打造企业智慧力

Paul+JH．Schoemaker+Philip+E+Tetlock

未来几年中，企业必须智慧化发展，即能够整合模型决策和人类在判断、推理和选择方面的天赋。能成功做到这一点的企业将胜出竞争者一筹

企业若要获得可持续的成功，必然需要在其领域不断创造、提升竞争优势。这種优势依然可以是规模生产的低成本、机密的自主知识产权、积极的员工或是高瞻远瞩的领导层。但在当前的知识经济时代，企业的战略优势越发依赖超前的精准判断与果断抉择。

从这个角度出发，有两种不同的力量正在改造当今的企业：一是计算机和大数据技术，这为企业平稳运转、进行预测研究以及践行人工智能夯实了基础；二是当前科学界对人在判断、推理和选择天赋上的认知加深。

针对这一新形势，我们希望研究管理者如何将人类的智能与技术可实现的新洞察力结合起来，从而在不确定和复杂情形下做出更明智的抉择。要知道，每五个决策中有3个正确和有28个正确的差别似乎很微小，但足以让前者在竞争中占据优势地位；而且随时间累加，造成的差异将是巨大的。

通过企业战略、组织理论、人类判断、预测分析以及管理科学等多学科内容的探讨，我们发现有五大能力，能够支撑企业决策判断力，提高企业的综合智慧与决策能力，领先对手。这五大能力分别是：

1发现最需要“智慧”发挥作用的领域。将基于数据和理性的人工智能用于改善主观预测，能够带来切实可见的变化。

2建立预测模型。鼓励团队之间以竞争的方式开展实验和创新，发现最佳的预测方法。

3对企业内部的专家思维与知识库建模。寻求企业内部对关键业务具有卓越见解的人才，通过预测模型来充分运用这些人才的能力。

4用人工智能进行试验。采用超越简单线性的模型，在有限领域使用深层神经网络来实现计算机模型对人类专家的超越。

5改变企业运作方式。提倡探索文化，推动人类与机器能力结合。发现最需要“智慧”发挥作用的领域

建立智慧企业的起点是在合适的点投入资源，使之带来最丰厚的回报。换言之，寻找最需要也最适合智慧化解决的问题。

最好的切入点是处于边缘地带的综合性问题，解决它们需要有效结合真实数据与专家决策。这类问题的解决离不开确定性规程（karl POpper称之为“准确性问题”），又受到不确定性（“云式问题”）限制。

“准确性问题”属于依据过往经验，可以稳定解决的问题。统计预测模型对此类问题的作用较大。例如评估新的医疗进展对预期寿命的影响，人类的直观决策一般而言都不会比得上统计模型。

“云式问题”，如评估全球变暖对2025年迈阿密发生洪水的影响概率，大多是没有历史数据、没有根据、或者随机.出现的，这种情形下，专家的判断对解决问题的效用更大；相对预测模型，专家能更好处理收集到的信息。

所谓智慧企业，核心是有机结合计算机及其算法的长处和人类在判断、决策中的天赋，最终成型的智慧分析系统可能超越其各部分的简单相加。

形成一个真正的智慧企业是一个慢而复杂的过程。认知心理学在过去几十年的突破，使许多管理者摆脱了不规律思维的偏见和陷阱。但很少有企业能将这种进步转化为企业智慧化的阶梯。执行团队在具体执行过程中遭遇的决策环境，很难与初始决策条件相同。因此，企业需要提高企业的智能化水平，强化协作的抉择过程、深化数据和技术工具的效用。

目前，一些公司已经将大数据与预测分析投入使用，然而，很少有企业能够系统整合人类的智慧和计算机的智能。

建立预测模型

通过预测模型比赛，以竞争形式寻找特定领域内最佳的思维方式或预测模型，是一条行之有效的途径。其基本理念是激励参赛者对可能发生的事情进行预测，并对预测结果进行概率分析，评判预测的准确性。

