作者：【美】托马斯·达文波特；尼廷·米塔尔
全书核心问题：传统企业如何全力押注AI，实现业务转型
前言
谷歌母公司Alphabet的CEO桑达尔·皮查伊在2017年宣布公司转向"AI优先"时，没有人感到惊讶。早在2015年，谷歌就已开展了超过2700个AI和机器学习项目。但全力押注AI并非科技公司的专利——传统企业也在行动。
三个典型案例：
半径金融集团（Radius Financial Group）：200人的抵押贷款公司，联合创始人基思·波拉斯基从2016年起深入研究AI工具，将公司生产率和利润提升到远超行业平均水平
空客（Airbus）：欧洲航空巨头，AI是"关键的竞争优势"，运用于商用飞机、直升机、国防和航天各个领域
平安集团：1988年成立，2020年收入近2000亿美元，在保险、银行、医疗健康、汽车服务等领域全面应用AI
全书核心观点： 在传统行业中，全力押注AI来改造现有企业非常困难，但并非不可能。本书关注的是在AI出现之前就已存在的大企业如何利用AI实现转型。
全书章节结构：
第1章：AI驱动意味着什么
第2章：人性的面（领导力、文化、变革）
第3章：战略（3种战略原型）
第4章：技术和数据
第5章：能力
第6章：行业用例
第7章：成为AI驱动的公司（4条路径）
第1章 AI驱动意味着什么
AI驱动的构成要件
1. 公司普遍通过使用多种技术来采用AI
AI驱动的公司使用多种用例，不局限于单一技术。表1-1展示了涵盖的技术领域：
机器学习（监督式、无监督式、强化学习、深度学习、AutoML）
逻辑学（基于规则、基于图形）
语义学（自然语言理解、自然语言生成）
机器人流程自动化（RPA）
计算机视觉
语音识别
2. 生产部署中的众多AI系统
关键挑战是让AI系统进入生产部署。德勤2020年调查发现"变革者"平均有6个全面部署的AI用例，而AI驱动的公司通常部署了数百个系统。
3. 利用AI对工作流程进行重新设想和设计
德勤将此称为"与的时代"——人类"与"智能机器协作的时代。核心问题不是如何用AI取代人类员工，而是如何通过重新设计工作岗位、重新培训员工来提高效率。
4. 公司的很大一部分人精通AI及其应用方式
空客：对1000多名员工进行了AI再培训
星展银行：对18000多名员工进行了数据技能培训，约2000人精通数据科学和商业智能
AI的首要挑战是人的问题，不是技术问题
5. 对AI的长期承诺和投资
全力押注AI不是随随便便的决策，涉及数亿甚至数十亿美元。CEO的承诺至关重要，但仅CEO支持还不够，需要高层、中层和一线管理人员的全体认同。
6. 独特且庞大的数据来源，实时分析并采取行动
数据驱动AI发展，必须拥有独特或专有数据才能在竞争中脱颖而出
丰业银行、第一资本、星展银行利用数据了解客户
克罗格和罗布劳利用销售点数据、库存数据、忠诚度数据
平安通过"生态系统"模型访问更多数据
"智慧天空"是空客的航空开放数据平台，跨航空公司共享数据
7. 建立合乎伦理和值得信赖的AI框架
如果公司高度依赖AI，必须确保AI系统合乎伦理且值得信赖。可以成立算法审查委员会，评估所有生产系统的每条标准。
AI驱动的公司如何实现价值
更快的执行速度
提高生产效率并降低成本
理解复杂性
增强客户和监管信任
公司AI成熟度五层级
成为组织学习机器
全力押注AI的公司是组织学习机器，体现在：
不断从AI的研究和部署中学习，快速试错
从机器学习中持续学习——监控模型、重新训练、持续改进
始终如一、可靠且不知疲倦地运作
第2章 人性的一面
