2 不受束縛的企業

過去的限制成為現在的現實。我們日常的互動建立在流程建立之初所經歷的限制之上。即使這些限制隨著新技術、現代生活方式或新穎的商業實踐而消失或被克服，原有的互動框架通常依然存在。
如今，美國的聯邦選舉之所以在11月初舉行，是因為在1845年選定這個日期時，大多數人都是農民。他們發現11月初是一個方便的時間：收獲已經結束，但天氣仍然相對溫和。選舉在周二而不是周一舉行，因為當時周日是大多數人的禮拜日，而許多人需要一天時間前往幾英里外的投票站，這導致他們無法在周一投票。

商業領域也充斥著類似的例子?；叵胍幌掳僖曔_對Netflix郵寄DVD服務的無力回應。這根源于百視達創立之初的業務限制。百視達通過其門店出租錄像帶。因此，其門店需要在實體店附近，這就需要投資建設龐大的實體店網絡。其實體店組合一直很有價值——直到Netflix能夠以更低的成本和更高效的在線方式接觸客戶。百視達的致命錯誤在于，它對不斷變化的市場的反應集中在最大化其實體零售資產上。這延遲了直接而有力的在線應對，而等到它反應過來時，已經太遲了。百視達目光短淺地關注了錄像帶租賃業務的一個限制因素，而技術已經使其過時了。剩下的就是歷史了。沃爾瑪相對于亞馬遜在線零售的困境或許也可以歸因于類似的實體店管理限制。

一個更近期的例子是在線教育和學術輔助平臺 Chegg，由于 ChatGPT 的出現和教育資源獲取的民主化，該平臺的收入和股價正大幅下滑。

2.1 信息過載

企業面臨的一個主要制約因素與信息處理有關。正如赫伯特·西蒙早在 20 世紀 70 年代所指出的，組織及其信息處理系統“浸泡在極其豐富的信息湯中”。在這種情況下，西蒙發現，信息處理能力而非信息可用性是組織設計的主要制約因素。在接下來的幾十年里，這湯變得越來越濃稠，越來越令人反胃。誠然，自從西蒙首次調查這湯以來，公司的信息處理能力已經呈指數級增長——計算機變得更加強大；數據收集和傳輸速度也更快。然而，這些改進主要局限于處理結構化信息，例如處理工資單和生產計劃等相對狹窄的任務。

最近的機器學習技術使我們能夠處理更多非結構化的輸入，例如來自視頻和音頻的輸入，但它們仍然只在狹窄的任務中表現出色，例如根據歷史購買情況提供客戶推薦。信息混亂的局面依然存在：組織可獲得的大部分數據與西蒙做出其研究時一樣非結構化。不幸的事實是，大多數非結構化輸入既沒有整齊地編碼，也難以在工作表、數據庫或其他機器可讀格式中編碼。企業仍然受到限制。也許比20世紀70年代有所緩解，但仍然受到限制。它們處理信息（尤其是非結構化信息）的能力仍然很弱。

從歷史上看，處理非結構化信息的任務主要落在人類身上，無論是個人還是群體。盡管人類也需要一定的結構化數據，但直到最近，我們處理非結構化數據的效率都高于機器。在處理非結構化數據方面，我們比機器擁有更強的能力優勢。人類可以相對輕松地獲取并合并存儲在不同文件夾中且格式不同的兩個Excel工作表中的數據。我們可以編寫程序讓計算機執行此操作，但任何簡單的代碼都相對缺乏靈活性：如果以后的工作表格式稍有不同，就可能需要重新編寫代碼。

同樣，傳統算法無法回答像“為什么我的公司沒有盈利？”這樣簡單但高度非結構化的問題。即使對人類來說，回答這個問題也可能很復雜。但至少人類可以圍繞這個問題構建一個結構，然后開始系統地探索答案。然而，盡管人類擁有解決問題的能力，但他們的信息處理能力仍然緩慢、有限且多變。他們也需要時間來學習。這一切都意味著組織處理非結構化信息的成本很高。

