I n recent years, artificial intelligence has left the machine room and entered the world of mainstream business. Within the next five years, AI will have a major impact in all industries, according to research conducted by BCG and MIT Sloan Management Review. The research found that more than 70% of executives expect AI to play a significant role at their companies.
Today’s AI algorithms already support remarkably accurate machine sight, hearing, and speech, and they can access global repositories of information. AI performance continues to improve, thanks to deep learning and other advanced AI techniques, a staggering level of growth in data, and continuing advances in raw processing power.
These developments have led to an explosion in AI-enabled Aplicativos de negócios , análogo à era cambriana, quando o desenvolvimento da visão contribuiu para um notável aumento mundial na diversidade de espécies. Mas nossa pesquisa com o MIT sugere que, se os padrões atuais continuarem, a separação entre os dois poderá ser especialmente dramática e implacável. Os dados revelaram níveis marcadamente diferentes de entendimento e adoção de IA, mesmo dentro do mesmo setor. No seguro, por exemplo, o Ping de um grupo da China iniciou o desenvolvimento de IA há cinco anos e agora está incorporando a tecnologia em vários serviços, enquanto outras seguradoras estão apenas começando a experimentar as aplicações mais simples. No geral, executivos de muitas empresas relataram que suas organizações careciam de um básico
As always, this new era will have winners and losers. But our research with MIT suggests that if current patterns continue, the separation between the two could be especially dramatic and unforgiving. The data revealed markedly different levels of AI understanding and adoption even within the same industry. In insurance, for instance, China’s Ping An Group started AI development five years ago and is now incorporating the technology in various services, while other insurers are just starting to experiment with the simplest applications. Overall, executives from many companies reported that their organizations lacked a basic
Embora os elementos da IA estejam disponíveis no mercado, o trabalho árduo de gerenciar a interação de dados, processos e tecnologias ocorre internamente.
Como ponto de partida, este relatório tem como objetivo fornecer uma compreensão intuitiva e prática da IA. (Ver " Dez coisas que todo gerente deve saber sobre inteligência artificial ”) Em um nível mais profundo, também discute muitos casos de uso atual e potencial para a IA e examina o impacto da IA nos pools de valor da indústria, o futuro do trabalho e a busca de vantagem competitiva. Finalmente, oferece algumas orientações práticas sobre como não é introduzir e espalhar a IA em grandes organizações. e aplique seus problemas. No entanto, e identificar um caminho específico de dados à ação geralmente atormenta as empresas.
AI Is Not an Off-the-Shelf Solution
AI is not plug and play. Companies cannot simply “buy intelligence” and apply it to their problems. Although elements of AI are available in the market, the hard work of managing the interplay of data, processes, and technologies happens in-house.
The conceptual framework for putting AI to work is fairly intuitive. (See Exhibit 1.) In a nutshell, AI algorithms absorb data, process it, and then generate actions. The process depends on proper integration of several layers of technology, however, and identifying a specific path from data to action often bedevils companies.
de dados à ação
The data processing needs of AI differ from those of big data or traditional data analytics in a couple of fundamental ways:
- Data, Training, and Processing. Naked AI algorithms are simple lines of computer code. They are not natively intelligent, and they require sensory input and feedback in order to develop intelligence. For the foreseeable future, AI training will require company-specific data and effort. Data scientists must feed machines lots of data to properly weight countless correlations and connections, ultimately creating an algorithm whose intelligence is limited to that specific realm of data. This classic inductive approach to learning explains why AI is often described as data-hungry.
- Action. A trained algorithm can accept live data and deliver actions—a credit score decision and its automated delivery to a customer, for example, or a cancer diagnosis based on a medical image, or a left-hand turn into oncoming traffic by a driverless car. Although this data-to-action process does not differ from the workings of standard computer programs, an AI system continues to learn and transform itself. The data is thus a source of both action and self-improvement—as it is for a business executive, who makes decisions based on facts and uses those facts to refine future decisions.
Setting up the data-to-action process is hard work. Companies cannot effectively buy it in the marketplace, and those that try to avoid the work or take shortcuts will be disappointed. The MIT Sloan Management Review article, which BCG co-authored, cites one pharma executive who described the products and services that AI vendors provide as “very young children.” The vendors “require us to give them tons of information to allow them to learn,” he said, reflecting his frustration. “The amount of effort it takes to get the AI-based service to age 17 or 18 or 21 does not appear worth it yet. We believe the juice is not worth the squeeze.”
Para o futuro próximo, a maioria das empresas precisará confiar em cientistas internos de dados para encontrar, coletar, agrupar e criar fontes de dados e desenvolver e treinar sistemas AI específicos da empresa. As empresas podem, é claro, terceirizar um processo ou atividade inteira - como uma tarefa de RH - com todos os dados, para um provedor de serviços. Mas, ao terceirizar essas responsabilidades a um fornecedor que atende a vários clientes, as empresas perdem qualquer chance de obter uma vantagem competitiva. Plataformas e serviços de suporte estão disponíveis no mercado. As empresas podem alugar o poder de computação bruta na nuvem ou implantá -la nas instalações com hardware específico que pode processar muitas tarefas em paralelo - uma capacidade essencial para técnicas de IA, como redes neurais profundas. As empresas também podem acessar rapidamente o desenvolvimento de arquiteturas de dados de IA com base no código de código aberto. A maioria dos algoritmos de IA de ponta está disponível em domínio público, e os principais cientistas se comprometeram a continuar publicando e de código aberto seu trabalho nesses algoritmos. Além disso, as empresas disponibilizaram plataformas de IA, como o TensorFlow do Google, disponíveis como serviço.