核心观点
AI的影响不亚于甚至超过公司的其他方面，但最关键的不是技术，而是人——领导力、文化、态度和技能。
AI领导者的画像：星展银行CEO高博德
背景： 2009年加入星展银行任CEO，当时客户服务在各大银行中排名垫底。如今星展银行已成为《欧洲货币》评选的"世界最佳银行"。
关键举措：
2013年与ASTAR签署AI实验室协议，6个项目全部失败但获益匪浅
每年进行1000次试验，每半年办两天展示活动
允许业务部门灵活聘请"准数据科学家"
将大部分数据从传统数据仓库迁移到数据湖
创建"负责任的数据使用委员会"，奉行"纯粹"（PURE）信条
聘用约1000名数据和分析员工
使用AWS自动赛车游戏培训多达3000名员工
关于AI领导力的经验：
熟悉IT有很大帮助
跨领域开展工作很重要
要有掌控财务的权力——过早要求投资回报率会扼杀试验
高级领导者亲自参与关键方面（特别是数据）
其他AI领导者：
摩根士丹利前首席运营官吉姆·罗森塔尔：推动"下一步最佳行动"系统十余年
平安集团马明哲：经济学/银行学博士，积极发掘各业务部门AI新用例
罗布劳盖伦·韦斯顿：家族拥有公司100多年，以独特长远眼光著称，"个性化健康"是每天起床的动力
CCC智能解决方案CEO吉蒂斯·拉马穆尔蒂：前CTO，能长期押注技术发展
德勤贾森·吉扎达斯：说服合伙人大力投资AI与人类合作
播下成功的文化种子
关键做法：
启动数据素养或数据流畅性计划
培训通常包含：概念性学习、体验式学习、持续学习
在项目层面进行变革管理：确定利益相关方、明确目标、频繁沟通
设置AI项目或产品经理岗位
大力投资变革管理的公司，AI举措超出预期的可能性是其他公司的1.6倍
成功传播策略：
充分利用早期采用者，进入关注度高的领域
寻求并利用业务领导者支持
经常交流实施结果，宣传成功案例
保持短期价值与长期转型潜力的平衡
对员工进行AI教育
为什么重要：
2018年调查：82%的受访者预计3年内员工工作会发生适度或大幅变化
大多数公司不确定未来工作需要哪些具体技能，但相信以数字化为导向
典型案例：
亚马逊：承诺7亿美元进行员工再培训
星展银行：DigiFY项目，提供7项数字化技能培训
德勤：致力于使专业人才精通技术
星展银行：创建"翻译"小组，每位两名数据科学家配一名"翻译"
壳牌：与优达学城合作，500多名员工完成或正在学习AI纳米学位
空客：与优达学城合作，培训1000多名员工，每周半天
联合利华：帮助员工获得对自己职业道路的自主权
某美国大型银行：投资3.5亿美元用于AI相关工作变动的技能再培训
第3章 战略
三种AI战略原型
原型1：创造新事物（新业务/市场、新产品/服务、新商业模式/生态系统）
原型2：运营转型（显著提高效率和优化效果）
原型3：影响客户行为（使用AI影响客户关键行为）
战略原型1：创造新事物
新业务与市场——罗布劳（Loblaws）
加拿大最大杂货连锁店，正利用AI推动医疗健康发展
2013年收购连锁药店Shoppers Drug Mart
2017年收购电子病历提供商QHR
推出"PC Health"应用软件，帮助加拿大人有效浏览医疗健康系统
通过加拿大最大的客户忠诚度计划，以健康行为奖励忠诚度积分
新产品中的AI——自动驾驶汽车（丰田）
丰田研究所推动"守护者"项目：让人类驾驶变得更智能、更安全
美国虽然有不到1%的成年人死于车祸，但青少年死于车祸的比例高达35%
"守护者"采用"混合包络控制"方法——司机向计算机提供输入，如果输入危险，计算机可拒绝
同时开发"司机"项目：完全自动驾驶方法
