的是这些算法从我们在平台上的活动中学习到的东西远比我们意识到的要多得多。因此AI算法本身并不包含答案也不是被创造出来计算答案的。相反它们是具有结构和链接的“容器”能够“学习”。这就像我们的大脑或者说它最接近的软件对应物仅由代码构建需要能够支持大量处理能力的硬件和数据来运行。智能是通过用正确的数据“喂养”进行训练而随时间获得的——记住算法的好坏完全取决于它们所“吃”的数据字面意义上如此。这类似于我们幼年时上学被灌输大量数据和知识并被给予越来越难的挑战来解决从而使我们的智能得以进化。AI系统在获取智能的方式上与我们的大脑相似都是通过训练逐步、增量地获得。AI的一个不那么被广泛讨论的反常之处在于与以往的技术不同AI不是一个即插即用的即时解决方案至少目前还不是。它是一种“能力”需要时间利用与其用例相关的数据很可能来自组织自身的数据进行学习然后产生与该组织相关的洞察和效益。因此要正确利用AI首先必须拥有能够输送给AI算法进行训练的数据管道。毫不奇怪大多数组织的数据一开始就是孤立的、非结构化的。因此对许多组织而言AI之旅的起点要早得多——数字化和创建数据管道。这是一段旅程——你当前所处的位置以及你何时开始决定了你何时开始获得收益以及之后何时达到顶峰。AI常常与IA——另一个发音相似的缩写代表智能自动化——联系在一起。智能自动化涉及AI的应用理想情况下它以递增的复杂度级别使用以实现自动化和自主运行的预期效益。KPMG的Cliff Justice预测智能自动化市场将从2018年的124亿美元增长到2025年的2319亿美元——增长超过17倍或者说7年内增长1770%。这是大多数公司正快速拥抱这一趋势的最清晰信号之一。然而如前所述并非所有组织都同样准备好跳入自动化之旅。它始于数据尤其是正确数据的可用性。让我们更详细地审视如何逐步实施“数字化、分析、然后自动化”这几个阶段将AI嵌入组织流程。2. 数字化一切皆可数据始于当下随着数字设备使用的爆炸式增长我们拥有海量数据并且正在以惊人的高速率生成新数据。据预测全球数据量将在未来7年内增长到当前规模的5倍——从2018年的33泽字节增长到2025年的175泽字节。如果你对这个单位没概念1泽字节等于1万亿千兆字节。数据增长的大部分贡献来自物联网——那些始终连接并不断生成数据的“物”或设备。那么我们如何处理所有这些数据分析它好吧。不幸的是我们的大部分数据是非结构化的——在当前水平下大约80%的数据无法直接分析。例如我们执行的许多重复性任务比如预订下周的行程或填写上次行程的费用报告等处理的都是碎片化和非结构化的数据——你可能有一张纸质账单另一封电子邮件收据等等。由于所有数据并非从一个地方接收或存储也没有一个预定义的模型因此它从未完全实现自动化并持续需要我们投入注意力和时间去执行。因此在启动AI之旅之前每个组织都应制定数字化和数据治理计划以确保组织生成的数据中尽可能高的比例能够用于构建分析从而最大化其产生数据的效用和学习价值。这不仅仅是购买一个数据库或云存储那么简单。数字化意味着将物理世界和业务流程中的信息转化为机器可读、可处理的标准化格式。这包括文档数字化将纸质合同、发票、报告通过扫描和OCR光学字符识别技术转化为可搜索、可索引的文本数据。流程数字化将依赖人工传递、审批、签字的线下工作流转移到线上系统如OA、ERP、CRM使每个环节的状态、耗时、参与者都成为可追踪的数据点。物联数字化通过传感器、RFID、摄像头等设备将物理设备如生产线机器、仓库货架、楼宇设施的运行状态、环境参数实时转化为数据流。