處理非結構化信息的所謂“成本曲線”非常陡峭，并且呈凸性：處理任何給定信息單元的成本最初都很高；然后由于規模經濟而下降；然后由于信息過載而再次上升——我們需要處理的數據量超出了我們的能力和設施所允許的范圍（參見標注“成本曲線的約束、凸性和組織搜索”和圖2.2）。即使存在最佳點，它也有限且短暫。這些現實給組織帶來了巨大的時間和財務限制：挖掘企業可用的海量數據的成本非常高昂，以至于公司限制此類活動。很少有人愿意花費大量的時間和金錢去鉆研“西蒙湯”。盡管計算技術取得了飛躍，但這一關鍵限制已經持續了幾十年。那么，組織該如何解決這個問題呢？通常，它們會通過省略一些數據或步驟來簡化流程。例如，公司經常使用“樣板合同”，其中包含相同的條款，通常帶有空白處，用于填寫價格和數量等關鍵變量。盡管它們能夠容納這幾個變量，但它們基本上是一刀切的協議，無法反映不同客戶的不同需求。

在許多其他情況下也存在類似的過度簡化。例如，戰略管理中的許多框架都是2×2矩陣，這并非巧合——BCG增長矩陣、安索夫矩陣、波特的通用戰略等等。這些矩陣只使用兩個維度——通常被歸類為“高”或“低”。此類框架的流行并不意味著只有這兩個維度才重要；它可能僅僅意味著它們是最相關且可衡量的。波特的五力模型或許比二階矩陣更全面。然而，如果是波特的十七力模型，它不太可能像二階矩陣那樣受歡迎（或更容易理解），盡管后者可能更全面、更精確。

我們簡化業務流程的另一個重要方法是運用結構。我們通常會將問題分解成多個步驟來幫助解決問題，即使解決方案不需要這樣的分階段實施。如果問題高度非結構化，我們通常會先構建一個廣泛的解決方案框架，然后對其進行微調。之后，我們會對問題進行更深入、更系統的評估，并尋找解決方案。

我們這樣做是為了減少處理非結構化信息的需要。例如，為了解答企業為何未能盈利，我們可能會將搜索內容大致分為可能減少收入的因素和可能增加成本的因素。然后，我們將每個因素細分為關鍵的潛在收入和成本驅動因素，并對每個因素進行越來越細致和結構化的評估。

考慮另一個問題：產品定價。紐約州錫拉丘茲一家由一位企業家經營的小型民族食品雜貨店采用了一條簡單的規則：在分銷商收取的成本上加30%的利潤來確定零售價。這種簡化流程減少了投資和學習復雜定價軟件的需要。然而，它幾乎肯定錯失了提高利潤和客戶滿意度的機會。

即使在規模較大的組織中，類似的不成熟的流程仍然存在。大多數大型公司都認識到，通過嚴謹的決策可以提高盈利能力。然而，定價過程很少涉及基于對客戶和競爭對手反應的預期而對價格彈性進行詳細的了解。更常見的做法是在同一產品類別中尋找比較基準，或者考察不同公司之間可比的產品類別。這種方法“簡化”并“結構化”了決策過程。但它無法避免群體思維，這可能會影響市場中的所有參與者。它還會忽略其他關鍵信息，導致收益損失。更普遍的是，由于處理非結構化信息的成本高昂，組織通常會將非結構化問題分解成更小、相對獨立的部分。他們將每個部分分配給不同的團隊，以便每個團隊都能了解各自的任務要求，并在其職責范圍內完成結構化和問題解決流程。然后，組織會建立機制來協調各個團隊的工作和產出，以優化結果。這些將問題結構化的嘗試通常體現在組織的結構中，尤其是在與常見的業務挑戰相關時。這是因為組織會設立部門來處理日常流程。例如，公司通常會設立專門的銷售分析師團隊來支持銷售人員，并設立產品分析師團隊來支持產品經理。這種標準的線性方法——其中一個團隊的信息被另一個團隊用作輸入——通過減少多個參與者之間持續互動的需要來實現。
構化問題的另一個關鍵工具。例如，為了給新產品定價，市場經理可能會在組織內部組建一個專家團隊。該團隊通常會定期開會，以編制一份可比產品清單。這個過程需要一定程度的共識，但這通常
團隊成員之間的面對面互動是組織解決非結很難實現。它需要反復開會，以及大量的異步通信，例如短信、電子郵件和Slack消息。
面對面會議雖然有助于解決問題和產生想法，但成本高昂且難以擴展。它們需要在準備和后續工作上投入大量時間。為了提高效率，它們還需要熟練的協調員。

