Why Your AI Strategy Is Failing | Fortune 500 CEO Advisor Sangeet Paul Choudary Explains

大多数高管将人工智能（AI）视为纯粹的自动化。这是错误的，也解释了为什么他们的人工智能战略会失败。今天在《CXO谈话》第900期节目中，为40多位财富500强公司的首席执行官提供过咨询、并著有《重塑》一书的顾问Sani Paul Chowdery，将解释为什么人工智能实际上是协调基础设施，以及这对您的组织意味着什么。我是Michael Cricggsman。让我们开始吧。目前关于人工智能有很多炒作，而且，当新技术出现时，我们确实会看到战略和系统发生变化的一些相当一致的模式，而当我们处于炒作之中时，我们往往会错过对这些事物将如何展开的全部理解。所以，我写《重塑》这本书是为了让我们摆脱今天对人工智能的炒作式思考，而是真正思考新技术如何带来持久的变革，而这正是我创作这本书的真正动力。>>您的书描述了一种不同的范式，或者说一种看待人工智能的不同方式。所以，请告诉我们。我与许多高管合作，当他们说他们正在实施人工智能或正在考虑人工智能时，他们通常的意思是他们正在自动化任务，他们正在自动化组织中的工作流程，他们正在部署技术以实现自动化。而我在书中的核心论点是，人工智能的真正价值并非通过自动化您当前所处系统中的任务来体现，也不是仅仅通过使现有事物更便宜、更好、更快来实现，而是真正围绕人工智能的能力来重塑您的业务，因为任何技术的真正优势或真正影响都体现在经济活动根据新技术所提供的能力而重新组织时。所以，即使我们今天听到高管说我们需要一个人工智能战略，当我问他们时，他们通常的意思是我们想弄清楚我们应该用人工智能做什么。这会将他们困在“这是我们的业务，我们如何将其应用于使其更便宜、更好、更快”的思维模式中。但这并不是战略的真正含义。战略的根本在于回答两个问题：我们在哪里竞争？我们如何获胜？所以，当我们把人工智能纳入其中时，我们应该思考的问题是，人工智能的出现如何改变我们的竞争领域？它如何改变我们与谁竞争，我们如何竞争，我们如何创造价值，我们如何获取价值？然后，它如何改变该竞争领域内的优势？它如何改变我们获胜的方式？所以，这实际上是关于在世界不断变化的情况下，重新构想优势和您的业务，而不是思考如何在当前业务的限制和假设内应用人工智能。>>好的。请再深入一层，因为您描述了将人工智能视为一项可以使事物变得更好、更快、更便宜的技术的局限性。我认为大多数人普遍如此看待技术。所以，您需要对此进行详细阐述。在我的书《重塑》中，我区分了在任务和活动层面思考技术的影响。也就是说，您执行一套特定的活动并运行一套特定的工作流程来为企业创造价值。您引入人工智能是为了加快这些事情的速度。这就是思考人工智能或技术的一般方法的自动化视角。但如果我们看看以前的技术浪潮，我以集装箱为例，我使用这个例子是因为今天我们非常痴迷于人工智能是否足够好，或者人工智能是否足够智能。我的观点是，即使以其当前的能力，人工智能也得到了极大的低估，因为我们仍然在思考如何加速现有系统中的事物，而这阻碍了我们看到人工智能能力所能带来的可能性。所以，如果我很快地带您回顾一下集装箱发生了什么，因为它是一个有趣的寓言，可以帮助我们理解今天人工智能的可能性。当集装箱被引入时，它的第一个直接影响被视为自动化，因为在此之前，我们生活在一个散装货物世界。所以，您需要人们在船上上下搬运货物，将货物装卸到船上。而这种缺乏标准化使得港口运营缓慢。所以，当集装箱被发明时，人们认为港口将实现自动化，因为起重机可以装卸船上的货物。所以，第一个直接影响无疑是自动化任务，并使其更好、更快、更便宜。其第一个直接影响是码头工人的失业。而这正是我们今天思考人工智能时，我们总是思考人工智能能做什么人类现在正在做的事情，因此这些工作将失去。以及我们现在正在做什么，我们可以做得更好、更快、更便宜。但是，集装箱故事的寓言真正体现在第二和第三个影响中，因为接下来发生的是卡车、火车和轮船就集装箱达成了共同标准。这在全球范围内彻底解放了物流，因为现在您可以完全无缝地将货物从源头运送到目的地。这使得物流可靠，并且由于从源头到目的地的运输现在变得可靠，制造的逻辑发生了变化。因为制造的先验假设（我稍后会回到关于假设的观点，因为我们必须重新思考我们对人工智能的假设）是运输和货物运输是不可靠的。所以，您希望将制造保持在内部垂直整合，或者您希望将供应商聚集在一起。但一旦运输变得可靠，供应商就可以在世界任何地方。因此，全球供应链出现了，创造的就业机会的损失并非源于港口发生的事情，而是源于这些全球供应链。制造业从垂直整合模式转向了组件式制造。因此，由于这种组件式制造和随之出现的竞争，创造了新的就业机会，最终甚至国家也根据它们如何融入这个新的全球供应链系统而兴衰。所以，我的观点是，我们今天的大部分知识工作都是围绕着某些关于稀缺性、关于执行知识工作的假设而构建的，就像运输的不可靠性或运输成本非常高一样。今天，传统上执行知识工作的成本非常高，但随着人工智能的出现，某些形式的知识工作（并非全部，但某些形式）的执行成本急剧下降。