高管们已经看到，从运行人工智能 (AI) 实验和概念验证到大规模获取持久价值，需要对坚实的基础进行投资。 其中包括将人工智能与业务核心领域结合起来； 接受重要的文化和组织转变； 投资于构建人工智能的新技术、培训和流程。
越来越多的组织正在采用这些基本实践，而那些采用这些实践的组织往往会报告人工智能带来的最高底线影响。 但成功的组织不仅表现得与众不同，而且表现得与众不同。 我们在过去五年中与数千名客户围绕分析和人工智能进行的合作的经验表明，他们对人工智能的看法也不同。 在这些公司中，人工智能被铭刻在集体思维中（“我们支持人工智能”），而不是简单地投机应用（“这是人工智能可以增加价值的用例”）。
拥有这种心态意味着深入内化增强人类决策、大规模和极快地处理来自多个来源的数据以及根据数据信号不断调整业务模型和运营策略的长期竞争优势。
这意味着重视协作和持续学习而不是个人知识和经验，员工寻求新的数据、技能、工作流程和技术来推动持续的绩效改进。 个人和集体不仅渴望比去年了解更多，而且渴望在未来了解更多。
最后，在将新技术和工具与现有基础设施相结合时，这种思维方式包含端到端思维和一致的架构原则，而不是孤立的解决方案。
这种转变并不容易。 领导者必须重新定位自己的思维，然后改变组织中的每一种思维方式。 我们发现，在这一努力中取得成功的领导者通过以下几种方式做到了这一点：他们将公司的注意力重新定位到市盈率而不是盈利上，并且他们积极强调和鼓励整个组织的全球学习循环和技术适应性。 尽管这种思维方式转变并不能取代对人工智能坚实基础的投资，但采用人工智能思维方式的组织更善于应对最艰巨的技术和文化挑战，并进行组织变革，以便获得数据和数据的全部价值。 技术报价。
我们将探讨公司可以用来实现转变的杠杆，并且由于心态可能很难衡量，我们将提供衡量转变是否有效的方法。 为了展示这些想法的实用性，我们将描述两个行业巨头的经历，这两个行业巨头的领导者将自己的未来押注于以人工智能驱动的思维方式获胜。 其中之一是一家全球制药公司，其经过多年的人工智能转型，临床研究的患者入组时间减少了 10% 至 15%，整个计划的生产力提高了 10%，使其能够将数亿美元用于其他紧迫的任务。 需要。 现在，它正在努力提高药品安全上市的速度，并在制造等其他部门复制这种不断增长的改进周期。 另一家公司是一家领先的银行，其目标是在整个组织中将新用例的价值实现时间缩短 50%，因为它进行了思维转变，使其能够快速部署数百个人工智能模型，这些模型可推动持续学习并提高年增长率。 其首个人工智能驱动的学习系统的收入运行率。
着眼于市盈率而非盈利
当谈到人工智能时，一些首席执行官倾向于关注它将如何在下一个盈利周期中提高盈利能力，从而导致他们追求通常不相关的用例，从而提供快速且可衡量的财务收益。 然而，根据我们的经验，这种短期思维通常最多只能带来增量变化，例如，一次性减少客户流失或提高给定运营流程的效率。
相比之下，人工智能公司的领导者采取更系统的观点，关注公司的倍数，这是为组织增值的长期能力的指标。 这要求公司领导者同意人工智能的目的是从根本上改变企业日常运营的方式。 实际上，这意味着在端到端过程中使用人工智能来捕获来自客户、流程或机器的每个事件或数据点（点击、交易、里程碑、指示器或传感器），以确保后续的行动、决策、 互动更加集中、有效。 这为持续学习和提高绩效奠定了基础，我们将在下一节中详细介绍。