2.2 信息智能

情境感知人工智能可以大規模處理非結構化信息。它可以大大減少這種面對面互動的需求，使組織擺脫處理非結構化信息的限制。其商業優勢是多方面的。情境感知人工智能拉平了處理非結構化信息的成本曲線。它使組織能夠挖掘更多此類信息（參見標注“約束、成本曲線的凸性和組織搜索”）。而且，從解決問題的角度來看，消除約束意味著組織搜索的范圍現在可以更加廣泛（參見標注“約束、成本曲線的凸性和組織搜索”）。更廣泛地說，放松約束可以催生新的組織形式。

想想遠程辦公技術如何減少或消除了員工需要同地辦公的需求。這導致了許多“全遠程”公司的出現，例如Doist，它們沒有可識別的地理總部。在我們的案例中，放寬處理非結構化信息帶來的限制，為組織提供了重塑其線性結構的機會。這可以將它們轉變為一種不那么遲鈍、更專注于創造經濟價值的形式。我們接下來將探討這一點。

2.3 透過鏡花水月

位于紐約州康寧市的康寧玻璃博物館，對于那些對玻璃制造技術和歷史感興趣的人來說，是一個令人著迷的地方。除了精彩的玻璃藝術展覽外，博物館還讓人們得以一窺幾千年來玻璃制造工藝的演變。
在大部分時間里，人們制作瓶子都是通過管道將空氣吹入熔融玻璃塊中，然后慢慢地對其進行處理，直到玻璃塊逐漸膨脹成瓶子的形狀。生產速度很慢，而且需要玻璃吹制工人高超的技藝（博物館的許多現場表演都展現了這種技藝）。

如何簡化和加速這一過程？事實證明，機械化并非易事。將瓶頸最后成型的手工流程自動化失敗了。這是因為機器無法在玻璃瓶成型過程中握住它。1881 年，玻璃制造商菲利普·阿博加斯特 (Philip Arbogast) 解決了這一關鍵制約因素。阿博加斯特認為，通過先成型瓶頸，機器可以在吹制瓶子其余部分時抓住瓶頸。他的想法奏效了，并為后續自動化流程的發展奠定了基礎。這一經驗具有啟發意義。與玻璃制造自動化一樣，利用情境感知人工智能需要進行一些根本性的反思。

這種組織改進方法并非全新。例如，業務流程再造 (BPR) 的概念就是基于這種思路而提出的。 BPR 建議徹底重新設計核心業務流程，以顯著提升成本、質量、服務和速度等關鍵績效指標。然而，情境感知型人工智能并非旨在立即大幅改變運營流程。相反，它從根本上重新思考信息在組織中的流動方式。這種重新思考將允許使用情境感知型人工智能來緩解信息瓶頸，使信息交換能夠通過平臺介導的動態交互而非靜態的線性交互進行。我們可以將這種組織轉型稱為業務信息再造，這也是第 8 章的核心主題。

正如 Arbogast 公司圍繞其機器的能力重新設計其流程時，玻璃制造業發生了翻天覆地的變化一樣，以人工智能為中心的企業也將圍繞情境感知型人工智能的能力來設計其組織交互。在傳統的人工智能賦能企業（左圖）中，人工智能被用作某些員工、團隊或利益相關者的生產力提升工具。對于那些完全拒絕使用人工智能的組織來說，這算是一種進步，但它浪費了該技術的大部分潛力。

圖表的左半部分可能經常顯得混亂。即使使用人工智能來解析和理解非結構化信息（例如文檔），生產力的提升也僅僅是各個部分的總和，而非協同效應。這種不理想的做法之所以持續存在，是因為組織原有的結構性約束——這些約束是在人類是處理非結構化信息的唯一來源時發展起來的——仍然存在。人與人之間的信息流仍然不受技術的調節。它基本上是線性的——來回流動。組織機制嘈雜、混亂且浪費：它被漫無目的的面對面溝通所阻礙，而不是得到改善；忽略了關鍵信息；孤立了一些利益相關者；并且容易受到參與者的特質和偏見的影響。未來以人工智能為中心的企業（右側面板）將是一個完全不同的景象。它消除了原有的組織約束。因此，它提高了個人生產力，并放大了個體之間每一次聯系的價值。情境感知人工智能憑借其理解給定指令集的邏輯內容和意圖的能力，成為協調和協調個體間信息流和知識發展的核心平臺。它是積極促進和增強個體間協作的引擎。這帶來了更廣泛的組織搜索，從而產生了更廣泛的途徑和更好的問題解決方案，以及與傳統組織結構相比更豐厚的回報。

