AI：影响AI成败不是技术，而是组织分工

2019年的现在，如果问任何一家企业，他们的数字转型策略重点为何，大家的回答里免不了会提到AI。但是，企业在发展AI的时候，究竟哪些因素最影响成败？应该如何设定绩效目标？最重要的是，投入AI真的有效吗？本篇文章为你找出答案。

「目标明不明确」影响企业AI发展

报告中把受访企业依该公司投入AI研发的年资、AI团队大小、AI专案数目分为四个种类，分别是最领先的先进者、追随者、观望者以及完全没投入的未启动者。

调查并发现，AI技术最成熟的先进者，对公司投入AI发展的满意度高达85%；刚开始尝试的观望者，其满意度则只有45%。这显示 AI投入的时间越久、经验累积越多，更能感受到AI带来的效益。

受访企业分为四个种类，分别是最领先的先进者、追随者、观望者以及完全没投入的未启动者。

至于哪些因素最能影响AI发展的快慢？一般认为很重要的数据及技术反而得分最低，企业最看重的，其实是有没有 「明订AI的发展目标」，其次则是「有无足够预算及人力」以及「AI团队的合作能力」，结构与策略面的因素，最为关键。

此外，调查中也分析企业中不同职等间，对AI在技术面上的认同差异。各职等都认为「分析人员能够协作」是最重要的；中阶及高阶主管认为必须要有一个易于管理的单一AI平台；一般职员在乎如何降低写程序的作业门槛。

在评价AI专案时的绩效指标方面，所有职等都认为「能否提升营运效率」最重要。但他们对第二重要因素的想法则大相迳庭。对企业负责人来说，是「能否提升品牌市占率」；对中阶及高阶主管来说，是「业务创新程度高低」；对一般职员来说，则是「能否降低营运成本」。因职等不同，对AI的期望也不一样。这也使得 企业内部更透明的沟通、讨论成为相当重要的事情。

技术不是问题，组织分工成关键

目前业界在投入AI时，究竟都遇到什么问题？以观察到的业界状况举例，以资料分析师来说，除了作业时间不够、无法充分讨论AI专案需求外；加上工作项目大多是一条龙模式，没有细项分工，资料搜集、筛选资料品质、资料运算分析等都是同一个人的工作。

AI工作未分工化，导致资料品质以及AI分析模型无需受检核，难以进行品质控管。对管理者来说，一旦AI分析结果有误差，就难以找出问题来源，更无法确保资料本身有无一致性以及正确性，进而导致知识经验难以传承，面对资料科学家平均2.5到3年就会异动的情况，管理者也难以进行交接。

这些问题都与「组织分工」息息相关，与技术本身无太大关系。陈新铨也建议，任何AI专案最初都要设定小目标，取得小规模的成功后再扩散到其他部门去，才能够复制成功经验。

针对企业该如何进行AI布局，产业及学界都分享各自的见解。

资料的搜集从最一开始就需要规划，资料不足、内容杂乱，都是最麻烦的状况。

此外，呼吁企业导入AI应着眼更长远的未来。现在大家投入AI主要是为了提升营运效率，但未来AI也会有更多用途。比如，银行客服中心直接引进AI声纹辨识技术，让客户不用再反复输入身分证字号来认证，借此提升客户体验与品牌形象。

未来AI还有哪些发展趋势？

由于数据的搜集困难、花费资金高，所以工程师也在研究，如何以较少的数据培养出同样强大的AI模组。此外，AI的操作方式将更加多元，现在人类可以透过声音控制语音助理，未来也会看见更多用来控制机器的新方法。

最重要的趋势，则是AI的民主化。AI将越来越普及，工具也变得越来越容易上手。未来我们可能会看到，AI与机器学习成为每个人手上的分析工具。究竟这样的一天会不会很快到来呢？

AI

声明：本站刊登(转载)此文出于传递更多信息之目的,并不意味着本站赞同其观点,亦不构成任何投资建议,转载本文请注明出处:http://www.btcinst.com/economy/446.html

很赞哦！ ()