隨著商用 AI 快速發展成熟，許多企業組織也轉向業務優先的 AI 策略，也在公司各個環節尋求導入 AI 的效益。
文／Maria Korolov‧譯／葉庭筠
人工智慧（AI）已經晉升主流地位。所有產業都有企業成功測試甚至成功將 AI 導入到生產環境。有些企業甚至將 AI 與機器學習策略結合營運流程，企業內部推行各種 AI 專案，還有豐富的最佳典範和流程（pipeline）。現在，位居 AI 成熟曲線度最尖端的企業，已在企業內大規模推行 AI。
AI 部署的整體成熟度也會影響企業如何看待 AI 的策略價值，以及他們希望 AI 效益展現在哪。以下是產業專家歸納現今十大商用 AI 策略趨勢：
1. AI 回歸業務需求
早期 AI 專案完全是資料科學家主導。他們握有資料和演算法，也擁有很大空間摸索如何用新工具解決業務問題。有時他們會成功，有時失敗。不過現在已經不同。
業務經理人已經從成功的 AI 專案學習到經驗，對 AI 的效用也有更多認識。因此企業已經不太願意花錢或花時間在業務價值不明確的測試專案，這個趨勢顯示業務單位逐漸取得 AI 採用的主導權。
麥肯錫 AI 部門 QuantumBlack 全球主管 Alex Singla 表示，「AI 用得好的公司多半是由業務驅動。AI 和 IT 可協助企業解決問題，但解決方案不能由技術推動，必須是業務主導，說『我是解決方案的一部份，我認為應該這麼做，這樣做才對。』」
例如 Honeywell 正將 AI 導入內部營運，將其整合到面向客戶的產品和服務中，該公司數位技術長 Sheila Jordan 說。
她說：「我們和業務關係非常密切，我們以價值為依歸，是面向客戶的價值，我們的內部價值。」
2. AI 滲透整個企業
兩年前加入 Honeywell 時，Jordan 啟動的第一個大專案是實作一個資料倉儲策略，把所有資料源的資料整合於一。
「每個部門、業務單位都有數位化計畫，」她說。比方說，Honeywell 把所有合約都數位化了，合約總共有 10 萬多筆，這給了 Honeywell 寶貴的資料庫，能為幾乎任何功能領域打造 AI 解決方案。
[ 2022年度CIO大調查報告下載 ]
例如，利用 AI，Honeywell 現在可以自動檢視所有合約裏哪些部份會受通膨或訂價問題影響，Jodan 表示。「光靠人力不可能看完 10 萬份合約。」
同樣的，有了完整的庫存資料，Honeywell 現在可以掌握到哪些庫存已報銷，哪些可重覆利用，可藉此對原物料管理做出更具智慧的決策，Jordan 說。
「所有功能都開始有導入 AI 的專案，不論是財務、法律、工程、供應鏈，以及 IT。」
3. 以 AI 提升自動化
Honeywell 野心勃勃的自動化計畫今年進入第三年。他們會嘗試將任何重覆性的作業自動化。「我們今年可能會有100個專案，」Jordan 表示。「我們要把公司裏所有這類作業都加以自動化。」
此外 Honeywell 也正致力讓自動化更有智慧化，她說。「我們要為更多自動化機器人（bot）加入 AI。目的是讓自動化機器人變得更聰明。」
另一家從規則為基礎、基礎自動化出發的公司是國防外包商 Booz Allen Hamilton。該公司 AI 實作部門副總裁 Justin Neroda 表示，目前他們開始為自動化整合 AI 及機器學習（machine learning , ML），使它們能應用到更多任務中．
他表示，企業一般從最簡單的自動化開始，之後他們自問：「還有哪些我可以自動化？」這時他們發現需要 AI 與 ML。
經 AI 加持的自動化可協助企業解決人力短缺或高工作量問題，他說。「你也可以用 AI 把半數工作自動化，再由人解決掉難的部份。」
4. 整合 AI 獲取更大效益
大規模實施 AI 變更管理是一大重點，麥肯錫的 Singla 指出。你需要對使用者怎麼使用 AI 有所了解，這不只看技術人員，而是涵括技術人員、主題及業務專家的整體面向。
「如果我要求協調人員要為 AI 使用 3 種不同應用，極可能最後他們使用的機率是 0，」他說。「你愈能把 AI 整合進工作流程，你的成功機率愈高。使用者愈不需要改變行為，AI 被採納的機會愈高。」
5. 推動聯邦式 AI （federated AI）策略
企業初期測試專案成功後，他們往往會設立 AI 卓越中心以便加速 AI 操作化（operational）及訓練人才、培養專業、建立最佳典範（best practice）。但一旦企業成功到一定規模，就有必要把部份卓越中心和聯邦式 AI 打散，把專家分到最需要他們的業務單位。 「而對不那麼成熟的企業來說，設立儲備人才及學習的卓越中心有其價值。」麥肯錫的 Singla 說，「沒有這個東西，企業通常無法成長。人才會想找到氣味相投的人，而且卓越中心往往能造福資淺者，因為他們能在此學習成長。」
不過太早把人才分散出去將稀釋其能量，而弱化企業把成功專案流傳且複製到多個業務部門的能力。
「但當企業達到一定成熟度和規模後，長期而言，培養擁有深厚 AI 專業及領域知識的技術人員則是最重要目的。不過前提是你必須要有規模。」他說。
[ 推薦閱讀：工業AI策略方向應以人為本 ]