The Foundations of AI
Fortunately, companies do not need to develop all of their AI machinery internally. Supporting platforms and services are available in the market. Companies can rent raw computing power in the cloud or deploy it on the premises with specific hardware that can process many tasks in parallel—an essential capability for AI techniques such as deep neural networks. Companies can also access rapidly developing AI data architectures based on open-source code. Most cutting-edge AI algorithms are available in the public domain, and leading scientists have pledged to continue to publish and open-source their work on these algorithms. In addition, businesses have made AI platforms, such as Google’s TensorFlow, available as a service.
As empresas também podem acessar o que chamamosAI building blocks. These building blocks, such as machine vision, are more functional than a naked algorithm but are not fully self-operational. Every use of AI depends on one or more of these building blocks, and each block relies on a collection of algorithms, APIs, and pretrained data. On the basis of our research and experience, we have identified ten building blocks, all of which are undergoing rapid development. (See “ Os blocos de construção de inteligência artificial= . ”) Os executivos precisam entender as capacidades e o valor potencial desses blocos de construção. O que é difícil, mas a factível hoje provavelmente será fácil em alguns anos, e o impossível hoje pode ser possível em três a cinco anos. Seu próprio sistema interno resultante reconheceu os contornos e as características dos rostos chineses do que as alternativas comerciais, e a ferramenta já verificou mais de 300 milhões de faces em vários usos.
For companies that want to be on the leading edge, however, the marketplace may not always offer the best options. When Ping An wanted to take advantage of facial recognition software, it was dissatisfied with the performance of the products available on the market—so it built its own. The resulting in-house system recognized the contours and characteristics of Chinese faces better than commercial alternatives did, and the tool has already verified more than 300 million faces in various uses. It complements Ping An’s other cognitive systems—such as voice and image recognition. The insurer’s experience suggests that all companies should assess their ability to use AI building blocks to gain competitive advantage.
Inteligência artificial em ação
A adoção significativa de IA nos negócios permanece baixa: apenas 1 em 20 empresas incorporou extensivamente a IA, de acordo com nossa pesquisa com o MIT. No entanto, todo setor inclui empresas que estão à frente do pacote. E mesmo que nenhuma empresa tenha atingido a excelência da IA em todas as funções, muitas estão usando a IA para criar um valor comercial substancial. Os usos a seguir, extraídos de vários setores e envolvendo várias funções e processos organizacionais, demonstram como a IA generalizada já é e quão eficaz pode ser na configuração correta.
Marketing e vendas
AI gives companies the opportunity to offer customers personalized service, advertising, and interactions. The stakes are huge. Brands that integrate advanced digital technologies and proprietary data to create personalized experiences can increase revenue by 6% to 10%—two to three times the rate among brands that don’t. (See “ Lucrando com a personalização , ”BCG Artigo, maio de 2017.) Somente em serviços de varejo, assistência médica e financeiros, estimativas da BCG, US $ 800 bilhões em receita mudarão para os 15% principais das empresas de personalização durante os próximos cinco anos.
Brands that integrate advanced digital technologies and proprietary data to create personalized experiences can increase revenue by 6% to 10%.
Muitas melhores práticas de personalização bem-sucedida surgiram em ambientes de varejo em movimento rápido. Um varejista global, por exemplo, usou os dados de smartphones de um aplicativo de fidelidade - incluindo localização, hora do dia e frequência de compras - para obter uma compreensão profunda das rotinas semanais de seus clientes. Ao combinar milhões de pontos de dados individuais com informações sobre as tendências gerais do consumidor, o varejista construiu um sistema de marketing em tempo real que agora oferece 500.000 personalizados por semana. Por exemplo, uma seguradora multilina contou com o aprendizado de máquina para segmentar seus clientes para recomendar "Próximas melhores ofertas" - os oferecem posicionados na interseção das necessidades de um cliente e dos objetivos da seguradora - para os agentes de vendas da empresa. Para conseguir isso, a seguradora construiu um modelo das necessidades de seguro dos clientes à medida que passam por vários estágios da vida. O modelo se baseou em algoritmos complexos que interromperam mais de mil variáveis estáticas e dinâmicas que abrangem dados demográficos, políticos, posse de agentes e histórico de vendas. Como resultado, a seguradora pode corresponder às políticas específicas com membros individuais de grupos específicos. O sistema tem o potencial de aumentar a venda cruzada em 30%. A seguradora também pode usar o sistema de aprendizado de máquina para melhorar os esforços de otimização de vendas, processando dados geográficos, competitivos e de desempenho do agente. Os projetos piloto adequadamente construídos geralmente podem validar uma prova de conceito dentro de quatro a seis semanas e ajudar a determinar a infraestrutura de dados e a construção de habilidades necessárias para um lançamento completo. A P&D gerou muito menos dados do que as grandes redes de varejo, e muitas vezes não conseguiu capturar esses dados digitalmente. Além disso, muitos problemas de P&D são complexos, profundamente técnicos e limitados por restrições científicas. Mesmo assim, a IA tem alto potencial nesse campo. Por exemplo, na indústria biofarmacêutica, onde a P&D é o principal fator de lucro, a IA pode reverter a tendência para custos mais altos e tempos de desenvolvimento mais longos. A maioria dos estudos publicados tem um viés para experimentos bem -sucedidos e, potencialmente, os interesses da organização de financiamento. A citrina supera essa limitação coletando dados não publicados por meio de uma grande rede de relacionamentos com instituições de pesquisa. "Os dados negativos quase nunca são publicados. Mas o corpus de resultados negativos é fundamental para a construção de um banco de dados imparcial", disse Bryce Meredig, co -fundador da Citrina e diretor de ciências. Essa abordagem abrangente permitiu à empresa reduzir o tempo de P&D para seus clientes por metade para aplicações específicas.
