【2019台灣企業 AI 領先度調查 (二)】 企業導入AI績效指標首重「營運效率」，決策與執行層級對成功定義大不同

若以產業來區分，金融、製造業、零售/流通/服務業都認為「提升營運效率」最重要。然而，個別產業重視的績效指標也大不同，對金融業而言，較其他產業更為重視 「提升客戶滿意程度」 、 「業務創新程度」。製造業、零售/流通/服務業則較強調「降低營運成本」。

金融、製造業、零售/流通/服務業三大產業，衡量 AI 導入或應用成功的績效指標重要性排序。

台大金融科技研究中心主任張智星表示，「AI 專案的績效不易衡量，除了降低營運成本外，其實決策者也應該考慮增加品牌形象。」以金融業為例，線上客服驗證客戶身份若能使用聲紋比對，或是以人臉辨識偵測臨櫃客戶的情緒，都將帶來更好的客戶體驗，自然會增加品牌形象。他建議，企業負責人要了解 AI 的能力及限制，AI 的效益不能只看 2 至 3 年，要以 10 至 20 年的長期發展作為衡量標準。而專案成員也要懂得適時運用外部顧問來說服決策者，此外，對推動專案影響到的各單位，也要每個階段都有對談跟告知受益處，取得橫向的認同。

6 成企業負責人亦重視「提升品牌市占率」，但執行層級堅守成本概念

調查發現，企業內部各職等對 AI 績效指標的看法，皆一致認同「提升營運效率」是導入 AI 成功與否的關鍵。

然而，進一步深究各職等的重要性排序，其中近 60%企業負責人，亦視「品牌市占率」為重要績效指標；55%中高階主管，也看重「業務創新程度」；70%一般職員&專業人員認為「降低營運成本」是績效指標的重要性，高於中高階主管及企業負責人。

此結果顯示決策層級與執行層級對 AI 成功與否的績效指標有認知落差。決策層級仍期望有品牌效益，希望客戶體驗更有感，但執行層級則堅守成本概念。也代表決策層級與執行層級之間需要將溝通透明化，才能讓 AI 專案更有創新的空間。

企業不同職等，衡量 AI 導入或應用成功的績效指標重要性排序。

從「小」做起讓AI成效顯見易擴散，下一波AI-少監督、多自然互動

SAS 台灣業務顧問部副總經理陳新銓說，「數位轉型前，應該先做分析轉型！先定義業務應用的場景和策略，進行資料分析的轉型。」  他建議企業把分析結果營運化、自動化，加速推展到其他部門的應用場景，最終擴展為營運效率之提升。

陳新銓進一步建議踏出 AI 應用第一步應掌握以下原則：

第一，從「小」做起：組織一個易於協作的小型團隊，給予成員清楚的時程、達成目標及合理預算，讓投資相對無痛。
第二，掌握產業核心價值：讓所有關係人理解投資 AI 的價值，選擇能搭起領域知識專家及 AI 技術人員溝通橋樑的領導者。當專案有成效之後，組織內部才有擴散力。
第三，延伸價值：不吝表揚團隊的階段性成果，鼓勵企業內其他團隊發展 AI。

展望下一波AI 發展，SAS 全球人工智慧研發中心資深副總裁Saratendu Sethi 分享四大趨勢:

第一，少量的數據仍可進行機器學習。深度學習技術未來的發展將會愈來愈像人腦，少量的樣本也可以學習識別。
第二，更多自然的互動。人機互動越來越深厚，不再只是圖像的呈現，未來將延伸更多如語音等自然語言的形式，讓機器與人回應。
第三，自動化及較少的監督。分析的生命週期很長，分析流程本身的自動化將可加速管理流程。且下一步還會使機器能運用未貼標的資料來進行訓練，這也可降低貼標偏誤的風險。
第四，AI的公民化。從前線業務人員到資料科學家，未來任何人都能做 AI 分析、使用 AI 產品。

調查說明：本次調查時間自2019年6月13日起至7月19日為止，共取得1,200+份有效樣本數。
註1：本調查所指人工智慧(AI)是企業擁有「能反覆學習或自動化的系統，其可協助或部分取代高重複性及高運算需求的人類工作，甚至做到資料驅動的自動化決策」，涵蓋有分析技術包含機器學習、自然語言處理、最佳化與時間預測、電腦視覺…等。
註2：本調查針對「AI領先度」設定三個維度作為分群依據：踏上AI分析旅程的時間長短、分析組織人數、目前已採用AI專案數量。針對問卷回覆結果，賦予各選項權重分數後，執行k-means分群演算法，最後得出「企業AI領先度四大分群」，定義如下：
1.先進者：開始AI分析3~10年，分析組織50~100人，5~10個AI專案。
2.追隨者：開始AI分析1~5年，分析組織10~20人左右，1~2個AI專案。
3.觀望者：開始AI分析1~5年，分析組織10人左右，委外的比例最高， 0個AI專案。
4.未啟動者：無AI或分析相關組織，也未採用任何AI解決方案

調查執行：《天下雜誌》天下實驗室

【延伸閱讀】

【2019台灣企業AI領先度調查 (一)】 先進者多整合外部資源，超過8成表示AI專案符合預期