HfS 蓝图报告 2018 年企业人工智能 (AI) 服务 IBM 内容节选 2018 年 3 月 服务研究公司 Tom Reuner

Presentation on theme: "HfS 蓝图报告 2018 年企业人工智能 (AI) 服务 IBM 内容节选 2018 年 3 月 服务研究公司 Tom Reuner"— Presentation transcript:

1 HfS 蓝图报告 2018 年企业人工智能 (AI) 服务 IBM 内容节选 2018 年 3 月 服务研究公司 Tom Reuner
智能自动化和 IT 服务高级副总裁

2 目录 主题 页码 简介和主要定义 2 执行摘要 7 企业人工智能市场现状 10 研究方法 27 服务提供商网格 32 服务提供商概况 38
市场预测和建议 42 关于作者 49 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 1 页

3 简介和主要定义

4 2018 年 HfS 企业人工智能服务蓝图报告 简介和研究范围 (1)
围绕智能自动化 (IA) 概念和向人工智能 (AI) 扩展的开发和部署能力快速发展，变化速度简直令人咋舌。在围绕概念、趋势、 市场动态和未来方向而对利益相关者进行调查方面，HfS 始终走在最前沿。许多调查问题可在我们全面的智能自动化研究 资料库中找到。 AI 包罗万象：这一概念被炒的沸沸扬扬，但尚没有明确定义，同时不断加速普及，广受人们热捧，并引发了激烈讨论。但 这些讨论很多都侧重于消费者相关问题，例如，自动驾驶汽车、亚马逊用于交货的无人机以及机器人家庭助手。大部分市 场尚未认识到 AI 对 B2B 和企业运营的更为立竿见影的影响。AI 旨在将推理、知识、规划、学习、自然语言处理（交流） 和感知（又称认知）结合起来，推动机器像人类一样思考问题，从而自动开展智能活动。 虽然市场讨论大部分都止步于 RPA 主题，但我 们希望能够扩大对话范围，涵盖围绕智能自动化 的服务统筹和整合概念以及认知技术和 AI 解决 方案的影响等层面。企业通往 OneOffice 的旅程 便是一个不错的论题。IA 对于开发数字核心 (Digital Underbelly) 和智能数字流程均至关重 要。需要特别指出的是，认知技术和 AI 可使这 些智能数字流程变得更具预测能力且功能更强大。 但我们也认识到，该模型需做出调整才能适应更 多一些以 IT 为中心的场景。此外，虽然我们承认 RPA 的重要性，但相关讨论并未纳入本蓝图报告 之内，除非其中涉及大量的 AI 功能元素。 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 3 页

5 2018 年 HfS 企业人工智能服务蓝图报告 简介和研究范围 (2)
本蓝图报告旨在评估服务提供商如何在服务交付过程中统筹利用各种不同的认知和 AI 解决方案及工具。他们如何主动地重塑面向客户的流程？本报告的侧重点并不是任务自动化或孤立的点解决方案，而从业务功能或流程的角度出发来探讨如何实现自动化。支持您采用 AI 的数据管理策略是什么？同样，咨询只是实施流程中的环节之一。这些能力可能一直由传统的业务部门所拥有，但我们看到领先的提供商从这些业务部门中培养出了多项能力。 正如 HfS 在其 3 A 三联体框架中概述的那样， 三联体是 AI、自动化与分析。虽然三联体框架 中的每个元素都有其独特的价值主张，但这三 个元素之间的融合程度却变得越来越高。例如， 智能分析越来越依赖于 AI 工具，包括利用自然 语言处理 (NLP) 开展搜索驱动的分析，利用神 经网络开展数据探索，以及利用学习算法来构 建预测性模型等。事实上，实现服务交付转型 的关键就是综合运用自动化、分析和 AI 技术。 三联体是非线性的，没有明确的起点。转型也不是一个线性过程。企业可选择三联体中的任何位置作为起点，不必一定要从基本自动化入手，然后再过渡到基于 AI 的自动化。但是，您必须了解贵公司试图解决哪些业务问题，然后再酌情应用相关的价值杠杆或价值杠杆组合，这一点至关重要。 HfS 3 A 三联体框架 该报告主要关注人工智能 (AI)。我们对 AI 的定义中包括认知解决方案。 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 4 页

6 AI 构建块（简单例示，非详细说明） NLP 机器学习和深度学习 神经网络 虚拟客服 自主技术 计算机视觉
技术：Nuance、Cortana、Alexa 用例：语音识别、会话服务 NLP 机器学习和深度学习 技术：Google DeepMind、Tensorflow、Loop AI、Microsoft Cognitive Services 用例：产业级数据整合、无需借助本体或知识库的模式识别、黑暗数据或物联网数据分析 技术：HIRO、ignio、HOLMES 用例：会计发现、KYC、批量管理 神经网络 技术：IBM Watson、Amelia、LivingActor、Accenture myWizard 用例：IT 和业务员工的替代者、虚拟数据科学家、虚拟敏捷教练、抵押贷款经纪顾问 虚拟客服 技术：Ipcenter、HIRO、ignio、HOLMES 用例：IT 帮助台的密码重置、自我修复型 IT 环境 自主技术 技术：AntWorks、AlchemyAPI、Clarifai 用例：图像中的模式识别、手写内容整合 计算机视觉 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 5 页

7 HfS 对智能自动化和 AI 服务的定义 智能自动化价值链 规划 实施 管理 运营 优化 关于自主技术、认知计算和 AI 咨询
规划 实施 管理 运营 优化 关于自主技术、认知计算和 AI 咨询 关于 IA 提供商概 况和影响的研讨会 自动化商机评估 针对自动化部署的 业务案例开发 运营模式评估 自动化路线图 合规与风险评估 安全影响 人力资源和人才 管理战略 监管策略 推广战略 针对流程自动化的项目管理 流程自动化与定制 解决方案与技术设计 流程记录、映射和 更新 从异构系统中提取 数据 预构建组件和实用 程序存储库 预测性分析 专业发展模块 企业系统集成 监管管理 自动化流程维护 BPO 合同与 SSC 交付优化 升级支持 IA 帮助台 持续集成 支持与维护 测试与质量保证 新版本与升级协调 培训与认证 验收测试 变更管理 基础架构管理 应用管理 IT 帮助台管理 BPO 机器人即服务 实时分析 确定服务交付或流程中 所需的任何变更，以应 对不断变化的业务需求， 例如并购、剥离以及 IT 新投资 强制性监管调整延伸管 理与解决 新功能价值确定与效益分析 持续性增强和升级、 迁移与整合 大数据分析与洞察 集成 最佳实践理解、记 录与最终用户采用、 内容创建和管理 用户社区参与 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 6 页