In some sales-and-marketing organizations, AI augments rather than automates processes. For example, a multiline insurer relied on machine learning to segment its customers in order to recommend “next best offers”—offers positioned at the intersection of a customer’s needs and the insurer’s objectives—to the company’s sales agents. To accomplish this, the insurer built a model of the insurance needs of customers as they pass through various life stages. The model relied on complex algorithms that crunched more than a thousand static and dynamic variables encompassing demographic, policy, agent tenure, and sales history data. As a result, the insurer could match particular policies with individual members of specific clusters. The system has the potential to increase cross-selling by 30%. The insurer can also use the machine learning system to improve sales optimization efforts by processing geographic, competitive, and agent performance data.
Such examples demonstrate the effectiveness of AI in decentralized settings—such as retail or financial services sales—that benefit from a rich supply of contextual and specific customer data. Properly constructed pilot projects can generally validate a proof of concept within four to six weeks and help determine the data infrastructure and skill building necessary for a full rollout.
Research and Development
Compared with marketing and sales, R&D is a less mature field for AI. R&D has generated far less data than large retail chains have, and it has often failed to capture this data digitally. In addition, many R&D problems are complex, deeply technical, and bounded by hard scientific constraints. Even so, AI has high potential in this field. For instance, in the biopharmaceutical industry, where R&D is the primary profit driver, AI could reverse the trend toward higher costs and longer development times.
Citrine Informatics, an AI platform designed to accelerate product development, illustrates one way to meet the challenge of limited data. Most published studies have a bias toward successful experiments and, potentially, the interests of the funding organization. Citrine overcomes this limitation by collecting unpublished data through a large network of relationships with research institutions. “Negative data are almost never published. But the corpus of negative results is critical for building an unbiased database,” said Bryce Meredig, Citrine’s cofounder and chief science officer. This comprehensive approach has enabled the company to cut R&D time for its customers by one-half for specific applications.
No setor de bens industriais, os principais fabricantes combinam IA, software de engenharia e dados operacionais - como frequência de reparo - para otimizar os projetos. A IA é especialmente útil no desenvolvimento de projetos para fabricação aditiva, também chamada de impressão 3D, porque seus processos algoritmicamente acionados são irrestritos por convenções de engenharia. Pode ser necessário colaborar com universidades, digitalizar registros antigos ou até gerar novos dados do zero. Dado o conhecimento e a experiência necessários para se envolver em P&D, as soluções úteis da IA raramente estarão disponíveis. Em vez disso, os cientistas devem confiar em ensaios sistemáticos para obter orientação na construção do inventário de dados de que precisam para futuros aplicativos de IA.
Aggressive forms of data collection should be a key element in the design of AI pilots in R&D. It may be necessary to collaborate with universities, digitize old records, or even generate new data from scratch. Given the knowledge and expertise required to engage in R&D, useful turnkey AI solutions will rarely be available. Instead, scientists must rely on systematic trials for guidance in building the data inventory they need for future AI applications.
R&D has generated far less data than large retail chains have, and it has often failed to capture this data digitally.
Operações
Práticas e processos operacionais são naturalmente adequados para a IA. Eles geralmente têm rotinas e etapas semelhantes, geram uma riqueza de dados e produzem saídas mensuráveis. Muitos conceitos de IA que funcionam em um setor funcionarão em outro. Os usos atuais populares da IA incluem manutenção preditiva e otimização não linear de produção, que analisa os elementos de um ambiente de produção coletivamente e não sequencialmente ou isoladamente. Uma interrupção não planejada dessa unidade força uma suspensão dispendiosa da geração de eletricidade por um mês. Embora a refinaria tenha acumulado muitos dados sobre operações contínuas, não tinha um entendimento claro de quais fatores específicos levaram a unidade a quebrar. Os modelos de engenharia convencionais não puderam descrever completamente as interdependências complexas que existiam entre mais de mil variáveis que podem levar à falha. O modelo de IA quantificou com sucesso o impacto de todos os fatores -chave (incluindo tipo de matéria -prima, qualidade da saída e temperatura) no desempenho geral. Os engenheiros foram capazes de avaliar se a unidade continuaria executando entre episódios de manutenção planejada. Este sistema minimiza o risco de desligamentos não planejados da unidade e reduz o número de mudanças de curto prazo no cronograma de manutenção, produzindo benefícios econômicos significativos. Uma seguradora dos EUA que recebe pagamentos fixos do Medicare queria usar a IA para reduzir as visitas evitáveis ao médico ou a hospitais por pacientes do Medicare. A seguradora alimentou dados de históricos médicos, como reações adversas a medicamentos e notas dos gerentes de caso em um sistema de aprendizado de máquina. O sistema desenvolveu uma segmentação inteligente dos clientes e forneceu informações úteis sobre ações preventivas. Por exemplo, a recente perda do cônjuge de um paciente provou ser altamente preditiva de intervenção médica futura e a necessidade de cuidados preventivos. Esses insights permitiram que o pagador redesenhasse os programas para obter uma economia anual potencial de US $ 650 milhões. Trabalhando com uma equipe de cientistas de dados, os engenheiros alimentavam cinco anos de dados históricos em uma rede neural. O sistema sugeriu mudanças de produção que resultaram em um aumento de 2% na pureza, uma melhoria que dobrou as margens de lucro da fundição. O exercício levou seis semanas e não exigiu gastos de capital ou operacional adicionais.
