【猎云网（微信号：ilieyun
）】1月11日报道（编译：让妲己看看你的心）
在提高企业运营水平方面，人工智能表现出的潜力远胜于人类的期望。
人工智能指的是从大量数据中学习并找到模式的算法，从根本上讲，人工智能就是在做出决策时向某人提供正确的可操作信息。只有人工智能可以大规模地做到这一点。人工智能可以运用于整个企业，包括销售、市场营销、客户保留、客户支持、减少欺诈等等，这些领域都需要基于数据和可行建议的预测才能做出明智的业务决策。
但最近国际数据公司（International Data Corporation）对已经使用人工智能解决方案的全球组织进行的一项调查发现，只有25%的企业制定了全面的人工智能战略。大多数企业报告他们的人工智能项目宣告失败，其中四分之一的报告出现了高达50%的失败率。
为什么呢？很多时候，人工智能并没有为企业带来他们真正希望从技术中获得的积极影响，比如更多的收入、更低的成本、更少的客户流失、更高的产品质量、更少的浪费和欺诈等等。今天人工智能背后的数学是令人印象深刻的（随便问问数据科学家就知道了）。但当谈到让企业更赚钱时，不知怎么的，这些数字并没有有效地叠加起来。
人工智能在商业上表现不佳的一个关键原因是，如今企业使用的大多数人工智能都经过了训练，以最大限度地提高模型的准确性，即“正确”答案的百分比。但在现实世界的许多商业案例中，最精确的人工智能模型并不能产生最佳的商业效果。如果人工智能只能提供五个好的销售建议，那么对于一个每月需要完成100笔交易的销售代表来说，它就没有什么价值了。在人工智能领域工作了近20年后，我们听到很多沮丧的商业用户说，他们的人工智能从来没有出错，只是对他们正在努力实现的业务改进完全没有用。人工智能只能告诉他们一些他们已经知道的事情。
人工智能往往不尊重基本的商业原则，其中最主要的是“有效边界”（Efficient Frontier），这是从经济学和金融学中借用的一个术语。有效边界指的是权衡风险与回报之间的平衡。这是一组投资组合或资产，它们在确定的风险水平下提供最高的预期收益，或者在给定的预期收益水平下提供最低的风险。例如，当石油价格上涨时，由于回报很高，一家能源公司可能会增加更多资源（例如员工，钻探场所，先进设备等等）。但该公司不能无限量地增加产能，即使在价格飙升的情况下，资源限制也限定了其扩张能力。
从生产能力和销售团队规模到库存水平、营销预算和地理位置，企业不断计算和重新计算其运营各个方面的有效边界。这意味着，在当前情况下，他们总是在为给定资产寻求最佳的风险回报权衡。
今天，人工智能模型需要有一个有效边界。模型必须随着业务现实的变化而变化，许多小模型不断地重新计算有效边界。模型可以根据地理位置进行专业化处理——一个模型用于在德国销售，另一个用于在中国销售，第三个用于在美国销售。模型还可以根据当前的业务机会和限制条件进行定制。一家公司当周销售线索多的情况下可能有一个模型，而潜在客户相对较少的情况可能有不同的模型。
随着新数据的产生，一些表现良好的模型可能会开始衰退，而一些表现不佳的模型可能会出现令人惊讶的改善。模型的有效边界就是在正确的时间使用正确的模型。
不幸的是，如今大多数人工智能都是由亚马逊、谷歌和DataRobot等公司的现成机器学习平台产生的，这些平台往往没有考虑到企业每天面临的成本效益权衡和资源限制。许多模型假设所有的成本和收益都是相等的，但在商业世界中这几乎是不可能的。如果赢得交易的收益是达成交易成本的100倍怎么办？在这种情况下，你可能愿意为了一场胜利而追求并失去99笔交易。一个人工智能如果发现100场比赛只有1场获胜，那将是非常不准确的。但这会增加你的净收入。受过精确训练的人工智能永远不会认识到这种成本与收益的权衡。
类似地，大多数人工智能都不尊重资源约束。如果你公司目前的销售能力被限制在只有10条你可以有效追踪的线索时，那么让你追踪100条线索的人工智能就毫无价值。在商业中，诸如营销预算和销售能力之类的运营约束非常重要。
模型很少会突然一下子对所有事情都不协调，它们首先会在特定的子组中不协调。一家公司可能会在波士顿地区遭遇客户投诉的大高峰，然后很快，它就成为了整个马萨诸塞州的问题。不久，它就会渗透到整个企业中。不协调的特定子组可能是整个模型开始崩溃的信号。
人工智能需要考虑这样一个事实：企业是不断变化的，而不是一个通常遵循可预测模式的庞大数字集合。针对业务影响进行优化的人工智能必须进行调整，使公司能够不断地进行试验，并找到提高效率的新方法。
最重要的是，企业需要解决业务问题的人工智能，而不是数学问题。准确性比业务影响更重要。人工智能被训练来学习越来越多不会为公司赚钱的东西，这是不值得的。如今，太多的人工智能在复杂的数据科学指标中迷失了方向，他们似乎理解每一个数字，除了利润。
人工智能的承诺和回报之间的差距已经成为商界的失望之谷。人工智能需要而且能够更好地应对企业每天面临的问题。企业不应该学习如何使用人工智能，人工智能需要讲业务。
