采用人工智能是一个充满挑战的旅程

走向持续变化 内容 本报告基于定性和定量研究的洞见。 03 实施人工智能——炒作与现实 04 关键发现 05 人工智能成熟度三个层次 06 人工智能超级领域 07 学得越多，越难 08 人类，我们有问题 09 人类，我们有策略 10 长而曲折的道路 11 变革后：新的稳定性 方法论 在定性阶段，我们采访了来自瑞典和英国的16位人工智能和高级分析专家，涵盖IT和技术、电信、银行和金融、保险和金融科技等众多行业领域。访谈还包括来自政府组织和人工智能和高级分析工具供应商的专家。 没有关于人工智能或高级分析的先验背景信息，这些信息可能会影响从每个小组中的抽样。 与其他国家相比，中国在公司人数在1000至10000之间的范围中存在过度代表的情况（这意味着，相对于较小或较大的公司，来自该范围公司的受访者比例较高）。此外，中国来自制造业和加工业的受访者更多。然而，我们认为这些差异可能反映了结构差异，而不是不适当的抽样方法。样本未进行加权处理。 定量阶段包括一项针对美国、德国、英国、印度和中国2,525名白领AI/分析决策者的在线调查。调查问卷平均分配给各国，以实现从每个国家抽取500名白领AI/高级分析决策者的目标配额。 关于爱立信消费者与行业实验室 爱立信消费与行业实验室提供一流的研究和洞察，以推动创新和可持续业务发展。我们通过运用科学方法，探讨在连接方面的消费者、行业和可持续社会的未来，并就市场、行业和消费者趋势提供独到见解。 按每个国家划分，配额进一步细分，调研至少250名负责将人工智能或高级分析技术引入其公司的技术经理，以及250名负责在其运营流程中使用人工智能或高级分析技术的运营经理。 我们的知识来自于全球消费者和行业研究项目，包括与知名行业协会和世界顶尖大学的合作。我们的研究项目每年覆盖对超过10万人进行的访谈，在40多个国家进行，统计上代表1.11亿人的观点。 这些受访者是从在线商业专业人士小组中抽样选取的。为了达到上述指定的配额，共随机抽取了10,024名在至少有100名员工的公司工作的全职专业人士，其中6,781名是白领决策者。为了避免特定国家的效应和偏见，使用了多种小组来源。各个国家的目标受众是相同的， 所有报告都可以在以下网址找到：www.ericsson.com/industrylab 实施数字智能——炒作与现实 围绕人工智能（AI）的炒作很难被忽视。关于这项技术如何革新商业、如何将数据转化为盈利预测，以及如何通过成为AI驱动来为组织赋能的未来做准备，有无尽的文章。 然而，成为人工智能驱动已被证明相当棘手，投资回报率（ROI）的预期实现也较为缓慢。同样，商业媒体和咨询公司通过关于如何评估数据、吸引最优秀的数据科学家以及让员工喜爱新机器的精心撰写的文章和报告来应对这些挑战；但很少描述决策者在实施人工智能时真正面临的挑战，或这些挑战如何被克服。 “产品可用”，与英国、德国和美国仅10%相比。2020年，中国和印度有27%的人同意这一说法，但英国、德国和美国仍然只有17%。换句话说，西方国家刚刚达到亚洲国家二十年前达到的技术兴趣水平。 采用人工智能是一场文化之旅 提高生产力是公司采用任何新技术的关键驱动因素，也是实施人工智能或高级分析的最高排名原因，在我们的调查中，62%的受访者选择了这一原因。 公司采用新技术的能 力具有强烈的文 化因素。为了完成每 个国家500名人工智能/高级分析决 策者的配额，令我们惊讶的是，我们在英国需要 sampling 超过3,000名受访者，而在中国仅约700名受访者。总体而言，亚洲的配额更容易完成，而西方国家的配额更难完成。 这种模式在我们对白领决策者的调查中得到了印证，78%的中国受访者已采用人工智能或高级分析，而英国的比例仅为24%。尽管西方国家在人工智能采用曲线方面似乎落后，但仍可能有机会迎头赶上。我们的进一步分析表明，在使用人工智能或高级分析方面越先进，遇到的挑战就越多，难度也随之增加。