An oil refinery wanted to predict and avoid breakdowns of an important gasifier unit responsible for converting residual products of the refining process into valuable synthesis gas used in generating electricity. An unplanned outage of that unit forces a costly suspension of electricity generation for a month. Although the refinery had accumulated plenty of data about ongoing operations, it had no clear understanding of what specific factors drove the unit to break down. Conventional engineering models could not fully describe the complex interdependencies that existed among more than a thousand variables that might lead to failure.
Working closely with data scientists, the refinery’s engineers turned to artificial intelligence to determine the cause of the breakdowns, feeding six years’ worth of operational data and maintenance information through a machine learning algorithm. The AI model successfully quantified the impact of all key factors (including feedstock type, output quality, and temperature) on overall performance. Engineers were then able to gauge whether the unit would continue to run between episodes of planned maintenance.
Relying on insights that the machine learning algorithm generated, engineers designed a transparent, rules-based system for adjusting key operational settings for variables such as steam and oxygen to enable the unit to keep running between scheduled maintenance periods. This system minimizes the risk of unplanned shutdowns of the unit and reduces the number of short-term changes in the maintenance schedule, yielding significant economic benefits.
Predictive maintenance solutions also work for humans. A US insurer receiving fixed payments from Medicare wanted to use AI to reduce avoidable visits to the doctor or to hospitals by Medicare patients. The insurer fed data from medical histories, such as adverse reactions to drugs, and case managers’ notes into a machine learning system. The system devised an intelligent segmentation of customers and provided useful insights into preventive action. For instance, the recent loss of a patient’s spouse proved to be highly predictive of future medical intervention and the need for preventive care. These insights allowed the payer to redesign programs to achieve potential annual savings of $650 million.
Moving beyond maintenance, a smelter operator used AI and nonlinear optimization to improve the purity of its copper, which engineers had spent years trying to do. Working with a team of data scientists, the engineers fed five years of historical data into a neural network. The system suggested production changes that resulted in a 2% increase in purity, an improvement that doubled the smelter’s profit margins. The exercise took six weeks and did not require additional capital or operational spending.
Procurement and Supply Chain Management
In procurement, AI’s potential is substantial—because structured data and repeat transactions are common—but largely unrealized. Hoje, as máquinas podem vencer os principais jogadores de poker no mundo e pode negociar títulos, mas eles ainda não demonstraram a capacidade de enganar fornecedores nas compras corporativas - pelo menos publicamente. (As empresas podem estar usando os sistemas de compras com AI-I-iabled, mas não informando a seus fornecedores, ou qualquer outra pessoa, a fim de manter uma vantagem competitiva.) Os exemplos conhecidos de IA nas compras envolvem chatbots; Projeto e revisão do contrato semiautomado; e recomendações de fornecimento com base na análise de notícias, clima, mídia social e demanda. Aumentação significativa ou mesmo a automação do fornecimento só agora está emergindo.
Machines today can beat the top poker players in the world, but they have not yet shown the ability to outsmart vendors in corporate purchasing—at least publicly.
Gerenciamento e logística da cadeia de suprimentos são uma história diferente. Os dados históricos estão prontamente disponíveis para esses processos, tornando -os um alvo natural para o aprendizado de máquina. A empresa integrou mais de 40 data warehouses, sistemas ERP e outros sistemas de relatórios em um Data Lake. Como resultado dessas mudanças, os sistemas agora podem identificar e prever a maneira como os padrões de demanda complexos e opacos se movem em toda a cadeia de suprimentos. Por exemplo, uma mudança na colheita de milho dos EUA em uma única semana tem repercussões globais ao longo da cadeia de suprimentos para o alumínio, um material de embalagem comum para o milho. A iniciativa da empresa ajudou a melhorar seus níveis de atendimento ao cliente em 30% a 50%. A empresa também deve obter um aumento de 2% a 4% na margem de lucro dentro de três anos e uma redução no inventário entre quatro e dez dias em dois anos. Leva muito mais tempo para coletar dados e criar a infraestrutura de dados do que criar o modelo de aprendizado de máquina.
A global metals company recently built a collection of machine learning engines to help manage its entire supply chain, as well as to predict demand and set prices. The company integrated more than 40 data warehouses, ERP systems, and other reporting systems into one data lake. As a result of these changes, the systems can now identify and predict the way complex and opaque demand patterns ripple throughout the supply chain. For example, a shift in the US corn harvest by a single week has global repercussions along the supply chain for aluminum, a common packaging material for corn. The company’s initiative helped improve its customer service levels by 30% to 50%. The company is also set to achieve a 2% to 4% increase in profit margin within three years and a reduction in inventory of between four and ten days within two years.
This example highlights the importance of data, data preparation, and data integration in bringing AI to life. It takes far more time to collect data and build the data infrastructure than to build the machine learning model.
It takes far more time to collect data and build the data infrastructure than to build the machine learning model.