例如，几年前翻译一份文件的成本和速度非常高，但今天已经完全崩溃了。所以，当这种情况发生时，您的业务所依据的假设就会发生根本性变化，随之您必须重新构想您的业务。您必须重新构想将出现什么样的竞争。您必须重新构想优势的基础。而这正是我要说的核心观点，除非我们从这些角度思考，否则我们将错过人工智能的真正潜力。>>我们收到了一些与您刚才描述的问题相关的有趣问题。所以，让我们来谈谈这些。我想告诉大家，您可以，也应该提问。如果您正在观看领英，请将您的问题输入领英评论区。如果您在其他任何地方观看，请前往X Twitter并使用#CXOTalk标签。我强烈建议您利用这个机会。您何时还能问Sani Paul Chowdery几乎任何您想问的问题？所以，请利用这个机会。首先，在领英上，Hui Yi Lee说，在以对结构性失业影响最小的方式做您所描述的事情方面，她认为正确的做法不是教员工如何为他们现有的职位使用生成式人工智能，>>而是设想人类代理团队将如何构建，以及员工将在新框架中占据什么位置，并使这些团队成为测试和学习过程的一部分。她问道，这还有多远？>>学习如何使用人工智能很重要，但这是基本要求。它不会给您带来优势。它只会帮助您运行。它不会告诉您应该往哪里跑。所以，仅仅通过学习如何使用人工智能，您将一事无成。所以，这种“人工智能不会抢走您的工作，但使用人工智能的人会”的说法是完全错误的，因为这会迫使听众假设采用人工智能，学习如何使用生成式人工智能就足够了。关键的，我想说有两三件事非常重要。第一件重要的事情是，无论您是考虑自己的工作或职业的个人，还是考虑您的团队的团队领导者，还是考虑您的公司的首席执行官，您都必须思考一年后、六个月后（无论您觉得哪个时间框架舒适）的竞争格局将是什么样的。它不可能是五年，因为事物变化的速率太快了。所以，我们必须假设，比如说一年后，竞争格局将是什么样的？以及在那种假设下，什么将为您带来优势？所以，即使是个人在规划职业生涯时，也必须运用一定程度的远见。这是在快速变化时期拥有能动性的唯一途径。所以，第一件事是运用一些远见。思考一下未来的地图将是什么样的，您将在那里竞争，您将如何获胜。做出一些选择，然后开始执行，开始朝着那个方向前进。随着您朝着那个方向前进，您将了解到什么有效，什么无效，哪些选择是有道理的，哪些没有。也许模型会改进，一些选择不再成立。所以，根据这些情况不断更新您的选择和您的地图。但如果您没有愿景，如果您没有一个立场，那就是我的游戏将是什么样的，无论我是一个人还是团队成员，以及我的团队将如何融入组织。除非您有这个立场，否则您就没有一个正在测试、更新和验证的理论。所以，这是我要说的第一件事。第二件重要的事情是，我们经常思考自动化和增强的二元性，我们觉得自动化对人类来说是一件坏事。增强是好的，因为它能帮助您变得更好。但那里存在一个谬误，因为增强本身并不一定是好的。自动化意味着人类的努力在某个任务上被替代。增强意味着它得到了补充。现在，互补性并不能保证您将继续保留您的薪水以及与该工作相关的能动性。它只是意味着，如果人工智能补充人类，我们将出现一个新分工的系统，由人工智能和人类共同完成，以便人工智能做最擅长的事情，而人类继续做他们最擅长的事情。这仅仅意味着我们将拥有新的工作流程，新的分工，两者协同工作。它并没有说明您是否能够保留您的价值获取能力以及为您在该工作中获得的技能收取溢价。在许多情况下，您可能无法做到。而且它绝对没有说明您是否会拥有您今天享有的能动性。[轻笑]所以，我要说的第二件事是，不要假设仅仅因为您的工作开始看到更高的生产力，因为您正在使用人工智能，这在未来三到九个月内总是好事。您必须，您知道，始终意识到将出现新的分工。这就是在这个例子中“重塑”的全部意义。所以，最后一点我要指出的是，在问题中有一个关于我们是否应该从组织如何思考实施这种新的分工等方面寻求指导和方向的观点。我认为现在比以往任何时候都更重要的时候，我们应该对自己的职业选择拥有能动性，以及我们希望如何前进。而且，我认为我们正处于一场彻底的职业重塑的开端。我们正处于一个我们通过传统学习模式所学到的东西与所奖励的东西脱钩的阶段。而这只会加速，我不会说加速，但它会越来越脱钩，越来越混乱。所以，如果您没有前面两件事的能动性，依赖您的组织或其他结构来告诉您在哪里合适，那将不会是一个成功的解决方案。您如何建议企业和技术领导者发展您所描述的那种更广阔的视角和愿景，当他们不知道未来会发生什么时？我们有一个来自Twitter的问题，这是来自Anthony Scriffiniano，他曾是嘉宾，他是一位出色的数据科学家，曾多次做客CXO Talk，他说：在那些更成熟的组织中，有哪些盲点导致他们没有像您建议的那样去做？>>这两个问题有关联，但略有不同，所以我只谈论第一件事，也就是您如何思考这些问题。有一些清晰的方法和清晰的结构来思考它，我将其解释为重塑的框架。第一件事是技术总是会转移价值。价值不会停留在今天的位置。所以，您首先要考虑的是，我的工作和我的业务所基于的假设是什么，以及与价值相关的那些假设是什么。所以，通常当我提到与价值相关的假设时，它是关于我如何与竞争对手区分自己，以及什么能帮助我从竞争对手那里获得溢价。