经理人的角色
2007年1月，贾伯斯缓慢走上舞台，向全世界介绍iPhone，不只一个观察家这样反应：「唉，出租车产业要落幕了。」然而时间快转到2018年，情况似乎正是如此。在过去这10年，智能型手机从只是个比较聪明的手机，演变成充满破坏性、或从根本改变所有产业的工具中，不可或缺的平台。甚至曾调侃说出「只有偏执狂才能存活」的安迪．葛洛夫（Andy Grove）也不得不承认，就算不是极端的偏执狂，也能预见智能型手机将广泛对一些非常传统的产业产生影响。
AI与机器学习的最新进展让我们相信，这种创新与电力、汽车、塑料、芯片、网络，以及智能型手机等过去的伟大革命性科技不分轩轾。从经济史来看，我们知道这些万用科技如何散播与改造。我们也明白，要预测最有破坏性的改变会在什么时候、什么地方，以及如何发生有多困难。另一方面，我们也知道该寻找什么、如何引领潮流，以及新科技什么时候可能从有趣的东西转变成革命性的东西。
AI什么时候应该成为组织领导团队的关键事项？虽然投资报酬率的计算可能影响营运变化，策略决定却会带来两难困境，并迫使领导人努力解决不确定性。组织里的一部分采用AI，或许其他部分也需要改变。在考虑对组织内部的影响下，采用AI与做出其他决策，都需要拥有职权来管理整个企业的人，也就是执行长。
所以AI什么时候可能落实在这个产业？什么时候预测成本的降低足以改变策略？以及如果会发生这种状况，执行长又可能面临什么两难？
AI如何改变企业策略
在第二章，我们推断一旦预测机器的准确度变得够好，像亚马逊之类的公司对某些顾客想要什么很有把握，那么商业模式就会改变。它们会从「购物后出货」的商业模式变成「出货后购物」，预期顾客想要什么商品，而将商品寄给顾客。这个情境简洁地说明如何促使AI工具的投资提高至策略层次，而非止于营运决策的三个要素。
首先，策略的两难或取舍必定存在。对亚马逊而言，困境在于「出货后购物」可能产生更多的销售，但同时顾客也会想要将更多商品退货。当退货的成本太高，「出货后购物」的投资报酬率就会低于「购物后出货」的传统做法。这说明在缺乏一些科技变化下，为何亚马逊的商业模式跟其他零售商一样，维持「购物后出货」，而非改为「出货后购物」。
其次，问题可以靠降低不确定性解决。对亚马逊而言，问题就是消费者需求。如果能够准确预期人们会买什么，特别是还会送到家门前的话，那就降低退货的可能，而且增加销售。降低不确定性同时，还解决获利与成本面的两难困境。
这类的需求管理并不新奇，那是实体店面存在的一个原因。实体店面无法预期个别消费者的需求，但可以预期一群顾客的可能需求。藉由汇集造访一个定点的顾客，实体店面规避个别顾客需求的不确定性。从个别家庭模式转为「出货后购物」模式，需要更多个别顾客需求的信息，这一点可能会胜过实体店面的竞争优势。
第三，公司要预测机器将不确定性降低到足以改变策略两难的既有平衡。对亚马逊来说，非常准确的顾客需求模式，或许就会让「出货后购物」的商业模式变得有价值。这时候，增加销售的利益会超过退货的成本。
现在，如果亚马逊要执行这种模式，会造成事业更进一步的改变。例如进行投资，以便降低保护包裹以便取件的成本，以及退货的物流成本。虽然顾客导向的快递市场竞争激烈，但产品退货服务却是尚未发展完善的市场。亚马逊或许会建立一套基础建设，有货车每日到小区送货及退货，由此垂直整合到日常产品的退货事业。事实上，亚马逊可以将事业的版图移动到你家门前。
这个版图的转移已经在发生。一个例子是德国电子商务业者Otto。1阻碍消费者不在网络购物而到商店购买的一个重大因素，就是送货时间不确定。如果消费者有很糟糕的收货体验，不太可能再到那个网站。Otto发现送货延迟时（也就是，花的时间超过几天），退货就会马上增加。消费者同时难免会在商店中找到同样的产品，而且直接就在店里买了。即使Otto已经销售出去，退货还是会增加公司成本。