8 执行摘要

9 执行摘要 (1) 尽管基数较低，企业 AI 服务仍是增长速度最快的细分市场之一，年增长率超过 100%。鉴于企业 AI 不是一 个独立市场，因此，整个市场的规模变化可能会对我们了解该市场产生误导。HfS 估计，2018 年，仅通过 AI 实现的 RPA 扩展领域便创收高达 16 亿美元。 AI 不是一个独立市场，但应被视为一系列技术和构建块。AI 不是一个独立市场。AI 不仅与“3 A 三联体”框 架所建议的自动化和分析技术相互交叉，而且还应被视为跨越渐进体系的一系列技术和构建块，应在业务运 营影响、服务交付能力和具体用例的背景下进行讨论。但不同于智能自动化，AI 基本上不支持即插即用。 企业 AI 仍处于边缘位置，或者作为附加件进行使用。企业将 AI 解决方案作为“附加件”进行部署，只将其 应用于企业边缘，证明了企业 AI 尚处在早期发展阶段。随着市场日趋成熟，AI 很有可能瓦解并取代企业架构 和企业软件。 企业 AI 市场具有双重特征：产业化和以项目为中心。我们必须认识到不同的项目具有不同的出发点和背景。 为了更好地了解服务提供商的能力，我们需要对围绕 AI 开展的讨论做进一步的区分。RPA 和聊天机器人属于 较低级别；数据科学项目、自主技术甚至虚拟客服的扩展等相对级别较高，具有高复杂性并需要大量投资。 在市场中，随处可见以 RPA 扩展、自主技术和会话服务为中心的各类概念验证 (PoC)。这些 PoC 或试点项 目基本上处于战略制定阶段，这意味着企业尚未领略到 AI 部署带来的商业影响。人们普遍认为，AI 项目需要 大量事实证据以及巨额投资，这形成了阻碍企业部署 AI 的主要因素。此外，人们还认为 AI 部署项目造成的 业务中断影响远远大于其所带来的成本节约效益。 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 8 页

10 执行摘要 (2) 围绕聊天机器人开展的大肆炒作导致 AI 的市场宣传备受误解。在许多采购商看来，所有这些聊天机器人 PoC 都是对 AI 深海的无风险浅谈，希望能够从中学到一些宝贵的经验教训。但实际情况是，许多 PoC 在开展过程 中均只专注于提供狭义的对话，而并未关注真正的客户。而要想实现会话服务的真正价值，则必须将客户互动 延展到执行阶段。这不禁引发出一个战略性问题：谁在提供这些服务？ 它们是专用项目，还是诸如 Salesforce 或 ServiceNow 之类仅集成了低级会话服务的平台？ AI 的“关键”在于迭代数据输入与最少算法训练的结合。人们误以为只需对数据应用机器学习技术，便足以 将这些数据集投入实践应用。但实际情况是，企业必须转向以数据为中心的思维模式，将数据置于数字战略的 核心位置才行。执行这项任务需要兼备数据科学家和数据工程师技能的新型人才。重点是要缩短算法训练时间， 同时能够集成半结构化和非结构化数据占比越来越大的迭代数据输入。Gluon 和 AutoML 等新技术有助于加 速这一进程。 所有垂直行业都在部署 AI。虽然 BFSI 领域投资最多，但我们看到 AI 部署已在所有的垂直行业形成大趋势。 AML 阈值设置是处理复杂数据问题的典型用例。通过 Hadoop 集群集成来满足每个客户渠道的信息需求， 也是 AI 项目日益复杂的一个例证。处理这些用例需要使用情绪分析和实时分析。这些用例的规模性和服务 统筹需求都是聊天机器人所力不能及的。 AI 的重心围绕在大型 ISV 周围： 微软、谷歌、AWS 和 IBM。尽管 AI 初创企业为数众多，但投入巨资进行 豪赌的仍是大型 ISV。要想了解不断发展的 AI 提供商和功能市场格局，最好的办法便是弄清专为 AI 而优化的 计算能力之间的相互作用，其中涉及大量算法、专为特定用例而增强的平台以及（最后也是最重要的一项）对 大量数据集（包括非结构化数据）的访问能力。微软、谷歌、AWS 和 IBM Watson 纷纷以中央 AI 生态系统 的面貌出现。在 ERP 时代，他们将像 Oracle-SAP 联盟那样发展成盟友关系。 服务提供商市场格局。我们从企业 AI 执行力和创新力角度出发，对 18 家服务提供商进行了多个维度的评估。 IBM、Accenture、TCS、Deloitte、Cognizant 和 Genpact 纷纷跻身“2018 年企业 AI 服务研究‘赢家 圈’”。我们的区分标准包括用例的多样性、深度、规模以及交付稳定性。 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 9 页

11 企业人工智能 (AI) 市场现状

12 AI 发展速度惊人，但成功与否最终将取决于其所带来的业务影响
AI 发展速度惊人：服务供应商大举开展迅速变革，从原型构建到项目实施仅需两到三个月便可完成。与此同 时，利益相关方看到了自动化生态系统的爆炸式增长。虽然大多数利益相关方都认为，因为研发成本过高， 初创公司并不会搅乱整个生态系统，但也有人表示，AI 相关企业在数量和能力方面的爆发已经促使他们开始 重新考虑云堆栈及其他更广泛的资产。 企业 AI 仍处在初期阶段，但相关项目已经开始令 RPA 相形见绌：除了良莠不齐的宣传外，有关企业 AI 的 指导和培训寥寥无几。大部分的营销宣传均以 Siri 和 Alexa 等面向消费者的应用为主，或者聚焦失业和基本 收入保障等社会经济影响，甚至担心 AI 可能破坏人类社会。虽然 AI 市场仍处于发展初期，并且十分神秘， 但 AI 的部署规模、深度和价值却令任何现有的 RPA 项目相形见绌。HfS 发现，AI 在许多方面都与 RPA 的 早期发展阶段十分相似，包括我们必须向采购商解释基础知识、引导他们使用框架以及从早期部署中吸取经 验教训等。 AI 市场以 AI 的双重性为特征：正如第 13 张幻灯片所示，企业 AI 市场被认为具有双重特征：产业化和以项 目为中心。虽然这些特征没有固定界限，但产业化的全部意义在于尽可能多地发现交付骨干网络之间的共同点， 以便在扩展业务的同时节省成本。背后的战略逻辑就是一对多原理。例如，IPsoft 和 Arago 等基础设施监控 或自我修复技术。相反，以项目为中心的特征表现为高度的领域针对性，背后的战略逻辑是一对一原理。例如， 通过在医院中应用医疗编码自动化来帮助提高诊断正确率并改善患者记录。 客户看重的不是技术，而是结果。企业高层痴迷于自动化和 AI，但很难将其变为可执行的任务。因此，流程 负责人和项目经理进行了大量尝试。但从根本上说，他们对 RPA、AI 或区块链等技术变革推动剂并不感兴 趣，他们只关心结果。正因如此，我们看到供需两端出现脱节，并因企业的原因（包括销售激励政策）而导致 技术问题继续蔓延。 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 11 页

13 AI 不是一个独立市场，但应该被视为一系列技术和构建块
企业 AI 是涉及到众多市场的技术领域： AI 不是一个独立市场。AI 不仅与 3 A 三联体框架所建议的自动化和分析技术相互交叉，而且还应被视为跨越渐进体系的一系列技术和构建块，应在业务运营影响、服务交付能力和具体用例的背景下进行讨论。因此，AI 的讨论应遵循 HfS 以更为广泛的智能自动化概念为基础而开发的 框架。 就像智能自动化一样，AI 应被视为一个渐进体系 虽然我们通常无法根据有关自动化的讨论定义任何内容，但 HfS 智能自动化渐进体系却旨在为利益相关方提供参考点，以讨论自动化相关创新如何能够影响企业运营。 © 2018 HfS Research Ltd。IBM 内容节选