所以，正如我提到的，许多知识工作是基于人才获取昂贵，因此知识工作绩效昂贵的假设而构建的。但如果知识工作的绩效变得便宜，那么这个假设就会改变。第二套相关的假设是，传统上知识是非常孤立的，也就是说，如果您拥有非常好的化学知识，它就会被困在某些行业中。如果您拥有非常好的能源电池知识，它就会被困在某些行业中。但随着人工智能的出现，现在可以将这些知识打包并使其在行业边界之外可用。这既对公司也对个人有影响，因为作为个人，我们被限制在我们所接受的培训和职业道路上。而今天，我们有可能获取我们以前从未获得过的知识。如果我们必须获取它，我们就必须聘请一个团队，而这对我们个人来说是极其昂贵的。但现在您可以拥有一个代理团队为您获取这些知识，这样您就可以弄清楚如何将其应用于您的工作。所以，知识不再与孤立相关的事实或假设正在消失。所以，当这些假设改变时，我的核心观点是（不仅仅是这两个假设，它们只是说明性的），当这些假设改变时，价值也随之转移。当价值转移时，您就必须考虑，什么将变得有价值，因此为了获取它，我应该做什么？我应该完全改变我的做法，转移到价值链的不同部分，以便在那里，我如何区分自己，如果我以前从未涉足过价值链的那个部分？所以，这些是您需要思考的事情。但我将举一个以前的技术转变的简单例子。所以，当数码相机出现时，拍照的成本降至零。当拍照的成本降至零，并且您不再受胶卷容量的限制时，存储照片的价值，以及存储和标记照片的价值最初变得更有价值。所以，您知道Flickr获得了良好的估值。然后分享照片变得更有价值。所以，Instagram获得了良好的估值。但我的观点是，柯达并没有不数字化。柯达是2006年美国排名第一的数码相机制造商和销售商，然后在2011年破产。但这是因为价值不再是数码相机或销售相机。也不是管理和打印照片。而是在分享照片。所以，柯达看到了价值的转移，但它无能为力。另一方面，富士胶卷看到了价值的转移，并意识到它的业务一直与化学有关，与化学品有关，而照片恰好是利用这些化学品赚钱的一种方式。所以，它利用了相同的能力，并转移到了其他领域。它利用了相同的能力，进入了制药业，进入了化妆品业，并利用其化学能力在那里开始赚钱，并很好地度过了整个转变。所以，我的核心观点是，您需要思考新的竞争领域。您需要思考您是去追求新能力，还是利用您的能力去另一个领域。您需要思考这些方面，无论您是个人，还是管理自己职业生涯的人。>>这是来自Arcelon Khan。他说，人工智能需要想象力和对整个组织的重新想象。而这才是关键。如果一位首席执行官在没有人工智能的情况下达到了首席执行官的职位，为什么他们应该关心？是否存在组织生存问题，而首席执行官在职位上的任期并不长？>>这是一个有点加载的问题，因为CXO这个术语非常广泛。所以，在某些职能部门，也许如果您是CFO，您可以比CEO（例如）更长时间地不受影响，CEO负责推动组织的竞争力、增长和价值。但除此之外，即使作为CXO，如果您想继续保持相关性，问题不在于您的组织是否采取了某种人工智能立场，或者整个竞争格局是否正在转变。所以，在四到五年内，当人工智能或任何技术转变，但更多是人工智能，因为变化的速度和影响比许多以前的技术转变更广泛。当竞争格局不断变化时，公司的竞争方式就会改变，公司重视的能力就会改变。所以，关键不是您应该学习如何使用人工智能。也许您应该，也许不应该。这应该服从于一个问题，即哪些能力将是未来有价值的，我是否会继续拥有这些能力？我今天拥有的能力，当我的行业的竞争方式发生根本性变化时，它们是否仍然有价值？所以，无论您是CXO还是不是，经验的价值作为结晶知识将永远存在。但是，经验作为仅仅理解您所谈论的大部分内容的价值，仅仅理解领域知识的价值将急剧下降。相反，您需要具备将您的结晶知识与根据竞争格局变化不断学习新领域知识的能力相结合的能力。所以，如果您是CXO，并且您正在考虑退休，那可能不一样。但如果您是CXO，并且您想在其他地方继续工作，为了保持相关性，您的能力应该仍然有价值。所以，这与其说是学习人工智能并变得熟悉人工智能，不如说是建立一个非常清晰的视角，了解什么将是有价值的。这个不断变化的竞争格局将如何改变我的工作，我的角色，或者我拥有的能力，它们是会增值还是减值，这些都是您需要思考的事情。所以，如果我能转述您刚才说的话，如果一家公司或个人不扩展他们的技能并拓宽他们对人工智能将如何影响角色、公司市场等的看法，那么他们基本上就完蛋了。>>我会说这基本上是准确的。这与其说是技能，不如说是视角。如果您有视角，您就会知道要追求哪些技能，但您需要有这个视角。这是来自LinkedIn的Maya Cunningham，她有一个简短的问题。所以，我向Maya Cunningham致敬。顺便说一句，各位，现在是订阅CXO Talk新闻通讯的绝佳时机。立即访问cxotalk.com。订阅，因为我们有像这样的精彩节目，我们将通知您即将到来的节目。周一，您可以访问该网站，查看这次对话的编辑版本。所以，它正在被录制。所以，请订阅我们的新闻通讯。现在就做，拜托。好的。Maya Cunningham说：“有什么早期迹象表明一个组织正在真正地从任务自动化转向人工智能的制度性再架构？”我也想补充一点，有哪些迹象表明一个组织没有做出这种转变？