以一家全球制药公司为例，该公司从传统制药公司转型为人工智能公司。 为了协调所有领导者并顺利实现转型，首席执行官聚集了来自 10 个地区的近 150 名直接下属，参加了为期三天的领导力研讨会。 他们讨论了未来五到十年可能发生的行业变化和相关创新趋势，并集思广益如何颠覆自己的组织以大幅提高绩效。 该研讨会是通过正式分析学院开展的更广泛的能力建设活动中的第一项活动。
首席执行官任命了新的数据和分析领导者，并承诺额外聘用几名高级人员，其中包括一位对人工智能、业务和变革管理有丰富知识的首席翻译，以推动人工智能计划。
这位首席执行官还对组织进行了重组，以扁平化层级结构，因此一线团队有责任根据新的人工智能见解采取行动。 这种独立性是基础性的； 它为员工提供了必要的鼓励和信心，以扩大他们的视野，例如，从识别哪些客户正在流失（这会推动一次性绩效改进），到采取行动拉近公司与客户的距离，从而开启新一波的 潜在的。 对员工的人工智能培训进一步增强了他们应用该技术的信心和能力。
最后，首席执行官责成公司的临床试验职能部门（一个高价值领域，数据深藏不露，临床试验的质量、效率和速度存在显着差异），将整个试验生命周期的人员聚集在一起， 使用人工智能从头开始重新思考这个过程。
如何开始
让所有领导人支持这一转变势在必行。 我们看到的最成功的公司都有一位为预先支持奠定基础的首席执行官。 这些领导者会花时间探索和分享行业内外人工智能公司的例子，并聘请具有人工智能经验的高级人才来填补帮助推动变革所需的领导职位（如果组织中尚不存在此类人才）。 他们还减少了层级结构，将人工智能教育作为优先事项，并在各个层面上一致地传达这些变化的战略性质。 （有关如何实施这些变革的更多信息，请参阅“扩展人工智能真正需要什么。”）
利用人工智能并为人工智能打造全球学习循环
为了让员工不断提高绩效标准以保持增长，必须有一种机制来捕捉整个组织中发生的经验、实验和学习。 在许多企业中，学习通常被困在个人、团队、业务部门或部门的头脑中，而不是为整个组织做出贡献。 相比之下，人工智能支持的公司开发技能、流程和技术系统来构建全球学习循环，将个人知识和本地见解转化为组织中每个人共享和贡献的不断增长的集体智慧流。 这些学习系统将从一线业务系统中获得的宝贵知识（通过大规模和快速地从人工智能中获得的见解进行操作）以及人工智能团队处理数据和开发人工智能模型以解决业务问题的方法进行编纂。
在业务方面创建全球学习循环的最佳方法之一是开发人工智能驱动的神经中枢来管理运营。 例如，这家全球制药公司开发了所谓的“临床控制塔”，该塔不断更新和分享从全球数千个地点的数百项临床试验中收集的各种数据得出的结果。 该系统使决策者能够详细了解是什么导致了临床试验之间的差异（速度、质量和成本），并提供预测，以便采取干预措施重新分配资源并避免延误和浪费。
这并不是员工利用预测然后恢复正常业务的一次性变革。 在进行的每一次试验中，临床试验管理者和操作员都会更多地了解所有试验中各种决策的结果，例如何时以不同的方式安排审核访问或使用供应链的不同组成部分来向试验分配药物 网站。 管理者可以根据这些见解调整他们的策略。 他们还可以运行不同的试验场景来测试想法，生成更多数据并揭示新模式。 所有这些都会自动纳入学习系统中，因此每个人都可以在此基础上进行构建并维持持续的学习循环。
这一循环在临床操作内外得到加强和复制。 如今，成千上万的员工在日常工作中使用该系统。 随着消息的传播，该公司现在正在为其他部门的员工添加更多数据并投资额外的人工智能工具。
在技术方面，支持人工智能的组织对流程进行标准化，以便更快速、成功和安全地扩展人工智能。 他们从一开始就设计规模化能力，并创建集成、全面的协议来构建和交付人工智能工具，使学习循环制度化，并避免因增量、不协调的技术选择而导致的技术债务和复杂性增加。