14 企业 AI 市场具有双重特征： 产业化和以项目为中心
特定需求 聚焦子领域 设计思维 扩展分析 数据科学 专用 IP 和 开源 数据孤岛 专用算法和 深度学习 广义 AI 以项目为中心的特征表现为高度的领域针对性，背后的战略 逻辑是一对一原理。例如，通过在医院中应用医疗编码自 动化来帮助提高诊断正确率并改善患者记录。 服务统筹 横向拉伸 即开即用 与智能自动化 相一致 服务交付 大型 ISV 数据湖 RPA、自主技术、 聊天机器人 狭义 AI 产业化的全部意义在于尽可能多地发现服务交付骨干之间的共同点，以便在扩展业务的同时节省成本。背后的战略逻辑就是一对多原理。例如，IPsoft 和 Arago 等基础设施监控或自我修复技术。 © 2018 HfS Research Ltd。IBM 内容节选

15 背景、背景、背景：我们必须认识到 AI 项目的起点各不相同
最好将 AI 解释为“增强”智能的建议只 是从语义学角度出发。我们真正关心的 是 AI 能够解决哪些业务问题，而不是诸 如电影“黑客帝国”中那些天花乱坠的 幻想和有关奇点的讨论。关键问题是： 现在，科学家能使用传统方法做些什么？ 换句话说，我们必须认识到项目的不同 起点和背景。尤其重要的是，为了更好 地了解服务提供商的能力，我们需要对 围绕 AI 开展的讨论做进一步的区分。 RPA 和聊天机器人属于较低级别；数据科学项目、自主技术甚至虚拟客服的扩展等相对级别较高，具有高复杂性并需 要大量投资。 在许多采购商看来，所有这些聊天机器人 PoC 都是对 AI 深海的无风险浅谈，希望能够从中学到一些宝贵的经验教训。 但是，您如何将其与投资数百万美元来解决世界饥饿问题的 Watson 项目相比呢？总之，无论起点是 RPA、聊天机器 人、还是任何其他位置，AI 都不是线性进程。这既给我们带来了机会，同时也潜伏着破坏性威胁。 这些起点可能还有许多其他变体，尤其是在高度特定的垂直市场背景下，但这种聚类方法可能有助于阐明这五个群集 之间的根本差异。 © 2018 HfS Research Ltd。IBM 内容节选

16 AI 初创企业的爆炸式增长将最重要的企业 AI 服务提供商汇聚在一起，构成了合作伙伴生态系统
虚拟客服 神经网络 NLP AI 构建块 机器学习/深度学习 计算机视觉 自主技术 © 2018 HfS Research Ltd。IBM 内容节选

17 AI 的重心围绕在大型 ISV 周围： 微软、谷歌、AWS 和 IBM
要想了解不断发展的 AI 提供商和功 能市场格局，最好的办法便是弄清专 为 AI 而优化的计算能力之间的相互 作用，其中涉及大量算法、专为特定 用例而增强的平台以及（最后也是最 重要的一项）对大量数据集（包括非 结构化数据）的访问能力。 虽然 AI 之旅的目的地是自主流程， 但我们需要开发、改进和完善 AI 及 其环境和必要的算法。 用例可以确定最佳技术方法，但是， 要想取得成功，必须要找出并利用所 有交付骨干网络的共同点，并培养沿 着此类骨干网络将客户数据从互动点 一路传输到执行点（或终点）的能力。 因此，AI 加强了企业实施服务统筹战 略的必要性。 © 2018 HfS Research Ltd。IBM 内容节选

18 尽管被炒得天花乱坠，现在的企业 AI 市场仍处在以聊天机器人和 RPA 扩展为主的低级别 PoC 实验状态
我们近期开展的 “2017 自动化现状研 究”进一步证明了客户服务和 F＆A 是 主要的 AI 部署对象流程。这些项目通常 侧重于客户服务领域的常见问题解答和 下一次最佳行动方面，以及如何将谷歌 和微软认知库集成到 RPA 部署中。 虽然企业高层笃信 AI 的影响，但却很难 将其真正提上议程。因此，开展转型项 目的客户少之又少。更确定地说，我们 看到围绕低级别聊天机器人和 RPA 扩展 的狭义 AI 项目成为市场主导。 您针对哪些流程实施了 AI 自动化？ 客户服务 46% 财会 41% IT（包括服务台） 39% 采购 主数据管理 37% 36% HR 35% 供应链 34% 行业特定流程 33% 营销 27% 来源：HfS Research“2017 自动化现状研究” 样本：n = 181 名 AI 采购商 © 2018 HfS Research Ltd。IBM 内容节选

19 创新型 AI 用例已经开始出现，但却极为罕见
虚拟助手与 Hadoop 集群相集成：面向全球银行的四大会计事务所，通过集成 Hadoop 集群，以向每个客户渠道提供数据，涵盖情绪分析和实时分析。用例：聊天 机器人力不能及的大规模服务统筹。 在区块链应用中探索作用于 AI 和机器学习算法的量子计算技术：面向澳大利亚领先 银行的 Global SI。用例：同时利用下一代技术和方法的集成式方法。 与 Intel 建立联合 AI CoE 并支持 Intel Nervana AI 学院计划。TCS 提供了能够将 研究人员、开发人员、数据科学家和初创公司联系在一起的平台。这些解决方案将针 对 Intel 技术组合进行优化，用例：生态系统支持。 将 ML 用于医疗编码：Global SI（而非 Watson）帮助欧洲医院大规模应用医疗编码 来构建数字病例并提高诊断准确率。用例：对关键流程大规模应用复杂的数据科学 方法。 整合不同来源的数据以制作总帐：Global SI。客户可以提取整合不同的信息，以满足 总帐管理要求；机器学习等技术构建块可实现无缝处理。用例：流程重构。 与其他行业相互促进：Global SI 帮助一家澳大利亚公司使用 Google TensorFlow 和 Street View 自动识别电话记录，代替人工检查环节；可广泛应用于其他行业，例如 保险行业。 © 2018 HfS Research Ltd。IBM 内容节选

20 供需两端均遇挑战，是企业 AI 市场目前的主要特征
供应方面的挑战 (1) AI 在组织成熟度方面的欠缺：以下事实也能说明 AI 市场的现状：只有少数提供商正在转向规范化的 AI 实践，或者围 绕 AI 特定合作伙伴建立实践。到目前为止，只有 Accenture 和 KPMG 已经转向规范化的 AI 实践。对大多数提供商 而言，AI 仍是其智能自动化战略中的关键组成部分。虽然我们看到大量 IBM Watson 实践不断涌现，但以谷歌、微软 和 AWS 为中心的项目却是更广泛的联盟计划（而非专门的 AI 计划）中的一部分。与此同时，诸如 Cognizant 之类的 提供商采用了孵化器方法，聚焦“会话服务”方面。只有 IBM、Accenture 和 KPMG 建立了规范化的 AI 实践，其他 的大多数提供商都只是将 AI 应用于了分析业务部门。Cognizant 采用了孵化器模式，但着重强调的却是会话服务。从 广义上讲，当前的 AI 项目能否取得成功往往取决于个人和团队表现，而非组织结构和战略举措。 关于数据的主流组织模型目前尚未出现：目前尚不清楚旨在解决数据问题的主流组织模型将是什么样子。它是侧重于数 据数量，例如将数据湖与 AI 功能相关联？还是强调数据质量，例如聚焦某个子领域？亦或是强调混用多种不同方法的 联合模型？提供商最有可能因规模问题而选择联合模式。缺乏组织成熟度以及（更重要的）没有统一的数据管理策略， 导致 AI 项目的规模不断缩水。关于数据管理策略一致性，我们在市场上看到了多个不同的思想流派。专注于产业化的 提供商致力于将广泛的数据湖与其 AI 功能结合起来。典型示例当属 IBM Services Platform with Watson。相反，EY 通过以领域为核心的方法，强调“从子领域的角度出发满足大多数的数据需求”。换句话说，您需要多少数据？ 人才稀缺：尽管各种市场宣传此起彼伏，但 AI 人才却很稀少。例如，数据科学家一将难求且薪酬极高。大学院校需要 一段时间才能适应快速变化的市场形势。关键是，数据科学家不仅需要具备技术能力，正如一位高级管理人员不无讽 刺地说“数据科学家具备操控技术的理论知识，但却没有实践经验[...] 不管是 IBM 和 SAP，还是其他公司，都存在数 据科学家短缺的问题。因此，他们启用了没有任何实际交付经验的专业人员。”但这种做法很快便会暴露出另一个问 题，正如另一位高管所说的那样，“很容易淹没在自己的成功之中，因此必须制定相应的计划”。 © 2018 HfS Research Ltd。IBM 内容节选