>>在内部传递的指令类型方面，有一些领先的指标。所以，举一个简单的例子。您知道人工智能可以用来更快、更好、更便宜地完成工作。是的。但人工智能也可以用来重新设计工作，重新组织工作。所以，在我们谈论制度性再设计之前，先考虑一下组织内的平均团队。他们是在考虑如何利用人工智能来加快任务速度吗？他们是在白板上绘制任务图，说这是我们的任务流程，这是我们可以使用人工智能的地方，并加快流程，而不是10天完成，而是3天完成吗？还是他们在查看他们的任务流程，并问自己为什么存在这个流程？因为工作流程看起来像一系列任务，但工作流程是围绕系统中的一个约束而构建的。工作流程是为了解决更大的组织问题而设立的。所以，如果您被查看任务所分心，而不是问这个工作流程是为了解决组织中的什么问题而设立的，以及现在人工智能来了，这个问题是否仍然存在。这就是团队应该如何思考重新设计工作的方式。他们应该通过首先询问这个约束是否仍然存在来重新构想工作流程。所以，这是关于您如何看待团队和组织如何思考重新设计工作的一个领先指标，它是一个组织采取任务优先方法还是制度性再设计方法的领先指标。我认为第二部分在于组织如何在各个层面进行内部沟通，以及如何思考人工智能。如果叙述是我们需要每个团队采用X%的人工智能，以及每个执行此操作的团队采用Y%的人工智能，那么您就知道他们可能在推动一项有助于人工智能采用的特定任务，但他们并没有真正思考原因。而如果CEO已经采取了措施，致力于重塑业务的未来姿态，并在此基础上要求他的下属思考这对他们的业务部门意味着什么，而他们又反过来要求他们的团队思考这对他们的团队意味着什么。您知道，这必须是双向的，而且必须是，您需要有一个不断学习的组织。它不能是自上而下的。它不能是局部的，如果每个人都在不断思考，考虑到其他行业发生的一切，一年后这对我的团队意味着什么？我的团队在组织结构中是否仍然拥有与现在相同的权力，还是需要重新思考它做什么？如果他们以这种方式思考，如果他们以远见和未来为先来思考，并从中倒推，那么您就知道他们正在走上制度性再设计的道路。Kristen Wilson在Twitter上提出了另一个简短的问题。所以，感谢Kristen提出这个问题，这是一个非常有趣的问题。在人工智能战略方面，传统公司可以从初创公司那里学到什么，反之亦然？让我谈谈初创公司可以从传统公司那里学到什么。他们可以从传统公司学到的是真正理解为什么传统公司在新的技术转变到来时能够继续获胜并保持优势。他们通常之所以能做到，是因为他们拥有现有的优势来源，并且他们将新技术或他们正在创造的任何新价值与之捆绑在一起。所以，一个非常简单的思考方式是，当物联网（IoT）首次出现时发生了什么。有很多初创公司进入了物联网领域，它们带着消费者互联网的心态，即建立用户群，然后找出如何赚钱。虽然这在消费者互联网领域是可行的，但在物联网领域却行不通，因为它们所做的是在消费设备、物理设备中嵌入芯片，并以低于成本的价格提供设备，希望最终能通过数据赚钱。但这是一个利润严重亏损的模式，因为每发货一台设备都是亏损的。相反，现有公司所做的是通过免费提供服务和数据来增加设备的价值。任何围绕这些数据的分析，任何额外的个性化和远程管理服务，所有这些都与设备捆绑在一起。所以，设备变得更有价值，而服务则商品化了。所以，初创公司在看待现有公司时应该思考的一件事是，我所在行业的现有公司运营业务的逻辑是什么，而技术转变是强化了这种逻辑还是瓦解了这种逻辑？所以，这是您应该思考的第一件事。当从本地软件迁移到SaaS时，情况几乎相反，现有公司的逻辑被瓦解了，因为它建立在根本不同的财务结构上，即预付款项的收集等。并且它建立在非常不同的技术架构上。那么，传统公司可以从初创公司学到什么？我认为传统公司在任何技术转变中，尤其是在人工智能方面，可以从初创公司学到的一个关键是，技术转变的真正机会在于询问从根本上改变了迄今为止企业构建方式的是什么？这个新技术在行业中带来了什么样的架构性转变？所以，一个简单的例子是，在2010年代中期，Facebook、Instagram、YouTube被宣布为社交网络的赢家，它们都建立在简单的社交图谱逻辑之上。您需要关注人们才能填充您的信息流，而TikTok出现了，当时发生了三件事。您知道TikTok是移动优先的。Instagram也是。但此外，随着4G连接，TikTok还在流式传输视频，人工智能也得到了改进。所以，移动视频人工智能，TikTok结合了这三者，将视频时长缩短到1分钟以内，从而能够捕获更多的数据，因为人们在手机上滚动视频，而仅仅利用这些数据，它就能够创建一个兴趣图谱或行为图谱，通过它能够填充信息流，这就是为什么它能够在不构建社交图谱的情况下构建一个社交网络。所以，这就是想法，当一项新技术出现时，它使您能够完全挑战现有公司所依赖的主导性假设。所以，这就是我所说的，双方应该互相学习。>>这是一个非常有趣的观点，因为TikTok做的另一件事是，它将流行度从社交图谱转移了。在Facebook上，是你的朋友。如果你的朋友在发帖，你就会回应。它转移到了兴趣。所以，如果你看到一个你感兴趣的短视频，正如你所说的，因为它们现在是短视频，TikTok能够收集所有这些数据，而这极大地改变了社交媒体的工作方式。