Funções de suporte
As empresas geralmente terceirizam as funções de suporte, que tendem a ser semelhantes entre as organizações. Mas em breve eles poderão comprar soluções habilitadas para AI para esses processos. O desenvolvimento pesado de IA está em andamento em gigantes terceirizados como IBM, Accenture e os quatro grandes jogadores da Índia (HCL, Infosys, Wipro e Tata). Essas empresas estão mudando o foco ao enfatizar os custos de mão-de-obra e a escala mais baixos para a construção de plataformas de inteligência e automação, a fim de oferecer serviços de maior valor. Eles estão usando bots de software baseados em regras para substituir a atividade da mesa humana e, em seguida, adicionar flexibilidade, inteligência e aprendizado via IA. Essa abordagem combina o rápido retorno do RPA e o potencial mais avançado da IA. (Ver "
Many service organizations are starting to recognize the benefits of combining AI with robotic processing automation (RPA). They are using rules-based software bots to replace human desk activity and then adding flexibility, intelligence, and learning via AI. This approach combines the rapid payback of RPA and the more advanced potential of AI. (See “ Alimentando a economia de serviço com RPA e AI , ”BCG Artigo, junho de 2017.)
To replace human tasks, an Asian bank installed RPA and AI systems that learned on the fly. These systems routed cases to human workers only when they were uncertain about what to do, enabling the bank to reduce costs by 20% and decrease the time devoted to certain processes from days to minutes.
AI in Product and Service Offerings Unlike most of the prior examples, AI applications that involve advanced product and service offerings—digital personal assistants, self-driving cars, and robo-investment advisors, for example—tend to receive a lot of attention. Companies that offer AI-enabled services are eager to demonstrate to the public the competitive performance and features of these offerings.
Because their products and services and potentially their entire business models are at stake, companies must build strong internal AI teams. This helps explains the fierce competition for AI talent among technology vendors, car manufacturers, and suppliers. In the auto industry, for example, Bosch is investing € 300 milhões nos próximos cinco anos Estabelecer instalações de IA na Alemanha, Índia e EUA. "Daqui a dez anos, quase nenhum produto da Bosch será concebível sem inteligência artificial. Ou possuirá a própria inteligência, ou a IA terá desempenhado um papel fundamental em seu desenvolvimento ou fabricação", disse Volkmar Denner, CEO da empresa. As seguradoras e fabricantes, por exemplo, poderão usar a IA para prever riscos com maior precisão, permitindo que eles precisassem com base no uso, cuidado ou desgaste. (Para um exame do uso de IA em toda uma cadeia de valor da indústria “Ficando real com o seguro”.)
At the same time, automation creates new business models. Insurers and manufacturers, for example, will be able to use AI to predict risk with greater accuracy, allowing them to price on the basis of use, care, or wear. (For an examination of the use of AI across an entire industry value chain “Getting Real with Insurance.”)
Ficando real com o seguro
GETTING REAL WITH INSURANCE
como indicadores de exibição, os usos específicos podem incluir qualquer seguro de seguros para automóveis direcionados por sensores e rastreamentos. Ao criar essas novas ofertas, as seguradoras devem combinar os módulos descritos na barra lateral "os blocos de construção da inteligência artificial" com as fontes de dados disponíveis. Por exemplo, as seguradoras podem misturar a visão de máquina e dados de satélite para automatizar citações no seguro de propriedade. Para selecionar o melhor seguro para um cliente, uma seguradora pode combinar aprendizado de máquina e dados históricos de clientes e agentes de vendas para recomendar a próxima melhor oferta. Na detecção de fraude, algumas startups já estão começando a usar fotografias e visão de máquina para identificar riscos em potencial. Finalmente, as seguradoras podem melhorar o gerenciamento de riscos, alimentando os dados do cliente, como o comportamento de direção monitorado por sensores, em um mecanismo de aprendizado de máquina. Nesse campo, é provável que os fornecedores tenham mais experiência e possam tirar proveito de sua escala analisando dados higienizados dos clientes. Ao configurar esses processos, as empresas devem estar cientes do que outros setores estão fazendo. Por exemplo, a Goldman Sachs realiza sua primeira rodada de entrevistas com funcionários com a tecnologia de vídeo movida a IA de uma startup; e a solução de segurança cibernética da Cyclance para que ele reconheça malware, como o recente ransomware do WannaCry, em milissegundos. À medida que o tempo passa, no entanto, a visão da máquina, o reconhecimento de fala e os blocos de construção de processamento de linguagem natural se tornarão cada vez mais úteis para entender os dados não estruturados, e a geração de fala ajudará na comunicação escrita padrão.
In dealing with core processes, it is helpful to break down a discrete process, such as sales and pricing, to identify specific use cases. To select the best insurance for a customer, an insurer can combine machine learning and historical customer and sales-agent data to recommend the next best offer. Within fraud detection, some startups are already beginning to use photographs and machine vision to spot potential risks. Finally, insurers may be able to improve risk management by feeding customer data, such as sensor-monitored driving behavior, into a machine learning engine.
Many support (or back-office) processes are similar across industries, and vendors even offer some customer-facing solutions such as chatbots. In this field, vendors are likely to have more experience and may be able to take advantage of their scale by analyzing sanitized data from customers. In setting up these processes, companies should be aware of what other sectors are doing. For example, Goldman Sachs conducts its first round of employee interviews with AI-powered video technology from a startup; and Cyclance’s cybersecurity solution for IT recognizes malware, such as the recent WannaCry ransomware, in milliseconds.
Insurance depends quite heavily on structured data, so it is not surprising that artificial intelligence developers can build many use cases with the building block we call “learning from data.” As time goes on, however, the machine vision, speech recognition, and natural-language processing building blocks will become increasingly helpful in making sense of unstructured data, and speech generation will assist in standard written communication.