21 供需两端均遇挑战，是企业 AI 市场目前的主要特征
供应方面的挑战 (2) 以平台方法来解决人才稀缺问题：Salesforce Einstein 和 SAP Leonardo 等平台，或者 CognitiveScale 等提供预训 练机器学习功能和整洁数据集的创新型技术提供商，都能帮助解决人才短缺问题。但关键的战略问题是此类“标准化” 方法能在多大程度上解决组织流程的复杂性挑战，从而让企业顺利引入 AI。重点是实现数据科学家工作的民主化、商 品化和模板化以及算法训练。 AI 罕有支持即插即用：尽管围绕这些平台的讨论不绝于耳，但 AI 的最大价值却在于它可用来重构流程，而非用于产 业化。正如一位高管所说的那样“该行业必须从 AI 补丁模式转变成 AI 主导模式”。换句话说，管理服务是由 AI 提 供支持的，而项目往往是以 AI 为主导的。因此，AI 既不是智能自动化渐进体系的线性发展结果，也不适用于广泛的 即插即用模式，而是旨在推动企业转向以数据为中心的思维模式。 商业模式不成熟：由于市场上充斥着各种 PoC，因此，我们无法深刻洞悉 AI 的商业影响也就不足为奇了。在交易方 面，企业仍然很难摆脱 FTE 和以 AHT 为中心的模式。但此类模式的关键问题是数据所有权和问责制的明确性。企业 应寻找机会，使用机器学习技术来利用“黑暗数据”，也就是企业在常规业务活动期间收集到的但当前并未使用的信 息。与此同时，采购商也对供应商锁定问题持谨慎态度，因此，数据可移植性将成为关键区分因素。 对风险考虑不足：除商业模式不成熟外，对风险考虑不足也是主要问题，尤其是在 AI 作为实现端到端流程的渠道而 存在时。正如一位提供商高管所言：“我们永远不会想到如何管理风险的问题；但高风险却是 AI 旅程中最关键的症 结之一。” © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 20 页

22 供需两端均遇挑战，是企业 AI 市场目前的主要特征
供应方面的挑战 (3) 焦点知识：知识对于实现 AI 制度化至关重要。然而，企业的 AI 投资主要围绕着创新方法进行，例如允许跨组织利用 数据资产的知识图，类似于 Facebook 的信息和数据处理方式。但是，正如 Capgemini 高管们所指出的那样，知识 管理系统已经成为整个行业的企业垃圾填埋场。换句话说，知识问题并不是“旧瓶装新酒”所能解决的。 自动化和 AI 不会降低离岸外包的战略重要性：我们并不认同自动化将淘汰离岸外包的大胆预测，我们预计自动化只会改变离岸外包的能力，而不是降低其战略重要性。AI 与更广泛的自动化概念并没有什么区别。以 Accenture 为例：公司 70% 的 AI 员工在印度工作，另有 20% 在亚太地区工作。 © 2018 HfS Research Ltd。IBM 内容节选

23 供需两端均遇挑战，是企业 AI 市场目前的主要特征
需求方面的挑战 (1) 采购商对 AI 感到困惑不已：与大多数的智能自动化概念一样，AI 并不是普通的明确概念，提供商既不清楚 AI 能 够应对哪些业务挑战，也无法提供明确的用例说明。正如我们所说，虽然董事会笃信 AI 的影响，但却很难将其真 正提上日程。因此，中层管理者在推行创新方法方面倍感压力，因为就其应该做什么以及能够从早期部署中吸取哪 些教训而言，他们几乎无法从行业利益相关方那里得到任何有用的指导。在许多方面，AI 都给人“土拨鼠日”的 感觉 - 不禁让人想起在 RPA 早期发展阶段，企业反而需要向行业利益相关方解释基础知识和框架的情况。正因如 此，TCS 高管干脆建议公司员工不要在客户讨论中谈论 AI，而是重点讨论业务问题。 聚焦技术而非“结果”：采购商很清楚，他们不会购买现成的 RPA、AI 或区块链；他们看重的是结果。但 EY 的 高管们曾恰当地指出，“现在以结果为导向来销售 AI 未免为时过早”。因此，我们更应该将这些结果理解为业务 问题和用例。 人才稀缺：了解 AI 驱动的所有创新，尤其是其对流程链和工作流之影响的人才非常稀缺。要想过渡到以数据为中 心的模式，需要数据工程师和数据科学家共同努力来利用数据的价值。更广泛地说，数据必须成为企业数字战略的 基石，而不仅仅是副产物。Salesforce Einstein 和 SAP Leonardo 等平台正在试图帮助企业减轻对该等高层次人 才的依赖性。企业必须专注开展评估工作，以了解平台方法能够满足哪些需求。从这种意义上讲，AI 类似于 RPA。 但是，平台需要很长时间才能变成熟。与所有的相关 AI 事务一样，这些方法接受的算法训练越多，便会越强大。 数据和交付策略之间缺乏一致性：由于供应方仍不确定将数据与 AI 技术构建块相挂钩的主流模式可能会是什么样 子，因此，采购商应向四大会计事务所等咨询公司寻求建议。然而，更根本的挑战在于如何根据此类高级指导来管 理日常运营。企业必须关注一系列的全新工作职能。 © 2018 HfS Research Ltd。IBM 内容节选

24 供需两端均遇挑战，是企业 AI 市场目前的主要特征
需求方面的挑战 (2) 监管、测试和安全问题很难得到解决： 鉴于缺乏 培训与沟通，作为一个行业，我们几乎没有参加 过有关监管、测试和安全方面的任何讨论，这也 就不足为奇了。然而，我们对自我学习和自我修 复的概念了解越多，就越迫切地需要讨论 AI 的兴 起将如何改变数字化运营模式以及将会带来哪些 挑战。但是，正如一位采购方高管带着自我批判 的态度所反映的那样，“我们并不完全了解我们 的流程，而且它们也没有得到适当记录”。因此， 供应方和采购方都必须采用新的合作方式。另一 位高管补充说到，这种合作必须寻求新模式， “现有的监管方法对智能自动化而言过于繁琐； 我们需要提高敏捷性”。 AI 自动化必须能够证明满足以下哪些要求，贵公司才会考虑使用？ 来源：HfS Research“2017 自动化现状研究” 样本：n = 219 名非 RPA 采购商 © 2018 HfS Research Ltd。IBM 内容节选

