圖文來源：HBR 作者：Eric Colson

通過利用AI和人類，我們可以做出比單獨使用其中任何一種更好的決策

如今，已經(jīng)有許多公司適應(yīng)了“數(shù)據(jù)驅(qū)動”的運營決策方法。但數(shù)據(jù)的作用是改進(jìn)決策，想要發(fā)揮最大的作用，處理器才是關(guān)鍵。

從“數(shù)據(jù)驅(qū)動”一詞就能看出，數(shù)據(jù)作為一股力量的背后是由人來管理和總結(jié)的。也有不少人認(rèn)為人類才是最佳的“處理器”，也就是決定者。

但想要充分挖掘數(shù)據(jù)中包含的價值，公司需要將人工智能（AI）引入其工作流程，有時候甚至必須將人類剔除在外。

這就意味著，我們需要從數(shù)據(jù)驅(qū)動的工作模式發(fā)展到AI驅(qū)動的工作模式。

而“數(shù)據(jù)驅(qū)動”和“AI驅(qū)動”不僅僅是語義上的不同。兩個術(shù)語反映出來的行動也有所區(qū)別，前者側(cè)重于數(shù)據(jù)，后者側(cè)重于處理能力。

數(shù)據(jù)提供了能夠做出更好決策的信息；處理是提取這些見解并采取行動的方法。人類和AI都是處理器，但各自擁有著完全不同的能力。

為了了解如何更好地利用每一種方法，回顧人類自身的生物進(jìn)化和知道決策是如何在工業(yè)中演變的，也許能有所幫助。

就在50到75年前，人類的判斷力還是商業(yè)決策的CPU。有著多年經(jīng)驗的專業(yè)人士依賴于他們對行業(yè)高度靈敏的直覺（和相對很小的數(shù)據(jù)資源），來為廣告活動挑選合適的創(chuàng)意、確定合適的庫存水平，或批準(zhǔn)合適的金融投資。

可以說，經(jīng)驗和直覺是我們當(dāng)時分辨好壞、高低、風(fēng)險和安全的絕大部分來源。

也許，這太“人性化”了。而我們的直覺遠(yuǎn)非理想的決策工具。

我們的大腦受到許多認(rèn)知偏見的影響，這些偏見以可預(yù)見的方式削弱了人們的判斷力。

但這正是人類幾十萬年進(jìn)化的結(jié)果。作為早期的狩獵-采集者，我們形成了一個推理系統(tǒng)，該系統(tǒng)依賴于簡單的啟發(fā)式——規(guī)避處理大量信息的高成本的捷徑或經(jīng)驗法則。

簡單來說，這使人類能夠迅速做出幾乎無意識的決定，使我們擺脫潛在的危險境地。然而，“快速且?guī)缀鯚o意識”并不總是意味著最佳或準(zhǔn)確。

想象一下，我們的祖先圍在篝火旁，附近的灌木叢突然發(fā)出了沙沙聲。這時，“快速且?guī)缀鯚o意識”的決定是什么？

一種情況是得出這是一種危險食肉動物引發(fā)的聲音的結(jié)論，他們應(yīng)該立刻逃跑；另一種是繼續(xù)試探，收集更多的信息，看看它是否是潛在的獵物——比如說，一只兔子。

不管當(dāng)時的人做出了何種決定。不可否認(rèn)的是，那些更謹(jǐn)慎的先輩——決定逃跑的人——很可能比那些更好奇的人活得更長。

從這個例子可以看到，損失一只兔子的代價遠(yuǎn)遠(yuǎn)低于冒著生命危險留在原地并被捕食者吃掉的結(jié)果。

但也正是由于結(jié)果的不對稱性，進(jìn)化往往傾向于導(dǎo)致代價更低的結(jié)果特征，即使這意味著要犧牲準(zhǔn)確性。

因此，沖動決策和信息處理較少的特征在后代群體中普遍存在。到了現(xiàn)代，生存啟發(fā)模式也已成為我們的遺傳大腦中預(yù)先加載的無數(shù)認(rèn)知偏見之一。

這些偏見以偏離理性客觀的方式影響我們的判斷和決策，讓我們過分重視形象的或最近發(fā)生的事件。

我們依賴以前的經(jīng)驗，即使它完全無關(guān)緊要。我們也傾向于對那些實際上只是隨機(jī)的事件做出似是而非的解釋。

不僅如此，人們還會粗略地將觀察對象分類到廣義的刻板印象當(dāng)中，但僅依靠這些刻板印象并不能充分解釋它們之間的差異。

這些只是認(rèn)知偏見困擾人類判斷的幾十種方式中的幾種。而通過上面的描述，我們現(xiàn)在知道，僅僅依靠人類的直覺是低效的、反復(fù)無常的、易犯錯誤的，并且限制了組織的能力。

