颜松柏（译）
ThoughtWorks商业洞见
[摘要]
在技术引导的新一轮颠覆性浪潮中，各大企业正运用智能赋权来进行战略布局。智能赋权能够结合运用最优化、人工智能和机器学习等数据和技术，用机器智能增强人类智能。了解智能赋权的前景和现状，根据企业自身的数据策略，利用智能赋权来实现企业转型，是未来发展的趋势。
技术正在引领世界进入新一轮颠覆性浪潮。在一些
大国政府
担忧“智能”系统和机器人会对人类工作机会带来的潜在影响时，我们看到更多的例子，则是技术如何促使企业转型。
智能赋权
开启了新的篇章，通过运用包括优化（Optimization）、人工智能（Artificial Intelligence）和机器学习（Machine Learning）在内的数据技术，用机器智能增强人类智能，将这两种影响的最好面结合在一起。
人工智能的市场机会不可小视。据报道，AI产业目前产值
150亿美元
，预计到2020年将增加到
700亿以上
。仅IBM就投资了
30亿美元
在物联网（IoT）领域进行智能计算研究。
三星正在收购新一代的人工智能助理Viv
。Google正在从人工智能领域
招聘顶尖人才
，并将自己重新定义为“
机器学习先行
”的公司。大公司正在
合作
制定最佳范例，开源了许多框架、算法和工具，如用于实现AI和机器学习解决方案的
TensorFlow
和
NuanceMix
。这只是一些例子，却足以表明一场智能赋权的时代变革正在进行。
那么，问题来了：如何利用智能赋权，来驱动你的企业变革？
前景
智能赋权的大部分技术并非新生事物。在计算机科学发展早期，AI（人工智能）研究领域就已经存在。但为什么现在又获得了这么多的关注呢？AI的复兴是多方面因素综合作用的结果：数据更易访问、存储和处理数据的计算能力增强、算法和技术的进步以及有助于降低使用门槛的开源工具的增多。这些因素综合起来促生了创新的解决方案和产品。
以汽车行业的革新为例：汽车很早以前就装配了传感器，但很长时间以来，传感器仅用于提供汽车自身状况的实时数据，例如当前速度、油量、温度和胎压等。随着物联网的发展，汽车接入了更广泛的生态系统，结合汽车自身数据与其他数据集，可以实现智能导航、交通状况和事故监测，并允许制造商分析汽车的使用情况，提供预见性维护保养。目前，汽车行业发展趋势是将传感器优点与AI算法的连通性和先进性结合起来，以实现自动驾驶。
我们将目光转向其他领域，例如供应链，也会发现类似的进展。最初的供应链解决方案侧重于企业级的改进。而现在我们发现供应链领域的方案趋向于更整合、更具响应力，连接到更广阔的行业生态系统。在未来，遭遇破坏性事件时，智能供应链将能够主动进行自我修复。
（智能技术应用的过去、现在和未来）
智能系统有望为你的企业带来巨大的利益，包括提高生产率和效率，实现增长和可扩展性，降低你的正常业务运营成本。它们还可以对社会产生更广泛的影响，例如更好地检测和治疗疾病，改善人们的生活质量，延长人类寿命等。另一方面，智能系统可以转变劳动力，自动化许多人的工作。
数字革命使得商业生态更互联互通，并不断加强这个趋势。在后数字时代，智能赋权则将翻开崭新的一页。为了避免犯同样的错误，我们还是要回顾下历史，了解以前的技术创新是如何运用于企业中的。
技术变革的历史一瞥
（技术变革的6个浪潮）
我们看到了许多技术推动的变革浪潮。计算技术首先以大型机的形式走进企业，自动化基本计算功能，例如会计。随着PC的出现，我们看到了向分散式计算的转变以及关注点从硬件到软件的转移。第二轮浪潮带来了更多的业务流程自动化，企业应用系统如ERPs和CRMs逐渐兴起。