数据标准化与治理建立统一的数据字典、元数据管理、主数据管理MDM体系确保不同来源的数据在定义、格式、质量上保持一致这是后续分析可信度的基石。一个常见的误区是认为数字化就是上系统、存数据。实际上没有治理的数字化只会制造更多的“数据孤岛”。因此在数字化阶段就必须同步考虑数据架构数据如何采集、清洗、存储、分类、归档和安全保护。这为后续的分析和自动化提供了高质量、可用的“燃料”。3. 分析从描述过去到预演未来有了结构化的数据分析才能成为可能。数据分析可以根据分析目标变得日益复杂它可以是事后追溯、前瞻预测或深度洞察。我们可以将其演进分为五个层次3.1 描述性分析发生了什么这是最基础的分析专注于发现和描述过去——发生了什么以及为什么会发生。这可以说是事实发现任务也是我们日常任务中最常见的数据分析类型包括报告、下钻查询和警报。例如月度销售报表、网站流量统计、客户投诉分类汇总。其核心是汇总和可视化历史数据回答“是什么”的问题。工具通常是BI商业智能平台如Tableau、Power BI通过拖拽生成图表和仪表盘。3.2 诊断性分析为什么会发生在描述“是什么”的基础上诊断性分析进一步深入探究现象背后的原因。它通过数据钻取、关联分析和根本原因分析等技术寻找变量之间的相关性。例如发现本月销售额下降诊断性分析会追溯是哪个区域、哪个产品线、哪个销售渠道出了问题并可能关联到市场活动、竞争对手动或内部运营因素。这需要更深入的数据探查和统计知识。3.3 预测性分析可能会发生什么这需要更严格的科学方法和复杂的数据建模包括统计建模目的是推断可能发生什么然后推荐处理它的最佳方法例如统计分析、预测、预测建模和优化。预测性分析利用历史数据建立统计模型或机器学习模型来预测未来的结果或趋势。例如基于历史销售数据和市场指标预测下季度营收基于用户行为数据预测客户流失风险。常用的技术包括回归分析、时间序列分析如ARIMA和经典的机器学习算法如随机森林、梯度提升树。3.4 规范性分析应该怎么做这是更高级的分析目标是基于输入或采取行动的场景来得出结果。模型通常从数据中学习为其针对特定情况的建议或执行创建推理依据。它不仅是预测还会提供一系列行动选项并模拟每个选项可能带来的结果从而推荐最优决策。例如供应链优化系统不仅预测需求还会建议在哪个仓库储备多少库存、选择哪条物流路线成本最低且时效最快。这通常结合了运筹学、模拟仿真和高级机器学习。3.5 认知性分析如何像人一样理解与推理这是目前最前沿的领域旨在让系统能够理解非结构化数据如文本、图像、语音中的语义、情感和上下文并进行类似人类的推理、学习和对话。自然语言处理NLP、计算机视觉CV和知识图谱是支撑技术。例如AI客服能理解用户口语化投诉的本质并给出解决方案医疗AI能从医学影像中识别病灶并参考海量文献给出诊断辅助意见。实操心得许多企业一上来就想做预测性甚至规范性分析但基础的数据描述和诊断都没做好。我的经验是一定要先打好描述性分析的基础确保关键业务指标KPI的定义清晰、计算准确、可视化直观。这不仅能建立团队对数据的信任也能暴露出数据质量的问题。预测模型的构建往往80%的时间花在数据清洗、特征工程上只有20%的时间用于建模和调优。不要迷信复杂的算法有时一个简单的线性回归模型只要有高质量的数据和正确的特征其表现可能远超一个过度调参的黑盒神经网络。4. 自动化从模拟点击到自主决策的六层阶梯工业革命一波接一波每一次都带来了创新和自动化的范式转变。从18世纪80年代蒸汽机带来的机械化到19世纪80年代电力和大规模生产的开始再到20世纪70年代普遍开始的基于逻辑门和计算机的计算。最后我们目前所处的信息物理系统革命通过更好地利用数据——通过从数据中获取更好的学习和洞察然后利用网络和互联网将这些洞察集成到物理系统中——来实现自动化。