生成式人工智能成功抓住了商界领袖的注意力。但它的光芒是否掩盖了其他数字技术？在本集“麦肯锡播客”中，麦肯锡两位全球资深合伙人Rodney Zemmel（罗德尼·泽梅尔）和Kate Smaje（凯特·斯玛耶）与全球编辑事务总监Lucia Rahilly探讨了在生成式人工智能的“聚光灯”下，可能会被领导者所忽视的东西，以及如何确保包括生成式人工智能在内的数字方案能够协同工作，从而产生真正的价值。
以下为本集播客的翻译编辑稿，由于篇幅原因，略有压缩。播客原文请点击此处。
从哪起步
Lucia Rahilly: 生成式人工智能俨然成了商业世界的闪亮新星，但正如你所说的，它有可能让领导者忽略其他数字化工具，而这些工具对组织的成功至关重要。领导者既要紧跟前沿趋势，又要保持对其他基础性业务运营和战略的关注，如何在这两者间取得平衡？
Rodney Zemmel: 你必须从价值来源开始，思考如何通过技术来改变业务领域，从中获得价值。无论是生成式人工智能、传统的人工智能、流程数字化还是任何其他技术，都必须从属于价值来源这一问题。
商业组织就像人的大脑
Lucia Rahilly: 你的文章（Ten unsung digital and AI ideas shaping business）列出了关于数字化和人工智能的十个“鲜为人知的观点”，今天我们将重点讨论其中的三个。让我们从“每家公司都将成为神经网络组织”这个观点开始。这是什么意思？
Rodney Zemmel: 去年，我们对大脑的认知取得了一些惊人的科学突破。在我位于剑桥的老旧实验室，我们第一次看到了连接组，也就是所有不同的神经元是如何连接在一起的——首先是在果蝇的大脑中，然后是谷歌团队从人类大脑切片中得到的。我们看到了令人难以置信的、错综复杂的结构，每一个神经元都与其他神经元相连。我们认为这是商业组织的新隐喻。
一直以来，组织结构被比作一棵树：层级分明，分支部门逐级向下延伸。但这一类比的问题在于，树枝之间很难建立联系。
因此，商业组织要做最有趣和最具创新性的事情，就必须让这些联系比许多僵化的层级组织中的联系更有效。
同时，你还需要确保整体的通用模式、治理和组织结构既精妙又网络化，使得组织所有团队能够彼此合作，得以形成和演进，而且不会陷入完全的混乱。
Kate Smaje: 首先，这涉及到提升速度。作为一个组织，能否提高新陈代谢的速度？其次，这涉及到规模。这就是通用模式发挥作用的地方，因为复用性越高，模式识别能力越强，就越能做到规模化，而不是每次都得重新发明轮子。
Lucia Rahilly: 你能给我们举一个成功实施敏捷神经网络组织的公司实例吗？
Rodney Zemmel: 我们在《麦肯锡讲全球企业数字化》（英文书名：“Rewired”）一书中介绍了星展银行，作为数字银行领域的领先者之一，它确实已经将自己重构为众多跨职能的横向敏捷小组。当然了，只要一举银行业的例子，人们就会说，“好吧，这在服务业显然是可以理解的。”不过，书中提到的另一家公司自由港-麦克墨兰铜金公司（Freeport-McMoRan）在其铜矿开采业务中也是这么做的。
Kate Smaje: 任何公司都可以用一个简单问题来测试一下：今天我能多快地构思、打造和推出新产品和新服务？
Rodney Zemmel: 这个问题是个很好的试金石。现在很难找得到有哪家公司的高级领导会说，“我们不用敏捷模式工作。”这句话通常是指他们有一个技术团队在用敏捷模式工作，但并不总是意味着业务和技术做到了通力合作。坦率地说，这也很少意味着你已经以正确的方式将控制职能融入敏捷小组中。
Lucia Rahilly: 说到控制职能，这类神经网络商业组织需要匹配怎样的运营模式？为了使敏捷小组正常运作，需要怎样的监督，包括限制失误和提高这种模式下的生产力？
Rodney Zemmel: 那么，如何做到规模化？很多公司可以运行几个敏捷小组，但如何让几十到几百个团队大规模推行敏捷？这是最难的地方。