要怎样减少将产品送到消费者手上的时间？预想他们可能订购的东西，并在附近的配送中心准备现货。但这种库存管理的成本很高。所以，你想做的就是只保留可能需要的库存。你想对消费者需求有更准确的预测。Otto有30亿笔过去交易与数百种其他变量的数据库（包括搜寻关键词与人口结构数据），能够创造预测机器来进行预测。现在预测一个月内会销售的商品，准确度高达90％。靠着这些预测，公司彻底改造物流系统。公司库存减少20％，一年的退货减少200万件。预测改善了物流系统，进而减少成本，并增加顾客满意度。
同样，我们可以看到策略重要性的三个因素。Otto有个两难处境（如何改善送货时间，却不必维持昂贵的库存量），而不确定性造成这个两难（以这个例子来说，不确定的是一个地区的整体顾客需求），而藉由解决不确定性（例如更完善的预测当地需求），可以设定一个新方法来重新安排物流系统、需要新的仓储地点、当地出货，以及顾客送货保证。不用预测机器来解决关键的不确定性，就无法完成这一切。
需求面与供给面的改变
预测机器要能改变策略，必须先创造一个对你尤其有用的预测机器，而这件事却取决于超出组织掌控的几件事。
就来看看你的企业可能用到预测机器的几个因素。为了说明这点，我们得穿越到1930年代爱荷华州的玉米田。当地一些有开拓精神的农民引进新品种的玉米，这是它们在将近20年透过大规模的杂交培育出来的品种。这种杂交玉米比一般商业用玉米更专业，它需要混杂两种自交系玉米，改善如抗旱与在地特殊环境产量等特性。杂交玉米是重大的改变，因为不但可望大幅提高产量，而且农民会为了特殊种子更仰赖他人。新的种子必须根据当地情况量身打造，才能充分发挥优点。
如图15-1所示，阿拉巴马的农民似乎比爱荷华的农民落后。但是哈佛大学的经济学家兹维．格里利克斯（Zvi Griliches）仔细观察数字时，发现阿拉巴马比爱荷华落后21年才采用杂交玉米，并非因为阿拉巴马的农民迟钝，而是因为对阿拉巴马的农田来说，1930年代杂交玉米的投资报酬率并无法支持农民采用。2阿拉巴马的农田较小，毛利比北边与西边的田地微薄。相反的，爱荷华的农民可以在较大片的农田成功使用这个种子，在较高的种子成本下获得更高的利益。农田面积大，代表实验新的杂交品种比较容易，因为农民只需要留出一小部分的田地，直到新品种证明有效。3爱荷华的农民风险较低，而且他们有更健全的毛利可以作为缓冲。一旦一个地区有足够的农民采用新种子，种子市场就会有更多买方与卖方，而且使得销售种子的成本下降，采用的风险也跟着进一步下降。最后，美国（及全世界）种玉米的农夫在成本下降与察觉到的风险下降后，采用杂交种子。
而在AI世界中，Google就是爱荷华。Google的各事业有超过1000种AI工具发展计划正在进行。4世界各地其他科技巨擘也加入Google的行列。原因显而易见：Google、脸书、百度、阿里巴巴、Salesforce等公司已经投身AI工具事业。他们有遍及整个事业体、定义清楚的任务，而在每项任务中，AI有时可以大幅改善预测要素。
那些大型企业有很高的毛利，所以能负担实验费用。它们扮演「土地」的角色，并用来发展许多新类型的AI。它们可以将成功的实验应用在各式各样的产品，进行大规模营运，藉此获得丰厚的报酬。
至于其他众多企业，通往AI的路径就没那么清楚。与Google不同，许多企业并未做出价值20年的投资，将工作流程的所有层面数字化，对自己想预测什么也没有清楚概念。但是只要一家公司设定明确的策略，就能发展那些要素，为成功的AI奠定基础。
当条件合适，威斯康辛、肯塔基、德州与阿拉巴马的玉米农夫最后都跟随爱荷华的同业采用杂交玉米，因为需求面的利益够高，供给面的成本已经下降。同样的，与AI相关的成本与风险将随着时间下降，没有在数字工具发展上领先的诸多企业也会采用。在这种情况下，需求面将会推动这些企业采用AI：有机会藉由降低不确定性，解决他们在商业模式中的基本两难。
赛伯计量分析师
比利．比恩的《魔球》策略是使用预测来降低不确定性的例子，利用统计预测来克服球探的偏见，并改善对未来情况的预知，而且改善奥克兰运动家队的表现。这也是一种策略改变，需要改变组织固有与明确的阶级。
更好的预测会使球队改变在球场上需要雇用的人，但球队的运作并没有改变。预测机器挑选的球员，打球方式跟取代的球员差不多，或许还多了几次四坏球保送。不过球探还是继续扮演挑选球员的角色。5