2.4 價值動力

情境感知人工智能的豐厚回報源于互動和個人努力創造價值方式的差異。個人努力在很大程度上是線性的，個人付出的努力越多，創造的價值也就成比例地越高。在其他條件相同的情況下，兩個人各自獨立工作一小時，創造的價值大約是其中一人工作一小時的兩倍（或者說，解決問題的可能性大約是其中一人工作一小時的兩倍）。

相比之下，個體互動的價值創造是高度非線性的。通過這種互動，個體可以相互學習經驗，從而提高自身勞動的生產力。此外，互動，尤其是在重點明確且管理有序的情況下，能夠促進個人想法的交流和重組。它們可以作為高質量想法的源泉，而這些想法是個人自身無法產生的。一個人的努力或知識對另一個人生產力的影響意味著，在良好中介的互動中創造的價值是參與者數量的非線性函數，甚至可能是指數函數。左側面板所示的線性結構，其價值份額更多地來自個人努力，而非互動。這是因為它們將互動主要限制在“相鄰”個體之間——那些在地理、層級或社會關系上相近的人。情境感知人工智能消除了這種相鄰約束。作為一個中介和協調平臺，它允許更多參與者進行有意義的互動。因此，它提升了互動的價值創造。

一個顯而易見的問題——任何參加過會議的人都知道——是，參與者越多并不總是越好。人員過剩的會議效率低下，甚至會陷入混亂。但情境感知人工智能作為中介平臺不同于會議。首先，它不一定像會議那樣同步。更重要的是，它的作用不僅僅是增加人與人之間的聯系。相反，它可以利用情境感知來評估組織情境中的問題；幫助協調具有相似想法和目標的參與者；并提供建議以促進發現和解決問題。
假設一個產品開發團隊正在研究一個想法，而銷售團隊正在與潛在客戶討論新產品的理想功能。再想象一下，一個法律團隊正在獨立調查組織更感興趣的知識產權問題。法務團隊的想法可能與產品團隊的工作相關，甚至可能對其產生影響。然而，鑒于兩個團隊在線性結構中的組織距離，這種距離可能直到流程后期才會顯現。作為中介平臺，情境感知人工智能 (Context Aware AI) 可以更早地標記出這種相互依賴關系。這可以實現更好的協調，并使兩個團隊能夠做出更豐富的決策。同樣，情境感知人工智能 (Context Aware AI) 可以仔細搜索團隊生成的臨時工作以及非結構化的市場情報報告和公司政策文件。通過這種綜合搜索，它可以提供洞察：例如，了解團隊的想法如何與公司整體政策和行業趨勢保持一致。需要注意的是，即使在現有組織內，大部分洞察也可以實現。

這種架構將法律團隊和產品開發團隊分開作為調解和協調互動的平臺，情境感知人工智能具有三重優勢：它降低了人機交互的成本；成倍地提高了交互質量；并增強了交互的產出。對于任何給定的任務來說，此類交互越重要，情境感知人工智能就越有可能改進它們。正如我們在下一章中討論的那樣，要實現這一點，情境感知人工智能必須能夠感知嵌入在非結構化數據中的信息，并基于這些信息進行推理。如今的大型語言模型充其量只是中等感知能力的機器。除了更好的感知模型之外，我們還需要一層額外的推理模型，以便驗證并推斷出企業最終用戶的最終建議。情境感知人工智能確實有其局限性。正如我們將在第五章中探討的那樣，有助于建立信任和建立關系的互動不太可能從中獲益良多。此類互動將繼續以人為本，情境感知型人工智能或許會扮演一些輔助角色。