25 转向以数据为中心的思维模式需要新型人才 数据 数据科学家： 数据工程师： 人工智能技术：
AI 的“关键”在于迭代数据输入与最少算法训练的结合。 数据科学家： 清理和组织数据 定制算法 统计建模 特征工程 探索性分析 数据工程师： 为了推动实现 AI 规模化和产业化，CognitiveScale 等技术提供商开始提供机器学习培训、预构建的代理以及组织有序的数据集等服务，以便推动 AI 落地。 设计、测试、维护可扩展的数据架构 评估和集成工具 数据采集 部署 解决方案架构 数据 这些方法可管理数据科学家、分析人员、应用开发人员和流程负责人之间的数据传递过程。同样，服务提供商也以用例产业化作为目标。 例如，Accenture 的 myWizard、Infosys 的 Nia 和 Atos 的 Ystia 平台。它们的目的都是提供一个通用工作场所来存储、共享、检索和更新资产、模型及框架。 人工智能技术： 数据采集 模式分析 知识表示 不同方法综合运用 © 2018 HfS Research Ltd。IBM 内容节选

26 AI 的“关键”在于迭代数据输入与最少算法训练的结合
如果无法访问大量数据集，AI 的威力将会受到限制，只能执行特定任务。要想过渡到通用 AI，以处理不同区域和起源的任务，例如人类可以处理的任何智力型任务，您必须在现有的基础上为算法提供更多数据。 要想填补大数据项目与产业级数据整合之间的差距，顺利过渡到 OneOffice，您需要彻底改变视角，就像将视角从后视镜转移到前面的挡风玻璃上一样。但是，当您利用机器学习开展规范性分析时，却无法轻松使用一直保存在数据仓库中的数据。 机器学习需要“可学习”的数据， 也就是，有助于推理的已知数据。关键的问题是，相关的算法需经过训练才能在生产活动中利用这些数据集。如想过渡到作为 OneOffice 核心的自主流程，就需要访问越来越多的非结构化数据。只有当算法能从这些庞大的数据集中进行学习时，我们才能进一步了解通用 AI 的概念。简言之，由于可以整合和分析更多数据，人类的参与需求降低。 © 2018 HfS Research Ltd。IBM 内容节选

27 企业 AI 将对即服务经济理念产生深远影响 强 弱 © 2018 HfS Research Ltd。IBM 内容节选
专有资料 │第 26 页

28 调研方法

29 所需信息和模型权重 执行力 创新力 服务提供商如何携手客户将自动化技术融入自身的交付能力 25% 服务提供商如何满足客户培训和支持需求 5%
实际服务交付 30% 部署规模和可重复性 20% 服务提供商如何利用服务统筹来提供端到端和单点解决方案 10% 服务提供商如何支持客户确定用例并将其与最相关的工具和方法相挂钩 创新力 智能自动化发展愿景和投资 扩展 AI 服务交付能力 15% 智能自动化交付工具和平台战略 支持半结构化和非结构化数据整合的数据管理战略 监管和测试服务（例如，针对认知、AI 和自我修复引擎提供创新方法的服务） 利用设计思维和创意风暴来实现流程重构与转型的情况 流程功能和组织咨询能力的整合程度 注：这些分数将基于 RFI 应答情况以及参考客户的反馈而评出。 © 2018 HfS Research Ltd。IBM 内容节选

30 执行力定义 执行力 服务提供商履行合同协议的效果如何？提供商管理客户/提供商关系的效果 如何？ 服务提供商如何携手客户
服务提供商履行合同协议的效果如何？提供商管理客户/提供商关系的效果 如何？ 服务提供商如何携手客户 将自动化技术融入自身的交付能力 执行和管理团队参与定义和管理智能自动化服务交付的程度如何？提供商是 否协助客户了解自动化的终极目标？ 服务提供商如何满足培训及客户支持 需求 服务提供商是否着手缓解人才影响？提供商如何就知识工作转型提供建议和支 持？是否拥有结构化的培训方法？ 实际服务交付 客户和市场对服务提供商价值链的整体服务质量印象如何？IA 如何帮助客户 实施流程转型？这会对客户流程带来哪些整体影响？ 部署规模和可重复性 服务提供商如何跨客户流程实现扩展部署？ 服务提供商是否积极推动实现智能 自动化解决方案和项目的可重复性？ 服务提供商如何利用服务统筹来提供端 到端和单点解决方案 一旦发现客户面临智能自动化问题，服务提供商可否提供不同的解决方案（单 点和端到端解决方案）实现灵活和可配置（或定制）响应？服务提供商如何利 用服务统筹和整合方法来交付 IA？ 服务提供商如何支持 客户确定用例并将其与最相关的工具和方法相挂钩 服务提供商如何携手客户来共同重塑客户的流程？这些讨论的切入点是什么？ © 2018 HfS Research Ltd。IBM 内容节选

31 创新力定义 服务提供商推动产品创新来响应市场需求、客户要求及其自身智能自动化市场发展愿 景的效果如何？ 创新力
智能自动化发展愿景和承诺投资 服务提供商的智能自动化发展愿景是什么？就目前而言，是否就交付更广泛的服务型 功能制定了清晰战略？是否投入了可观的投资来落实这一战略？ 扩展 AI 服务交付能力 服务提供商如何扩展自身的 AI 交付能力？合作伙伴关系以及成功部署案例有哪些？这 些部署项目与 RPA 项目有何不同？ 智能自动化交付工具和平台战略 工具和平台在服务提供商产品战略中扮演怎样的角色？选择的平台由内部开发，还是 由第三方提供？是否有意维护和增强内部平台？ 支持半结构化和非结构化数据整合的数据管理战略 服务提供商如何联合客户整合大量数据，然后又对这些数据进行分析并发掘切实可行 的洞察？客户是否允许服务提供商利用已开发的数据采取行动，提升整体服务交付效 果？服务提供商是否对整合智能自动化与可操作数据有基本了解？ 监管和测试服务（例如，针对认知、AI 和自我修复引擎提供创新方法的服务） 如何监管这些新环境？服务提供商如何测试这些新环境？所采用方法与传统测试方法有何不同？ 流程功能和组织咨询能力的整合程度 服务提供商如何整合流程功能与组织咨询和支持技术来打造创新型智能自动化产品？ 利用设计思维和创意风暴来实现流程重构与转型的情况 服务提供商将设计思维方法和创意风暴理念嵌入智能自动化项目，以根据智能自动化计划业务成果来定义、排序及执行项目的效果如何？ © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 30 页

