AI时代的事业调整
乔舒亚（本书其中一位作者）不久前问一家处于早期阶段的机器学习公司：「你们为什么要提供诊断给医师？」这家公司正在创造一种AI工具，可以告诉医师某些医疗状况是否存在。这是一个简单的二元输出，一个诊断。问题是，要能够达到目标，公司必须取得监理单位的许可，而这又需要高成本的测试。为了管理这些测试，公司考虑是否要与有规模的制药公司或医疗器材公司合作。
乔舒亚的疑问比较是策略性的问题，而不是医疗问题。为什么公司要提供诊断？难道不能只提供预测？也就是说，这项工具可以分析数据，然后告诉医生：「病患有80％的机率是这种情况。」医师接着就能准确探索导致这项结论的因素，并做出最终诊断，也就是做出「有生病或没有生病」的结论。公司可以让顾客（在这个例子是医师）做更多事。
乔舒亚建议公司专注于预测上，而非诊断上。他们的业务范围可能止于预测，这就避免监理单位许可的需求，因为医师有许多工具可以做出诊断的结论，公司不需要早早与有规模的公司合作。最重要的是，他们也不需要研究并找出究竟如何将预测转换成诊断。他们只需要推论出，做出有价值的预测需要什么样的准确度门坎。是70％、80％，还是99％？
哪里是你的事业终点、其他人事业的起点？公司的业务范围究竟在哪里？这个长期决策需要组织最高层细心关注。此外，新的万用创新通常会带来业务范围问题的新解答。有些AI工具可能会彻底改变你的业务范围。预测机器会改变企业对资本设备、数据，到人员配置的一切想法。
保留与舍弃的两难
不确定性会对企业的业务范围产生影响。1经济学家希尔克．富比世（Silke Forbes）与玛拉．莱德曼（Mara Lederman）观察世纪之交的美国航空业组织。2大型航空公司，如联合航空与美国航空，经营一些航线，而地区性合作伙伴，如美鹰航空（American Eagle）及西空航空（Sky West），经营其他航线。合作伙伴是独立的企业，与大型航空公司签约。在没有其他考虑因素下，地区性航空公司的营运成本通常比大型航空公司低，从薪资与较少的工作福利中省钱。比方说，有些研究显示，大型航空公司的资深机师比地区性航空公司的资深机师薪资高出80％。
令人不解的是，既然合作伙伴可以用更低的成本提供服务，为何是由大型航空公司处理那么多航线，而非地区性航空公司。富比世与莱德曼找出一个驱动因素：天气，或者更具体地说，是天气的不确定性。当天气出现不寻常的状况时，航班会延迟，而在网络与起降航班密集的航空业，却可能会对整个系统产生涟漪效应。遇到天气不佳、当大型航空公司不想为了快速调整而付出无法确定的成本时，它们不想要因为合作伙伴确认合约履行而陷入瘫痪。因此，对于可能有天气相关因素延迟的航线，大型公司保留控制和营运权。
前一章强调的三个因素显示，AI可能导致策略改变。第一，成本降低与控制权增加是核心的权衡。第二，权衡取舍是由不确定性从中调节，具体地说，就是从对不确定性的控制增加带来的报酬。大型航空公司在成本较低与控制权更高之间寻找平衡，就是藉由充分利用自己业务的终点与合作伙伴的起点。如果预测机器可以克服这种不确定性，那么第三个因素就会出现，而平衡也会转变。航空公司就可以和合作伙伴订定更多契约。
企业持续投入创新，特别是从经验中学习的创新，创造类似的模式。差不多每5年就会有新的车款推出，而且因为牵涉到详细的零件规格与设计工作，汽车制造商必须在上市之前知道零件从哪里来。它们要自己制造零件还是委外生产？在整个漫长的开发过程中，汽车制造商对于新车款的效能就只知道那么多。有些信息只能在推出后搜集，例如顾客回馈与其他长期表现的衡量。这是车款年年更新，却不涉及汽车设计的重大改变、只做解决问题的零件改进并改善产品的关键原因。