更讓人驚訝的是，幾十年來，認(rèn)知偏見一直都是商業(yè)決策的核心處理器。

數(shù)據(jù)支持決策

先來看看“數(shù)據(jù)驅(qū)動”。

進(jìn)入網(wǎng)絡(luò)時代，連接到一起的設(shè)備捕獲了難以想象的大量數(shù)據(jù)。謝天謝地謝數(shù)據(jù)，多虧了它，每一筆交易、每一個客戶的每一個選擇、每一個微觀和宏觀經(jīng)濟(jì)指標(biāo)，所有這些信息都能提供更好的決策。

為了響應(yīng)這個新的數(shù)據(jù)豐富的環(huán)境，人們調(diào)整了工作模式。IT部門使用機(jī)器（數(shù)據(jù)庫、分布式文件系統(tǒng)等）支持信息流，將處理不了的數(shù)據(jù)量減少到可供人類“消化”的范圍。

然后，人類使用電子表格、儀表盤和分析APP等工具進(jìn)一步提取關(guān)鍵信息。最終，經(jīng)過高度處理的、可管理的小型數(shù)據(jù)被顯示出來并用作人們進(jìn)行決策的手段。

至于中央處理器，仍然是人工判斷，只不過現(xiàn)在是使用匯總數(shù)據(jù)作為新的依據(jù)。

雖然這無疑比僅僅依靠直覺要好，但是人類扮演CPU的角色仍然存在一些限制。

首先，人類無法權(quán)衡所有的數(shù)據(jù)。

確實，人類具備多方位思考的能力，也能毫不費力地處理大量周圍環(huán)境信息。但在面對處理數(shù)百萬或數(shù)十億條記錄的結(jié)構(gòu)化數(shù)據(jù)時，這完全超出了我們的現(xiàn)有極限。

進(jìn)而為了適應(yīng)人類CPU的水平，必須減少數(shù)據(jù)。但摘要數(shù)據(jù)可能會掩蓋原始（大）數(shù)據(jù)集中包含的許多洞見、關(guān)系和模式。

比如說，一個人可能會對銷售數(shù)字和平均銷售價格的變化很敏感?？梢坏╅_始思考價值的完整分布，以及最關(guān)鍵的數(shù)據(jù)元素之間的關(guān)系，他的大腦可能就不好用了。后者對做出正確的決策反而更重要。

這并不是說數(shù)據(jù)摘要沒有用處。可以肯定的是，它們提供了對業(yè)務(wù)的基本可視性。但其在決策中幾乎沒有什么價值，因為在準(zhǔn)備的過程中已經(jīng)損失了太多內(nèi)容。

在其他情況下，匯總的數(shù)據(jù)可能完全具有誤導(dǎo)性?；祀s因素的集合實際上可以表現(xiàn)出積極卻完全相反的結(jié)果，具體可參見辛普森悖論。（簡單地將分組資料相加匯總，不一定能反映真實情況）

而且，一旦數(shù)據(jù)聚合起來，可能就無法恢復(fù)起作用的因素，也就失去了其作為輔助的目的。

也許，最佳實踐是使用隨機(jī)對照試驗，即A/B檢驗。沒有這種實踐，即使是AI也可能無法正確控制混雜因素。

簡而言之，通過使用人類作為數(shù)據(jù)的CPU，我們?nèi)匀辉跔奚鼫?zhǔn)確性，以規(guī)避人類數(shù)據(jù)處理的高成本。

其次，數(shù)據(jù)并不足以使我們免受認(rèn)知偏見的影響。

數(shù)據(jù)匯總是由人類以一種容易產(chǎn)生所有這些認(rèn)知偏見的方式進(jìn)行的，并以一種對我們來說是直觀的方式來總結(jié)。

然而，就像上文提到的，如果只是粗略地將觀察對象分類到廣義的刻板印象當(dāng)中，不能充分解釋它們之間的差異。

一個例子是，即使所研究的區(qū)域之間沒有明顯的差異，我們也可以將數(shù)據(jù)匯總到地理之類的屬性中。

數(shù)據(jù)摘要也可以看作是數(shù)據(jù)的“刻板印象”，畢竟，這只是對數(shù)據(jù)的粗略估計。拿地理信息來說，對地區(qū)的劃分也許只有“東部”、“西部”這樣的層級，但城市、郵政編碼甚至街道級別的數(shù)據(jù)可能都比前者更好用。

那么，為什么不這么區(qū)分？因為對于人腦來說，這很難進(jìn)行匯總和總結(jié)。

另外，我們還喜歡對各元素之間的關(guān)系給出簡單解釋。對于這一點，人們傾向于認(rèn)為關(guān)系是線性的，因為這更容易理解。

價格與銷售、市場滲透率和轉(zhuǎn)化率、信貸風(fēng)險與收益之間的關(guān)系等，所有這些假設(shè)都是線性的，即使數(shù)據(jù)顯示并非如此。