因此前提是如果我们能更多地分析数据并利用其中的洞察我们就能将更多的工作自动化。当然最大的障碍是很大一部分数据从一开始就是非结构化的——例如以非预定义的方式存储因此无法轻易地大规模集成和分析。因此自动化连续体始于一个流程在该流程中碎片化的数据可以在IT环境变化最小的情况下转换为“结构化”数据。然后结构化数据可以用于分析和学习遵循分析连续体随着复杂度的增加和从数据中学习。4.1 机器人桌面自动化软件模仿人类操作类似于Excel中的“宏”可以录制一次然后根据需要运行多次以执行连接跨多个通过计算机或桌面访问的碎片化应用程序工作流的多个步骤。通常用于记录基于规则的重复性任务。与宏类似这是一个灵活的有人参与流程可以设计为在执行期间暂停以等待用户输入或决策。涉及步骤少或多的流程都可以使用这种相当经济高效的软件实现自动化而无需投资大型IT系统——并在效率、结构和流程控制方面获得收益。注意事项RDA高度依赖于用户界面的稳定性。如果软件界面如按钮位置、菜单结构发生更新录制好的脚本很可能失效需要重新录制或调整。因此它最适合那些界面稳定、规则极其明确、且变化频率低的桌面操作任务如数据录入、报表生成、跨系统数据搬运。4.2 机器人流程自动化与RDA类似但自动化程度更高无需用户输入因此整个流程端到端自动化。例如在匹配纸质文件的情况下使用OCR——光学字符识别软件来执行无需人工干预。RPA是更成熟的企业级方案它通过软件“机器人”模拟人在电脑上的操作自动执行跨系统、规则明确、大批量的重复任务。与RDA相比RPA通常有中央控制台、流程设计器、机器人调度和监控功能。它能处理更复杂的逻辑如简单的if-else判断并能7x24小时运行。实操要点实施RPA前必须对目标流程进行彻底的梳理和“适RPA性”评估。一个好的RPA流程候选者通常具有“规则明确、输入结构化、系统稳定、异常可控”的特点。流程中要设计完善的异常处理机制比如当OCR识别失败时是转人工处理还是记录日志后跳过此外RPA机器人的账号权限管理至关重要需遵循最小权限原则避免安全风险。4.3 数字化RPA这是RPA的扩展具有自助服务功能如通过IVR交互式语音应答、移动端、网页等进行通信以增强自动化。这本质上是RPA与前端交互渠道的集成。例如客户在网页表单提交申请RPA机器人后台自动抓取信息查询多个数据库进行校验完成处理后再通过短信或邮件通知客户。这使自动化流程能够直接面向客户或员工提供无缝的服务体验而不仅仅是后台的无人化操作。4.4 机器学习包含特定算法的软件可以通过称为“训练”的过程从提供给它的数据中学习然后用于预测性和规范性类型的分析以取代或增强人类决策。通常与RPA解决方案集成以增强自动化。ML是AI的核心子集它使系统能够不依赖显式编程而是通过模式识别从数据中学习并做出预测或决策。当ML与RPA结合就产生了“认知自动化”或“智能RPA”。例如RPA机器人处理发票时不再需要预设的规则来匹配订单号和金额而是通过一个训练好的ML模型自动识别发票图片上的各种字段抬头、日期、项目、总价并判断其真伪及是否与合同一致。核心挑战ML模型的引入带来了新的复杂性。首先是数据需求训练一个有效的发票识别模型可能需要成千上万张已标注的发票图片。其次是模型维护业务规则或票据格式变化模型可能需要重新训练。最后是结果不确定性ML模型有准确率比如98%那2%的错误如何处置需要设计人工复核流程或置信度阈值。4.5 认知解决方案ML系统进一步与流程执行能力集成。因此以前需要人类决策或判断的流程现在可以在没有人工干预的情况下无缝执行。