数据资本时代

公司是否可以重组其内部结构，将类似的决策集中在一个管理部门，从而产生机器学习系统运转所需的足够多的数据呢？富国生命保险会使用沃森，恰恰是因为该公司的一个部门正在评估类似的理赔要求，他们有足够多的数据可以让沃森承担起这份工作。如果日常管理决策与日常办公决策没有太大区别，那么若有足够多的数据，机器学习系统是否能同时完成这两种决策呢？这与权力下放的旧理念没有太大区别——通过分散任务，人们会随着时间的推移而积累特定专业技能的经验，从而提高决策效率。因此，在越来越多的公司管理部门中，数据驱动的管理决策自动化，似乎已成为合情合理的下一步计划。

公司朝这个方向的努力迹象当然会出现。黛西智能公司（Daisy Intelligence）等数据驱动机器学习系统供应商，已经向零售商提供了一个综合的决策辅助系统工具包，以帮助它们管理库存、选择每周的特价商品、将产品安排到合适的交易厅、优化产品定价等。该系统肯定不会为夫妻店或时尚精品店做客户细分，因为这些类型的商店无法产生足够多的数据。但是对于那些销售成百上千款产品、面临激烈竞争、需要对库存和价格做出类似决定的中型零售商来说，该系统可能正是它们所亟须咨询的专业顾问。这类系统不仅可以提高日常管理决策的质量，而且将以更低的成本进行决策。那些低层级的、常规的、由专业人员驱动的、与公司的其他部门几乎没有相互依赖关系的管理决策，在有足够多的数据支撑的情况下，势必会自动化；管理者本身也将被数据驱动的机器学习系统取代。

出于同样的原因，那些没有足够多数据支撑的、非常规的，或者需要与公司其他部门进行大量合作的管理决策，在很大程度上不会受到自动化的影响。从个体层面来说，人们通过彼此分享信息来实现与他人的非正式合作，比如讨论一下下班后喝点儿什么，比用机器人来做决策要容易得多。一个机器学习系统如果只使用某管理部门的数据，那么它根据这些数据所做出的决策，对于这个部门而言或许是一个好决策，但对于整个公司来说，这个决策多半是糟糕的。

在涉及多个管理部门的复杂决策环境中，人力资源管理者面临的困难会更少一些。他们经常能够在发挥好自己在本部门的专长的同时，运用好自己与其他部门的同事交流合作的能力。这些经理都拥有所谓的T形技能，可以将自己在某特定领域的专长（由字母T的竖条代表），深入融合到与其他领域的经理们的合作中（由字母T的横杠代表）。机器学习系统有可能获得纵向的专业知识，但是它们自身的设计阻止了它们进行横向合作。如果不能拥有可以超越本部门视野的决策者，公司就会分崩离析。这一点对于人类来说应该是一个令人欣慰的消息：作为公司的高层决策者，我们也许仍然是不可替代的，至少在机器学习系统获得通用决策技能之前会如此。通用决策技能目前还是人类独有的技能，机器学习系统需要接受关于很多不同决策的大量数据的培训之后，才有可能获得这种技能。

这个消息对于我们来说不仅只是一个安慰。了解机器学习系统的局限性，还可以让我们弄明白，一个成功的管理者需要拥有什么样的技能：未来的公司领导者不应该只想在一个领域里拥有深厚的专业知识，而要做一个典型的多才多艺的通才。这样的管理者会在许多领域都拥有相当多的知识，因此他们将有能力根据不同的环境来处理信息，把握全局，而不是只见树木不见森林。此外，未来的公司领导者还需要超越那些与决策直接相关的技能，拥有合作能力，即促进跨部门和跨学科协调合作的能力。

最后，或许也是最重要的，就是只有人类管理者才能促进更激烈的创新。这种创新不是机器学习系统提供的持续改进，而是不包含在数据中的激进的新思想。由于缺乏人类的想象力，目前的人工智能系统还没有任何参照标准，可以用来指导处理完全未知的情形。当然，这一点最终也有可能被改变。也许我们将会意识到，激烈的创新其实没有那么激进，它只是对现有思想的延伸。或者，机器学习系统也可以通过引入随机性来模拟激进的创新。为了让机器学习系统学会创新，世界各地的专家正在积极地寻求各种策略，尽管他们所取得的成绩还非常有限。至少到目前为止，创造力对于机器学习系统来说仍是一个难题。在这个难题得到解决之前，公司仍然需要人类管理者来引领复杂的创造性破坏过程。美国著名的奥地利裔经济学家约瑟夫·熊彼特认为，创造性破坏是彻底革新的源泉。