Além da empresa: como os pools de valor da indústria podem mudar
Coletivamente, casos de uso e cenários em potencial podem influenciar estruturas inteiras da indústria. Os carros autônomos, por exemplo, afetarão não apenas os fabricantes de carros, mas também os motoristas, proprietários de frotas e padrões de tráfego nas cidades. A cidade de Boston determinou que os veículos autônomos poderiam reduzir o número de veículos em trânsito e o tempo médio de viagem em 30%. As necessidades de estacionamento cairiam pela metade, e as emissões cairiam por dois terços. (Ver Veículos autônomos, robo-taxis e a revolução da mobilidade urbana , BCG Report, julho de 2016.)
Cuidados de saúde oferece outro exemplo dramático. Consiste em vários setores, incluindo tecnologia médica, biofarmacêuticos, pagadores e fornecedores, cada um com interesses distintos e muitas vezes concorrentes. A indústria é o cenário de experimentação desenfreada de IA em toda a cadeia de valor, particularmente nas áreas de P&D, diagnóstico, prestação de cuidados, gerenciamento de cuidados, modificação do comportamento do paciente e prevenção de doenças. Obviamente, mudanças de valor para jogadores individuais dentro dos setores variarão, e haverá vencedores e perdedores em cada setor. Inicialmente, a maioria das empresas se beneficiará da incorporação de IA nos processos operacionais internos (as setas rotuladas 1 no Anexo 2). As empresas e pagadores de biopharma provavelmente obterão o máximo desses esforços, porque podem aproveitar as eficiências de P&D, marketing personalizado e funções de suporte simplificadas.
Exhibit 2 illustrates one potential scenario for how overall health care value pools may shift with the increased adoption of AI. Of course, value shifts for individual players within sectors will vary, and there will be winners and losers in each sector. Initially, most companies will benefit from the incorporation of AI into internal operational processes (the arrows labeled 1 in Exhibit 2). Biopharma companies and payers are likely to gain the most from these efforts because they can take advantage of R&D efficiencies, personalized marketing, and streamlined support functions.
Nos próximos cinco anos, esperamos que a IA obtenha tração significativa no diagnóstico de doenças. Os agentes visuais de IA já superam os líderes de radiologistas no diagnóstico de algumas formas específicas de câncer, e muitas startups e gigantes da tecnologia estão trabalhando em métodos habilitados para AI para detectar câncer ainda mais cedo e fornecer prognósticos cada vez mais precisos. No cenário de cuidados primários, a IA pode melhorar ou substituir algumas interações médicas. Enquanto isso, o diagnóstico remoto pode eliminar ou reduzir drasticamente o número de visitas aos pacientes ao hospital para algumas condições. É provável que essas mudanças beneficiem principalmente as empresas MedTech (Arrow 2), enquanto possivelmente prejudicam as empresas de biofarma (seta 3) e, em certa medida, os fornecedores (seta 4), como melhores diagnósticos e métodos de prevenção de prevenção Reduzir a demanda por tratamento. Essa tendência deve beneficiar os consumidores à medida que os pagadores passam por economia e estabelecer novas taxas para fornecedores e empresas de biofarma (as setas rotuladas 5). Por fim, é provável que a maioria das empresas compre pelo menos algumas de suas soluções de IA dos fornecedores de tecnologia (as setas rotuladas 6), incluindo players tradicionais de tecnologia que entram no espaço de saúde. Como alternativa, as empresas de biofarma podem fazer movimentos mais ousados em diagnósticos, e a medicina personalizada pode decolar, abrindo novos pools de lucro. Além disso, os pagadores poderiam desenvolver diagnósticos remotos, enquanto os fornecedores começam a incorporar a IA em seus protocolos de tratamento do paciente. Em quase qualquer cenário, os fornecedores de MedTech e Technology lucrarão. A abordagem geral é um pouco semelhante ao que defendemos a estratégia digital, mas a IA apresenta algumas nuances importantes. (Ver "
With its intrinsic performance metrics, artificial intelligence will likely accelerate the trend toward value-based health care—the practice of paying for outcomes rather than volume. This trend should benefit consumers as payers pass along savings and set new rates for providers and biopharma companies (the arrows labeled 5). Finally, most companies are likely to buy at least some of their AI solutions from technology vendors (the arrows labeled 6), including traditional tech players that enter the health care space.
This possible scenario—which would occur against a backdrop of increasing demand for health care—could improve health outcomes, but biopharma companies could feel the heat. Alternatively, biopharma companies might make bolder moves in diagnostics, and personalized medicine might take off, opening up new profit pools. Furthermore, payers could themselves develop remote diagnostics, while providers start incorporating AI into their patient treatment protocols. In almost any scenario, medtech and technology vendors will profit.
Playing the AI Opportunity to Win
With so much uncertainty surrounding the development of AI, the smartest play for most companies is to develop a portfolio of short-term actions, based on current trends, and to prepare for future opportunities by building up capabilities and data infrastructure. The general approach is somewhat similar to what we advocate in digital strategy, but AI presents some important nuances. (See “ O jogo duplo de estratégia digital , ”BCG Artigo, outubro de 2015.)
Como começar
Os executivos devem dividir sua viagem de IA em três etapas: ideação e teste, priorização e lançamento de pilotos e ampliando.