32 研究方法 数据摘要 报告基础： 参与研究的服务提供商
这份蓝图报告的数据于 2017 年第三/四季度收集， 广泛涵盖智能自动化服务采购商、服务提供商和 咨询公司与影响机构。 面向收入排名前二十位的服务提供商和咨询公司 发出邀请。 本报告基于“HfS 2017 年智能自动化蓝图研究” 和“2017 年 AI 支持的 OneOffice 英超联赛研究” 的研究成果编制而成。此外，本报告还参考了 HfS 智能自动化实践中与利益相关方开展的持续 讨论。 报告基础： 战壕传说：与采购商进行访谈，要求采购商对服务 提供商进行评价并畅谈服务体验。部分访谈内容由 服务提供商提供，但很多访谈由 HfS 执行委员会 成员及参与我们广泛市场调研的各方完成。 卖方执行简报：与服务提供商开展系统讨论，收集 评估提供商创新力、执行力、市场份额和交易数量 所需的数据。 公开信息：对财务数据、网站信息、高级主管提供 的演示文稿以及其他市场宣传资料进行评估。 参与研究的服务提供商 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 31 页

33 服务提供商网格

34 蓝图网格指南 为彰显在某个特定交付领域表现抢眼的服务提供商，表彰他们在实现以业务成果导向、随需应变型人才和技术服务为特征的即服务经济方面做出的贡献，HfS 将这些提供商划入“即服务赢 家圈”。 执行力 创新力 赢家圈 表明经客户公认在八大执行力和创新力构想领域表现卓越 与客户建立协作关系，适当运用人才和技术来执行服务，安排机动灵活 清晰表达愿景和“新思维模式”，大力投资发展未来能力并获取有力的客户反馈，积极推动发掘新洞察和新模式 表现出众者 能力表现出众，但在实现愿景的过程中缺乏创新视野或动力 通常情况下，描述投资发展未来的愿景和计划，展现即服务能力与合作伙伴关系，利用数字技术和/或联合客户发掘新洞察 出色开展下列一些领域的工作：与客户建立意义非凡的关系，顺利流畅地提供服务，灵活满足客户的需求 高潜力者 但尚未大力执行战略和愿景 在新型服务领域或创新服务模式方面取得初步成功，展现出强大潜力，但未成规模、影响有限，且能力发展趋势尚不明朗 拥有详细周到的战略，实现思想领导力，大范围推广利用新技术和/或执行发展路线图及人才培养计划 执行力强者 执行力稳健可靠，但尚未表现出强有力的创新力或远大的视野 卓越执行典范；但是，服务提供商与客户之间互动的指令意味更浓厚 没有清晰的愿景，未来导向型能力投资步伐较慢，如技能培养、“智能运营”或数字技术 © 2018 HfS Research Ltd。IBM 内容节选

35 HfS 蓝图网格：企业 AI 服务 IBM 内容节选 © 2018 HfS Research Ltd。IBM 内容节选

36 AI 能力和成熟度评估 就像自动化一样，AI 也要具体情况具体分析。因此，我们必须认识到不同的项目具有不同 的起点和背景。聊天机器人等低级项目与数据科学等高级项目在规模、复杂性和必要投资 等方面都存在巨大差异。 同样，不同的提供商也有不同的战略重点和优势。系统集成商和 BPO 主要关注产业化服务 和产品，而四大律师事务所等咨询公司则更加侧重于特定领域，例如垂直统一的数据科学 项目。 因此，第 36 和 37 张幻灯片上的映射图针对 AI 项目的这些焦点区域和起点提供了另一种 区分方式。 该映射图使用了多个标准来衡量组织成熟度，包括企业 AI 实践规范化工作的进展情况，以 及企业根据以数据为中心的一致性原则来调协数据与 AI 战略的情况。此外，我们还力求进 一步区分会话服务和 RPA 扩展等低级项目与数据科学扩展和自主技术等更为复杂的高级 项目。 本指南旨在帮助企业找到适合参与 RFI 和战略计划的人选。 © 2018 HfS Research Ltd。IBM 内容节选

37 AI 能力和成熟度映射 Accenture Atos Capgemini Cognizant DXC. Technology
Deloitte EY Genpact HCL AI 实践（规范化） 产业化 扩展数据科学 机器学习 强 = 最成熟 弱 = 最不成熟 © 2018 HfS Research Ltd。IBM 内容节选

38 AI 能力和成熟度映射 IBM Infosys KPMG LTI Tech Mahindra PWC Syntel TCS Wipro
产业化 领域特定产品 以数据为中心的一致性 扩展 RPA 会话服务 自主技术 扩展数据科学 机器学习 强 = 最成熟 弱 = 最不成熟 © 2018 HfS Research Ltd。IBM 内容节选

39 服务提供商概况

40 HfS 能自动化价值链：概况要点 覆盖整个价值链 未覆盖构建环节 价值链覆盖范围使用蓝色阴影表示。 灰色阴影表示服务提供商不提供这些服务。
例如： 覆盖整个价值链 未覆盖构建环节 设计 覆盖范围 方法 构建 运营 设计 覆盖范围 方法 构建 运营 每一项介绍还包括一个“运营范围”框，其中列出了服务提供商统计信息。 “不适用”是指服务提供商目前未提供此服务。很多时候，服务提供商可能正在提出相关认证申请。 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 39 页

41 主要服务提供商动态：亮点 执行力 IBM 是执行力方面的领先提供商，据客户反映，IBM 凭借 Watson、Weather Channel 及 AlchemyAPI 等大量的专 利技术而拥有一流的转型能力。客户将 IBM 视为战略合作 伙伴，充分印证了 IBM 自动化技术的稳健性，完全可以实 现无（或有限）故障运行。 实际服务交付：主要考察依据是用例在 AI 双重特征方面 的深度和规模。此外，这项考察指标的侧重点是解决业 务问题，而不是技术能力。IBM、Accenture、 Deloitte 和 TCS 在这方面均有出色表现。 规模和可重复性：鉴于服务提供商旨在实现服务交付的 产业化，因此，他们在这方面的表现总是比其他方面更 强大一些。客户普遍认为，IBM、Accenture 和 TCS 等服务提供商将 AI 融合到了更广泛的功能之中。客户还 认为，Deloitte 和 EY 在 RPA 扩展方面表现稳健，推动 他们根据数字计划部署这些公司的产品。 支持客户确定用例并将其与最相关的工具和方法相挂钩： 与早期的 RPA 市场一样，确定用例并将其与工具和技术 相挂钩对于实现可靠的交付至关重要。Accenture、 IBM 和 Deloitte 利用自身的专业咨询知识取得了切实 成果。 创新力 Accenture 是创新力方面的领先提供商，其 myWizard 平台是创新投资典范。在客户看来， Accenture 不像是只注重交易的提供商，更像是提 供丰富咨询服务的强大的思想领导者：“他们令我 们能够轻松使用 AI”。 智能自动化发展愿景和投资：AI 的双重特征决定 了服务提供商在将 AI 集成到其交付骨干网络方面 走在最前沿。Accenture、IBM、TCS 和 HCL 凭借出色的智能自动化和 AI 发展愿景在这方面脱 颖而出。 扩展 AI 服务交付能力：从广义上讲，AI 市场在扩 展方面仍处在早期阶段。但投资和变革步伐都令人 感到震惊。IBM、Accenture、Infosys、Atos 和 TCS 的愿景和能力都给人留下了深刻印象。 监管和测试服务：只有少数几家提供商能够证明 其在 AI 方面拥有思维领导力和最佳实践方法。 Accenture 的 Teach and Test 解决方案走在市 场前列，能够解决诸如偏见等问题并考虑端到端 流程。同样，IBM 和 TCS 也展示出了思维领导 力和强大的能力。 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 40 页