人們甚至喜歡對數(shù)據(jù)的趨勢和變化做出詳盡的解釋，即使自然變化或隨機(jī)變化更能充分地解釋數(shù)據(jù)的情況下也是如此。

可以說，當(dāng)我們處理數(shù)據(jù)時，我們已經(jīng)開始適應(yīng)自己的偏見了。

引入人工智能

為了進(jìn)一步發(fā)展，將AI作為數(shù)據(jù)的主要處理器引入工作成為一種必要。而對于只依賴結(jié)構(gòu)化數(shù)據(jù)的常規(guī)決策，將決策委托給AI來做也許是最好的選擇。

與人類相比，AI不太容易產(chǎn)生認(rèn)知偏見。但使用本來就偏置的數(shù)據(jù)可能導(dǎo)致AI發(fā)現(xiàn)不公平的可疑聯(lián)系，這是一個真實存在的風(fēng)險。因此，除了了解如何使用數(shù)據(jù)，還要確保了解如何生成數(shù)據(jù)。

當(dāng)AI經(jīng)過訓(xùn)練后，可以在總體中找出最能解釋細(xì)微差別的部分，即使它與人類的感知方式完全不同。不光如此，就算是讓AI處理成千上萬甚至上百萬的群組時也沒有任何問題。

另外，AI非常擅長處理非線性關(guān)系，無論是指數(shù)分布、冪法則、幾何級數(shù)關(guān)系、二項分布關(guān)系，還是其他關(guān)系。

該工作流程更好地利用了數(shù)據(jù)中包含的信息，并且在其決策中更加一致和客觀。它可以更好地確定哪個廣告創(chuàng)意最有效、要設(shè)置的最佳庫存水平，或進(jìn)行哪些金融投資。

值得注意的是，雖然AI工作模式消除了人工因素，可能會幫助企業(yè)降低成本，但這只是一個增值收益，純粹的自動化并不是AI驅(qū)動的目標(biāo)。

AI的價值在于，它能做出比單一的人類更好的決策。這在效率和啟用新功能上將帶來越級的改進(jìn)。

權(quán)衡AI和人類CPU

將人員從只涉及結(jié)構(gòu)數(shù)據(jù)處理的工作流中移除并不意味著人工操作已經(jīng)過時。有許多業(yè)務(wù)決策不僅僅依賴于這類數(shù)據(jù)。

愿景陳述、公司戰(zhàn)略、公司價值觀、市場動態(tài)都是例子，這些信息一定程度上只存在于我們的腦中，并只在思想和文化等形式中以一種非數(shù)字通信的形式傳播。

這些與業(yè)務(wù)決策極其相關(guān)的信息，AI卻無法訪問。

例如，AI可以客觀地確定正確的庫存水平，以實現(xiàn)利潤最大化。然而，在競爭環(huán)境中，公司可能會以犧牲利潤為代價去選擇更高的庫存水平，以提供更好的客戶體驗。

在另一種情況下，AI可能會給出在市場營銷上投入更多資金的決定，原因是這在公司可用的選項中投資回報率最高。但該公司可能會選擇減緩增長，以確保達(dá)到一如既往的高質(zhì)量水平。

由此可見，人類獲得的額外信息，無論是策略、價值還是市場條件，都有可能背離AI的客觀合理性。

在這些案例中，AI可以被用來生成各種可能性，擁有額外信息的人類則可以從這些可能性中挑選出他們認(rèn)為最好的選項。

對于執(zhí)行順序，要依據(jù)具體情況而定。有時候先用AI可以減少人類的工作量，也有時候，人類的判斷可以作為AI處理的輸入項，又或者是在兩者的處理之間循環(huán)進(jìn)行。

關(guān)鍵在于，人類并不是直接與數(shù)據(jù)交互，而是與AI處理數(shù)據(jù)所產(chǎn)生的可能性交互。而價值觀、戰(zhàn)略和文化成為我們協(xié)調(diào)決策與客觀理性的方式。

通過利用AI和人類，我們可以做出比單獨使用其中任何一種更好的決策。

進(jìn)化的下一步

從數(shù)據(jù)驅(qū)動轉(zhuǎn)向AI驅(qū)動是我們進(jìn)化的下一個階段。

在我們的工作流程中包含AI可以提供更好的結(jié)構(gòu)化數(shù)據(jù)處理，并允許人類以互補(bǔ)的方式做出貢獻(xiàn)。

然而，這種進(jìn)化不太可能發(fā)生在單個企業(yè)中，就像自然選擇的進(jìn)化不會發(fā)生在個體中一樣。

更有可能的是，這是一個作用于總體的選擇過程。效率更高的組織，生存下來的幾率也就更大。

由于成熟的公司更難適應(yīng)環(huán)境的變化，新崛起的很可能是那些從起步就將AI和人類的作用融入工作模式里的企業(yè)。