首先，人才非常重要。你需要努力提高人才的现有技能，同时培养人才的新技能，才能在新模式下游刃有余。其次，你要深思熟虑如何为这些团队配备人手，如何让你的高级领导团队感觉轻松自如，好让他们设定边界和目标。他们会在重大里程碑时参与评审，但每个决定并不会都上报给他们。实现这一点需要一个相当完善的治理框架。
魔力来自哪里
Lucia Rahilly: 现在我们谈谈你的第二个观点：数字化和人工智能的领先者是永恒变革者。现在领导者应该关注哪些新技术或新趋势？
Kate Smaje: 对我来说，魔力不在于某一项技术或者某一个趋势，而在于这些技术融合后形成的合力。只有这样——顺便说一句，生成式人工智能也是如此——你才有可能在创建新的商业模式方面取得突破，真正产生前所未有的颠覆。
对我来说，魔力不在于某一项技术或者某一个趋势，而在于这些技术融合后形成的合力。
Kate Smaje
Rodney Zemmel: 麦肯锡有一项名为“数字商”或“人工智能商”的分析，用以衡量公司采用数字化或人工智能的表现情况。在过去两三年里，我们发现行业不再是决定性因素。因为同一行业内部的差异比不同行业之间的差异大得多。有的行业内最领先的公司比高科技行业内处于中值的公司的数字化程度更高，而最落后的公司比公共部门处于中值的公司的数字化程度更低。
这背后的原因是一种被称为“永恒变革者“的理念。你可以看到，启动数字化旅程的公司跑在了前面，它们持续投资，并且坦率地说，会进一步领先。随着时间的推移，你会看到数字领导者逐渐超越行业内的其他公司，获得越来越多的回报。
让生成式AI 成为超级能力
Lucia Rahilly: 随着生成式人工智能的表现越来越好，员工越来越依赖它，组织应如何确定哪些工作岗位或工作任务将从中获益最多，从而提高员工队伍的生产力？
Kate Smaje: 我们的研究清楚表明，大幅提高生产力存在着机会，但在今天变得非常难以实现。部分原因是，任何技术突破都必须在“人”的方面取得相应的、同等的或相反的重大进展。
我该如何改变工作流程，以便在实质上腾出时间？当具有“超级能力”的人工智能来到我们身边，从根本上颠覆了人类在学习、提升技能、掌握新技能、新的职业道路等方方面面的做法，我该如何应对？
Rodney Zemmel: 人工智能的超级能力不是指找到一个方法为你每天省下20分钟，而是指找到一个方法让使用生成式人工智能成为你的第一本能。到目前为止，我们在软件开发中看到了这一点。如果你只是把工具交给软件开发人员说“这是最新的”，每一个开发人员就会找到各自工作中最无聊的部分，然后使用工具加快完成。你最终得到5%或10%的生产力收益。
相反，如果你说，让我们看看整个团队，看看软件开发生命周期中的一周或一个月，而不是只看开发人员甲或乙在每周二通常是怎么工作的，你思考的是整个团队将如何改变工作方式，你培训员工，你可以真正评估出它比人类做得更好的地方在哪里——你是这样建立超级能力的。
Lucia Rahilly: 你如何看待领导者处理这类学习和培训？
Kate Smaje: 我经常看到的公司说，我们开展技术和人工智能培训。我们要告诉员工它是什么，我们要详加解释，我们还要打破迷思等等。这很重要，也很必要，但还不够。
例如，这里缺失的是，真正用好这项本质上来说属于辅助性质的技术。你必须知道如何使用它来充分发挥它的价值。我们确实看到了一些投入，比如教你如何制作出色的提示词。因此，与其教你关于它的知识，不如教你如何使用它变得非常重要。
回应Rodney的观点，第二个缺失的是日常工作流程。你必须具备出色的批判性思维能力，能够洞悉复杂风险，应对好负责任使用人工智能的议题，思考人工智能幻觉（指人工智能可能产生的错误或误导性输出）将如何影响这些问题，以及在建模前和建模后的处理上需要做些什么。
你可能需要有一流的情商和人际关系技能，因为人类要做的事情——这是技术无法做到的——可能更偏向于这些方面。坦率地说，人类甚至可能需要更高的认知能力或更旺盛的好奇心来学习，才能不断进化和迭代。在我看来，在混合智能环境中，人类真正需要的非技术性技能还没有得到足够关注。