比较根本的变化是，球队在球场外雇用人，以及导致组织结构图重组。最重要的是，球队雇用的人要能告诉机器预测什么，然后利用那些预测决定要交易回来哪些球员（最著名的是保罗．狄波德斯塔﹝Paul DePodesta﹞及其他颇有贡献的人，在电影里，这些人都化为由乔纳．希尔﹝Jonah Hill﹞饰演的彼得．布兰﹝Peter Brand﹞一角）。球队还创造一个新的职务，称为「赛伯计量分析师」（sabermetric analyst）。赛伯计量分析师发展出一种方法，衡量球队签下不同球员会得到的报酬。赛伯计量分析师是球队的报酬函数工程师，如今大部分球队都至少有一位这样的分析师，而这样的角色在其他运动也以不同的名称出现。
更好的预测会在组织结构图上创造一个更高阶的新职务。研究科学家、数据科学家，以及分析副总裁，这些在网络决策职位上都被列为关键角色。休斯敦航天员（Houston Astros）甚至另外有个决策科学单位，由前美国太空总署工程师西格．麦吉道尔（Sig Mejdal）带领。这种策略性的改变也代表球队雇来挑选球员的人选出现转变。这些分析专家有数学技能，但最优秀的人最了解要告诉预测机器应该做些什么，他们会提供判断。
回到本书奠基所有论点的简单经济学，预测及判断是互补品，随着预测的使用增加，判断的价值也升高。愈来愈多球队引进新的资深顾问，他们有时候或许没有亲自比赛的经验（符合刻板印象），在职业运动爱好者的世界中，这些人可能不是适合的对象。不过，就算是被招募进来的怪咖，也需要对比赛有深入了解，因为在运动管理中使用预测机器，意味着有判断力去决定报酬的人会增加价值，因此，有判断力能在决策中使用预测。
策略选择需要新判断
棒球队管理组织的变化，凸显企业决策高层在推行AI相关策略选择时的另一个关键议题。在赛伯计量学之前，球探的判断仅限于个别球员的优缺点。但使用量化衡量就得以预测不同组的球员组合在一起的表现了。判断就从思考特定球员的报酬，转变成思考特定球队的报酬了。更好的预测会让球队经理做出更贴近组织目标的决策：决定最好的组合，而不是最好的个别球员。
要充分利用预测机器，就必须重新思考整个组织的报酬函数，才能更符合真正的目标。这项任务并不容易，在补充人才之外，球队的营销也需要改变，或许不再强调个人表现。同样的，教练必须了解招募个别球员的理由，以及对各场比赛球队组成的意义。最后，球员也必须了解，他们的角色或许会随着对手是否采取类似的预测工具而改变。
既有的优势
策略也与获取价值有关，也就是说，谁能获取更好的预测所创造的价值？
企业高阶经理人通常会跟我们说，因为预测机器需要数据，所以数据本身就是策略资产。也就是说，如果你有多年的数据，例如优格的销售数据，那么要用预测机器预测优格销售，就需要那些数据。因此，数据的拥有者具有珍贵价值，就像是有了丰富的原油库藏。
这样的假设掩饰一个重要议题，就跟原油一样，数据也有不同等级。我们强调有三种类型的数据：训练数据、输入数据，以及回馈数据。训练数据用来建立预测机器；输入数据用来启动预测机器产生预测；回馈数据用来改进机器。未来只需要使用后面两种数据。训练数据是在一开始用来训练算法，但是等到预测机器开始运转，就再也没有用处了，就像已经被烧掉一样。一旦你用过去的优格销售数据建立预测机器，那些数据就没有什么价值了。6换句话说，今天或许有价值，但不可能是持续产生价值的来源。要持续产生价值，需要产生新的数据来作为输入数据或回馈数据，不然就是需要另一个优势。我们在下一章会探讨生产新数据的优势，目前先专注在其他优势。
发明电子表格的丹．布瑞克林创造巨大的价值，但他不是有钱人。电子表格的价值去哪里了？以财富排名来说，模仿者如发明莲花Lotus 1-2-3的米奇．卡普尔（Mitch Kapor）或微软的比尔．盖兹，肯定远胜过布瑞克林，但他们也只占了电子表格价值的一小部分。价值给了用户，给了采用电子表格做出几十亿个更优异决策的企业。无论莲花或微软做什么，它们的用户拥有决心让电子表格持续改进。