- Ideação e teste. At this stage, companies should rely on four lenses: customer needs, technological advances (especially those involving the AI building blocks), data sources, and decomposition (or systematic breakdown) of processes—to identify the most promising use cases. (See “ Competindo na era da inteligência artificial , ”Artigo do BCG, janeiro de 2017.) As necessidades do cliente oferecem orientações cruciais para descobrir que a IA valiosa usa. Os clientes podem ser externos ou, no caso de funções de suporte, internas. Uma compreensão profunda dos desenvolvimentos nos blocos de construção de IA será crítica para incorporar sistematicamente os avanços da tecnologia. Pode descobrir áreas que a IA pode automatizar. Hurdles de capacidade - Entradas críticas para a próxima etapa.
For companies with limited AI experience, we strongly recommend including a second, parallel testing stage based on a use case that is likely to deliver value, is reasonably well defined, and is only moderately complex. This test will help the organization gain familiarity with AI and will highlight data or data integration needs and organizational and capability hurdles—critical inputs for the next step.
- Priorizando e lançando pilotos. Os testes feitos na primeira etapa fornecerão informações sobre os requisitos de tempo e a complexidade de possíveis pilotos. Executives should prioritize pilots on the basis of each pilot’s potential value and speed of delivery. The testing done in the first step will provide insight into the time requirements and complexity of potential pilots.
Depois que a organização selecionar um conjunto final de pilotos, ele deve executá-los como sprints de teste e aprendizado, assim como no desenvolvimento de software ágil. Como a maioria dos pilotos ainda terá que lidar com a integração e processamento de dados Kludgy, eles serão imperfeitos. Mas eles ajudarão a priorizar e definir corretamente o escopo das iniciativas de integração de dados e a identificar os recursos e a escala necessários para um processo de IA totalmente operacional. Cada sprint deve fornecer simultaneamente o valor concreto do cliente e definir a infraestrutura e a arquitetura de integração necessárias. Embora essa etapa possa durar 12 a 18 meses, o ritmo em andamento de sprints ágeis deve maximizar o valor e limitar as principais correções de curso inesperadas. AI e tenha uma compreensão intuitiva do que é possível. Em vez de simplesmente ler contas na mídia de novas maravilhas, eles poderiam começar a experimentar o Playground Tensorflow ou fazer cursos on -line instrutivos e amplamente disponíveis. Na sua essência, os algoritmos são simples; E além do jargão misterioso, o campo é bastante acessível. Por esses motivos, os executivos devem ser capazes de desenvolver uma compreensão funcional do tópico.
- Scaling Up. The last phase consists of scaling up the pilots into solid run-time processes and offerings, and building the capabilities, processes, organization, and IT and data infrastructure. Although this step may last 12 to 18 months, the ongoing rhythm of agile sprints should maximize value and limit major, unexpected course corrections.
While pursuing this operational program, executives should be implementing a set of activities to prepare themselves and their organization for the task of putting artificial intelligence to work.
- Understanding AI. Executives need to know the basics of AI and have an intuitive understanding of what is possible. Instead of simply reading accounts in the media of ever new wonders, they could start to experiment with Tensorflow Playground or take instructive and widely available online courses. At their core, algorithms are simple; and beyond the mysterious jargon, the field is quite accessible. For these reasons, executives should be able to develop a functional understanding of the topic.
- Execução de uma verificação de saúde da IA. Além disso, eles devem entender o nível de acesso a dados internos e externos. Executives should have a clear view of their starting position regarding technology infrastructure, organizational skills, setup, and flexibility. In addition, they should understand the level of access to internal and external data.
- Adicionando uma perspectiva da força de trabalho. Embora as preocupações dos funcionários com a perda iminente de emprego geralmente exageram a situação real, a introdução da IA cria estresse emocional e a necessidade de reciclagem em larga escala. Pense em um funcionário da fábrica que trabalha ao lado de um robô, um gerente de compras que recebe informações de um aplicativo ou um agente de call center assumindo perfeitamente uma interação de um chatbot. A comunicação, educação e treinamento no local de trabalho precisam fazer parte do design dos pilotos iniciais em diante. A melhor maneira de combater essa incerteza é planejar e testar vários cenários e criar um roteiro amarrando as iniciativas individuais. Esses esforços permitirão que as empresas modifiquem sensivelmente seu plano original e abordem suas implicações em relação a dados, habilidades, organização e o futuro do trabalho: AI could become disruptive to workforces. Although employee concerns about imminent job loss often exaggerate the actual situation, introducing AI does create both emotional stress and the need for large-scale retraining. Think about a factory employee working alongside a robot, a procurement manager receiving input from an app, or a call center agent seamlessly taking over an interaction from a chatbot. Workplace communication, education, and training need to be part of the design from the initial pilots onward.
Thinking Beyond Tomorrow
The future of AI—including the extent of its potential to shift value creation in a radical way—remains highly uncertain. The best way to combat this uncertainty is to plot out and test several scenarios and to create a roadmap tying together the individual initiatives. These efforts will enable companies to sensibly modify their original plan and address its implications with regard to data, skills, organization, and the future of work:
A melhor maneira de combater a incerteza sobre o futuro da IA é planejar e testar vários cenários e criar um roteiro de unir as iniciativas individuais.