这可以看作是智能自动化的高级阶段系统不仅能执行任务、能预测还能在复杂、模糊的情境下做出判断并执行。例如在信贷审批中系统不仅能自动抓取申请人的多维度数据ML预测违约风险还能在风险处于灰色地带时自动发起额外的数据验证请求如调用第三方征信接口并根据综合结果做出通过或拒绝的决策全程无需信审员介入。4.6 狭义AI与广义AI将AI的范围和应用从少数流程扩展到广泛的领域以实现“演绎”或场景分析。人工通用智能是学习算法范围的进一步扩展它可以模仿或超越人类跨越多学科和领域的学习能力。这尚未实现理论上是未来才会发生。目前企业应用的都是狭义AI即在特定领域如视觉识别、自然语言处理、下棋达到或超越人类水平。广义AIAGI则指具备通用智能能像人类一样学习、理解和应对任何智力任务这仍是遥远的目标。重要提示RPA/RDA将信息从孤立的流程和非结构化数据转换为特定的数据模型因此随后可以被用作使用ML和AI等的更高级别的自动化。这意味着即使从简单的RPA开始也是在为未来的智能自动化积累结构化的数据资产。5. 启动你的自动化之旅必经的五个阶段与以往的自动化浪潮不同AI的开发和集成是独特的因为它不像一个即插即用的过程至少到目前为止是这样。由于包含针对组织特定数据集的“学习”开发、集成、交互、治理过程是分阶段进行的每个阶段可以说都有其自身的“学习”过程。Rashed Haq最近在彭博社的文章中阐述了企业AI的最佳实践。假设所需的数据管道已构建并正常供给实施会经历以下几个阶段5.1 实验探索阶段如今有许多新颖的AI基础设施包括IBM Watson或Google TensorFlow。你可以把这些基础设施想象成预格式化的PowerPoint幻灯片模板——你选择幻灯片数量、格式、主题等仅此而已——实际内容仍然来自你。类似于从另一个销售演示文稿复制内容看起来不协调且效果不佳——AI算法在不复制、而是为每个应用程序定制开发时会产生更好的结果。至少目前是这样。这些基础设施提供了你需要在此基础上构建的架构——例如用特定于你应用程序的数据来开发和训练系统。到目前为止开发过程类似于博士水平的研究阶段是迭代的大多像试错实验包括重复的验证和测试阶段以确保准确性和无偏见。除非你能找到一个AI与另一个组织的问题和所需解决方案完全匹配——这就像PowerPoint幻灯片一样非常罕见——否则从一个组织复制一个训练好的AI系统并产生最佳结果的机会非常渺茫。实操心得这个阶段切忌“为了AI而AI”。应从具体的、高价值的业务痛点出发定义清晰的试点项目。例如“利用AI减少客服工单的首次响应时间”而不是“实施AI战略”。小范围试点可以控制风险快速验证技术可行性和业务价值。同时要管理好预期AI项目初期投入大、见效慢可能经历多次失败这需要管理层有足够的耐心和容错空间。5.2 部署整合阶段一旦AI系统开发出来需要时间来调整业务流程将AI嵌入工作流。除非AI是在一个已经实施的系统内比如说SAP否则AI的输出需要应用到日常流程和工作流中。这需要“业务流程再造”或“变革管理”——我们任何在组织中工作的人只要团队中有这样的名称都知道这有多么困难和耗时。技术部署只是第一步更重要的是人的接受和流程的适配。可能需要重新设计岗位职责、绩效考核方式并为员工提供培训让他们理解AI是如何辅助决策的以及何时应该信任AI、何时需要人工覆核。5.3 人机协同阶段假设我们遵循之前描述的自动化旅程——大多数刚接触AI的组织首先需要实施AI来“增强”人类决策和行动而不是拥有一个端到端的解决方案。因此人类对应方必须学会与AI建议协同工作并随着时间的推移做得更好。这涉及学习。