人工智能驱动企业：通过情境感知AI重塑组织2不受束缚的企业

2 不受束缚的企业

过去的限制成为现在的现实。我们日常的互动建立在流程建立之初所经历的限制之上。即使这些限制随着新技术、现代生活方式或新颖的商业实践而消失或被克服，原有的互动框架通常依然存在。
如今，美国的联邦选举之所以在11月初举行，是因为在1845年选定这个日期时，大多数人都是农民。他们发现11月初是一个方便的时间：收获已经结束，但天气仍然相对温和。选举在周二而不是周一举行，因为当时周日是大多数人的礼拜日，而许多人需要一天时间前往几英里外的投票站，这导致他们无法在周一投票。
商业领域也充斥着类似的例子。回想一下百视达对Netflix邮寄DVD服务的无力回应。这根源于百视达创立之初的业务限制。百视达通过其门店出租录像带。因此，其门店需要在实体店附近，这就需要投资建设庞大的实体店网络。其实体店组合一直很有价值——直到Netflix能够以更低的成本和更高效的在线方式接触客户。百视达的致命错误在于，它对不断变化的市场的反应集中在最大化其实体零售资产上。这延迟了直接而有力的在线应对，而等到它反应过来时，已经太迟了。百视达目光短浅地关注了录像带租赁业务的一个限制因素，而技术已经使其过时了。剩下的就是历史了。沃尔玛相对于亚马逊在线零售的困境或许也可以归因于类似的实体店管理限制。
一个更近期的例子是在线教育和学术辅助平台 Chegg，由于 ChatGPT 的出现和教育资源获取的民主化，该平台的收入和股价正大幅下滑。
2.1 信息过载