Lucia Rahilly: 你认为技术专业人员和科技行业以外的人员一样也需要提高技能吗？
Rodney Zemmel: 对于普通公司来说，派出高级团队考察一家领先的非科技公司怎么做的，比观察科技公司学到更多。我们看到的一条成功经验是，管理团队对标杆公司进行实地观摩学习，标杆公司通常在一个与自己截然不同的行业。在这些行业中，中等水平的公司已经真正学以致用，学会如何运用数字和人工智能改造自己的业务。
对于普通公司来说，派出高级团队观察一家领先的非科技公司做了什么，比观察科技公司学到的更多。
Rodney Zemmel
一旦你看到一家“普通”公司是那么做的，技术的力量就会变得生动起来，这可比看“数字原住民”做了什么管用得多——对于普通公司来说，这是令人兴奋的。
思考未来
Lucia Rahilly: 员工过于依赖人工智能是否隐藏着风险？为了保持员工的人类判断，公司是否需要采取相关措施？
Kate Smaje: 在某些方面，我们可以将“人工智能依赖”视为一个贬义词或一个真正的积极因素，因为人工智能正在帮助员工更好、更快、更便宜、风险更低地完成工作。实际上，人类判断比以往任何时候都更为重要，这样才能确保那些模型是以负责任的方式构建的，才能确保它们真正发挥价值。
确保人类负责任地使用人工智能，至少要考虑两点。一是不断质疑科技。二是不断寻找人类+技术的“和”的效应。在这里，一加一等于五，即如何将人类与技术相结合，以获得原本不可能实现的突破？只要我们坚持思考这两点，人类的判断就会更加重要，而不是相反。
Rodney Zemmel: 话虽如此，很明显，许多情况下人工智能做得比人类更好。我举一个可能有点傻的例子。网球比赛有电子司线裁判。温布尔登网球公开赛和美网公开赛选择了不同的做法。温布尔登使用电子司线判罚，但保留了站在场边身着绿色夹克的司线员。美网公开赛完全依靠电子系统。大多数人会说，美网公开赛的效果一样好，甚至更好。比赛的中断更少，来回更少。再也没有明显的误判了。
有趣的是，我听说美网公开赛的工作人员数量和温布尔登一样多，但前者的工作不同。他们包括了技术控制室里的人，以及部署、设置和监控技术的人。
Lucia Rahilly: 还有哪些被领导者忽略了的重要事项？
Rodney Zemmel: 一个问题是未来的劳动力将如何发展的问题。有些公司说，“好吧，我们不再需要初级人员、分析师、做日常任务的人。我们不再需要员工队伍，或者我们将发展一支不同以往的金字塔结构的劳动力队伍。”
也有其他公司说，“也许吧。但这与超能力理念有关。这意味着我们可以让分析师或初级人员在未来像今天最资深的员工那样富有成效，因为取消了他们日常所做的许多常规性苦差事，真正赋予他们创造更多价值的不可思议的能力。”有一种观点认为，数据科学家的价值在未来会下降，而数据工程师的价值会上升。
因此，从员工队伍规划的角度来看，将是极其复杂的。坦率地说，还没有现成答案。人们将需要严肃缜密地思考和保持灵活性，来思考这样的演进对劳动力规划意味着什么。
Kate Smaje: 我完全同意。你提到的灵活性有着特殊意义。今天我们讨论了很多关于不断地学习、不断地尝试。在经济向好时期，很容易获得资金和资源，以及分配的时间。
一旦经济或市场掉头，公司不得不做好准备时，一切就难了。领导者面临着真正的挑战：当确定性和预期回报率承压时，我该如何用长周期的思维来看待未来的投资和学习？我能否制定一个足够灵活的计划，既适用于晴天，也适用于雨天？
Kate Smaje（凯特·斯玛耶）是麦肯锡全球资深董事合伙人，常驻伦敦分公司；
Rodney Zemmel（罗德尼·泽梅尔）是麦肯锡全球资深董事全伙人，常驻纽约分公司。他是麦肯锡数字化业务的全球领导人，同时负责麦肯锡公司内部的人工智能转型。
Lucia Rahilly 是麦肯锡出版部的全球编辑事务总监，常驻纽约分公司。