企业内部预测模式竞争的最大好处在于优化执行团队的学习周期、加速学习过程，具体的操作方法包括：

1.仔细记录。通过准确记录，对各预测（新旧、自己与他人的）分门别类进行标记。

2.强迫失败者面对自身的失败与对手的成功，增加对自己反思的过程，培养优先自我批评的能力。

3.优胜者的选取有利于激发其他员工对取胜过程的好奇心，鼓励团队不断尝试并改进方法。

4.培养企业公平竞争的意识。

对企业内部的专家思维与知识库建模

培养企业智慧力的另一种方式是模拟专家的思维与知识，进而更有效、客观地利用这些知识。

一项早期的决策心理学研究，跟踪了农民种植农作物并批发拍卖的过程，记录了农业专家关于玉米质量的评判数据。这些专家通过对500个玉米穗的评价来预测其在市场上的最终价格，其间综合考虑了穗长与饱满度、玉米颗粒重量、预计胚芽填充度等。研究人员对这一流程和数据建立了一个简单的加法模型评分系统，其给出的结果出人意料地比专家给出的答案更接近实际。几十年前曾推出过的电脑模拟贷款决策也是如此，即使在消费贷款包含有许多主观因素的前提下，模型的结果仍要比专家意见更为科学。事实上，在多数领域，这种情况都曾出现。

真实信息与信息噪声的交织总会导致人类判断的前后不一致。基于专家知识库的决策模型能有效滤除信息噪声，对同一问题反复判断时显得非常重要。某医学研究中，相同的96例疑似胃溃疡信息被提供给9名放射科医师判断，相隔一周的评估结果确实存在极为可观的差异。

从医药到金融等领域的数十项研究表明，专家模型替代专家可以提供极为出色的决策力。但专家意见在情况紧急时效果出众，而且他们的意见对模型更新有较大作用。对于企业也是如此，搜集积累企业内部人才和专家解决处理问题的信息，建立模型，是企业智慧化的重要实现途径。

用人工智能进行试验

对人类认知理解的加深推动了计算机早前在围棋方面的建模。由于人类思维中的固有缺陷和各种认知偏见的局限，计算机通过其强大的计算能力对旧数据进行研究学习从而建立起的“智慧”，往往比专家更具优势。1997年的深蓝计算机就是这样击败国际象棋特级大师加里·卡斯帕罗夫（GarryKasparov）的。人类能通过自身各种各样的认知机制，建立起外界刺激与大脑中对应区域的联系。不过，这种认知情形下，人类经常会陷于建立好的框架，这一缺点在新信息不断涌现时是致命的。

Bootstrapping算法（自举法）可以通过简单的函数输入输出模拟出均值统计量的近似分布。进行专业知识建模，替代了人类推理的过程。而通过人工智能，能增强该算法模型的引导功能，使模型掌握人类思维方式和大数据变量间的复杂关系。

人工智能发展至今，涵盖了机器视觉、语言理解、智能算法多个领域，但在跨领域建立联系这一命题上仍有较大的不足。故人类的智慧，尤其是专家的行为信息，对机器模型的情境学习和创造力发展都非常重要。公司应密切关注人工智能的发展，适时在企业中进行试验应用。

位于康涅狄格州西港的对冲基金公司Bridgewater Associates正在开发各种算法模型，希望用计算机模拟公司内部专业人才的能力，来实现企业的自动管理。

改变企业运作方式

通常，我们认为最强大的决策支持系统必然需要多技术融合。这样的决策辅助工具正变得越来越普遍，远不是诸如销售预测、帮助医生进行复杂的医疗诊断等可以概括。随着时间的推移，人工智能技术将变得越来越精细，最终达到与大多数人类专家相当甚至更好的境界。

机器的精密必然带动企业运作的复杂化。要让企业运转中信息“消噪”，得到企业智慧化真正需要的数据，必须改变企业的运作方式，主要有以下两种方法：记录员工的预测数据；评估预测结果，给每个员工积累“声誉积分”，从而分配各员工的观点在企业决策中的权重。

Bridgewater Associates创始人Ray Dalio一直在这方面进行努力。他制定了一套规则和管理制度，持续对员工进行记录、评估和判断，在企业内形成一种高透明度和激励改善的文化。

未来，企业的智慧化转型将集中于三个方面。第一，瞄准战略重点，管理层需要明确企业的发展方向，譬如究竟要不要开展智慧化；第二，企业需要致力于建立一个评估记录体系，将企业内部员工与专家的判断力转化为概率和数据，并建立模型；第三，企业要推动企业文化和运作的转型，迎合智慧化发展的目标。

细节将是建立智慧企业的最大挑战。人与机器的判断分别适用于什么场合？组合判断得到的结果是不是更优？一旦企业突破这些问题，开始采用综合方式进行数据积累与建模，并不断改进，其相对竞争对手的战略优势势必不断扩大。