这个阶段的关键是设计良好的人机交互界面。AI的输出不应是一个简单的“是/否”而应附带置信度、推理依据如果可解释的话以及备选方案。例如在医疗影像辅助诊断中AI不仅标出疑似病灶区域还应给出其判断为恶性肿瘤的概率并列出支持该判断的图像特征供医生最终决策参考。5.4 治理与监控阶段由于AI主要用于预测性和规范性应用即使它学习的是过去的数据但通过输入和用更新、更近的数据重新训练来保持系统最新是至关重要的。同样AI系统就像黑匣子——因为无法理解或看到它是如何进行特定学习的——因此必须监控它产生的建议并仔细检查以检查它是否随着时间的推移产生任何意外的偏见。这包括模型性能监控持续跟踪模型在生产环境中的准确率、召回率等指标设置衰减警报。数据漂移检测监控输入数据的分布是否随时间发生变化这可能导致模型失效。偏见与公平性审计定期检查模型的决策是否存在对特定群体如性别、种族的不公平偏见。可解释性与透明度尽可能采用可解释的AI技术或在关键决策点保留人工解释环节。安全与合规确保AI系统符合数据隐私法规如GDPR并防止对抗性攻击。5.5 规模化扩展阶段毫无疑问由于这些学习阶段构建和部署任何AI系统都比以往任何技术更加微妙和分阶段。然而一旦各个环节整合在一起它可以非常快速地扩展。以Motobot——自动驾驶摩托车案例研究为例。Valentino Rossi是人类有史以来最优秀的摩托车赛车手之一。他是历史上唯一一位在四个不同级别——125cc、250cc、500cc和MotoGP——赢得世界冠军的车手也是九届大奖赛世界冠军是有史以来最成功的冠军之一。Motobot是雅马哈汽车公司创造的一个3岁的人形机器人能够自主驾驶摩托车绕赛道行驶。Motobot能在赛道上打败你吗是的。Motobot能打败Rossi吗不还不能……目前。加油Rossi人类——1机器人——0。是的雅马哈Motobot是真实的并且随着时间的推移变得更快、更好。Motobot在赛道上击败Rossi的日子并不遥远——不是因为Rossi变老了而是因为Motobot被输入了更多数据并且正在学习变得更好。一旦Motobot学会在赛道上击败Rossi——许多这样的Motobot几乎可以立即被创造出来每一个都能击败Rossi。与人类相比AI具有无限的可扩展性——它只是一个可以被复制的软件。同样在任何行业中在实施成功AI系统方面领先的公司可以立即扩展这些系统变得不可战胜即使不是不可能也很难被击败。然而另一家公司或应用比如说一个滑板车共享公司可能无法复制Motobot的AI来驱动他们的两轮车在道路上自主行驶——因为道路与赛道相比提出了完全不同的挑战目标也大不相同。尽管这两个用例大致相似——都是用于自主两轮车——但用例不同因此每个都必须构建自己的系统。因此大多数AI系统都是定制的然而一旦构建成功对于相同的应用是无限可扩展的。核心启示AI的规模化不是简单的复制粘贴。它意味着将经过试点验证的AI能力以平台化、组件化的方式复制到其他相似的业务场景中。这需要前期在技术架构上做好抽象比如建立统一的特征平台、模型服务平台和自动化流水线。规模化也意味着组织能力的复制包括团队、流程和治理框架。6. 常见挑战与务实建议踏上智能自动化之旅绝非坦途结合我过去在多个项目中推进的经验以下是一些最常见的挑战及应对建议挑战一数据基础薄弱质量堪忧。这是最大的拦路虎。很多企业的数据散落在数十个互不连通的系统里格式不一标准混乱且存在大量缺失、错误值。建议不要试图一次性解决所有数据问题。从你选定的试点项目所需的最小数据集入手。集中力量对这些数据进行清洗、标注和结构化。采用“数据管道”思维建立从原始数据到分析就绪数据的自动化处理流程哪怕一开始只覆盖一个业务环节。