数据资本时代

富国生命保险的战略以自动化为中心，利用数据驱动的机器学习系统来做以前由白领员工做出的决策。而戴姆勒采取了另一种策略：精简管理决策流程（同时继续保持汽车生产的快速自动化)。这两种策略的目标，都在牵制新老竞争对手的同时，保护公司不会受到市场的打击今天的市场已今非昔比，经过大幅改进后，它已经底气十足。有趣的是，戴姆勒选择的武器，恰恰来自市场自身的“兵器库”。但是，这个武器好用吗？

公司只要能比市场更高效地组织人类活动，它就能够存在。公司的运营效率只要高于它的竞争对手，它就可以经营下去。因此，公司应对市场复兴最明显的策略，就是提高自己的效率。这是富国生命保险使用沃森的关键原因。

基于同样的道理，很久以前，公司就开始用机器代替人类劳动—从蒸汽机到工厂机器人。这种战略在工业革命前就已经出现，比风车取代人类磨面，或者印刷机取代抄写员还要早得多。事实上古人发明（或者发现）的车轮，可以大幅提高人类运送货物的效率。18世纪，随着约翰·凯的飞梭和詹姆斯·瓦特的蒸汽机的应用，选择使用机器提升效率的策略得到进一步加强。最初，机器使用的效率通常只是略高于人力，因为使用机器需要大量的机构支持（例如适当的法律、金融工具等)。但随着时间的推移，各种改进（包括组织变革）纷至沓来，公司的效率飞速提升，最终机器几乎成为所有领域不可或缺的一部分。通过优化公司内部的每个流程，无论“泰勒主义”①“六西格玛”①,还是“精益管理”②,它们都可以实现类似的效率提升。

数据资本时代

①泰勒主义的核心思想是制定出严格的规章制度和合理的日工作量，采用差别计件工资调动工人的积极性。最初，它在伯利恒钢铁公司应用后，获得了巨大成功。——译者注

110

关注效率是否是一个合适的策略？这在很大程度上取决于两个重要因素。第一个重要因素是效率。一个可能会被淘汰的行业是否存在效率低下的问题？例如，由于传统的航空公司的商业模式非常浪费资源，更高效、低成本的航空公司就会占据航空旅行市场的大部分份额。相比之下，现代大型连锁超市的运营效率则要高得多，新加入者(数字初创公司Webvan、美国的生鲜电商等，就败下阵来）就没有太多机会去颠覆它们。当然，我们不仅要了解某特定行业是否可以通过提升效率获得机会，而且要了解某特定公司是否可以通过关注效率来提高自己的相对地位。大多数传统航空公司都能够意识到自己效率低下的问题，而且能够看到捷蓝航空和瑞安航空等低成本航空公司的商业模式的优势，但是，它们缺乏改革自身的能力。其中的原因是多方面的：从现有的责任约束到僵化的组织结构，等等。

第二个重要因素是时间。提高相对效率常常带来暂时的优势，因为其他公司最终会迎头赶上。这就是为什么那些在商品生产成本上竞争的公司，通常会在结束上一轮成本节约的同时，就开始新一轮的成本节约。随着时间的推移和效率低下状况的改善，自动化、流程效率和其他推动削减成本的措施，会使边际效用逐渐减弱。长远来讲，提高相对效率很少会一直成功地持续下去。但是话说回来，从长远来看，大多数商业策略也都是如此。成功的秘诀通常是不断适应环境以及在任何特定环境下，公司都能对合适的策略做出选择。

第6章公司的未来

1六西格玛指要让企业管理和生产中的出错率不超过百万分之3.4所需要的一系列管理流程的优化，其核心思想是强调制定极高的目标，然后通过收集和分析数据发现并改善造成缺陷和错误发生的主要瓶颈。六西格玛就是6倍西格玛(sigma)，代指标准正态分布中6个标准差之外部分的定积分，近似为0.000 0034。—译者注

2精益管理，以日本丰田汽车管理方式发展起来的一套方法，其核心思想是以最小资源投入，包括人力、设备、资金、材料、时间和空间，创造出尽可能多的价值，为顾客提供新产品和及时的服务。——译者注

111

考虑到这些限制因素，富国生命保险向沃森的转变实际上是一个相当传统的选择。但这并不要紧，因为保险行业的效率相对较低：大量的书面材料需要处理和传阅；作为劳动密集型行业，保险业的自动化程度非常有限。保险公司的盈利能力取决于设置适当的保费，高效地评估理赔需求，但是这些决策，即使相当简单，也还没有标准化到能够很容易地实现自动化—直到像沃森这样的由复杂数据驱动机器学习系统的到来。从这个意义上讲，今天的保险业就像瓦特的蒸汽机发明之前的钢铁生产业。