而且，关键在于，大多数挑战都集中在人员/文化维度。 本报告分享了涉及在已实施人工智能和高级分析的组织以及仅开始实施的组织中的2525名管理人员的5个国家的调研见解，这些发现令人惊讶。 这可能是由于对技术的总体态度存在差异。对爱立信消费者实验室时间序列数据的分析显示，早在2000年，中国和印度的受访者中有16%同意“我总是在寻找最新的技术”这一说法。 主要发现 本报告将公司分为三类：AI领导者、AI跟随者和AI初学者。但是，成为AI领导者只是数据驱动变革的起点。 主要发现 高达69%的AI领导者预见到他们的公司将持续涌现新的AI/高级分析应用——这些新应用反过来又会驱动更多的流程变革和重组。 99%的受访者在其部门都面临过AI/高级分析的实施挑战，而91%的人在研究的三个类别（技术、组织和人员/文化）中都遇到了挑战。 百分之八十七面临的人际/文化挑战多于技术和组织挑战。类似地，百分之九十四部署的人际/文化解决方案策略多于其他类别的策略。 在这个高级样本中，许多人都是AI领导者——49%的人表示AI或高级分析工具已经在他们的公司中完全实施。然而，这并非他们旅程的终点。AI领导者计划在未来18个月内比之前投入更多资金用于AI或高级分析。 63%的AI领导者表示，重点将从生产产品和服务转向生产人工智能算法和模型。在转型之后，公司可能会进入一个稳定的状态，唯一不变的是数据驱动的变化。 面临挑战的举措所占份额随成熟度的提高而上升：你学得越多，就越难。 三个人工智能成熟度等级 本报告旨在了解当今将人工智能和高级分析应用于业务运营的历程、过程中遇到的问题以及管理者为解决这些问题而考虑的策略。 为了全面了解这一旅程，我们针对那些已经开始采用人工智能和高级分析技术的公司进行了研究。在这个高级样本中，许多公司在其实施过程中已经取得了相当大的进展。高达49%的受访者表示，人工智能或高级分析工具已经在他们的公司中得到全面实施，因此被归类为人工智能领导者。另外41%表示，人工智能或高级分析工具得到了部分实施，表明他们属于人工智能追随者。最后的10%回答称他们目前正在实施此类工具，暗示他们是人工智能初学者。为了更好地了解这些公司，我们要求受访者 用六个问题来评估他们的成熟度。这些问题涵盖了从人工智能/高级分析项目是否经常被用作最佳实践范例——70%的人工智能领导层同意，但只有37%的人工智能初学者同意——到项目是否总是有高级赞助人和专用预算，66%的人工智能领导层表示同意，但分别只有45%和44%的人工智能跟随者和人工智能初学者表示同意。不仅人工智能领导层在所有六个问题上的得分最高，还有30%的人同意所有六个问题。在另一极端，四分之一的人工智能初学者没有同意一个陈述。此外，我们通过一套四份数据共享声明来测试他们的成熟度，范围从 使用外部数据，到内部和外部的数据共享，以及了解管理数据使用的许可。在人工智能领导者中，35%同意所有的4个陈述，而人工智能追随者中只有13%这样做。相比之下，60%的人工智能初学者同意零个或仅仅一个陈述。 最后，受访者单位中AI或高级分析项目数量的模式相似，64%的AI领导者已完成11个以上的项目，60%的AI追随者处于6到20个的范围，49%的AI初学者在其单位启动了5个或更少的项目。 人工智能超级领域 如果你要寻找一家人工智能领导者公司，你会首先看向哪个行业领域？你可能会认为像谷歌和脸书这样的公司正在引领数据驱动自动化的竞赛。如果是这样，你很可能是对的。 在我们的研究中，所有白领人工智能和高级分析决策者的三分之一来自信息和科技行业，这表明许多其他行业的受访者由于其组织内没有人工智能或高级分析计划而被筛选掉了。这很合理，因为在20世纪90年代末的互联网革命期间，新技术的生产业的生产力增长更高。 有些人可能不会将金融和银行业视为技术前沿，但当涉及到技术时，它通常被列为一个知识密集型行业，与IT行业并列。