42 IBM 赢家圈 领先的全球服务提供商通过围绕 Watson 生态系统的独特资产，推动企业大规模部署 AI 蓝图领先亮点
智能自动化发展愿景和投资 部署规模和可重复性 扩展 AI 服务交付能力 支持整合半结构和非结构化数据的数据管理战略 规划 实施 管理 运营 优化 优势 挑战 与认知和 AI 建立紧密联系：凭借 Watson 品牌及其威力，IBM 现已成为认知和 AI 技术 发展的代名词。认知与云计算一样，都是 IBM 企业发展战略的战略性支柱。因此，IBM 被普遍认为是该领域的先行者和思想领袖。 投入巨资提升 Watson 能力：通过收购 Weather Channel 和 AlchemyAPI 等企业，进 一步增强对 Watson 的长期深入投资。收购 Weather Channel 彰显出公司为补充技术进 步而积极投资数据资产。 规范化的 AI 实践：GBS 下设认知业务决策支持小组 (CBDS)，负责提供 Advanced Analytics、Watson AI & Data Platform、Watson IoT、SCM 及 Watson Health 等服 务。这将推动 AI 成为整个企业中的基础层。 通过重点实施核心技术推动规模化发展：IBM 重点发展三大核心技术，积极推动规模化发 展：Blue Prism 专攻 RPA，IPsoft 面向自主技术，而 Watson 则针对虚拟代理和更广泛 的分析场景。一些客户将 IBM 视为战略合作伙伴，充分印证了 IBM 自动化技术的稳健性， 完全可以实现无故障运行。 广泛的垂直产品和领域特定产品，包括面向电信行业的认知网络监控系统、认知制造解决 方案、工作质量视觉检查产品以及用于人力资源的认知任务分配产品。 对 Watson 功能进行更为细致宣传。认知技术和 Watson 是 IBM 公司发展战略的核心支柱，因此， 难免出现宣传过于粗略或笼统的问题。围绕着 Watson 与 IBM 进行合作的某些 IBM 竞争对手在 宣传其 Watson 发展战略时，甚至比 IBM 更加简 洁扼要。 Watson 会缩窄技术和工具的选择面：虽然 Watson 提供了大量功能，但一些客户希望在工具 和技术方面有更广泛的选择，尤其是在必须做出项 目投资的背景下。HfS 承认，技术选择多样性和交 付稳健性之间有时存在取舍问题。 Watson 客户流失事件备受瞩目：有媒体报道， IBM 丢失了一些对 Watson 投入了大量资金的医 院客户，进一步彰显出精准细致沟通的必要性。 相关并购与合作 主要客户 运营范围 技术工具和平台 并购包括： AlchemyAPI Blekko Merge Healthcare IBM 与各行各业的客户开展广泛合作： Sysco AI 实践的地理范围和规模： AI 业务（与 CBDS 的所有其他业务一样）专注 于 14 个行业，但最显著的成果分布于金融服务、 保险、公共部门、医疗保健和电信领域，覆盖 美国、欧盟、日本和印度。 IBM Services Platform with Watson： 通过单一平台集成为 AI 驱动的 IBM 自动化 产品奠定了基础，从而为客户部署“方便易 用”的服务。这个解决方案的构建块包括 IBM Watson and Analytics 以及用于处理 服务管理数据的专用 Data Lake API。 代表性的 Watson API：包括视觉 API（视 觉识别）、语言 API（自然语言分类器、语言 翻译器、性格洞察、语气分析器、自然语言 理解工具）、语音 API（语音到文本以及文本 到语音）、数据洞察 API（检索和排名、文档 转换）、对话 API 和发现 API（允许用户或 应用通过认知和 AI 搜索功能查找相关信息）。 自动化产品网络：RPA、BPM、分析和认知 工具之间的集成。 The Weather Company Danske Bank Truven Health Analytics Maersk UStream Promontory Financial Group 合作包括： Exxon Mobil KONE Korean Airlines Quest Diagnostics IPsoft MetLife SAP Medtronic Light Bend Live Person AmeriSource Bergen © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 41 页

43 市场预测和建议

44 企业 AI 服务市场预测 围绕 AI 的组织成熟度加速提升：大多数提供商都将 AI 视为整个企业的基础层，甚至专门成立 AI 实践部门。这种成熟度的提升将会进一步增强利益相关方的信心。 大型运营商和大型 ISV 将加倍押注 AI：Oracle 高调宣布推出 Autonomous Database，同时 SAP 收购了 Recast.ai，这表明大型运营商和大型 ISV 已经针对 AI 展开了“军备竞赛”。AI 功能 既将被融入到现有产品中，同时又将用于增强 SAP Leonardo 等特定的 AI 平台。 大多数初创公司将被并购：正如一位供应方高管所说的那样，“一流技术的定义每周都在发生变 化”。因此，提供商（尤其是在“赢家圈”外的提供商）不愿投入太多资源与这些初创公司合作。 然而，Avaamo、CognitiveScale 和 Loop AI 等一众提供商都有机会发展成为参考合作伙伴，帮 助提供更广泛的 AI 功能。 一批新创专业咨询公司将脱颖而出：就像因教育和引领转型性 RPA 项目而走在最前沿的 Genfour 和 Symphony Ventures 一样，历史很可能会重演，我们将看到新型咨询公司浮出水面。一些 RPA 专营公司将开始提供更广泛的产品。 缺乏监管可能会导致重大的诉讼事件：缺乏风险讨论以及低估了自我学习和自我修复系统影响力 的不成熟的监管策略，可能会引发备受瞩目的诉讼事件，这反过来将有助于推动提供商交付成熟 的 AI 功能。 自动化的机器学习算法训练将加速市场发展并推动市场转型：Gluon 和 AutoML 等技术正在加速 算法训练流程。正如第 25 张幻灯片所示，AI 的“关键”在于迭代数据输入与最少算法训练的结 合。更高水平的非监督式学习对于推行端到端流程的概念以加速 OneOffice 之旅至关重要。 © 2018 HfS Research Ltd。IBM 内容节选

45 服务提供商如何能在 2018 及未来的日子里脱颖而出
证明自身对未来工作的影响：正如第 62 张幻灯片上的数据所示，企业认为 AI 的最大潜力在于增强 劳动力的能力或替代劳动力。因此，针对企业如何实施劳动力转型提供实用的指导至关重要。为此， 服务提供商应制定人力资源策略、人才管理策略和有效的变革管理流程。 在支持变革管理的同时明确所需的投资：正如第 63 张幻灯片上的相关数据所示，实施 AI 项目的最 大阻力在于证明所需投资可以轻松抵消任何潜在停运的成本，并纠正企业软件平台能在未来五年内满 足所有业务需求的错误观点。 针对用例和经验教训提供指导：阻止企业部署 AI 的第四大阻力在于企业不知道从何处入手。就像早 期的 RPA 一样，市场迫切需要实用的指导和思维领导力。从早期部署中吸取经验教训是至关重要的。 更加精准细致地传达产业化需求和以项目为中心的需求之间有何不同：正如我们反复提到的那样，AI 项目的起点和背景可能大不相同。因此，您必须在考虑到利益相关方各自优势的基础上通过更加精装 细致的宣传沟通来扩展上市策略。 监管应超越数据范畴：随着企业通过高度可扩展的端到端流程朝着 OneOffice 不断迈进，市场迫切 需要借助更全面的管理方法将安全性、测试服务、流程和数据监管结合在一起。GDPR 条例便可以证 明培养这些能力是多么紧迫的事情。 将流程负责人重新推向中心位置：沟通时避免使用行话，避免以技术为主题，而应讨论其他技术和方 法无法解决的业务问题，将流程负责人置于核心位置。 © 2018 HfS Research Ltd。IBM 内容节选