情境感知型人工智能在建立信任和關系后，能夠有效處理非結構化信息。總體而言，它將最有利于那些依賴于與任務協調和創意生成相關的非結構化信息的互動。然而，即使是此類互動，情境感知型人工智能的全部潛力也只有通過重大的業務轉型才能實現，我們將在第7-9章中對此進行探討。這種轉型將涉及摒棄先前結構化的做事方式。然而，這種轉型可以通過一系列細小而謹慎的步驟來實現。它需要在組織外部構建一個龐大的支持生態系統，而這需要隨著時間的推移才能實現。它還需要對個人對組織的貢獻以及組織如何衡量和獎勵他們進行深刻的反思。
正是這些挑戰將為有抱負的企業家和有遠見的管理者提供機遇。

參考資料

• 軟件測試精品書籍文檔下載持續更新 https://github.com/china-testing/python-testing-examples 請點贊，謝謝！
• 本文涉及的python測試開發庫 謝謝點贊！ https://github.com/china-testing/python_cn_resouce
• python精品書籍下載 https://github.com/china-testing/python_cn_resouce/blob/main/python_good_books.md
• Linux精品書籍下載 http://www.rzrgm.cn/testing-/p/17438558.html
• python八字排盤 https://github.com/china-testing/bazi
• 聯系方式：釘ding或V信: pythontesting

2.5 關鍵要點

? 約束決定了組織互動的方式——處理非結構化信息的困難限制了組織搜索的范圍
? 情境感知人工智能憑借其理解情境的能力，可以放寬甚至消除許多此類約束
? 為了充分發揮情境感知人工智能的潛力，組織需要從根本上重新思考其信息和價值結構，并將情境感知人工智能置于組織互動的中心。

情境感知人工智能減少了組織面臨的約束。這主要體現在兩個方面：降低成本曲線的凸度并拓寬組織搜索的范圍。
考慮人工處理非結構化信息的成本。它的成本曲線呈U形。起初，單位成本隨著信息處理范圍的增加而下降。最終，成本再次開始上升。曲線較早下降的部分代表規模經濟效應。
處理信息的單位成本下降，因為無論處理的信息量多少，設置和學習成本變化不大。例如，審查一份合同可能需要一臺計算機，但一旦計算機設置好，我們就可以在同一臺計算機上審查多份合同，從而降低審查每份合同的成本。

然而，隨著處理的信息量的增加，更多的限制因素也隨之出現。這導致了規模不經濟。單位成本上升。例如，在審查了十幾份合同后，人們可能會感到疲倦、注意力分散、容易出錯，這會增加成本。最近的研究表明，即使是人類對風險的感知也會在高度復雜的條件下發生變化。如果成本曲線呈 U 型，組織會試圖在曲線的最小點附近運營，從而受益于規模經濟，但規模又不會太大，以免規模不經濟阻礙其發展。
情境感知人工智能處理非結構化信息的成本曲線形狀相似，但更平坦。與人工處理類似，甚至可能更甚，設置情境感知人工智能也需要固定成本，從而產生規模經濟。然而，由于受到的限制比人類更少，情境感知人工智能很可能在更高的處理量下達到最低成本。它不會在評估 12 份合同后就分心，而是很可能在需要重新校準或額外培訓之前審查數百份合同。成本曲線的平坦化意味著組織現在會選擇使用情境感知人工智能處理比人類處理更多的非結構化信息。請注意情境感知人工智能曲線的最低點位于人類曲線最低點的右側。

成本曲線這些方法提供了簡化優化的巧妙方法。然而，它們忽略了組織決策中固有的一些豐富性。組織中的問題解決——尤其是那些具有復雜相互依賴關系的問題——被分析師描述為在“崎嶇的績效圖景”中搜索。
管理者是探索者，尋找高績效的巔峰。然而，正如研究人員James March和Herbert Simon指出的那樣，管理者受到信息獲取渠道的限制，并受個人之間社會關系的束縛。這些企業登山者無法看到整個圖景——他們必須進行昂貴且不確定的學習才能找到頂峰。
這些限制既限制了搜索的范圍，也限制了對圖景中最高峰的可見性。假設一個組織位于放大鏡標記的位置。它只能搜索一小塊區域——圖中陰影區域。找到任何高峰都需要時間，而且很可能只會到達較低的一個峰（B或C）。如果約束條件足夠強，那么組織可能永遠都不會意識到最高 A。放松約束條件可以擴大搜索范圍（即陰影區域的大小）。這有雙重好處：加速問題解決，并增加發現和到達最高峰的可能性。