企业面临的一个主要制约因素与信息处理有关。正如赫伯特·西蒙早在 20 世纪 70 年代所指出的，组织及其信息处理系统“浸泡在极其丰富的信息汤中”。在这种情况下，西蒙发现，信息处理能力而非信息可用性是组织设计的主要制约因素。在接下来的几十年里，这汤变得越来越浓稠，越来越令人反胃。诚然，自从西蒙首次调查这汤以来，公司的信息处理能力已经呈指数级增长——计算机变得更加强大；数据收集和传输速度也更快。然而，这些改进主要局限于处理结构化信息，例如处理工资单和生产计划等相对狭窄的任务。
最近的机器学习技术使我们能够处理更多非结构化的输入，例如来自视频和音频的输入，但它们仍然只在狭窄的任务中表现出色，例如根据历史购买情况提供客户推荐。信息混乱的局面依然存在：组织可获得的大部分数据与西蒙做出其研究时一样非结构化。不幸的事实是，大多数非结构化输入既没有整齐地编码，也难以在工作表、数据库或其他机器可读格式中编码。企业仍然受到限制。也许比20世纪70年代有所缓解，但仍然受到限制。它们处理信息（尤其是非结构化信息）的能力仍然很弱。
从历史上看，处理非结构化信息的任务主要落在人类身上，无论是个人还是群体。尽管人类也需要一定的结构化数据，但直到最近，我们处理非结构化数据的效率都高于机器。在处理非结构化数据方面，我们比机器拥有更强的能力优势。人类可以相对轻松地获取并合并存储在不同文件夹中且格式不同的两个Excel工作表中的数据。我们可以编写程序让计算机执行此操作，但任何简单的代码都相对缺乏灵活性：如果以后的工作表格式稍有不同，就可能需要重新编写代码。
同样，传统算法无法回答像“为什么我的公司没有盈利？”这样简单但高度非结构化的问题。即使对人类来说，回答这个问题也可能很复杂。但至少人类可以围绕这个问题构建一个结构，然后开始系统地探索答案。然而，尽管人类拥有解决问题的能力，但他们的信息处理能力仍然缓慢、有限且多变。他们也需要时间来学习。这一切都意味着组织处理非结构化信息的成本很高。
处理非结构化信息的所谓“成本曲线”非常陡峭，并且呈凸性：处理任何给定信息单元的成本最初都很高；然后由于规模经济而下降；然后由于信息过载而再次上升——我们需要处理的数据量超出了我们的能力和设施所允许的范围（参见标注“成本曲线的约束、凸性和组织搜索”和图2.2）。即使存在最佳点，它也有限且短暂。这些现实给组织带来了巨大的时间和财务限制：挖掘企业可用的海量数据的成本非常高昂，以至于公司限制此类活动。很少有人愿意花费大量的时间和金钱去钻研“西蒙汤”。尽管计算技术取得了飞跃，但这一关键限制已经持续了几十年。那么，组织该如何解决这个问题呢？通常，它们会通过省略一些数据或步骤来简化流程。例如，公司经常使用“样板合同”，其中包含相同的条款，通常带有空白处，用于填写价格和数量等关键变量。尽管它们能够容纳这几个变量，但它们基本上是一刀切的协议，无法反映不同客户的不同需求。
在许多其他情况下也存在类似的过度简化。例如，战略管理中的许多框架都是2×2矩阵，这并非巧合——BCG增长矩阵、安索夫矩阵、波特的通用战略等等。这些矩阵只使用两个维度——通常被归类为“高”或“低”。此类框架的流行并不意味着只有这两个维度才重要；它可能仅仅意味着它们是最相关且可衡量的。波特的五力模型或许比二阶矩阵更全面。然而，如果是波特的十七力模型，它不太可能像二阶矩阵那样受欢迎（或更容易理解），尽管后者可能更全面、更精确。
我们简化业务流程的另一个重要方法是运用结构。我们通常会将问题分解成多个步骤来帮助解决问题，即使解决方案不需要这样的分阶段实施。如果问题高度非结构化，我们通常会先构建一个广泛的解决方案框架，然后对其进行微调。之后，我们会对问题进行更深入、更系统的评估，并寻找解决方案。
我们这样做是为了减少处理非结构化信息的需要。例如，为了解答企业为何未能盈利，我们可能会将搜索内容大致分为可能减少收入的因素和可能增加成本的因素。然后，我们将每个因素细分为关键的潜在收入和成本驱动因素，并对每个因素进行越来越细致和结构化的评估。
考虑另一个问题：产品定价。纽约州锡拉丘兹一家由一位企业家经营的小型民族食品杂货店采用了一条简单的规则：在分销商收取的成本上加30%的利润来确定零售价。这种简化流程减少了投资和学习复杂定价软件的需要。然而，它几乎肯定错失了提高利润和客户满意度的机会。
即使在规模较大的组织中，类似的不成熟的流程仍然存在。大多数大型公司都认识到，通过严谨的决策可以提高盈利能力。然而，定价过程很少涉及基于对客户和竞争对手反应的预期而对价格弹性进行详细的了解。更常见的做法是在同一产品类别中寻找比较基准，或者考察不同公司之间可比的产品类别。这种方法“简化”并“结构化”了决策过程。但它无法避免群体思维，这可能会影响市场中的所有参与者。它还会忽略其他关键信息，导致收益损失。更普遍的是，由于处理非结构化信息的成本高昂，组织通常会将非结构化问题分解成更小、相对独立的部分。他们将每个部分分配给不同的团队，以便每个团队都能了解各自的任务要求，并在其职责范围内完成结构化和问题解决流程。然后，组织会建立机制来协调各个团队的工作和产出，以优化结果。这些将问题结构化的尝试通常体现在组织的结构中，尤其是在与常见的业务挑战相关时。这是因为组织会设立部门来处理日常流程。例如，公司通常会设立专门的销售分析师团队来支持销售人员，并设立产品分析师团队来支持产品经理。这种标准的线性方法——其中一个团队的信息被另一个团队用作输入——通过减少多个参与者之间持续互动的需要来实现。
构化问题的另一个关键工具。例如，为了给新产品定价，市场经理可能会在组织内部组建一个专家团队。该团队通常会定期开会，以编制一份可比产品清单。这个过程需要一定程度的共识，但这通常
团队成员之间的面对面互动是组织解决非结很难实现。它需要反复开会，以及大量的异步通信，例如短信、电子邮件和Slack消息。
面对面会议虽然有助于解决问题和产生想法，但成本高昂且难以扩展。它们需要在准备和后续工作上投入大量时间。为了提高效率，它们还需要熟练的协调员。
2.2 信息智能

