智能選擇重塑決策與生產力
在面對市場動盪時，企業若要保持盈利茁壯，管理層必須意識到，僅僅做出更好的決策是不夠的——他們需要更好的選擇。選擇是決策的原材料；如果沒有多樣化、詳細且高質量的選項，即便是最好的決策過程也會表現不佳。傳統的數據面板和記分卡由傳統會計和合規要求定義，雖然能夠可靠地衡量進度，但無法產生創造優秀選擇所需的洞察力或前瞻性。它們並非為此而設計。
生成式人工智能和預測系統則是專為此而設計的。它們可以揭示隱藏的選項，強調被忽視的相互依存性，並建議通往成功的新途徑。這些智能系統和代理不僅支持更好的決策——它們還激發了這些決策。在市場速度和適應性更為重要的今天，人工智能增強的測量系統越來越能夠使管理層更好地預測、適應和超越競爭對手。我們的研究提供了令人信服的證據，證明預測和生成式人工智能系統可以被訓練為提供更好的選擇，而不僅僅是更好的決策。
機器設計的選擇可以——而且應該——賦能其人類對應者。正如梅奧診所自動化中心的醫生負責人兼主席Anjali Bhagra所解釋的，“基本上，無論是人工智能、自動化還是其他創新技術，我們所做的一切都是在幫助我們的團隊解決問題，並減少醫療服務交付中的摩擦。我們的倡議是由人設計，為人服務。”
各級的領導者、經理和員工可以利用植根於精密數據分析、合成和模式識別的智能系統，共同創建智能選擇架構，這些架構會提示更好的選擇，進而導致更好的決策，並帶來更好的結果。由諾貝爾獎經濟學家Richard Thaler和法律學者Cass Sunstein在其著作《助推：改善有關健康、財富和幸福的決策》中提出的“選擇架構”一詞，指的是通過有意識地“組織人們做出決策的環境”來影響選擇的實踐。
Thaler和Sunstein的工作借鑒了行為經濟學研究中的豐富實證文獻，探討了特定因素（例如選擇數量、默認選擇的包含以及選擇的描述）如何影響決策。將人工智能整合到選擇架構設計和生產過程中，進一步加強了設計與決策之間的聯繫。人工智能驅動的選擇架構的特點在於其能夠創新地與人類決策者互動，並通過反饋環路學習做出更好的建議和選擇。
智能選擇架構可以設計決策環境，通過注入和構建“非傳統”選項來引導管理者進行更具創新性的思考。例如，在腦力激盪新產品特徵時，一個智能選擇架構可能會包括來自不相關行業的外卡選項，從而促進創意的交叉授粉。
智能選擇架構還可以學習以能夠對抗執行委員會風險規避偏見的方式呈現戰略選擇。例如，智能選擇架構可以將潛在的收購描述為“增長機會”而不是“財務風險”，從而微妙地鼓勵更大膽的決策。
隨著人工智能和人力資本的戰略投資進一步交織，前瞻性的領導者將認識到，智能測量系統可以通過生成新穎的選項、預測結果和引導選擇來改善組織的決策行為。通過設計關鍵戰略和運營決策的環境，這些結構將塑造決策的企業未來以及領導者選擇追求戰略願景的方式。
因此，我們認為，為了更好的選擇而進行的智能測量對運營和戰略決策、生產力測量和組織設計具有巨大的影響。
智能測量帶來更好的選擇和更好的決策
將人工智能驅動的測量能力轉化為可執行的洞察、助推和選項有效地創建了動態智能選擇架構。這些結構將人工智能的洞察嵌入決策框架和流程中；提供個性化、預測性和具倫理意識的選擇；並幫助用戶將決策與企業目標對齊。
例如，智能數據分析可以為銷售、供應鏈和營銷決策提供顯著更好的管理選擇：這裡的關鍵交付物是選擇，而不是答案。智能測量代理可以提供準確和詳細的洞察，使數字雙胞胎能夠為供應鏈運營提供更高效或更具創新性的建議。領導者可以期待從其在HR到軟件開發到勞動力自動化等領域的算法投資中獲得更好的選擇和建議——而不僅僅是“最佳”答案。
這些好處不僅僅局限於高管層。智能選擇架構可以重新定義整個組織的決策權。在客戶支持方面，人工智能增強的選擇架構可以根據對客戶行為、交易和情感的實時數據分析，向人類代理提供量身定制的建議。預測性指導可以幫助客戶支持團隊更高效地解決問題——例如，提高首次呼叫解決支持票的百分比——同時提高客戶體驗。在高壓環境中，這些系統可以通過提供更多個性化的選擇來賦能面對客戶的員工，而不是告訴他們該做什麼。這種做法尊重並反映了一定的“決策權”意識。
智能選擇架構必須嵌入負責任的人工智能原則的可解釋性、可解釋性和透明性要求。