>>没错。>>我们还有另一个有趣的问题。这是来自LinkedIn的Ronald Sana，他说，您已经开始讨论这个问题了。他说，组织如何才能全面地看待人工智能？换句话说，好吧，人们在听。他们说好吧，我们需要在那里做些什么。您如何做到？>>如果您想全面看待，您需要问“什么”的问题。人工智能出现后，未来的模式将是什么样的？所以，让我举一个简单的例子来说明这一点。我们刚才谈到了TikTok。TikTok之所以有效，是因为视频时长很短，您可以在一次会话中观看10个视频，而YouTube一次只能观看一个或两个视频，有些用户可能会观看。这给了它更多的数据和更大的数据范围。现在，如果您是一家制造公司，您会说，我该怎么办？这是TikTok。我真的无能为力。好吧，发生了一家制造公司决定，我们可以将TikTok的经验教训应用于制造。于是，您看到了中国一家名为Shein的公司崛起。现在，当我们想到Shein时，我们经常认为它是在污染环境，制造大量浪费。但实际上，Shein对制造业所做的，就像TikTok对社交媒体所做的一样。所以，Shein不断从互联网、社交媒体、甚至TikTok上收集数据，但它利用所有这些数据来确定人们对什么感兴趣。它发现了微观风格，所以它又在小批量学习。它创造了这些微观风格。基于此，它很快就创造了新的设计。它将这些设计发送给一个制造合作伙伴网络，并要求他们进行非常小批量的生产，每次生产50到100件。然后它将它们投放市场，进行测试，看看它们是否卖得出去，然后根据结果，它要么加倍投入设计，要么转向下一个设计。但通过其算法，它一直在学习哪些设计有效，哪些无效，从而提高了其设计能力。所以，我的观点是，一家制造公司看到TikTok会说，这无关紧要。告诉我一些关于制造业发生的事情。告诉我最大的制造公司在做什么。但如果您仅仅停留在那里，您就没有全面地思考人工智能。所以，这更多的是一个“什么”的问题，而不是一个“如何”的问题。您需要摘掉您的眼罩。您需要摘掉那些束缚您的假设，并思考，这一切如何适用于我？TikTok在那里解锁了哪些假设，我可以在制造业中解锁？所以，我想说的是，在做任何事情之前，我们都应该采取一种全面的方法来对待人工智能。>>我们还有另一个很棒的问题，来自LinkedIn的Greg Walters。他说，关于实施人工智能的大多数建议似乎都与1990年代的谈话轨迹相同。>>考虑到您所描述的更广泛的问题，组织今天应该如何实施人工智能？挑战在于，大多数关于实施人工智能的谈话都来自1990年代，因为许多作为供应商实施人工智能的人都是在过去通过实施自动化，例如机器人流程自动化和其他形式的自动化而崭露头角的人，他们将同样的自动化思维带到这里，并向客户销售同样的东西。而这才是真正的问题，因为如果人工智能确实是系统重新设计的机会，您应该与那些真正是系统思考者的人交谈，他们正在思考这对竞争力量意味着什么，这对我们的内部能力意味着什么，并在此基础上真正重新思考。所以，我要为组织说的第一件事是，认真思考一下昨天的供应商是否仍然是帮助您明天的正确供应商。如果您正在认真思考昨天的才华是否是帮助您明天的正确才华，并且您在此基础上裁员，那么您至少应该问一下昨天的供应商是否是帮助您明天的正确供应商。>>这是来自Chris Peterson。他说：“我们如何计划人工智能服务的技术和成本变化，以反映提供商的实际成本？一年的投资回报率估计是否可行？”>>成本变化您可能可以在一年的投资回报率中计算出来，但系统重新设计和真正重新构想您的业务模式，所有这些都不是一年的投资回报率。而且，您应该将其单独作为我们保持相关的税收来核算。它更像是，或者更像是我们保持相关的保险成本。如果我们不这样做，我们可能明天就不存在了。所以，削减成本的全部意义将毫无意义，如果我们正在削减成本的游戏不再进行。这次来自Gus Beckdash，他说技术不会很快创造价值。就标准化性能而言，电力用了70年，计算机用了40年，互联网用了25年。人工智能需要多长时间？>>技术不会立即创造价值的原因是，技术本身并不创造价值。是更大的社会技术系统创造价值。这意味着每项技术都需要互补品，所有这些都需要结合在一起，价值才能被创造出来。我将举一个关于这如何发挥作用的非常简短的例子。我以条形码的兴起以及Kmart和Walmart采用它为例，在我的书中。Kmart只采用了条形码技术，因此提高了收银台的结账速度。但沃尔玛将条形码技术与互补品结合起来。它投资了卫星系统。它投资了自己的内部供应商管理系统。它投资了EDI和管理整个供应链的数据。所以，它利用条形码数据来汇总其所有商店的数据，并利用这些汇总数据与供应商进行谈判，因为在此之前，商店是单独与供应商谈判的，而供应商（品牌）拥有更大的权力。沃尔玛是第一个扭转权力格局的零售商，因为它围绕技术创造了一个新的社会技术系统。所以，您必须考虑那个更大的系统。您不能只是说这里是人工智能，我们什么时候才能看到人工智能的价值？您必须考虑需要为您的行业创造什么样的更大的社会技术系统，才能实现价值，就像沃尔玛所做的那样。这是来自Sashan Kumbalpuri，他说：“如果人工智能通过持续感知和适应来学习，那么什么能阻止我们的战略也这样做？”