经济学家沙伦．诺瓦克（Sharon Novak）与史考特．史腾（Scott Stern）发现，自己制造零件的豪华汽车制造商，每个车款的新一年更新都比较快。3他们使用《消费者报告》（Consumer Reports）的评等，从顾客端衡量改善程度。掌握控制权，意味着汽车制造商可以更迅速的针对顾客的回馈做出调整。相反地，那些零件委外的汽车制造商并未呈现相同的改善情况。不过，后者获得不同的好处，它们的车款在一开始的质量会高于自行制造零件的汽车制造商。零件委外生产的汽车制造商，全新车款一出厂就比较好，因为零件供货商制造的零件更好。因此汽车制造商面临的是选择将制造委外，还是自己制造零件，掌握车款在生命周期内的创新，再随时间经过改善状况。同样的，降低顾客需求不确定性的预测机器可能会使策略改变。
在每个例子中，短期与长期的表现取舍、例行常规与非例行常规的取舍，都可以透过组织的一个关键选择来解决：对外部供货商的依赖程度多高。但这个选择明显与不确定性紧密相关。航空公司无法预先掌握的天气状况有多重要？怎样的汽车才符合顾客真心想要的汽车呢？
AI对资本配置的影响
假设有个AI可以降低这种不确定性，所以具备第三个要素：预测非常便宜，可以将不确定性缩减到足以改变策略两难的本质。这对航空公司及汽车制造商会有什么影响？AI或许可以让机器在更复杂的环境中运作。因为两个原因，AI可以使可靠的假设条件数量增加，减少企业拥有资本设备的数量。
第一，更多假设条件代表企业可以订定契约，指明如果发生不寻常的状况该怎么做。假设AI不但可以预报天气状况给航空公司，还能产生预测，说明处理天气相关干扰最好的方法。这会增加大型航空公司的报酬，因为能在契约中更明确指定如何处理偶发状况。它们可以在契约中指定更多假设条件。因此，大型航空公司不用透过所有权来掌握航线，却有预测能力可以更有把握地与区域性独立运输公司签约，利用那些运输业者较低的成本。它们需要的资本设备（例如飞机）较少，因为可以将更多航班外包给较小的区域性运输业者。
第二，AI驱动的预测（可以一路预测到消费者满意度），让汽车制造商可以更有信心地预先设计产品，进而产生较高消费者满意度与高性能的汽车，而且不需要后续大量的车款调整。因此，汽车制造商就能从独立供货商中，为自己的车款挑选最好的零件，有信心因为较好的事先预测，消除合约重新协商的高成本需求。汽车制造商就比较不需要有厂房来提供零件。一般来说，预测给我们更多假设条件，可以用来清楚说明后续应对。
这样的评估将航空网络与汽车产品的复杂性视为固定，也可能是事先预测使航空公司与汽车制造商产生信心，容许更复杂的安排与产品。既然更好的预测会推动更多外包，而更高的复杂性通常又会减少外包，所以还不清楚对外包会有什么的影响。这些因素哪些会占优势，现阶段还很难说。我们可以说，尽管可行而复杂的新流程或许会在企业内部完成，但先前许多在内部完成的简单流程将会外包。
AI对劳力的影响
银行推出的自动柜员机是在1970年代间开发，1980年代广为普及。这种可以节省人力的科技正如名称代表的意思，目的是为了让柜员的工作自动化。
根据美国劳工统计局（Bureau of Labor Statistics）的数据，银行柜员并未因为自动化而失业（见图16-1）。不过，他们因为自动化而摆脱银行的存汇任务。柜员最后成为银行产品的营销与客服人员，跳出处理现金存汇的工作。现金存汇工作由机器处理比人类更安全可靠。银行想开设更多分行的一个原因，正是安全问题，以及花时间在处理存汇等银行交易的人力成本。摆脱那些限制，银行的分行迅速扩增（都市地区多了43％），型态与规模也更多，而那些分行的员工则不合时宜地称为「银行柜员」。
引进自动柜员机产生重大的组织变革。新的柜员需要更大量的主观判断。原本定义的柜员有固定的任务，而且容易机械化。但新的任务是要与顾客谈论金融需求、对贷款提出建议，并设计信用卡选项，这些都是更为复杂的工作。过程中，要评估新的柜员是否表现良好就变得比较困难了。4
当绩效衡量从客观（让排队办事的人潮变少吗？）变得主观（有销售适当的产品吗？），人力资源管理变得更复杂。经济学家会告诉你，工作职责必然会变得比较不明确，而且更讲究人际关系。你会根据主观流程来评估及奖励员工，例如考绩审核纳入任务的复杂性与员工的优缺点。这种作业流程很难执行，因为如果要仰赖这个流程来创造诱因，产生良好绩效，需要大量的信任。毕竟，一家公司根据主观审核来否决你的红利奖金、加薪或升迁，要比客观绩效衡量容易。不过，若是在复杂环境中进行客观的绩效衡量，可能会产生重大的错误，就像富国银行（Wells Fargo）许多分行经理伪造客户资料的夸张例子。5