同樣，智能選擇架構可以通過自適應KPI儀表板提供的可操作洞察來支持中層管理者和監督者的決策，這些儀表板展示了優化團隊績效、緩解運營瓶頸或調整項目時間表的決策路徑。在這種情況下，管理者不僅僅從選項菜單中選擇；他們將收到有關替代方案之間權衡的建議。例如，人工智能可能會分析銷售數據趨勢，並建議在不要求員工承擔不合理工作量的情況下滿足季度目標的策略，或者發送與改善追加銷售或提升機會相關的員工績效警報。突出銷售數字在操作上和分析上是次要的，重點是主動引導管理者進行“可助推”的改善以提高團隊生產力和士氣。這是否會引發倫理、法律和隱私問題？是的。因此，智能選擇架構必須嵌入負責任的人工智能原則的可解釋性、可解釋性和透明性要求。
在HR方面，智能選擇架構訓練可以通過整合員工績效、滿意度和職業發展數據來突出智能選擇以更好地指導和指導管理層。它們可以建議個性化的職業道路，識別潛在的領導者，或者建議目標培訓計劃以更好地提升員工技能或彌補技能差距。
例如，沃爾瑪正在探索使用人工智能來識別隱藏或被低估的人才，沃爾瑪的人才產品與設計副總裁Ben Peterson稱之為零售商的“未被發現的寶石”。正如Peterson所解釋的那樣：“誰在弗里斯科，得克薩斯州的2463號店工作，而我們不知道？我們如何利用技術來了解我們的員工群體，並識別我們希望在五年或十年後達到的技能差距？”此外，沃爾瑪尋求使用人工智能來識別即時學習和發展機會，使員工能夠實現他們的目標以及我們看到的需求。Peterson說：“我們如何為未來的角色做好準備？”答案是提供更好的選擇，以幫助他們為自己和沃爾瑪做出更好的決策。
智能選擇架構還為重新思考和重新設計關鍵績效指標和結果做出了重大貢獻。如果製造業預測到比預期更長的停機時間，智能選擇架構可能會自適應地與中層管理者互動，建議資源重新分配、工作流程調整或人員調動。智能測量系統確保生產管理者不僅僅是對KPI波動做出反應，而是主動預測問題，以避免昂貴的升級。
選擇合適的選擇架構
哪種智能選擇架構最適合特定用例或情況？智能選擇架構應該優先考慮客戶體驗還是員工體驗？運營財務決策應該優化客戶終身價值還是季度現金流？管理者應該將自己的個性化智能選擇架構指南、護欄和建議公開給同事嗎？最終，智能選擇架構應該反映並尊重由高層管理（或組織內其他地方——這是一種選擇）確立的決策權。當權衡選擇架構選項時，領導者應明確考慮這些系統將如何與用戶互動，並將其與最適合其工作的任務或職責聯繫起來。
以下是一些智能選擇架構的選項：
最佳決策的助推算法：人工智能可以結合Sunstein和Thaler的助推策略，輕柔地引導領導者做出更優化的決策，而不限制或威脅他們的實際或感知自主權和自由裁量權。這通過微妙地優化結果，同時保持決策者的自主性，來提升企業決策。這建立了智能選擇架構師和這些系統用戶之間更大的信任。
個性化決策環境：人工智能驅動的測量系統可以創造量身定制的決策環境，反映個別領導者、管理者或員工的獨特角色、過去的選擇和環境。就像亞馬遜、Netflix和Spotify為個人消費者量身定制其推薦一樣，這些個性化選項明確與專業偏好、優先級或情境需求對齊。
預測選擇建模：通過利用歷史數據和人工智能分析，這些系統提供前瞻性洞察，預測各種戰略決策的可能結果和權衡。預測能力鼓勵領導者主動評估其選擇的潛在影響及其可能的結果。
複雜性管理：人工智能可以將大量複雜數據簡化為可執行的洞察，從而使決策者能夠更高效地導航複雜的選擇環境。複雜性減少增強了決策的清晰度和可見性，同時確保領導者專注於最有意義的指標。
倫理決策：人工智能可以將倫理考量嵌入智能選擇架構中，以透明地指導戰略決策與組織價值觀和合規性對齊。這種整合慶祝負責任的決策，這些決策反映了更廣泛的企業目標，既為利益相關者，也為投資者和運營者。
重新思考生產力：從輸出到結果
智能選擇架構對於定義、設計和衡量企業生產力具有巨大的影響。智能測量系統分析大量相關數據並識別重要模式，現在可以提供有關最有可能產生理想結果的選擇、機會和輸出的洞察和建議。它們可以衡量對結果的貢獻，而不僅僅是輸出。當適當嵌入數據流和工作流中時，智能選擇架構可以生成並優先考慮影響的測量，而不是活動的測量。這種能力使高管能夠重新審視和重新思考他們對人力、財務和其他形式資本的生產力願景。坦率地說，智能選擇架構可以幫助領導者更有效地將其有形和無形資產的回報對齊。
一個例子是一家大型國際銀行，它在COVID-19疫情後重新崛起，但卻面臨著一個不愉快的現實：一項又一項的調查顯示，多數員工表示他們參加了太多的會議——而且大多數會議都是浪費時間。調查結果揭示了文化和運營方面的痛點，這些痛點導致了一些人工智能試點項目，探索不同的途徑，使會議對參與者更有價值。