这是在领英上。在Twitter上，Elizabeth Shaw说：“您说人工智能将改变竞争格局或其运作的整体系统，而人工智能战略必须解决。那么，您指的是哪种系统变革？”所以，我们正要触及战略转变的核心。是的，人工智能会学习，如果您的社会技术系统不学习，也就是您建立人工智能的更大系统，如果它不学习，而只有模型在学习，那么它就不会有价值。Shane模式之所以有效，是因为它采用了一个数字物理复杂系统，并确保了各方面的学习。我将举一个例子，它也说明了第二个问题，但再次说明了第一个观点。所以，想想今天材料行业正在发生什么。材料行业包括塑料、橡胶，所有这些不同的行业。在这些行业中，传统上稀缺的是提出一项新配方并获得专利的能力，然后基于该配方创造一种可用于汽车、门等的材料。随着人工智能的出现，新配方可以更快地被创造出来。所以，实验室测试等方面的限制减少了，但该配方是否适合最终用途，是否有效，是否经过验证，这成为了新的限制。为了解决这个问题，实验室、生产线和终端渠道需要协同工作，不断测试，从市场收集数据，并在此基础上不断向实验室和生产线提供信息，就像Shane所做的那样。它从市场学习，然后改进其未来的运行。所以，作为一个行业，这些行业将不得不改变，以将整个学习周期带回第一个问题。为了将其与第二个问题联系起来，我们看到的是，之所以需要学习周期，是因为竞争格局已经改变，创造初始化合物不再昂贵。当化合物的创造成本下降时，您就会看到专利流氓，因为任何人都可以使用人工智能来生成化合物，申请专利，然后持有它们，但这些专利只有在它们可以应用于某个最终用途时才有用，而这需要您在行业范围内进行学习。所以，您不能在人工智能的世界里说，学习只会发生在模型中，社会技术系统的每一个部分，工业系统的每一个部分都必须学习才能保持竞争力。>>所以，您优化的不仅仅是技术，而是技术在您的组织中发挥作用的更广泛的系统，以及它所有的能力等等。您实际上是在重新设计系统，以便它能够学习，因为传统的制造系统无法学习。但当Shane重新设计它，使其能够进行小批量生产，在市场上进行测试，然后在此基础上更新其关于哪些设计有效和哪些无效的算法时，这就是系统通过首先重新设计来学习的方式。>>在领英上。Sufi Ben Sabur说，人工智能不应该应用于哪里？一切看起来都像钉子，还是我们试图煮沸海洋？那么，我们什么时候应用，什么时候不应用人工智能？>>人工智能不应该被应用，它不应该被应用。我的意思是，您永远不应该从人工智能开始，来弄清楚它是否应该被应用。您应该尝试理解，不仅是人工智能，还有一切。思考所有塑造您行业竞争格局的力量，比如人工智能、关税、全球化，以及正在发生的一切。这一切如何改变您所在的行业一年后的运作方式？您知道，您所在的行业的界限如何变化，这就是为什么我使用“竞争格局”这个词，它如何改变您的竞争领域，以及您如何创造优势。从那里开始，因为人工智能是塑造这一切的要素之一，尽管它是一个非常重要的要素。一旦您弄清楚了什么在改变，您就必须弄清楚您未来的姿态是什么样的，然后在此基础上，您必须问自己，如果我们成为一个学习型材料公司，而不是仅仅一个化合物创造公司，我们将重视哪些能力？新的能力是什么？等等，然后在此基础上，您开始思考，如果这些是新能力，其中哪些是人工智能可以帮助我的？所以，您必须真正地倒推。您不能只是拿出人工智能说，我们将开始应用人工智能，因为其他所有人都在这样做。我的意思是，这又有点像，您想跑，您想从美国的这头跑到另一头，但您只是在健身房里锻炼，却没有地图指明方向。所以，在开始应用人工智能之前，您需要知道您在做什么。>>换句话说，不要只是追逐炒作。>>绝对。我的意思是，这基本上是所有事情的未说出口的潜台词。>>让我们来回答另一个问题。真的，这是一个好问题。它们都很好，但这个问题来自Maya Koi Empuo：“我们可以将人工智能视为生态系统的加速器，还是生态系统一直在等待的、能够发挥其战略潜力的缺失环节？”我很高兴他问了这个问题，因为当我读您的书时，我一直在思考这个问题，关于生态系统。所以，请告诉我们。>>这是我最关心的话题，因为在我开始写人工智能和《重塑》之前，在过去的10到15年里，我一直在谈论生态系统和平台，并且写了一本关于这个主题非常受欢迎的书《平台革命》。生态系统是如何运作的？首先，什么是生态系统？生态系统本质上是具有不一致激励的参与者，他们拥有互补的能力，需要将它们结合起来才能创造价值。所以，管理生态系统的全部意义在于，就像能力已经对齐一样，对齐激励。所以，当您思考如何将一个生态系统组织在一起时，以集装箱为例，您知道集装箱运输的例子，整个全球物流生态系统，卡车、火车、轮船、制造商，由于他们同意的共同标准，由于他们同意的统一合同而得以整合。所以，这通常是我所认为的协调，它始于共识。您需要参与者之间的共识来协调他们，然后协调就开始了。现在，就今天的人工智能而言，我相信有机会在没有共识的情况下开始协调和整合生态系统，因为人工智能可以从各种参与者那里获取信息，即使是非结构化信息，并从中获得意义，并利用这些信息来指导不同参与者之间的决策和行动。一个非常简单的思考方式是，当您预订一次旅行时，您会从一个地方获得航班。