同时必须争取高层支持建立跨部门的数据治理委员会从组织层面推动数据标准的统一。挑战二业务目标模糊期望过高。业务部门可能提出“用AI提升销量”这样空泛的需求或者期望AI能立刻取代所有人工达到“无人化”境界。建议与业务方紧密合作将宏大目标拆解为具体、可衡量、可达成、相关性强且有时限的智能自动化用例。例如将“提升销量”转化为“通过AI分析客户交互历史在客服系统中为坐席实时推荐最可能成交的交叉销售产品目标是将坐席的交叉销售成功率提升15%”。用原型和试点数据说话管理好各方期望。挑战三技术选型困难人才短缺。市场上RPA、AI平台、机器学习工具琳琅满目是自建还是采购团队缺乏既懂业务又懂数据科学和算法的复合型人才。建议对于RPA和通用的ML平台初期建议采用成熟的商业解决方案以降低开发门槛和加快上市时间。但对于核心的、能形成竞争壁垒的AI模型应考虑组建内部团队进行定制化开发。人才方面可以采取“内部培养外部引进”结合的方式。为业务分析师提供数据素养培训为IT工程师提供机器学习基础课程同时招聘少数资深数据科学家作为核心。挑战四流程变革阻力大。自动化可能会改变部分员工的工作内容甚至导致岗位调整从而引发抵触情绪。建议透明沟通至关重要。明确告知员工智能自动化的目标是“增强人而非取代人”将员工从重复、枯燥的任务中解放出来从事更有创造性和战略性的工作。让受影响的员工早期参与流程设计和测试听取他们的意见。设立“机器人协管员”、“AI训练师”等新角色为员工提供转型路径。挑战五衡量投资回报率复杂。AI项目的收益不仅有直接的成本节约如人力减少还有难以量化的间接收益如决策质量提升、客户满意度提高、风险降低等。建议建立分阶段的ROI评估体系。在试点阶段重点关注概念验证和可行性。在推广阶段衡量效率提升指标如任务处理时间缩短百分比、错误率下降。在规模化阶段则需与业务成果挂钩如收入增长、利润率提升、客户生命周期价值增加等。采用综合记分卡平衡财务指标和运营指标。7. 未来展望在智能自动化的浪潮中找准航向工业革命在21世纪已然到来——由AI及其在自动化和自主性中的应用带来。它正在改变机器的构建方式以及如何增强和造福人类文明。尽管它远未成为一种完全成熟的技术但成功的AI系统所预测的指数级或无限潜力的优势也带来了伦理和我们文明未来的问题——无论是否出于自愿AI系统若落入错误之手是否会对我们或文明造成无法弥补的伤害这是一个更大的问题。然而21世纪的工业革命将由数据驱动——而且是海量数据。当然最大的挑战是数据仍然是非结构化和不可用的。数字化以结构化格式捕获数据并采用类似RPA的自动化是朝着正确方向迈出的步骤。数据准备更充分的组织已经领先一步。AI系统与过去其他技术的不同之处在于它们至少到目前为止需要通过几个迭代阶段和过程为每个应用程序定制构建和实现算法这是一个漫长的过程。很明显这一次快速的追随者将继续处于劣势因为AI系统的开发和受益需要高时间要求和分层学习曲线。因此如果你的组织还没有尝试和测试AI系统而是在等待技术成熟那么你应该感到担忧。今天使用该技术的公司一旦成熟就会向前推进届时想要跟随、追赶并取得优势将变得具有挑战性。这场由智能自动化驱动的变革其本质是“数据驱动决策”和“机器增强智能”的深度融合。它不是一个可选项而是一个必然趋势。起点不是购买最先进的算法而是审视自身的数据资产和业务流程。从一个小而具体的痛点开始踏出数字化的第一步构建数据分析能力然后引入自动化工具逐步注入智能。这条路需要耐心、务实和持续的投入但回报将是巨大的运营韧性、创新速度和难以复制的核心竞争力。你的组织现在出发了吗