在其中一個更成功的試點中，所有的演示材料、會議記錄和議程都被輸入到一個大型語言模型（LLM）中進行總結、合成和分享。即時生成的輸出是簡潔的要點總結和建議的下一步行動。參加這些LLM支持的會議的參與者報告的滿意度顯著高於調查結果中的會議滿意度水平。這些發現為管理者和高層管理者提供了一種新的方式來衡量和評估團隊會議和合作對按時、按預算交付項目以及提高質量和可靠性的貢獻。
一個更持久的影響來自於那些使用這些總結和下一步行動來改善後續協調和合作的參與者，他們生成了建議的議程和未來會議和對話的清單。會議不再是“浪費時間”，而是成為了價值增值互動的機會，使員工能夠改善他們如何優先考慮自己的時間、任務和努力。這個用例說明了LLM功能的有意應用可以改善會議質量和結果。
組織設計的影響：決策權
為領導者和管理者提供智能選擇的選擇架構不可避免地引發了關於決策權的重要且無法避免的問題。何時遵循自動化建議會引發問責問題？在什麼條件下可以忽略機器生成的選項或建議？隨著生成式人工智能系統學習成為更有能力的選擇架構師，決策權將如何改變對於有才華的人類工作者？領導者將無法避免智能選擇架構的組織設計影響。
考慮例如RACI（負責、負責、咨詢、告知）框架方法來分配項目管理的決策權和責任。在一個清晰且有意義的意義上，RACI代表了決策權的選擇架構。通過結構化和明確組織決策角色，有效的RACI實施明確和具體地塑造了選擇的呈現和做出方式。
向Sunstein和Thaler致歉，這個框架推動了組織行為向更清晰、更高效和更負責任的決策邁進。RACI在決策權和責任的明確背景下體現了選擇架構原則。將LLMs與傳統的RACI方法結合起來，增強了RACI的操作實施。一個智能的RACI框架將：
基於實時數據和期望結果預測最佳責任分配。
隨著項目背景的變化靈活調整決策權。
為每個角色個性化選擇架構，提高決策質量。
預測和優化不同RACI配置對項目成功的影響。
主動識別決策瓶頸並建議責任重新分配。
這一轉變將把遺留的RACI從一個僅在項目某個階段設置角色的僵化框架轉變為一個自適應測量和學習系統，該系統不斷學習更好地分配決策權。
共同創造更好的選擇、決策和結果
如果領導團隊決定創建它們，智能選擇架構可以賦能各級管理者和員工，以更大的自主性和洞察力行動。在越來越準確的分析支持下，這些結構重塑了領導者、管理者和員工如何建設性地與數據互動、評估和行動。隨著領導者成為學習、學習學習、適應和改進的智能系統的管家，他們需要重新評估自己作為主導決策者的默認角色。重新思考權威、問責制和決策權成為一個關鍵的戰略和文化優先事項。決策權必須像驅動它們的數據和模型一樣動態。關鍵的高管問題不再是預測和生成式人工智能是否會接管決策，而是人類專業知識和人工智能將如何相互補充，共同創造更好的選擇、決策和結果。
這是MIT SMR與塔塔諮詢服務公司合作開展的新“重大想法”研究計劃中的第一篇文章，旨在了解智能測量如何改變領導決策和組織設計。我們將在明年初發布另一篇文章，分享更多的研究結果，並在明年夏天發布一份長篇報告。
編輯評論：
這篇文章深入探討了人工智能在決策過程中的潛力，特別是在創造更好選擇方面的作用。文章強調了選擇架構的設計如何影響決策質量，並指出了人工智能可以如何通過提供新穎和未被發現的選項來改善決策過程。這不僅僅是技術進步的問題，更是關乎組織如何重新思考和設計其內部運作方式。文章中的案例，如沃爾瑪和國際銀行的例子，展示了如何將這些理論應用於實際情境中，並獲得顯著成果。
然而，這也引發了一些倫理和隱私的問題，特別是在決策權和問責制方面。隨著AI系統在決策過程中扮演越來越重要的角色，如何在系統建議和人類判斷之間達成平衡將成為一個重要的議題。此外，在設計選擇架構時，如何確保其透明性和可解釋性也是一個需要關注的問題。這些挑戰需要企業在實施AI技術時謹慎考慮，確保其應用符合企業價值觀和法律要求。
總結來說，這篇文章提供了一個全面的視角，展示了人工智能如何不僅僅在技術層面上推動創新，還在組織設計和決策文化上帶來變革。隨著技術的進一步發展，這些選擇架構將成為企業競爭力的重要組成部分，並可能徹底改變我們對生產力和決策過程的理解。
以上文章由特價GPT API KEY所翻譯