这个经济逻辑的直接含义，就是AI将使人力资源管理由交易性质转向人情关系。这有双重原因。第一，会利用有价值的人类判断，是因为难以将这种判断写成程序让机器执行。获得的报酬要不是不稳定，就是不得而知，或者需要人类经验来执行。第二，随着机器预测增加，人类判断变得更加重要，这种判断必然牵涉到主观的绩效评估方法。如果有客观方法，也许机器就可以做这样的判断，根本不需要人力资源管理。因此，人类对于目标主观的决策至关重要。基于这个理由，管理这样的人才可能更要靠人情关系。
因此，AI对劳力的影响与对资本的影响不同。判断的重要性意味着劳动契约必须更为主观。
影响资本设备的力量也会影响劳力。如果人类劳力的关键产出是数据、预测或行动，那么使用AI就意味着会有更多外包契约工，就像AI代表更多设备与用品外包。与资本一样，更好的预测会提供更多假设条件，让我们可以在委外契约中清楚说明后续应对。
不过，对劳力更重要的影响是人类判断的重要性更高。预测与判断是互补品，因此更好的预测会增加判断的需求，这代表员工的主要角色将是在决策中发挥判断。而就定义来说，这不可能在合约中明确说明。这时候，预测机器会增加策略两难的不确定性，因为评估判断的质量有困难，因此契约委外有风险。和我们的直觉相反的是，更好的预测会增加你对员工工作表现质量的不确定性：你必须在内部保留报酬函数工程师，以及其他负责做出判断的员工。
AI对数据的影响
另一个关键的策略问题是数据的所有权与控制权。就像员工必然会与预测及判断间的互补性有关一样，预测与数据的关系也产生这样的权衡取舍。数据会让预测更好。这里，我们考虑到组织业务范围的相关取舍。你应该使用其他人的数据，还是拥有自己的数据？（下一章我们探讨的议题关系到投资在数据搜集上的策略重要性。）
对AI新创公司来说，拥有可以让它们学习的数据尤其重要。否则，它们就无法逐步改善产品。机器学习新创公司Ada Support协助其他公司与顾客互动。Ada有机会将产品整合到既有的大型聊天供货商系统。如果可行，要获取支持并建立大量的基础用户就容易多了。这是很吸引人的方向。
不过，问题在于互动的回馈数据是既有规模的公司拥有。没有那些数据，Ada无法根据实际运作时真正发生的情况改善自己的产品。Ada大胆重新考虑这项作法而不加以整合，直到它们确定自己拥有产生的数据。这样做让它们在现在与未来有源源不绝的数据管道，得以用来持续学习。
应不应该拥有数据或取得数据不只是新创公司的问题。就以为了协助广告商锁定潜在顾客的数据为例。在媒体上创造现代广告结构的先驱约翰．沃纳梅克（John Wanamaker）曾说：「我花在广告的钱有一半浪费了，问题是我不知道浪费的是哪一半。」
这是广告业的根本问题。在网站投放广告，所有造访网站的人都看得到广告，而你为每次的曝光付费。如果只有其中一小部分是潜在顾客，那你为每次曝光的付费意愿就相对低落。那对身为广告主的你，以及企图靠广告赚钱的网站都是问题。
一个解决办法就是专注在建立吸引特定兴趣（体育、金融等等）人群的网站，对某些类型的广告主来说，这样的网站有高比例的潜在顾客。在网络兴起之前，这是广告的核心特征，导致杂志、有线电视频道与报纸的汽车、流行时尚、不动产与投资版面激增。但并非所有媒体通路都能这样客制化内容。
不过，拜网络浏览器的创新之赐（主要是cookie），广告主可以在一段时间里在各网站追踪使用者，接着就有办法精准锁定广告目标。cookie记录网站访客的信息，但最重要的是记录访客时常造访的网站类型信息，包括购物网站。因为这种追踪科技，当你造访网站寻找新裤子后，你可能会发现，接下来看到的裤子广告高得不成比例，包括在完全不相关的网站。
所有网站都可以设置cookie，但cookie对网站却未必有太多价值。反倒是网站会兜售cookie交换广告（或者有时直接卖给广告主），以便更精准锁定广告。网站会销售访客的数据给投放广告的公司。
