當認識到自己長期處于挫敗感之中的時候，Ascension共享服務子公司的首席執(zhí)行官Lee Coulter到達了一個臨界點。他在共享服務高管的職位上工作了數(shù)十年，無休止地沉浸在這個職位推動技術的需求之中，他得出了一個結論，他不再能夠明白其他人在說什么了。

Coulter表示，“我不知道該相信什么，也不知道該相信誰。你無法和兩個不同的人進行關于人工智能的有意義的談話。”

Coulte正在著手做一些和這個問題有關的事情。比如2016年，他成功地向IEEE標準協(xié)會（IEEE Standards Association）提出組建工作組的想法，該工作組將開始為位于企業(yè)自動化前沿的各種類別的機器人和“智能”技術給出定義。

Coulter主持的IEEE智能流程自動化標準工作組（IEEE Working Group on Standards in Intelligent Process Automation）的目標是在2018年完成第一階段工作，即其所謂的“名詞、術語和概念”。第二階段的工作已經(jīng)開始，圍繞著“技術、分類和分級”。

可是與此同時，對于首席財務官來說，在決定新技術采購時，人工智能缺乏一個共同的、明確的定義是一個潛在的麻煩問題，特別是在目前推出人工智能或者機器學習解決方案的新廠商數(shù)量不斷激增的情況下更是如此。Coulter印證了很多其他的企業(yè)技術專家的說法，“很多廠商都跑出來說他們的產(chǎn)品里面有人工智能。但大多數(shù)時候，這都只不過是胡說八道。”對人工智能的困惑也可能導致財務負責人變得過于謹慎，而這可能會導致低估了不斷采用這些技術，即使未來這些技術可能將帶來長期價值。

為時過早

如何最好地定義人工智能和機器學習？總的來說，人工智能和機器學習都是用來對事物進行分類，并根據(jù)對大量數(shù)據(jù)的處理來預測結果的。下面是麥肯錫在2017年6月份的一份報告中為人工智能下的一個簡短定義：“機器能夠展現(xiàn)出類似于人的智能的能力——例如，無須使用含有詳細指令的、手工編寫的軟件就能夠解決問題。”

至于機器學習，許多人認為它是人工智能的一部分或者是人工智能的墊腳石，IEEE集團的工作定義可能會更難理解一些：“通過基于機器的觀察，觀察人類的軟件系統(tǒng)操作，并使用持續(xù)性的自我告知算法，進行檢測、相關性和模式識別……最終完成有用的預測或指定的分析。”

Coulter說，在過去兩年里，至少有1,000家創(chuàng)業(yè)企業(yè)推出了據(jù)稱擁有人工智能和機器學習能力的產(chǎn)品。一心執(zhí)著于“亮閃閃的新東西”的首席信息官們可能會上鉤，但很少有首席財務官會這樣。購買打著人工智能旗號的技術是一個特別可疑的命題。雖然人工智能的概念已經(jīng)出現(xiàn)至少六十年了，但是直到近年以來，計算能力和數(shù)據(jù)集的規(guī)模才達到了對大范圍的用例可用的水平。

那么這些用例都是什么呢？保險公司和理賠師們正在部署先進的“機器視覺”技術，根據(jù)客戶提交的照片，對汽車的事故傷害進行分類。信用卡發(fā)行商正在使用程序四處搜索持卡人的公開Facebook頁面，以了解婚姻和孩子出生等事件對消費習慣的影響。制造商們正在使用機器學習技術以求更容易地發(fā)現(xiàn)錯誤的顏色、形狀和包裝等缺陷。許多服務業(yè)公司正在使用基于自然語言處理的網(wǎng)站聊天機器人。

事實是，大多數(shù)被吹噓為具備人工智能支持的解決方案并不太可能解決企業(yè)最深刻的問題。 Shared Services & Outsourcing Network 最近發(fā)表的一份名為《全球智能自動化市場報告》（《Global Intelligent Automation Market Report》）出版物稱絕大部分被打上人工智能標簽的東西都是“圍繞著定義、非常狹窄的以知識領域為中心、非常有限的認知解決方案”。Coulter是該報告的合著者之一。

安永會計師事務所的全球機器人和智能流程自動化的領導Weston Jones則提出了不同的看法。他表示，“現(xiàn)在很多人工智能的東西還無法廣泛應用，因此也無法提供首席財務官們期望的回報。他們中的絕大部分人看不到價值。”

巨型技術公司卻是例外。根據(jù)麥肯錫的報告顯示，去年，巨頭們在人工智能技術上的花費在200億美元到300億美元之間。例如，谷歌使用“強化學習”——一種與人工智能相關的技術，將其數(shù)據(jù)中心的功耗降低了10％以上。Facebook和其他社交媒體公司在其網(wǎng)站上使用自動語言翻譯，大大提高了客戶參與度。

盡管如此，麥肯錫寫道，在商業(yè)世界中，對人工智能的需求總體上只說是“不冷不熱”。在最近對超過3,073個C level管理人員的“人工智能感知”調(diào)查中，這家管理咨詢公司發(fā)現(xiàn)，許多企業(yè)領導者不僅不確定人工智能可以為他們做什么，而且他們還對“在哪里獲得人工智能支持的應用程序，如何將其融入其公司，以及如何評估技術投資回報率”等問題糾結不已。

麥肯錫表示，只有20％的受訪者表示他們正在大規(guī)模地使用人工智能相關技術，或者在業(yè)務的核心部分使用人工智能相關技術。但是，要想真的衡量這些技術在企業(yè)世界的滲透程度，它的意義又不算明確了。該報告承認，“人工智能涵蓋了廣泛的技術和應用，其中一些僅僅是較早期技術的擴展，而其他一些……則是全新的。”