情境感知人工智能可以大规模处理非结构化信息。它可以大大减少这种面对面互动的需求，使组织摆脱处理非结构化信息的限制。其商业优势是多方面的。情境感知人工智能拉平了处理非结构化信息的成本曲线。它使组织能够挖掘更多此类信息（参见标注“约束、成本曲线的凸性和组织搜索”）。而且，从解决问题的角度来看，消除约束意味着组织搜索的范围现在可以更加广泛（参见标注“约束、成本曲线的凸性和组织搜索”）。更广泛地说，放松约束可以催生新的组织形式。
想想远程办公技术如何减少或消除了员工需要同地办公的需求。这导致了许多“全远程”公司的出现，例如Doist，它们没有可识别的地理总部。在我们的案例中，放宽处理非结构化信息带来的限制，为组织提供了重塑其线性结构的机会。这可以将它们转变为一种不那么迟钝、更专注于创造经济价值的形式。我们接下来将探讨这一点。
2.3 透过镜花水月

位于纽约州康宁市的康宁玻璃博物馆，对于那些对玻璃制造技术和历史感兴趣的人来说，是一个令人着迷的地方。除了精彩的玻璃艺术展览外，博物馆还让人们得以一窥几千年来玻璃制造工艺的演变。
在大部分时间里，人们制作瓶子都是通过管道将空气吹入熔融玻璃块中，然后慢慢地对其进行处理，直到玻璃块逐渐膨胀成瓶子的形状。生产速度很慢，而且需要玻璃吹制工人高超的技艺（博物馆的许多现场表演都展现了这种技艺）。
如何简化和加速这一过程？事实证明，机械化并非易事。将瓶颈最后成型的手工流程自动化失败了。这是因为机器无法在玻璃瓶成型过程中握住它。1881 年，玻璃制造商菲利普·阿博加斯特 (Philip Arbogast) 解决了这一关键制约因素。阿博加斯特认为，通过先成型瓶颈，机器可以在吹制瓶子其余部分时抓住瓶颈。他的想法奏效了，并为后续自动化流程的发展奠定了基础。这一经验具有启发意义。与玻璃制造自动化一样，利用情境感知人工智能需要进行一些根本性的反思。
这种组织改进方法并非全新。例如，业务流程再造 (BPR) 的概念就是基于这种思路而提出的。 BPR 建议彻底重新设计核心业务流程，以显著提升成本、质量、服务和速度等关键绩效指标。然而，情境感知型人工智能并非旨在立即大幅改变运营流程。相反，它从根本上重新思考信息在组织中的流动方式。这种重新思考将允许使用情境感知型人工智能来缓解信息瓶颈，使信息交换能够通过平台介导的动态交互而非静态的线性交互进行。我们可以将这种组织转型称为业务信息再造，这也是第 8 章的核心主题。
正如 Arbogast 公司围绕其机器的能力重新设计其流程时，玻璃制造业发生了翻天覆地的变化一样，以人工智能为中心的企业也将围绕情境感知型人工智能的能力来设计其组织交互。在传统的人工智能赋能企业（左图）中，人工智能被用作某些员工、团队或利益相关者的生产力提升工具。对于那些完全拒绝使用人工智能的组织来说，这算是一种进步，但它浪费了该技术的大部分潜力。

图表的左半部分可能经常显得混乱。即使使用人工智能来解析和理解非结构化信息（例如文档），生产力的提升也仅仅是各个部分的总和，而非协同效应。这种不理想的做法之所以持续存在，是因为组织原有的结构性约束——这些约束是在人类是处理非结构化信息的唯一来源时发展起来的——仍然存在。人与人之间的信息流仍然不受技术的调节。它基本上是线性的——来回流动。组织机制嘈杂、混乱且浪费：它被漫无目的的面对面沟通所阻碍，而不是得到改善；忽略了关键信息；孤立了一些利益相关者；并且容易受到参与者的特质和偏见的影响。未来以人工智能为中心的企业（右侧面板）将是一个完全不同的景象。它消除了原有的组织约束。因此，它提高了个人生产力，并放大了个体之间每一次联系的价值。情境感知人工智能凭借其理解给定指令集的逻辑内容和意图的能力，成为协调和协调个体间信息流和知识发展的核心平台。它是积极促进和增强个体间协作的引擎。这带来了更广泛的组织搜索，从而产生了更广泛的途径和更好的问题解决方案，以及与传统组织结构相比更丰厚的回报。
2.4 价值动力