让文书工作实现自动化，富国生命保险的这种做法很可能会为其带来丰厚的回报。公司在安装沃森的前期投资中花费了170万美元每年的维护费用估计在13万美元左右，富国生命保险的目标是每年节省大约110万美元的员工工资。公司在两年内的投资回报要远远高于制造业的重型机械自动化的投资回报。富国生命保险承认，公司仍然需要经验丰富的员工来检查和批准新系统所提出的决策方案，但它已经在考虑安装另一套机器学习系统，来执行这种复查工作。

几十年来，科技专家一直宣称，人工智能将取代人类的知识工作者。这似乎一直是可能发生的事情，但这件事很少真实发生。即使是保险公司的日常文书决策流程，也没有足够标准化和简单到可以通过基于固定规则的人工智能来实现自动化。但是，人工智能已经从基于一般规则的系统，进化到通过大量数据进行训练的机器学习系统。随着富国生命保险使用沃森，日常理赔决策的自动化已经到了正式起飞的时刻。人工智能自动化决策已经到了技术的临界点。从此以后，常规决策的自动化将全面展开，不仅是在保险领域，而且会在其他各领域展开。正像亨利·福特通过汽车制造过程自动化来削减成本一样，富国生命保险通过保险理赔过程的自动化来降低成本：不同的领域，相同的想法!而且，像福特一样，富国生命保险将从自动化中获得效率红利，从而提高其竞争地位。

数据资本时代

112

管理决策自动化

有人可能会问:自动化为什么不一路前行？为什么自动化只能停留在办公室文员这样的岗位上？为什么不能把它扩展到中级管理层，甚至是最高管理层?使用机器学习系统来辅助管理层决策，并将人工智能提升到高管级别，这真是一个有趣的想法。

桥水基金公司，全球最大的对冲基金公司，将很快做到这一点。桥水基金公司计划建立一系列机器学习系统，这些系统不仅将为其1600亿美元的资产选择投资机会，而且将做出一般的管理决策，比如聘用、提拔、解雇人员等。桥水基金的传奇创始人兼首席执行官瑞·达利欧因对数据的热情而闻名，他的目标是到2022年让公司所有管理决策中的3/4实现自动化。基于公司掌握数据的方式，桥水基金公司比大多数其他公司更适合构建这样的系统。多数公司通常不会将其决策过程转化为数据(它们最多会记录这些过程的结果)，但是桥水基金公司的做法大为不同，它一直在不断地补充其丰富的数据流。作为未来数据挖掘的材料，大多数会议和业务对话已经被记录在案；员工们也经常需要对他们的同事的表现做出评价。

为了让所有这些数据发挥作用，达利欧聘用了研发高手戴维·费鲁奇。2011年，费鲁奇曾带领沃森获得电视节目《危险边缘》益智问答的胜利。费鲁奇是桥水基金公司中一个名为“系统化情报实验室”项目的负责人。这个项目的主要任务是开发名为PriOS的综合管理软件系统，该系统可以提升桥水基金公司的决策能力。在某些情况下，PriOS系统反而会增加而不是取代人类的决策，但其最终目标。是将人类的作用贬谪到仅为系统设定决策标准的地位。

第6章公司的未来

113

投资银行中那些需要数据理解和算法友好的领域，已经做好了接受人工智能的准备。这并不出人意料。但是，这样的趋势同时也正在向其他一些不那么显著相关的领域扩展，其中包括传统的家政服务。举个例子，想象一下，由一个机器学习系统来负责为一家专门照顾老人的公司做出战略决策，会是什么样子?一个手头有足够数据的机器人主管，高效且自信地管理着一个照顾老人的大型团队。它可以应用整体分析来安排周末轮班；它绝不会忘记为某些病人预留出额外的时间；它还可以在紧急情况下迅速定位并通知附近的看护者。机器人主管不会因为个人情感而偏袒某员工或某客户，所以它的决策偏差更少。

我们还可以想象一下，有这样一家小型建筑公司，它拥有一套决策辅助机器学习系统，此系统正在考虑是否再购买或租赁更多的挖掘机。公司创始人鲍勃通常会根据自己有限的信息，以及自己的直觉做出决定。他可能会产生决策偏差，因为他喜欢那些崭新的挖掘机闪闪发光的外观，或者，他可能根本无法看到挖掘机超出每天租金以外的价值。与此相反，机器学习系统会从公司的订单和会计系统中汇总数据，补充关于挖掘机的可预测维护成本信息，以及本地经济趋势信息，然后它得出结论：“对不起，鲍勃，恐怕我不能支持你购买这台神奇的卡特彼勒牌履带式挖掘机，尽管我知道它的性能评价极其出色，在网络论坛上设备迷对它也是好评如潮。”