您从酒店预订的地方，您的行程记录在一个电子表格上，然后您在其他地方通过电子邮件管理您的活动，并且（鼻息声）这些事情之间没有任何沟通方式。但今天，您可以将所有这些都放入一个大型语言模型中，并要求它创建一个结构化的行程。这显然是一种非常简化的关于这种对齐如何发生的方式。但可以想象一下，如果有一种方式可以让所有这些参与者开始使用代理相互沟通。他们甚至不必在相同的界面上工作，也不必提前对齐。您将能够让一个代理出去，从不同的来源识别正确的信息，并与您一起管理您的行程。这就是“无共识协调”的想法。一旦有足够多的消费者或足够多的需求被聚合，因为这种无共识协调已经发生，那么共识就可以到位。所以我相信人工智能将改变生态系统工作方式的主要方式是，它不必等待共识，然后协调才能发生。因此，经济中很大一部分协调因共识难以达成而中断。我们可能会在那里看到解决方案。

>> 让我们谈谈工作。描述一下人工智能和人类之间的劳动分工及其影响。

>> 这里有两三件事需要我们思考。所以，第一件事是，当人们说人工智能不会抢走你的工作，但使用人工智能的人会，这是完全错误的，因为它假设劳动力替代是一件坏事，而互补性总是好事。现在，我们显然在优步司机身上看到了这一点，在优步出现之前工作的司机，你知道，伦敦的出租车等等，他们并没有从互补性中受益，因为一旦谷歌地图出现，地图帮助了经验较少的司机获得了相同的报酬，并降低了经验较多的司机的报酬。所以总的来说，互补性实际上会降低你的报酬，同时保留你的工作。所以互补性并不总是好事。第二件事是，你并不总是需要替代或自动化来消除工作。我以打字员为例。当文字处理器出现时，人们会说文字处理器不会抢走你的工作，但使用文字处理器的人会。打字员会试图弄清楚如何教你如何使用文字处理器。但这又会混淆我之前谈到的问题。它关注的是任务。它假设打字员的工作是因为打字这个任务而存在的。但事实并非如此。打字员的工作之所以存在，是因为系统中的一个限制，那就是在文字处理器出现之前，编辑文档的成本非常高，所以打字或良好打字是有价值的，因为它降低了编辑成本。现在，一旦编辑成本降至零。回到这一点，如果假设改变，工作就会消失。在这种情况下，打字员的工作消失了，因为突然间低效的打字并不昂贵。任何人都可以使用文字处理器打字。今天，打字这个任务从未被自动化，但打字员的工作消失了。所以我的观点是，互补性并不总是好的，而替代性也不是工作消失的唯一原因。所以我们必须更细致地思考这个问题。我想说我们需要思考的一件事是，停止从任务的角度来思考你的工作或一般的工作，以及人工智能可以对任务做什么。因为如果你从任务的角度来看，你总是会问人工智能今天不能做什么，然后我会开始做。这其中有两个谬论：它假设人工智能不会进步，它假设系统不会改变，而这两个假设都是错误的。所以，专注于任务并根据任务进行再培训实际上是一个谬论。你应该做的是专注于限制。限制在这里很重要，因为当人工智能提高执行力时，每个人都进入了执行模式。你知道，每个人都在疯狂地编码、疯狂地营销，他们只是在执行，而不去思考任何事情。价值转移给了那些能够管理限制的人。我再举一个例子。想想麻醉师。我在书中提到了。麻醉师在手术室里做的每一项任务都是由机器完成的。它是自动化的。他管理着机器。但他之所以获得高薪，并不是因为他是一个非常好的机器管理员，而是因为他管理着手术室的风险，确保在正确的时间将正确剂量的麻醉剂输送给患者。所以，一个非常普遍且有很高价值的限制是风险。如果你能管理系统中的风险，你就能获得很多价值。我最后要说的一点是，我并不是说风险是唯一的限制。我只是说，不要看任务，要看限制。当人工智能出现时，旧的限制就会消失，但新的限制会在其他地方出现。我最后要说的一点是，除了我们已经谈过的关于人工智能的内容，如果我们回到谷歌地图和优步的例子，司机的报酬并没有因为更多的司机加入而下降。司机的报酬下降是因为报酬现在由算法设定。在优步的情况下，司机现在由算法管理。所以，存在两种类型的工作之间的区别越来越明显。算法之上的工作，那些创建算法的优步数据科学家，他们通过股权获得高薪。算法之下的工作，这些工作几乎没有自主权。我书中的一个关键观点是，一旦人工智能出现，它将对知识工作产生与谷歌地图对驾驶产生的影响相同的效果，因为你越多地用人工智能来补充人们，一些工作就会越来越被掏空到最低限度，然后它们就容易被算法分配。它们被推到算法之下，那时你就没有自主权了。