情境感知人工智能的丰厚回报源于互动和个人努力创造价值方式的差异。个人努力在很大程度上是线性的，个人付出的努力越多，创造的价值也就成比例地越高。在其他条件相同的情况下，两个人各自独立工作一小时，创造的价值大约是其中一人工作一小时的两倍（或者说，解决问题的可能性大约是其中一人工作一小时的两倍）。
相比之下，个体互动的价值创造是高度非线性的。通过这种互动，个体可以相互学习经验，从而提高自身劳动的生产力。此外，互动，尤其是在重点明确且管理有序的情况下，能够促进个人想法的交流和重组。它们可以作为高质量想法的源泉，而这些想法是个人自身无法产生的。一个人的努力或知识对另一个人生产力的影响意味着，在良好中介的互动中创造的价值是参与者数量的非线性函数，甚至可能是指数函数。左侧面板所示的线性结构，其价值份额更多地来自个人努力，而非互动。这是因为它们将互动主要限制在“相邻”个体之间——那些在地理、层级或社会关系上相近的人。情境感知人工智能消除了这种相邻约束。作为一个中介和协调平台，它允许更多参与者进行有意义的互动。因此，它提升了互动的价值创造。
一个显而易见的问题——任何参加过会议的人都知道——是，参与者越多并不总是越好。人员过剩的会议效率低下，甚至会陷入混乱。但情境感知人工智能作为中介平台不同于会议。首先，它不一定像会议那样同步。更重要的是，它的作用不仅仅是增加人与人之间的联系。相反，它可以利用情境感知来评估组织情境中的问题；帮助协调具有相似想法和目标的参与者；并提供建议以促进发现和解决问题。
假设一个产品开发团队正在研究一个想法，而销售团队正在与潜在客户讨论新产品的理想功能。再想象一下，一个法律团队正在独立调查组织更感兴趣的知识产权问题。法务团队的想法可能与产品团队的工作相关，甚至可能对其产生影响。然而，鉴于两个团队在线性结构中的组织距离，这种距离可能直到流程后期才会显现。作为中介平台，情境感知人工智能 (Context Aware AI) 可以更早地标记出这种相互依赖关系。这可以实现更好的协调，并使两个团队能够做出更丰富的决策。同样，情境感知人工智能 (Context Aware AI) 可以仔细搜索团队生成的临时工作以及非结构化的市场情报报告和公司政策文件。通过这种综合搜索，它可以提供洞察：例如，了解团队的想法如何与公司整体政策和行业趋势保持一致。需要注意的是，即使在现有组织内，大部分洞察也可以实现。
这种架构将法律团队和产品开发团队分开作为调解和协调互动的平台，情境感知人工智能具有三重优势：它降低了人机交互的成本；成倍地提高了交互质量；并增强了交互的产出。对于任何给定的任务来说，此类交互越重要，情境感知人工智能就越有可能改进它们。正如我们在下一章中讨论的那样，要实现这一点，情境感知人工智能必须能够感知嵌入在非结构化数据中的信息，并基于这些信息进行推理。如今的大型语言模型充其量只是中等感知能力的机器。除了更好的感知模型之外，我们还需要一层额外的推理模型，以便验证并推断出企业最终用户的最终建议。情境感知人工智能确实有其局限性。正如我们将在第五章中探讨的那样，有助于建立信任和建立关系的互动不太可能从中获益良多。此类互动将继续以人为本，情境感知型人工智能或许会扮演一些辅助角色。
情境感知型人工智能在建立信任和关系后，能够有效处理非结构化信息。总体而言，它将最有利于那些依赖于与任务协调和创意生成相关的非结构化信息的互动。然而，即使是此类互动，情境感知型人工智能的全部潜力也只有通过重大的业务转型才能实现，我们将在第7-9章中对此进行探讨。这种转型将涉及摒弃先前结构化的做事方式。然而，这种转型可以通过一系列细小而谨慎的步骤来实现。它需要在组织外部构建一个庞大的支持生态系统，而这需要随着时间的推移才能实现。它还需要对个人对组织的贡献以及组织如何衡量和奖励他们进行深刻的反思。
正是这些挑战将为有抱负的企业家和有远见的管理者提供机遇。
参考资料