- dados. Felizmente, pelo menos em alguns campos, os modelos de aprendizado de máquina podem começar com um conjunto inicial de dados e melhorar à medida que adicionam mais dados. Mas como a quantidade de dados disponíveis dobra a cada dois anos, é essencial vantagem competitiva com base em dados anteriores - o acesso privilegiado a dados futuros. Por exemplo, os participantes da pesquisa estão divididos sobre a questão de saber se os dados proprietários, uma mistura de dados públicos e de propriedade da empresa ou dados de domínio público são mais prevalentes em seus setores. Criticamente, a quantidade de exclusividade geralmente determina vantagem competitiva, que ressalta a necessidade de os executivos entenderem em maior profundidade o valor e a disponibilidade de fontes de dados em sua indústria e empresa. E as empresas que possuem recursos avançados de IA geralmente lutam para contratar e reter cientistas de dados que conhecem a IA. Essa necessidade imediata diminuirá ao longo do tempo à medida que as universidades e fornecedores de educação on -line expandem suas ofertas de IA. A longo prazo, uma habilidade mais valiosa pode ser a capacidade de gerenciar equipes de cientistas de dados e executivos de negócios e integrar insights e recursos de IA nos processos, produtos e serviços existentes. Breakthroughs in AI largely depend on access to new, unique, or rich data assets. Fortunately, at least in some fields, machine learning models can start with an initial set of data and improve as they add further data. But since the amount of available data doubles every two years, competitive advantage based on past data is highly perishable—privileged access to future data is essential.
Our joint research project with MIT indicates that data ownership is a vexing problem for managers both across and within industries. For example, survey respondents are divided on the question of whether proprietary data, a mix of public and company-owned data, or public-domain data is most prevalent in their industries. Critically, the amount of exclusivity often determines competitive advantage, which underscores the need for executives to understand in greater depth the value and availability of data sources within their industry and company.
- Skills. Our research with MIT shows that only a small fraction of companies understand the knowledge and skills that future AI will require. And the companies that do have advanced AI capabilities often struggle to hire and retain AI-savvy data scientists. This immediate need will diminish over time as universities and providers of online education expand their AI offerings. Longer term, a more valuable skill may be the ability to manage teams of data scientists and business executives and to integrate AI insights and capabilities into existing processes, products, and services.
- Organização. A questão mais crítica é a necessidade de flexibilidade organizacional e trabalho em equipe multifuncional entre pessoas com IA e experiência em negócios, pois as pessoas e máquinas da organização trabalham juntas cada vez mais de perto. Isso é verdade se a aplicação em questão é carros autônomos, marketing em tempo real, manutenção preditiva ou funções de suporte nas empresas globais. Uma entidade central coleta e processa dados de todos os agentes descentralizados para maximizar o conjunto de aprendizagem e, em seguida, implanta novos modelos e ajusta esses agentes com base no aprendizado centralizado do pool de dados agregado. Companies are divided about whether a centralized, decentralized, or hybrid organizational model offers the best approach to AI, according to our research with MIT. The more critical issue is the need for organizational flexibility and cross-functional teamwork among people with AI and business expertise as the organization’s people and machines work together more and more closely.
Apart from overall organizational design, it is becoming increasingly clear that AI, as a technology, works best in structures that emphasize decentralized actions but centralized learning. This is true whether the application in question is self-driving cars, real-time marketing, predictive maintenance, or support functions within global companies. A central entity collects and processes data from all decentralized agents to maximize the learning set, and then it deploys new models and tweaks to those agents on the basis of centralized learning from the aggregated data pool.
- Futuro do trabalho. Mas, apesar dos temores de que a IA leve à iminente perda de empregos em larga escala, nossa pesquisa com o MIT sugere que efeitos limitados ocorrerão no futuro próximo. A maioria dos entrevistados não espera que a IA leve a uma redução de emprego em suas empresas nos próximos cinco anos. Mais de dois terços dos participantes da pesquisa não estão preocupados que a IA automatize seus empregos; Pelo contrário, eles têm a esperança de que a IA assuma tarefas desagradáveis que atualmente executam. Ao mesmo tempo, quase todos os entrevistados reconhecem que a IA exigirá que os funcionários aprendam novas habilidades, assim como a mecânica de automóveis teve que expandir seu conjunto de habilidades. A diferença é que eles não terão décadas para se adaptar, portanto, podem precisar aproveitar novas ofertas educacionais e a própria IA para acelerar o processo de rescisão. As organizações precisam ser flexíveis, mas os funcionários e executivos também. A melhor preparação para o sucesso a longo prazo é criar a capacidade de mudar. AI will undoubtedly influence the structure of future work. But despite fears that AI will lead to imminent large-scale job loss, our research with MIT suggests that limited effects will occur in the foreseeable future. Most respondents do not expect that AI will lead to a job reduction at their companies within the next five years. More than two-thirds of the survey participants are not worried that AI will automate their jobs; to the contrary, they have hopes that AI will take over unpleasant tasks that they currently perform. At the same time, almost all the respondents recognize that AI will require employees to learn new skills, much as auto mechanics have had to expand their skill set. The difference is that they will not have decades to adapt, so they may need to leverage new educational offerings and AI itself to speed up the reskilling process. Organizations need to be flexible, but so do employees and executives. The best preparation for long-term success is to build the capacity to change.
AI transformará fundamentalmente os negócios. Sua melhor chance de ter sucesso é ajustar o hype e fazer o trabalho necessário. Não há substituto para a ação. O Instituto envolve os líderes em discussões e experimentações provocativas para expandir os limites da teoria e prática dos negócios e traduzir idéias inovadoras de dentro e além dos negócios. Para mais idéias e inspiração do Instituto, visite
The BCG Henderson Institute is Boston Consulting Group’s strategy think tank, dedicated to exploring and developing valuable new insights from business, technology, and science by embracing the powerful technology of ideas. The Institute engages leaders in provocative discussion and experimentation to expand the boundaries of business theory and practice and to translate innovative ideas from within and beyond business. For more ideas and inspiration from the Institute, please visit
Insights em destaque
.