还推出"队友"品牌：半自动巡航和停车功能
安全功能预计在21世纪20年代推出，比完全自动驾驶预测现实得多
新服务领域的AI——财富管理（摩根士丹利）
"下一步最佳行动"系统：从推荐引擎起步，发展为综合客户互动平台
财务顾问可在几秒内为客户确定个性化投资理念，以前需约45分钟
与贝莱德阿拉丁平台合作，持续筛选客户投资组合风险
新冠肺炎疫情前两个月，财务顾问向客户发送超1100万条信息
核心洞察：财务咨询是一场以人为中心的游戏
新商业模式与生态系统
平安集团： 最完整的AI驱动生态系统案例
从保险起家，发展为综合性消费金融服务平台
业务覆盖金融服务、医疗健康、汽车服务、智慧城市
医疗健康生态系统：服务4亿用户，累计12亿次就诊
2020年，3700万新客户中36%通过生态系统获得
至2021年6月，超2.23亿个人客户中62%使用医疗健康生态系统
空客"智慧天空"： 航空开放数据平台，覆盖140多家航空公司和9500多架联网飞机
SOMPO（损保控股）： 日本大型保险/护理公司，建立5个生态系统：移动出行、护理、健康老龄化、复原力服务、农业
壳牌"开放式AI能源计划"： 与C3.AI、微软、贝克休斯合作，打造能源行业AI转型生态系统
安森保险： 从传统保险公司到数字化健康平台的转型
战略原型2：运营转型——克罗格公司
2017年宣布"克罗格货品重整"战略
重新定义食品和百货店客户体验：数据和个性化、数字化、空间优化、智能定价
84.51°子公司：每年提供超30亿条个性化推荐
2021年新战略："以创新引领潮流，以数字化加速发展"，每周提供110亿条个性化建议
与Ocado合作建设基于机器人的客户履约中心
战略原型3：影响客户行为
核心思想： 帮助客户预防风险，而不仅仅是事后赔偿
前进保险"快照"项目：
2008年引入基于使用的保险，使用传感器监测驾驶习惯
已搜集超140亿英里驾驶数据
监测过度加速/减速、驾驶时间、驾驶距离、手机使用、行驶速度
安全驾驶最高可获30%折扣
总共为客户节省约10亿美元保险费用
安森保险： 从"疾病护理"转向"健康护理"，目标让4300万名会员更健康
宏利保险： 推动"行为保险"理念，与Vitality合作激励健康行为。最活跃会员死亡率比平均水平低60%
费埃哲： 1958年创造第一个信用评分，持续影响借贷行为
战略性AI的流程
两个主要联系：
AI如何影响或支持业务战略
为AI本身制定战略
前提条件：
对高级管理人员进行AI教育
在战略流程中纳入AI的有利影响
战略与AI开发部署周期之间建立联系
第4章 技术和数据
使用工具包中的所有工具——星展银行
约150个AI项目，使用广泛的技术
反洗钱：机器学习模型将误报率从98%大幅降低
网络链接分析：使用图形数据库分析潜在欺诈者关系
多种机器学习：信用决策的神经网络、深度学习、传统机器学习
更快更好地打造AI应用——84.51°（克罗格子）
嵌入式机器学习计划：
"支持"：提供基础设施
"赋能"：确定最佳工具集和培训
"参与"：通过概念证明、代码共享、咨询来激励使用
8PML方法论（84.51°机器学习流程）：
解决方案工程：明确商业目标并与可用资源比较
模型开发：使用DataRobot的AutoML，大幅加快速度
模型部署：生产化，是机器学习项目中最具挑战性的阶段
关键数据事实：
覆盖美国近一半家庭
拥有35PB第一手购物者数据
2021年提供19亿项个性化服务
分析了20亿个顾客购物车
逐步扩大规模——壳牌
壳牌与优达学城合作创建AI在线培训