>> 请详细阐述算法之上和算法之下的工作，因为这对我们所有人，在各种不同的角色中，都有深远的影响。第一个问题来自我猜是惠，她关注了我的书，读完书后她联系我说，在她的工作中，涉及付费社交、付费程序化广告以及数据分析。很多以前是关于算法的工作，越来越多地转移到了算法之下。部分原因是，非常复杂的知识工作者一直与这些算法一起工作并训练它们，所以很多分配工作的知识已经进入了算法，而人类剩下的工作则被推到了算法之下。所以，薪酬水平，我希望我能公正地对待她的例子，但我的观点是，这是一个很好的知识工作例子，五年前非常有价值，但与此同时，工人一直在训练算法，而他们留下的工作则被推到了算法之下。自主权从他们转移到了算法，随着人工智能的到来，这种情况将越来越多地发生，因为问题不在于人工智能是否能完成一项任务，或者你是否还有任务可做。问题在于它是否从你的工作中夺走了太多东西。它是否将你的工作标准化到如此程度，以至于你变得非常商品化。任何与人工智能一起工作的人都可以突然交付你所做的产出。在过去两三年里，有许多研究表明，与人工智能互补的低技能工人能够比与人工智能互补的高技能工人做得更好。这基本上意味着，尽管人工智能帮助了所有人，但它导致了普遍的扁平化。它导致高技能工人和低技能工人之间的差距缩小，这压缩了技能溢价。但随着他们越来越多地与人工智能互补，他们留下的、由他们自己而不是同行独特完成的工作开始逐渐缩小。如果达到像今天的送货员那样，因为谷歌地图为他们导航，他们不做任何涉及专业知识的事情，当所有差异化工作都被吸收进互补技术时，你就会被推到算法之下。

>> 您能为个人，为我们所有人提供关于职业生涯的建议来解决这个问题吗？请尽快。

>> 在思考新技能之前，不要先思考新的系统是什么，因为每个人都在这个再培训的跑步机上，但他们并不知道他们正在为之再培训什么。所以要思考未来什么是有价值的，并思考如何再培训以捕捉这种价值。但如果你不思考未来的系统，那么你可能只是在错误的方向上再培训。

>> 大多数人不知道如何思考未来的系统。这就是为什么我们专注于技能。那么我们该怎么办？

>> 你会凭直觉知道，有些方式你可以参与，有些方式你不能。我在书中也用了一个我认为很有趣的例子，互联网出现的时候，魔术师的技能价值急剧下降，因为魔术师的报酬很高，观众为他支付高额报酬，是因为他的把戏创造了奇迹感。但有了互联网，你立刻就能找到那些会解构并揭示任何新把戏背后秘密的人。所以创造一个把戏的成本很高。解构并将其传播给每个人的成本很低。所以一个把戏的价值急剧下降。所以今天魔术师所做的是，他们很少创造全新的把戏。他们会拿旧的把戏，用新的故事、新的奇观、新的叙事重新包装，以重现他们曾经因此获得报酬的奇迹。所以今天的魔术师不一定是因为他们技巧创造的奇迹而获得报酬，而是因为他们现在围绕着把戏包装的奇观而获得报酬。所以我的关键观点是，当你的主要竞争来源也被商品化时，你应该真正思考你的利益相关者当初为什么要付钱给你。其中什么对他们有价值，以及你如何以一种根本新的方式重新配置这种价值。最后，两个最后的问题，以推文长度的捆绑形式。您对公司有什么建议？

>> 我是说，你想用 140 [笑声] 或 280 个字符来回答。

>> 嗯，真的，你知道，呃，

>> 别继续了。

>> 不要只看你公司内部来弄清楚如何利用人工智能。不要只看你今天在做什么来弄清楚如何利用人工智能。思考人工智能将如何改变你的竞争领域，以及优势将是什么样子。这将告诉你新的竞争对手将是什么样子。这将告诉你你将不得不进入、竞争的新行业是什么。这将告诉你未来哪些能力将是有价值的。所以，在一个不断变化的世界里，你越是向内看，这与人工智能无关，而是在一个不断变化的世界里，你越是向内看，并说这是我们的核心竞争力，你就越会忽视那里的机会。

>> 最后，您对政府政策制定者和监管机构有什么建议？最重要的事情是，要真正理解，曾经存在许多保护机制或价值分配的制度机制，无论是工会还是税收。我并不是说这些机制都非常有效，但所有这些参与者都需要理解的是，这些机构运作的速度，你知道，只是创新速度的一小部分，而且是非常微小的一部分。所以他们必须，你知道，如果组织要成为学习型组织，而不仅仅依赖于学习模型，那么监管就必须成为学习型监管，你知道，它必须更加分布式，在多个点上理解正在发生的事情，而不是通过一个单一的自上而下的系统来传递监管。所以我们需要一种根本性的新方式来思考政策。目前的模式将跟不上正在发生的事情。

>> 好的。嗯，这一集内容非常丰富。非常感谢 Sanit Paul Chadori。他是 40 多位财富 500 强 CEO 的顾问，他写了这本新书《重塑》。Sanit，非常感谢您今天来到这里。

>> 非常感谢。这非常有趣。谢谢。

>> 非常感谢所有参与者。你们的问题一如既往。你们太棒了。你们的问题很棒。在离开之前，订阅 CXO Talk 新闻通讯，并在 LinkedIn 上与 Suni 和我联系。非常感谢大家。我们即将推出精彩的节目。下次再见。祝您有美好的一天。