因为它们是在决策层次运作，所以预测机器也是如此。想象AI的应用可以大大协助一家连锁超市的库存管理。知道优格什么时候热销，有益于掌握应该进货的时机，并尽量减少丢弃未售出优格的数量。AI创新者提供的优格需求预测机器可能会做得很好，但是得和连锁超市合作才能创造价值。唯有连锁超市才能采取行动，决定是否进货。没有那样的行动，优格需求的预测机器就没有价值。
许多企业不管有没有AI都会继续自己决定行动，他们有优势可以获取采用AI而产生的部分价值，这种优势不代表采取行动的公司会获取所有价值。
布瑞克林和合伙人鲍伯．法兰克斯顿在卖出电子表格之前，考虑过是否应该把电子表格留在自己手里。他们可以出售自己建立模型的技术，这样就能获取他们独到眼光所创造的价值。但他们可能有个好理由，放弃了这个计划。但是说到AI，这种策略或许行得通。AI供货商或许会试图破坏传统业者。
自动驾驶车某种程度是这样的例子。尽管有些传统汽车制造商正积极投资在研发能力上，有些却希望与产业以外的业者合作（例如Alphabet的Waymo），而不是自行在内部研发。有的情况是，大型科技公司开始与传统汽车制造商合作。举例来说，中国最大搜索引擎业者百度，正领导一项大型多样性开源自动驾驶车计划：阿波罗计划，与包括戴姆勒（Daimler）和福特（Ford）等数十个合作伙伴携手。此外，腾讯控股旗下每月活跃用户将近10亿的微信（WeChat）也领导一个自动驾驶车联盟，其中包括如北京汽车集团的知名业者。腾讯副总裁陈菊红表示：「腾讯希望竭尽全力加强自动驾驶的AI科技发展……我们希望继续发挥连接器的作用，在开放合作、技术创新与产业融合等方面不断发力……」7提起推动合作的竞争压力，北京汽车集团董事长徐和谊表示：「在这新的时代，唯有与其他公司连手创造下一代汽车的公司能存活，闭门造车者终将灭亡。」8相对新进的业者（例如特斯拉）则直接在新车采用AI，密切整合软硬件，以此与既有的业者竞争。诸如Uber等公司则使用AI发展自动驾驶，希望从消费者手中接手开车的决定。在这个产业中，获取价值的竞赛并不重视传统的业务范围，反而会挑战原本有优势的业者。
AI策略的简单经济学
我们强调的改变，取决于AI对我们的经济学框架核心两方面的影响。
首先，就像亚马逊的「出货后购物」模式，预测机器可以降低不确定性。随着AI的进步，我们将更广泛使用预测机器来降低不确定性。因此，不确定性造成的策略两难将随着AI演变。随着AI的成本下降，预测机器也将解决更多的策略两难。
其次，AI将提高预测互补品的价值。棒球分析师的判断、杂货零售商的行动，以及我们在第十七章会说明预测机器的数据，都会变得更加重要，说不定你需要改变策略才能善加利用。
本章重点
* 企业决策领导高层绝对不能将AI策略完全委托给资讯工程部门，因为强大的AI工具可能不只是为了执行组织策略而强化任务的生产力，反而会导致策略本身出现改变。
如果出现下列三个因素，AI可能会导致策略改变：
1. 商业模式的核心需要做出取舍（例如，「购物后出货」与「出货后购物」）；
2. 这种取舍受不确定性影响（例如，「出货后购物」提高的销售，超出因为不确定顾客想买什么而造成的退货成本增加）；以及
3. 降低不确定性的AI工具使取舍的天平倾斜，因此最佳策略从交易的一侧变到另一侧（例如，AI藉由预测顾客想买什么而降低不确定性，使天平倾斜，让「出货后购物」模式的报酬超过传统模式的报酬。）
* AI策略需要企业决策领导高层的另一个原因是，在企业的一部分执行AI工具，可能会影响到其他部分。在亚马逊的思想实验中，转向「出货后购物」模式的副作用，就是垂直整合退货商品的集货事业，也许有一个货车车队每周在整个小区搜集整理。换句话说，强大的AI工具可能导致工作流程与业务范围出现重大的重新设计。
* 预测机器会增加互补品的价值，包括判断、行动与数据。判断的价值增加，可能导致组织阶层出现变化，将不同职位或不同的人放到有权力的位置，或许会得到更高的报酬。此外，预测机器让经理人超越个别要素的优化，达到更高层次的目标优化，因而做出更贴近组织目标的决策。而受到预测影响的行动可能是竞争优势的来源，让传统企业获取一些来自AI的价值。不过在一些情况下，强大的AI工具提供重大的竞争优势，新进业者或许能将行动垂直整合，并巧妙利用AI来构成竞争的基础。