企业购买数据是因为没有办法自己搜集数据。毫不意外，它们购买可以帮忙找出高价值顾客的数据，也可能购买数据来避免对低价值顾客打广告。两种数据都有价值，因为能让公司将广告支出专注在高价值顾客。6
许多AI领导业者，包括Google、脸书与微软，都建立或购买自己的广告网络，以便能拥有这些珍贵的数据。它们认定值得花钱收购这种数据。对其他业者来说，广告数据比较没那么关键，所以它们舍弃数据的控制权，避免负担自行搜集数据的高成本，广告数据因而仍留在那些公司的业务范围之外。
需不需要自己产生预测？
Google、脸书、微软与一些公司拥有网络上消费者偏好的有用数据。它们不但有销售数据，还更进一步帮广告主做预测。举例来说，Google透过搜寻、YouTube与广告业务来获得丰富的用户需求数据。Google没有销售数据，但实际上却是将数据产生的预测当成套装服务的一部份，销售给广告主。如果你透过Google下广告，你的广告会展示给网络中预测最可能受广告影响的使用者。透过脸书或微软下广告也会产生类似的效果。广告主不是直接取得数据，而是购买预测。
独一无二的数据对创造策略优势很重要。如果数据并非独一无二，就很难用预测机器来建立事业。如果没有数据，就没有实际的学习路径，因此AI并非你的策略核心。就像广告网络的例子，预测可能还是很有用。预测可以让广告主锁定最高价值的顾客。因此，更好的预测或许对组织有帮助，即使数据和预测可能并非策略优势的来源。7数据和预测都在组织的业务范围之外，但还是可以使用预测。
这里主要的含义是，数据和预测机器是互补品。因此，获取或发展一个AI工具的价值有限，除非你有数据可以投入。如果那些数据属于其他人，你就需要一套策略去取得数据。
如果数据属于唯一或独占的供给者，那你可能会发现自己的AI整体价值有被供给者占用的风险。如果数据属于竞争对手，可能没有策略值得从他们那里取得数据。如果数据属于消费者，那应该可以用更好的产品或更高质量的服务交换过来。
不过在一些情况下，你和其他人拥有的数据可能有共同的价值，因此，交换数据是有可能的。在其他情况下，数据可能属于多个供给者，这时候你可能需要一些复杂的安排，去购买各种数据与预测。
究竟是要自己搜集数据并做预测，还是向别人购买，取决于预测机器对公司的重要性。如果预测机器是可现成买到的生产要素，只要AI不是公司的策略核心，那就可以像多数公司对待能源一样，从市场中买进。相反地，如果预测机器是公司策略的核心，那就需要控制数据来改善机器，而数据和预测机器都必须留在内部。
本章一开始我们建议原本瞄准提供医疗诊断的机器学习新创公司改瞄准提供预测。医师为什么愿意购买预测而不是完整的诊断？以及医师为什么不想拥有预测机器和数据？答案就在我们讨论过的相关取舍。医师的职责有个重要部分，就是诊断，因此购买预测并非核心策略决定。医师继续做以前做的事，只是额外多了信息。如果那不是关键的策略决定，那就可以购买预测，不需要拥有数据或预测。相反地，新创公司的根本是AI，而预测是提供价值给顾客。因此只要拥有数据和预测机器，就不需要负责诊断。在新创公司与医师业务范围交界的地方，AI不再做策略判断，只是在不同流程中的生产要素。
本章重点
* 有个关键的决策选择是判定你的事业终点与另一个事业的起点，也就是公司的业务范围（例如，航空公司结盟、汽车零件委外制造）。不确定性会影响这个选择。因为预测机器会降低不确定性，所以会影响你的组织与其他组织之间的业务范围。
* 藉由降低不确定性，预测机器增加签下合约的能力，并因此增加诱因，让公司将资本设备和负责数据、预测与行动的劳力委外。不过，预测机器却会使公司减少诱因把负责判断的劳力委外。判断质量很难在合约中明文指定，也难以监测。如果判断工作可以明确指定，就可以写成程序，也不需要人类提供判断了。既然在AI普及时，判断可能是劳工所扮演的关键角色，内部雇用将会增加，外包人力则会减少。
* AI会增加拥有数据的诱因。不过，当数据提供的预测并非组织策略的基本要素，可能有必要将数据委外。在这种情况下，或许直接购买预测最好，而不是购买数据再产生自己的预测。