業務問題往往散在各處，全求公開交易技術業者 Insight 傑出工程師（distinguished engineer） Amol Ajgaonkar 說。
「不是只有一個地方會冒出業務問題，因此你不能期待集中式部署 AI。它們必須也要是分散式的，但你的確需要有個構連一個或多個業務影響力的集中式 AI 策略，」所謂多個業務影響力則像是營收、成本節省，或行銷定位等。
和其他企業一樣，Booz Allen Hamilton 也是先成立一個核心 AI 小組。但 Neroda 表示，去年他們開始把東西分出去。「我們在客戶公司有許多種子組織，每個都有 AI 專家。但你必須先達到一定規模才能把人分散出去，否則就會分崩離析。」
「我們自己公司或我們合作的客戶中都見識到這樣的情形。」他說。
6. AI 觸發業務流程轉型
企業使用 AI 之初，他們經常想在業務流程中找到運用 AI 做出改變的幾個環節。「你把流程分解成多個小段，把每一段都數位化，把 AI 加進去來提升效率，」業務流程委外業者 Genpact 數位長 Sanjay Srivastava 說，「但到頭來，這段流程還是沒變。每個小段都變得更好、更快、更便宜，但流程本身卻一點也沒變。」
但 AI 還是可以從根本改變業務流程。像是 Genpact 就承接了許多客戶帳號處理的委外作業。
「我們將 AI 應用到發票流程後，就能判斷哪些發票應該要好好檢討。我們可以找出哪些部份風險最高，」他說。
而在 AI 賦予預測能力後，整個流程就可以重組，「運用 AI 可以幫助你從頭到尾思考價值鏈，助你再造整個架構。」
7. MLOps 應用落地
根據麥肯錫2021年底發佈的報告，能幫企業增加最多獲利的 AI 的元素之一是 MLOps。
IEEE 會員暨 Augment Therapy 雲端與新興科技實作主管 Carmen Fontana 指出，MLops 是 AI 下一個主流趨勢。她之前也是 Centric Consulting 的雲端與新興科技實作主管。
她說，MLOps 目的是把機器學習從理論帶上實際營運環境。「兩、三年前這個議題很熱，大家認為必須著手推動，但真正落實者並不多。」但現在已經有很好的工具和方法學可幫助企業更紮實訓練、部署和監控 AI 模型。
「這已讓 AI 和機器學習制度化進了一大步。從我們的客戶來看，市場已經成熟很多。」她說。
8. 企業制訂 AI 流程
Booz Allen Hamilton 現在和客戶有大約150個不同的 AI 專案進行中，Neroda 說。但去年以來，該公司已漸漸不再建立一次性的模型。
他說，過去一年半來，我們花了一番工夫來提升模組化能力及端到端的流程。
成功的 AI 可不能只有工作模型。他說，你必須要有一整套長期維持模型的流程以因應資料變動，和模型持續改善的需要。
他說，「最大的挑戰是怎麼把所有工具串起來。我們已經把這些標準化，並且建立可重覆利用的元件，以便用於多項專案。」
9. 企業希望建立對 AI 的信賴感
隨著企業員工和主管愈來愈熟悉 AI，也逐漸依賴它執行關鍵決策—即使那些決策和人們的直覺有所不同。
Blue Younder 策略顧問和創辦人 Michael Feindt 最新和英國一家被疫情攪亂供應鏈的大型零售商合作。這家零售商以人力管理供應鏈時，苦於缺乏懂供應鏈又願意做的人。
自動化的 AI 系統可降低成本和提升效率。受疫情影響時，他們原本想關閉自動化系統，「但他們發現自動化系統比人更能靈活應變情勢，」他說。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球CIO同步獲取精華見解 ]
因此這家零售商不但沒關系統還擴增零售店及物流中心。結果他們不僅更少貨架閒置，賣不完而丟棄的商品也減少了。此外分店經理一天內少花 2 小時在微調訂單上，因而能把時間用於提升客戶滿意度上。
Feind 說還有其他方式建立 AI 信任。「有些人很小心，不太相信 AI 決策能力比擁有多年經驗的他們強。」增加可解釋性（explainability）可化解他們部份疑慮。可解釋 AI （Explainable AI）是指系統對人類說明他們的決策過程用了哪些因素。
10. 新業務模式誕生有望
有時候 AI 會創造出過去前所未見的機會。例如自駕車具有潛力改善社會並且創造出全新的企業類型。但 AI 驅動的業務轉型也可以較小規模發生。
例如，需要繁複人力審查的銀行沒有能力提供小額信貸。銀行賺的利息連支付研究和處理的成本都還不夠。但如果評估和處理的工作交給 AI，銀行就能靠小型信貸來服務全新的客戶群，而無需收取高額利息。
「這類案例還不太普及，」Sapphire Ventures 總裁暨合夥人 Jai Das 說。「AI 大幅改動了人們營運方式，企業還沒法那麼快改變。」
不過一旦 AI 和 ML 成為企業每個知識工作者都使用的工具，局面就開始改變，他說。
「不過現在還不到這個境界，要每個人工作上都使用 AI 和 ML，大概還要再個5年光景，」他說。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