数据资本时代

114

公司内的数据流有限

随着由数据驱动的机器学习系统的启动和运行，最终，那些蒸蒸日上的公司雇用的管理者会越来越少。自动化最终会走进公司的每个角落，包括公司的决策领导层。但是将决策自动化推进到管理领域，仍存在一个根本问题。市场上的直接交易决策都是大同小异的：我们将自己的偏好与他人的偏好进行比较，然后决定是否交易或者与谁交易。具体情况可能会有所不同，但是市场参与者每次参与市场交易时，都会遇到这种决策。与此相反，企业高管所面临的却是各种各样不同类型的决策。因此，在拥有综合偏好数据的海量数据市场中，我们可以利用这些数据来训练决策辅助系统，并通过系统了解相关情况。但是公司不能拥有这样的奢望，因为在公司里，类型相似的决策要少得多，所以一个特定类型的决策所能使用的数据就相当有限。

由于高管们所面临的决策选择种类比市场参与者面临的要多得多(后者“只是”必须决定是否进行交易)，所以机器学习系统需要处理的数据也会更多，而不是更少。更糟糕的是，即使已有足够数量的信息输入，关于决策的实际过程的数据却仍然匮乏。如果机器学习系统不知道如何评估、权衡、比较各种输入的数据，并将其转化为决策，机器学习的发展就会停滞不前，而且表现欠佳。简言之，公司中的数据细流是完全无法与市场的数据洪流相媲美的。当然，公司可以尽量多地收集相关数据，但是考虑到决策的多样性，很难想象机器学习系统会很快接管人类管理的决策工作。

第6章 公司的未来

115

拥有T形技能的人，难被取代

公司是否可以重组其内部结构，将类似的决策集中在一个管理部门，从而产生机器学习系统运转所需的足够多的数据呢?富国生命保险会使用沃森，恰恰是因为该公司的一个部门正在评估类似的理赔要求，他们有足够多的数据可以让沃森承担起这份工作。如果日常管理决策与日常办公决策没有太大区别，那么若有足够多的数据，机器学习系统是否能同时完成这两种决策呢?这与权力下放的旧理念没有太大区别通过分散任务，人们会随着时间的推移而积累特定专业技能的经验，从而提高决策效率。因此，在越来越多的公司管理部门中，数据驱动的管理决策自动化，似乎已成为合情合理的下一步计划。

公司朝这个方向的努力迹象当然会出现。黛西智能公司（DaisyIntelligence）等数据驱动机器学习系统供应商，已经向零售商提供了一个综合的决策辅助系统工具包，以帮助它们管理库存、选择每周的特价商品、将产品安排到合适的交易厅、优化产品定价等。该系统肯定不会为夫妻店或时尚精品店做客户细分，因为这些类型的商店无法产生足够多的数据。但是对于那些销售成百上千款产品、面临激烈竞争、需要对库存和价格做出类似决定的中型零售商来说，该系统可能正是它们所亟须咨询的专业顾问。这类系统不仅可以提高日常管理决策的质量，而且将以更低的成本进行决策。那些低层级的、常规的、由专业人员驱动的、与公司的其他部门几乎没有相互依赖关系的管理决策，在有足够多的数据支撑的情况下，势必会自动化；管理者本身也将被数据驱动的机器学习系统取代。

数据资本时代

116

出于同样的原因，那些没有足够多数据支撑的、非常规的，或者需要与公司其他部门进行大量合作的管理决策，在很大程度上不会受到自动化的影响。从个体层面来说，人们通过彼此分享信息来实现与他人的非正式合作，比如讨论一下下班后喝点儿什么，比用机器人来做决策要容易得多。一个机器学习系统如果只使用某管理部门的数据，那么它根据这些数据所做出的决策，对于这个部门而言或许是一个好决策，但对于整个公司来说，这个决策多半是糟糕的。

在涉及多个管理部门的复杂决策环境中，人力资源管理者面临的困难会更少一些。他们经常能够在发挥好自己在本部门的专长的同时，运用好自己与其他部门的同事交流合作的能力。这些经理都拥有所谓的T形技能，可以将自己在某特定领域的专长（由字母T的竖条代表)，深入融合到与其他领域的经理们的合作中(由字母T的横杠代表)。机器学习系统有可能获得纵向的专业知识，但是它们自身的设计阻止了它们进行横向合作。如果不能拥有可以超越本部门视野的决策者，公司就会分崩离析。这一点对于人类来说应该是一个令人欣慰的消息：作为公司的高层决策者，我们也许仍然是不可替代的，至少在机器学习系统获得通用决策技能之前会如此。通用决策技能目前还是人类独有的技能，机器学习系统需要接受关于很多不同决策的大量数据的培训之后，才有可能获得这种技能。