46 AI 的最大效益 您认为 AI 的最大潜在效益是什么？ 来源：“2017 自动化现状研究” 样本：n = 181 名 AI 采购商
© 2018 HfS Research Ltd。IBM 内容节选

47 AI 发展的阻力是什么？ 是什么组织导致您不肯使用 AI 自动化技术？ 我们认为其所节省的成本不能抵消业务中断造成的损失
它将在未来 5 年内被融入企业软件平台中，我们想再等等 我们的基础平台已经很好，我们认为自动化并不会降低运营成本 我们不确定应从哪里入手 32% 30% 29% 28% 我们不清楚它能给我们公司带来什么业务价值 23% 我们无法获得资金 我们之前曾经实施过技术驱动的流程变革，但效果不好 这只是炒作 21% 21% 18% 我们不相信这方面的技术 16% 我们不知道谁应该对此负责 我们不相信该领域的服务提供商的能力 提供商无法提供足够的风险/收益信息来支撑预期结果 它带来的业务中断影响太大了 11% 10% 8% 7% 来源：HfS Research“2017 自动化现状研究” 样本：n = 219 名非 AI 采购商 © 2018 HfS Research Ltd。IBM 内容节选

48 2018 年度建议：服务提供商 投资指导客户解决业务问题和构建用例：超越工具和技术思维，支持客户完成 OneOffice 之旅。 沟通方面的标杆是 Capgemini 和 KPMG 等公司所采用的方法，他们围绕通用活动对服务交付进 行描述，包括采集、解释、分类、诊断、检索和推荐。此外，企业 AI 方面缺乏真正的思维领导力， 因此，被大家同时视为创新者和思维领袖能帮助您从竞争中脱颖而出。开展这项工作时，切勿追 求完美或一味强调消费技术问题。应着重于帮助企业解决传统系统问题。 推动 AI 成为整个企业中的基础层：为了向 OneOffice 迈进，您需在打破组织边界方面取得进展， 并推动 AI 和数据成为整个企业的基础层，最终构建直通式处理机制和端到端流程。帮助客户了解 他们需要将数据工程师和数据科学家的技能组合在一起，以便能将数据直接整合到生产环境中。 探索数据科学的产业化：由于市场充斥着较低水平的机器学习和会话服务，高水平和高价值数据 科学的产业化可能会在客户关系方面带来差异化优势和吸引力。换句话说，提供商应同时利用并 融合产业化和以项目为中心的工作。 重新评估合作伙伴生态系统：IBM Watson、TCS ignio 和 Infosys NIA 是这方面的典范，都是对 竞争对手开放的生态系统。探索共同创新，明确您的战略投资。特别是要展示领域特定的功能和 用例。这将能够帮助采购商克服在数据方面普遍存在的供应商锁定问题。 © 2018 HfS Research Ltd。IBM 内容节选

49 2018 年度建议：采购商 优先评估可通过 AI 实现自动化的流程：以早期 RPA 部署的经验为参考依据，优先评估可通过 AI 实现自动化以及得到增强的流程。明确希望实现的业务目标。 将人才作为战略重点：了解 AI 驱动的所有创新，尤其是其对流程链和工作流之影响的人才非常稀 缺。关键是，采购商没有机会从毕业生中首先挑选人才（甚至没有机会参加第二轮挑选）。因此， 企业应审查并完善人才战略方法。 利用设计思维和共同创新：AI 项目的最终目标应是解决其他技术和方法无法解决的问题。请专注 于流程重构，而不是将 AI 视为修补工作。寻找可以帮助推动这一过程的专业咨询公司。 树立数据在交付战略中的核心地位： 服务交付的“关键”在于综合运用自动化、分析和数据，尤 其是要结合使用迭代数据输入与最少算法训练。请注意，提供商声称平台、认知库和机器学习能 够处理您的业务问题，可能只是炒作和空洞的承诺。您应将资金用在招揽兼备数据工程和数据科 学能力的人才上面。 超越以 FTE 为中心的思维方式：成熟的采购商正在逐渐摆脱以 FTE 为中心的思维方式和传统的业 务案例构建方法。数字化和智能自动化旨在将日常服务交付活动与劳动力套利相脱钩。这将需要 您将注意力转向业务敏捷性和客户满意度等软指标。如果能在这些指标方面获得高分，那么，成 本节省和其他实际效益将会不期而至。 © 2018 HfS Research Ltd。IBM 内容节选

50 关于作者

51 Tom Reuner HfS Research 智能自动化和 IT 服务高级副总裁 - 英国伦敦 简介
Tom Reuner 现任 HfS 智能自动化和 IT 服务高级副总裁。Tom 负责推进 HfS 智能自动化和 IT 服务研究议程。自动化涵盖从 RPA 到自动化再到认知计算和人工智能的整个范围。他的工作内容包括不断将非结构化数据、分析和认知自动化结合在一起，同时动员 HfS 分析师研究特定于行业和业务部门的智能自动化动态。此外，他还支持 HfS 通过专注于应用服务和测试来推进 IT 服务研究。他的核心研究主题是技术发展与业务流程交付发展之间日益密切的联系。 工作经验 Tom 曾在 Gartner、Ovum、KPMG Consulting 英国分公司和 IDC 德国分公 司担任高级顾问，广泛涉足研究、咨询和业务开发等领域，对市场发展动态具 有深刻的理解。他一直为客户提供战略制定建议，指导他们了解方法和分析数 据，联合客户发掘意义深远而又切实可行的洞察。Tom 经常登上主要商业和国 家媒体报道、参加电视节目，还常常出席各类会议。 教育 Tom 拥有德国哥廷根大学历史学博士学位。 © 2018 HfS Research Ltd。IBM 内容节选 专有资料 │第 50 页

52 2018 年 AI 研究议程 © 2018 HfS Research Ltd。IBM 内容节选

53 HfS 的使命：定义未来的业务运营模式 HfS 的使命是针对影响业务运营的主要创新提供深刻见解：自动化、人工智能、区块链、数字业务模式和智能分析。我们专注于主要行业的未来运营模式。我们帮助企业客户制定适当的战略，支持他们开发运营骨干网络来保持竞争力，并与有能力的服务提供商、技术供应商和第三方咨询公司开展合作。 HfS 兼备知识与影响力，是分析咨询行业的风向标： • 利用 ThinkTank 模型与企业客户及其他行业利益相关方开展合作 每年与全球 2000 强企业客户开展 3000 次访谈 经验丰富的分析师团队 无与伦比的行业峰会 针对各行业的未来运营模式和 IT 服务提供全面的数据产品 读者逐年递增超过一百万人 即服务经济和 OneOffice™ 正在推动整个行业实现革命性的改变。 如有任何疑问，请通过以下方式联系 IBM，我们会为您提供更专业的咨询： 1. 免费咨询电话： 转 2396（服务时间：9:00-17:00） 2. 填写需求，提交至 IBM，我们会尽快与您取得联系。 © 2018 HfS Research Ltd。IBM 内容节选