互联网带来了第三波颠覆性浪潮。系统的限制性如千年虫问题和新货币（欧元）的引入加速了大型机和遗留系统的淘汰，取而代之的是基于网络的应用程序，带来了更丰富的用户体验。新的商业模式成为可能，我们看到了亚马逊、谷歌和Facebook等公司的成长。同时，大规模数据得到集中和积累，更多的用户开始接入网络。
以iPhone推出为标志的移动技术，引领了下一轮颠覆性浪潮。它使网络访问更为便捷，开辟了一个新的消费渠道，并通过应用商店引进了新的分销模型。一夜之间，各家公司不得不投资开发自己的移动应用程序来连接他们的客户。
数字设备的增长，物联网的兴起，以及劳动力的全球化推动了第五波颠覆性浪潮：数字化。随着消费渠道的多元化，消费者对如何与企业进行互动的期望越来越高，每家公司都在努力变成数字化企业。除了外部影响，数字化也在内部影响企业员工的行为，数字化转型已成为企业管理议程的第一要务。
最初的变革浪潮仅与现有业务流程的简单自动化有关，技术对企业仅发挥了辅助作用。而在最近的几轮浪潮中，技术越来越接近企业的核心。变革结束后，这些技术并没有淘汰，而是理所当然地被广泛采纳了。
智能赋权是继数字化之后的下一场变革。每家公司都希望成为算法企业，将智能系统引入组织结构中。但是，与移动化、数字化浪潮一样，进行这样的转变并获得实效并非易事。不单单是技术本身，人、流程也需要发生同等效应的变革。
现状
大型机的引入历时20-30年，PC的普及和遗留系统更换用了10年，采用新技术所需要的时间正在缩短。20世纪90年代中期，互联网革命逐渐升温，尽管在21世纪初互联网泡沫破灭，但Web 2.0时代仍促使了各公司在短时间内采用基于网络的技术。随着2007年第一代iPhone的推出，移动互联网登上舞台。到2011年，John Paton提出了“
数字优先
”这一理念。可以看出，企业采纳和吸收新技术的周期正在缩短。
在智能革命中，我们关注着我们企业客户的改革模式。为了追求创新的速度，一些企业正采用单点解决方案，或用现成产品来解决某一特定领域的智能问题，以快速见效。这种方法能在小范围内提高生产率或效率。在以往的变革浪潮中，如互联网和移动时代，我们发现客户也采取了类似的策略，但结果也是迅速知道了遗留站点和遗留应用，然后才意识到自己需要一套更持续的数字战略。
这里有几个例子。一家零售商需要用智能算法来改进多个供应链和规划功能，包括库存规划算法、物流运输算法和销售预测算法。另一家领先的金融服务机构正寻求欺诈检测、了解客户（KYC）和交易监控的解决方案。而市场上有一些公司和产品声称能够用机器学习和AI来解决这类问题。
用上述方法来解决这类问题并不是最优的选择，会导致整合成本的显著增加。任何企业架构师都可以证明，将新产品和技术解决方案引进企业并非易事。它们通常会在原有系统上添加或导致额外的复杂性。当必须将它们与现有系统集成时，对其在企业生态系统中的全面测试和部署可能会花费数年时间。
我们认为采用整体方法是更好的解决方案。相较于局部优化的单点解决方案，我们更注重考虑智能系统如何对企业组织进行整体优化。
更大的挑战是，如何利用技术提高整体业务的响应速度，只有突破现有系统和组织孤岛结构，才能获得更高的效率和生产率。
我们一直与一家大型供应链企业合作，他们正尝试全面智能化其规划业务。实现一个真正的端对端规划系统，打破现有的生产计划、材料计划、需求计划和运输计划的孤岛隔阂。这需要一套将这些单独的模块连接起来以驱动全局优化的解决方案，还需要一个支持响应流架构的数据平台，使系统超越按日/周的频次批处理过程，能够按业务速度作出即时响应。
从系统的角度看，我们考虑的不是简单地添加一个新产品到客户的场景中，而是如何替换现有ERP系统中建立的计划模块、COTS产品和附件。从人员的角度看，它重新定义了计划者的角色，因为新系统能够提供整个供应链的全局视图，而不是为管理和操作现有单独模块创建专门岗位。从流程的角度看，新系统可以在一天内做出反应，响应各种意外事件。新系统不是完全由人驱动，它需要报告事件并提出人们可以评估和执行的解决方案。随着时间的推移，我们的系统将能够从数据中学习，并代替用户做出日常决策。