另一方面，制造业和加工业中AI领导者的份额仅为33%。 大多数公司董事会平均年龄较高；他们成长于另一个世界。出生于过去20年的公司以数据驱动的方式思考，而需要重新思考。现任者需要，那真的很困难。”人工智能战略负责人，银行业 当谈到已进入人工智能旅程的公司之间的国家成熟度时，你的先入为主的观念在5月再一次证明有效。无论如何，美国拥有58%的最高比例的AI领导者。这里值得注意的是，尽管英国再次略有落后，中国的比例只是略好一点，为47%的AI领导者。 从行业份额角度来看，IT和技术领先，61%的受访者是AI领导者，融资和银行紧随其后。58每 你学得越多，就越难 鉴于本次调查中几乎所有人工智能和高级分析经理都说他们参与了多个计划，看来变革从来不会孤立发生。 实际上，高达57%的人表示在过去5年里，他们的部门中有6到20个涉及人工智能或高级分析的新举措。超过一半的人也在过去一年启动了新的举措，尽管成熟度较低的人在这一年内启动的新举措数量显著更多，但差异并非特别大。重要的是，差异存在于较旧的举措之间，人工智能领导者中有18%是4-5年前启动的，而人工智能跟随者和人工智能初学者分别只有8%和2%。 因此，在最近一次行动是4-5年前的人群中，有三分之一的人报告说他们启动的行动中有75%或更多遇到了挑战。随着时间的推移，复杂性增加可能有几个原因。许多人工智能系统在发展，并且——与直到收到升级才保持不变的传统的软件包不同——需要持续管理。它们也成为不断发展生态系统中的一部分，其中不同的模型和系统相互作用或交换数据和信息，使得维护随着时间的推移而变得更加复杂。进一步的证据是，在人工智能初学者和人工智能追随者中，遇到问题的行动份额分别只有49%和50%，但在人工智能领导者中高达59%。根本没有办法避免这个反直觉的结论：你学得越多，就越难。 这些挑战大多是与技术相关，但实际上并非如此。相反，高达91%的受访者在我们研究的三个类别中都遇到了挑战：第一类是技术，例如工具的成本和可用性；第二类是组织，例如组织结构和预算流程；第三类是人员/文化，例如员工期望和行为。 尽管令人惊讶，但这种多样性应当从许多发达经济体成为所谓的“知识经济”这一背景来看待，在这些经济体中，人们普遍认识到，对无形资产（如职业培训和组织发展）的投资变得越来越重要。 但如果变革从不单独到来，不幸也不会——至少如果这是指人工智能或高级分析的实施挑战，因为99%的所有受访者都在他们的部门面临过这样的挑战。鉴于人工智能是一项相对较新的技术，很容易假设 但也许与实施挑战最令人大开眼界的见解是，你推行一个计划的时间越长，遇到麻烦的可能性就越大。 我认为许多人认为它很像软件，你构建一些东西，然后它就完成了。高级管理顾问，技术行业 人类，我们有一个问题 在本研究中，我们调查了三个类别的挑战；技术、组织和人员/文化。而且，如前所述，91%的受访者表示他们遇到了涵盖所有三个方面的挑战。 可能更令人感兴趣的是，高达87%的人面临的人际/文化挑战比其他类别的挑战更多。考虑到人工智能和高级分析具有高科技形象，这可能看起来令人惊讶。然而，更令人惊讶的是，只有1%的受访者面临的技术挑战比其他类别的挑战更多。 因成本过高、需要专用设备及数据结构问题。 销售人员不应自行采取行动，因为目标是信任系统。这种观念的接受可能很困难，因为并非总是有趣被算法指导。 首席技术官，科技行业 然而，10个最关键挑战中的6个与人/文化相关，涉及对变革的恐惧和失业以及技能缺乏。技能缺乏也是唯一被评定为关键的组织挑战的主题。本研究中的样本在负责引入人工智能或高级分析工具的技术经理和负责在运营流程中使用人工智能或高级分析工具的运营经理之间均等分配。尽管这两个管理层别总体上几乎没有差异，但他们在关键挑战的排序上确实存在差异。技术经理将 在他们的前五名列表中，来自所有类别的挑战，运营管理人员的前五名最高排名的关键挑战都在人员/文化类别中。 但是，如果你有工程背景并且正在阅读这篇文章，那么有