AI社区外部核心团队成员已超5000人（2013年仅30人）
数据汇总到中央平台，迄今为止有"1.9万亿行数据"
工程师可使用定制AutoML工具生成预测性维护模型
每天有超一万台设备受到监控
无人机+深度学习模型：人类员工用6年检查完的管道，AI系统几天内完成
管理用于训练AI的数据
面向AI的公司数据环境特征：
大多数基于云端
数据是机器可读的
涉及内部和外部数据
集中化（摆脱数据孤岛）
侧重点不同（强调数据供应链的消费步骤）
使用新系统（AI反过来帮助数据管理）
增加数据工程师角色
传统应用和体系架构的负担——安森保险
每年处理逾10亿宗理赔
整合多个系统到一个平台
将AI功能集成到核心系统和流程
采用3年计划方式：设定明确目标，每步展示明确价值
目标：50%工作任务自动化，90%利益相关者互动数字化和AI化
AI、数字化和智能运维——空客
几十万台IT设备，AI预测和防止停机
与Splunk合作，每天监控来自20万个资产源的20TB数据
120多种AI应用，评估IT资产状态和安全威胁
技术变革的应对
AI技术是信息技术中变革最快的领域
大公司应指定专人跟踪AI技术趋势、尝试新技术
关键三驾马车：人员、流程、技术——再加上战略和商业模式变革
第5章 能力
五级能力成熟度模型
与第1章一致：第5层AI驱动 → 第4层变革者 → 第3层探路者 → 第2层起步者 → 第1层后进生
成熟度取决于：
AI用例广度
AI技术广度
高级领导者参与程度
数据在决策中的作用
可用AI资源
生产部署范围
与业务战略/商业模式的联系
伦理AI政策和流程
案例1：打造新商业模式的"第5层"公司——平安
创始人和董事长马明哲与数据科学团队密切合作
4500+数据科学家和AI专家，11万+科技专家
首席科学家肖京：卡内基—梅隆大学计算机科学博士
"平安大脑"集成深度学习、数据挖掘、生物识别等技术
平安科技2019年开发专利数量全球第八
2021年营业收入超1910亿美元，《财富》全球500强第十六位
案例2：起步慢、成长快的运营转型——丰业银行
CEO布莱恩·波特2019年创建客户洞察、数据及分析（CID&A）新团队
"蓝领AI"：关注实际业务价值，不关注研究
80%的分析和AI模型已部署到生产中
"可复用的权威数据集"方法：提高速度、一致性和价值
用机器学习识别存在现金流问题的消费者，主动联系提供支持
联络中心每通电话信息搜索时间减少一分钟以上
案例3：数据和AI对保险客户行为的影响
前进保险： 基于使用的保险先行者，机器学习模型定价
安森保险： 从"疾病护理"转向"健康护理"，与Sharecare合作，超过100万会员使用数字服务台
宏利保险： "行为保险"与Vitality全球合作，最活跃会员死亡率比平均水平低60%，严重疾病发病率降低20%~30%
开发合乎伦理的AI能力
德勤"可信AI框架"六大要素：
公平公正
透明且易于解释
负责任且可问责
安全可靠
尊重隐私
稳健可靠
关键联盟： 世界经济论坛、AI合作伙伴、EqualAI、数据与信任联盟
联合利华AI保证实施：
全球数据科学总监贾尔斯·帕维领导
流程：提出用例和方法 → 内部审查 → 开发完成 → 统计测试 → 风险判定
如存在无法降低的严重风险，拒绝该AI应用
最终决定由高级执行委员会做出
第6章 行业用例
消费行业
常见用例：
车队网络优化
更高层次的个性化
产品组合优化
供需规划
自动联系客户（聊天机器人最多12种零售用例）
新兴/细分用例：
无人商店（Amazon Go、韩国emart24）