我们认为，为了真正推动智能赋权引入到你的企业，应该考虑一个更全面持续的策略而不是临时的权宜之计。虽然这需要人、流程和工具方面的转变，但它带来的潜在收益将远远超出所费成本。
拥抱智能赋权，从哪里开始？
根据我们在引入智能赋权方面的经验，我们提出了以下几个问题，可以帮助你的企业做好应对下一轮颠覆性浪潮的准备。
你的数据策略支持智能赋权吗？
数据是这些新智能系统的核心。基础架构必须能支持存储海量数据，还能具备针对不同类型工作负载的可扩展处理层，包括从批处理到更多的实时流处理需求。一个更为先进的方法，是基于streamindataflow架构，采用例如
Kafka框架
作为主干，结合
微服务架构
，通过分布式可扩展事件总线来产生和输送数据流。它还包括
企业数据湖
，能长期储存多个来源的原始数据，以进行数据科学和企业分析。
我们看到许多客户
投资建设大数据基础设施
，但却没有改变组织结构，也没有构建数据科学和分析应用相关的能力。这也是SQL on Hadoop成为当前热门话题的原因。然而，要充分发挥智能赋权的作用，远不是批处理主导思维和传统数据仓库技术，而是要将数据思维带入系统架构的核心。
技术基石只是应对这轮颠覆性浪潮的起点，此外你还需要考虑其他问题。
你准备好打破现有隔阂，进行全局优化了吗？
要真正成为一家算法企业，你需要重新考虑组织结构，重新评估公司在下一阶段是否需要现有的孤岛结构。将智能解决方案应用于一个小问题或许能帮助你迈出新的一步，但你还应采取跨越现有组织结构的整体方法来释放智能赋权的全部潜能。
你需要重新思考组织的结构以及现有的流程。智能系统能够基于数据，提供洞察，并且能比人类更有效地执行数据收集和处理任务，所以你需要考虑在未来哪些职位需要真正的人力。人类的直觉和创造性在工作中仍是必需的，但一些
可预测性和流程性工作将更容易被自动化取代
。
如供应链的例子所示，他们不得不设置一个新的岗位以监督整个价值流。这是一个更高层次的职位，可能需要新的技能，如了解如何调整数据科学和优化算法。他们的工作关注点也发生了变化。智能系统将帮助他们识别和解决各种意外事件，他们则可以花更多时间分析过去的数据，模拟未来的趋势，做一些在当前工作负荷下不可能完成的事情。
你想解决什么样的企业问题？
最后，我们强烈建议你充分思考想通过智能赋权解决的业务问题。
这不仅仅是应对炒作周期。购买了智能解决方案，但却不知道解决什么问题——你肯定不想落入这种困境中。
如果处理得当，智能赋权可以帮助降低现有系统和产品的经营成本，提高业务运营的生产力和效率。在这个过程中，和你的企业架构师一起，确保他们理解你需要解决的企业问题。这将有助于简化系统架构，淘汰遗留系统，还能帮助实现整体架构的现代化。因为需要同时改变技术，以及人们的观念，这会需要一定时间。
我们认为，采取
演进式的架构
方法
相对于一次性的架构大迁移，会显著降低风险。
虽然我们建议超越技术促进因素进行思考，但智能赋权仍有可能彻底改变你的组织架构。我们可以从技术引导的变革历史中吸取经验，避免在将其引入企业时犯同样的错误。采用整体方法，考量整体技术、人员和流程影响，真正发挥智能赋权的潜力来转变你的业务。
Danilo Sato
，ThoughtWorks总监咨询师，也是ThoughtWorks全球技术委员会成员，是《DevOps in Practice》一书的作者。
译者颜松柏
，ThoughtWorks咨询师。
本文收录于《ThoughtWorks商业洞见——智能时代》