• 软件测试精品书籍文档下载持续更新 https://github.com/china-testing/python-testing-examples 请点赞，谢谢！
  
• 本文涉及的python测试开发库 谢谢点赞！ https://github.com/china-testing/python_cn_resouce
  
• python精品书籍下载 https://github.com/china-testing/python_cn_resouce/blob/main/python_good_books.md
  
• Linux精品书籍下载 https://www.cnblogs.com/testing-/p/17438558.html
  
• python八字排盘 https://github.com/china-testing/bazi
  
• 联系方式：钉ding或V信: pythontesting
  

2.5 关键要点

• 约束决定了组织互动的方式——处理非结构化信息的困难限制了组织搜索的范围
• 情境感知人工智能凭借其理解情境的能力，可以放宽甚至消除许多此类约束
• 为了充分发挥情境感知人工智能的潜力，组织需要从根本上重新思考其信息和价值结构，并将情境感知人工智能置于组织互动的中心。
情境感知人工智能减少了组织面临的约束。这主要体现在两个方面：降低成本曲线的凸度并拓宽组织搜索的范围。
考虑人工处理非结构化信息的成本。它的成本曲线呈U形。起初，单位成本随着信息处理范围的增加而下降。最终，成本再次开始上升。曲线较早下降的部分代表规模经济效应。
处理信息的单位成本下降，因为无论处理的信息量多少，设置和学习成本变化不大。例如，审查一份合同可能需要一台计算机，但一旦计算机设置好，我们就可以在同一台计算机上审查多份合同，从而降低审查每份合同的成本。

然而，随着处理的信息量的增加，更多的限制因素也随之出现。这导致了规模不经济。单位成本上升。例如，在审查了十几份合同后，人们可能会感到疲倦、注意力分散、容易出错，这会增加成本。最近的研究表明，即使是人类对风险的感知也会在高度复杂的条件下发生变化。如果成本曲线呈 U 型，组织会试图在曲线的最小点附近运营，从而受益于规模经济，但规模又不会太大，以免规模不经济阻碍其发展。
情境感知人工智能处理非结构化信息的成本曲线形状相似，但更平坦。与人工处理类似，甚至可能更甚，设置情境感知人工智能也需要固定成本，从而产生规模经济。然而，由于受到的限制比人类更少，情境感知人工智能很可能在更高的处理量下达到最低成本。它不会在评估 12 份合同后就分心，而是很可能在需要重新校准或额外培训之前审查数百份合同。成本曲线的平坦化意味着组织现在会选择使用情境感知人工智能处理比人类处理更多的非结构化信息。请注意情境感知人工智能曲线的最低点位于人类曲线最低点的右侧。
成本曲线这些方法提供了简化优化的巧妙方法。然而，它们忽略了组织决策中固有的一些丰富性。组织中的问题解决——尤其是那些具有复杂相互依赖关系的问题——被分析师描述为在“崎岖的绩效图景”中搜索。
管理者是探索者，寻找高绩效的巅峰。然而，正如研究人员James March和Herbert Simon指出的那样，管理者受到信息获取渠道的限制，并受个人之间社会关系的束缚。这些企业登山者无法看到整个图景——他们必须进行昂贵且不确定的学习才能找到顶峰。
这些限制既限制了搜索的范围，也限制了对图景中最高峰的可见性。假设一个组织位于放大镜标记的位置。它只能搜索一小块区域——图中阴影区域。找到任何高峰都需要时间，而且很可能只会到达较低的一个峰（B或C）。如果约束条件足够强，那么组织可能永远都不会意识到最高 A。放松约束条件可以扩大搜索范围（即阴影区域的大小）。这有双重好处：加速问题解决，并增加发现和到达最高峰的可能性。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！