这个消息对于我们来说不仅只是一个安慰。了解机器学习系统的局限性，还可以让我们弄明白，一个成功的管理者需要拥有什么样的技能：未来的公司领导者不应该只想在一个领域里拥有深厚的专业知识，而要做一个典型的多才多艺的通才。这样的管理者会在许多领域都拥有相当多的知识，因此他们将有能力根据不同的环境来处理信息，把握全局，而不是只见树木不见森林。此外，未来的公司领导者还需要超越那些与决策直接相关的技能，拥有合作能力，即促进跨部门和跨学科协调合作的能力。

第6章 公司的未来

117

最后，或许也是最重要的，就是只有人类管理者才能促进更激烈的创新。这种创新不是机器学习系统提供的持续改进，而是不包含在数据中的激进的新思想。由于缺乏人类的想象力，目前的人工智能系统还没有任何参照标准，可以用来指导处理完全未知的情形。当然，这一点最终也有可能被改变。也许我们将会意识到，激烈的创新其实没有那么激进，它只是对现有思想的延伸。或者，机器学习系统也可以通过引入随机性来模拟激进的创新。为了让机器学习系统学会创新，世界各地的专家正在积极地寻求各种策略，尽管他们所取得的成绩还非常有限。至少到目前为止，创造力对于机器学习系统来说仍是一个难题。在这个难题得到解决之前，公司仍然需要人类管理者来引领复杂的创造性破坏过程。美国著名的奥地利裔经济学家约瑟夫·熊彼特认为，创造性破坏是彻底革新的源泉。

专注于成本，还是组织结构？

富国生命保险的选择，我们称之为“选项1”，专注于成本。只有当公司能够成功地实现决策自动化与决策优化，减少开支，并永久性减少员工的规模时，这种解决方案才能生效。但是从本质上讲，选项1是将赌注押在了过去，押在了一种只会颠覆员工现有状况而非公司结构的战略上。从外部来看，富国生命保险很像一个高度数字化的公司，因为它依赖数据和最新的数字工具。但是，尽管这些工具用机器代替了人类的劳动，可是公司的内部结构（等级制度和各行其是的部门结构）并没有受到影响，有关管理决策的数据将继续以集中的方式流向公司的领导层。通才型管理者可能会在富国生命保险游刃有余，但总体而言，高度传统的指挥与控制环境将会持续下去。高管们将会注意到的一个最明显的差别，那就是机器比人类更加服从命令。

数据资本时代

118

戴姆勒的战略，我们称之为“选项2”，是不同的。这家高端汽车制造商没有把重点放在机器上，而是放在重组管理决策流程上，它期待获得的不仅是与宝马和特斯拉等对手竞争的优势，而且希望获得市场优势。从组织结构上看，这似乎是把赌注押给了未来:戴姆勒愿意牺牲曾立下大功的等级制度，以换取与重振的市场和数字挑战者的同步发展。

戴姆勒所面临的挑战并非独一无二，成功的大公司都会面临这样的挑战。为了减轻决策负担，防止决策超载，公司一直以来都在努力，在高层决策的优势与下放权力的需要之间寻找最佳平衡。这是一项高难度的任务，而那些相信自己已经找到平衡点的公司，往往会不惜一切代价地抓住它。那些因为一度运行良好，而让人觉得似乎已经达到平衡的决策过程，实际上已经逐渐远离了最佳状态。坚持使用旧解决方案，会导致公司在做出决策、适应变化、进步发展等方面变得软弱无力。

迪特尔·泽谢要求公司进行根本性变革，他的目标就是要改变戴姆勒保守的管理结构和僵化的决策过程。他抱怨道：公司的决策流程耗时太长，并且会形成惯性，因此它无法针对竞争环境的改变做出迅速调整。泽谢还希望在公司的全球业务中看到更多创新更多能够打破传统模式的创意。他的目标很明确，就是要增加决策者的责任及其对产品的所有权。泽谢没有提出要投入到新一轮的自动化浪潮中，相反，他对公司的组织结构进行了调整，他希望将它转变为一种更简单、更快捷、更扁平的模式。在这种模式下，各种决策将会分散进行。

第6章 公司的未来

119