此外，麥肯錫的報告還指出：“目前有幾種方法來分類人工智能技術，但很難列出一個彼此互斥的清單，因為人們經(jīng)?；旌虾推ヅ涠喾N技術來創(chuàng)建某個特定問題的解決方案。”

但是，即便說企業(yè)現(xiàn)在還不愿意投資人工智能，至少他們的興趣水平在上升。Gartner首席人工智能分析師Whit Andrews表示，該公司與人工智能相關的查詢數(shù)量在2016年暴漲了200％，到2017年又上漲了100％。

Waterstone Management Group的長期技術戰(zhàn)略家及分公司合伙人John Parkinson表示，所有財富1000強的企業(yè)至少都在研究機器學習。已經(jīng)開始實際使用或者接近于準備部署一些應用程序的企業(yè)相對數(shù)量較少，在這些企業(yè)中，有一些企業(yè)使用的是現(xiàn)成的軟件，另一些則是租用了云端的機器學習功能，還有一些企業(yè)正在開發(fā)自己的系統(tǒng)。

Parkinson對企業(yè)使用人工智能沒有什么要說的。事實上，他認為“智能”在這種環(huán)境中是一個非常不幸的、可能產(chǎn)生誤導的詞語，有可能會讓技術買家陷入困境。他表示，沒有人真的知道人類的智能是如何工作的，所以可以編寫軟件來模仿它的想法是“非?；闹?rdquo;的。

他補充表示，“我不在乎IBM關于Watson說了什么”，他指的是這家技術巨頭對其高規(guī)格知識系統(tǒng)作為人工智能平臺的定位。“它根本算不上是認知。它是非常聰明的軟件，并且已經(jīng)用數(shù)學模型進行了訓練。”

循序漸進

如果首席財務官們能夠克服這種類型的自動化必須能夠立刻帶來巨大回報的想法，他們可能會開始欣賞人工智能和機器學習的潛在價值。Gartner的Andrews表示，“我們會告訴（客戶）不要將其視為傳統(tǒng)的IT項目。”他表示，“對于許多組織來說，無論他們?nèi)绾问褂萌斯ぶ悄?，可能都無法得到經(jīng)典形式的回報。將你的投資回報描述為你即將學習的課程的演示，而這課程是你獨有的。”

Andrews建議企業(yè)剛開始應該尋找單獨的人工智能解決方案來解決他們從來沒有足夠人手解決的問題。很有可能，解決這些問題不會有變化。事實上，使用人工智能的早期就嘗試“登月計劃”的做法充滿了危險。Andrews表示，“當組織開始嘗試改造自己時，就是將自己置于巨大的風險之中。”

Parkinson表示，如果一家公司將“智能”自動化應用于其10％的業(yè)務，那么它就可以相對較快地看到一些好處。但是，真正的回報將更晚才會出現(xiàn)，隨著流程不斷地自動化，就會變得更有效率。他表示，“越來越多常規(guī)性的業(yè)務工作將被納入自動化系統(tǒng)。”

安永的Jones建議企業(yè)對現(xiàn)有的以及可預見的項目進行完整的評估，以便識別并排列這些業(yè)務案例，用高級自動化來解決它們。他表示，這是關鍵的一步，因為據(jù)安永估計，30％到50％的人工智能類型的項目會在這一點上失敗。但重要的是要明白，高級自動化無法克服缺乏數(shù)據(jù)的問題或者數(shù)據(jù)不可信任的問題。

Andrews表示：“人工智能不是一種呈現(xiàn)數(shù)據(jù)中價值的神奇方式。”

這意味著你就是數(shù)據(jù)科學家了”，他表示，“如果您已經(jīng)成功地使用了機器學習五年或者十年，你就可以開始稱呼自己為數(shù)據(jù)科學家了。”

外部的影響

總體來說，企業(yè)，特別是財務部門也會顯著受到外部單位使用人工智能和機器學習的影響。例如，據(jù)稱，幾家主要的會計師事務所都在致力于改變審計流程，以便檢查100%的交易，而不僅僅是對少量隨機抽樣進行審計。

此外，四大會計師事務所中的一家正在研究基于IBM沃森技術的產(chǎn)品，它可以大大減少該公司在兼并和收購盡職調(diào)查過程中花費的時間和精力。據(jù)說這款將在兩年內(nèi)發(fā)布的產(chǎn)品的設計目標是使用關于某家特定企業(yè)的所有可用信息——無論是結構化數(shù)據(jù)還是非結構化數(shù)據(jù)——并生成高度可信的、精確的估值估算。

正如Parkinson所說，這樣的能力可能不是智能的證據(jù)。同時，關于機器學習支持的技術分類的一個有趣的事實是，它實際上工作得比它所基于的理論描述的更好。 Parkinson 表示，“而且我們不知道為什么。”

在基礎層面上，是不斷的反復試錯讓這項沒有人能夠真正理解的技術發(fā)展。Parkinson表示，“我們——在這個領域工作的人類一直都在尋找更好的方式找到軟件系統(tǒng)所能做的事情的邊界，并找到能夠促使我們構建越來越好的核心系統(tǒng)的例外。”他表示，“這將繼續(xù)加速。當我們將這些系統(tǒng)相互連接在一起時，我們將會發(fā)現(xiàn)它們共同做的事情是我們未曾預料到的。”

然而，有人定義了推動企業(yè)自動化前沿的能力，它們只會變得越來越大，也越來越好。首席財務官們必須決定是否開始挖掘這一機會。