自动驾驶（进展慢于预期）
时尚科技（虚拟试衣间、AI推荐）
个性化健康/健身/保健服务
服务体验现代化
沃尔玛案例：
数百名数据科学家从事供应链和需求管理
"移动推销员"算法优化车队路线
GPU上运行的"禁忌搜索"模型优化供应链
当线上商品缺货时，AI确定下一个最佳可用选项
宣布140亿美元重新设计配送中心，采用AI和机器人
GoLocal服务：为其他零售商提供当天/次日送达
能源、资源和工业行业
常见用例：
预测性维护（壳牌每天监控超一万台设备）
供应链优化
能源效率优化
质量控制（计算机视觉）
希捷（Seagate）案例：
使用AI提高硬盘制造质量
计算机视觉检测缺陷
显著提升良品率
金融服务行业
常见用例：
欺诈检测和反洗钱
信用评分和贷款决策
客户服务聊天机器人
个性化财务建议
第一资本案例：
从数据分析公司转型为AI驱动公司
将数据迁移到云端，显著提升AI关注度和能力
政府和公共服务业
用例： 税务欺诈检测、社会福利发放优化、城市交通管理、公共卫生预测
美国和新加坡政府案例： 多个部门部署AI进行服务优化
生命科学和医疗健康行业
常见用例：
药物发现（辉瑞、诺华、阿斯利康、礼来）
医学影像分析
临床决策支持
患者关怀个性化
克利夫兰诊所案例： 使用AI辅助诊断和临床决策
科技、媒体和电信行业
用例： 内容推荐、用户行为分析、网络优化、客服自动化
迪士尼案例： 分析和AI部门用"传道学"概念强调内部沟通的重要性
第7章 成为AI驱动的公司——4条路径
路径1：从以人为中心到以人和AI为中心——德勤
全球最大专业服务机构，传统上非常注重专业人才
贾森·吉扎达斯推动审计、税务、咨询、风险顾问等业务流程的AI化
2021年启动德勤AI学院，培养AI人才
与英伟达合作成立AI计算中心
路径2：从信息提供商到AI提供商——CCC智能解决方案
为汽车保险碰撞损伤评估提供数据和AI图像分析
CEO吉蒂斯·拉马穆尔蒂此前为CTO，善于长期押注技术
关键赌注：将数据迁移到云端、智能手机引导照片损伤评估、自动驾驶/半自动驾驶远程信息处理
路径3：从数据分析公司到AI公司——第一资本
最初是关注数据分析的公司
数据迁移到云端后，在数据存储和基础设施管理上投入时间减少
显著提升AI关注度和能力
路径4：从零开始打造AI能力——Well
医疗健康领域初创公司
从头开始构建AI能力
创建各种健康评分和处方药物依从性评分
AI应用的经验和教训
AI不是标准配方，每家公司都需要个性化路径
领导力比技术更重要
数据的独特性和质量决定AI模型的竞争力
文化变革比技术部署更难
试验是低成本学习的最佳方式
在AI领域，没有"太迟了"——丰业银行证明起步晚也能赶上
AI伦理不是可选项，而是必选项
核心金句
"在一个AI优先的世界里，我们正在重新思考我们所有的产品。"
"有人问我为什么只在传统企业担任AI职务——因为在原生数字化企业里，这项工作太容易了！"
"过早要求投资回报率会扼杀试验。"
"AI技术是最容易的部分，把员工和组织动员起来探索、打造和使用AI才是一项挑战。"
"我们没有治疗病人，我们在努力让他们保持健康。"
"财务咨询是一场以人为中心的游戏。系统通常只需要提醒客户顾问就在那里，并且时刻关注着客户。"
"AI驱动的公司在所占比不到1%。"
"无法部署的模型不会提供任何经济价值。"
"世界上只有一种英雄主义，就是看清生活的真相之后依然热爱它。"
"我们必须拥有与数字化原住民相同的能力，然后我们可以继续创新，在必要的时候与他们展开竞争。"