您的企业对AI的使用只会增加，这是一件好事。数字化使企业能够在原子层面上运营，每天就单个客户、产品、供应商、资产或交易做出数百万个决策。但是这些决策不能由在电子表格中工作的人类做出。
我们将这些精细的、AI驱动的决策称为“微观决策”（借用Taylor和Raden的“足够智能的系统”）。它们需要一个彻底的范式转变，从做决定转向“关于决策的决策”。您必须通过规则、参数和算法在新的抽象级别进行管理。这种转变正在每个行业和各种决策中发生。在本文中，我们提出了一个框架，说明如何考虑这些决策以及如何确定最佳管理模型。
微观决策需要自动化
微观决策的性质需要一定程度的自动化，特别是对于实时和更高数量的决策。自动化是通过算法（决定如何做出微观决策的规则、预测、约束和逻辑）实现的。这些决策算法通常被描述为人工智能（AI）。关键问题是，人类管理者如何管理这些类型的算法驱动系统？
从概念上讲，自治系统非常简单。想象一下没有方向盘的无人驾驶汽车。驾驶员只是告诉汽车去哪里，并希望得到最好的结果。但是一旦有方向盘，你就有问题了。您必须告知司机他们何时可能想要干预，他们如何干预，以及当需要干预时您将通知他们多少时间。您必须仔细考虑您将提供给驾驶员的信息，以帮助他们做出适当的干预。
任何微观决策都是如此。当有人参与时，您需要仔细考虑如何设计一个决策系统，使人类能够与机器进行有意义的交互。
我们开发的四种主要管理模型根据人类干预的级别和性质而有所不同：我们称之为HITL、HITLFE、HOTL、HOOTL。重要的是要认识到这是一个范围，虽然我们已经提取了关键的管理模型，但根据人和机器之间的划分，以及人类与系统互动的管理抽象级别，存在一些子变体。
管理选项的范围
人机交互（HITL）：人类由机器协助。在这个模型中，人类在做决策，机器只提供决策支持或部分自动化某些决策或部分决策。这通常被称为智能放大（IA）。
收集和处理废物以及回收是一项复杂的工作，从天气到当地噪音条例，从停车场布局到门锁，从回收类型到倾倒地点，驾驶员的可用性和卡车能力，所有这些都在高效运营中发挥着作用。一家财富500强公司正在大力投资使用AI来改善其运营。他们认识到，AI的价值通常来自于帮助人类更好地完成工作。一个例子是帮助调度员更有效地处理票据和路线。许多因素都会阻止服务活动的顺利进行，例如，需要特定的钥匙或代码、可以或不能取货的时间窗口、宽度和长度限制、移动或打开物品的说明、临时施工等等。
最近开发的机器人会爬取多个系统中的所有工单和请求，以识别可能影响特定停靠点的任何内容，并引起调度员的注意。它会主动识别当前设置的路线的所有可能问题（并在白天添加、移动或删除停靠点时重新执行此作），并且调度员可以在努力寻找向飞行中路线添加请求的最佳方式时被动地使用它。人工调度员监控系统通过自动化数千个有关服务工单的决策来释放他们一天中20-25%的时间
异常的人工循环（HITLFE）：在此模型中，大多数决策都是自动化的，人工只处理异常。对于例外情况，系统在做出决定之前需要人类的一些判断或输入，尽管它不太可能要求人类做出整个决定。人工还控制逻辑以确定哪些异常被标记为需要审核。
一家美妆品牌开发了一种机器学习（ML）算法来预测不同类型促销的销售增长，以取代现有的人工方法。ML预测考虑了优惠、营销支持、季节性和蚕食等因素，以创建自动预测。对于许多促销活动，ML预测效果很好，但经理们在最初的成功之后很快就失去了信心，随后很快出现了一些极端的失败，这导致了严重的销售额损失。当数据科学家审查预测时，他们发现ML算法难以预测某些类型的促销活动。他们没有放弃该项目，而是开发了HITLFE方法。关键是要把机器预测的置信度编纂成文，并让人类在机器置信度低的情况下例外地审查预测。
人机交互（HOTL）：在这里，机器由人工协助。机器做出微观决策，但人工审查决策结果，并可以调整规则和参数以适应未来的决策。在更高级的设置中，机器还会推荐参数或规则更改，然后由人工批准。
一家欧洲食品配送企业需要管理其骑行车队，并使用电子表格来规划未来一小时/每天/一周所需的“送货时段”数量。然后，他们部署了各种激励措施，例如，提高每次交付率，使司机的供应与预期需求相匹配。这是一个高度手动且不精确的过程，他们决定开发一个完全自动化的系统来测试他们的手动方法。结果很有趣。有时人类表现得更好，有时机器表现得更好。他们意识到他们错误地构建了问题。真正的问题是如何让人类和机器协作。这导致了第二种方法，他们不是由人类在驾驶员级别进行管理，而是设计了一组控制参数，允许管理人员在风险、成本和服务之间进行权衡。这种方法承认了系统的动态性质，需要做出可能随时间变化的权衡，以及保持工作趣味性的关键需求！
人类循环外（HOOTL）：在这个模型中，机器由人类监控。机器做出每一个决定，而人类只能通过设定新的约束和目标来干预。改进也是一个自动化的闭环。根据人类的反馈进行调整是自动的。
“五月花号”自动驾驶船正在使用雷达、GPS、人工智能摄像头、数十个传感器和多个边缘计算设备探索世界海洋。但它没有剧组。由于人类完全置身于循环之外，五月花号必须感知环境、预测航线、识别危险、应用碰撞规则并遵守海洋规则。它的AICaptain自主地完成这项工作，以实现负责该项目的人类预先设定的目标。人类回到岸上，只需告诉它去哪里。
可能出错的地方
一家美国旅游企业实施了一个完全自动化的HOOTL系统，用于Google上的关键字营销。营销团队能够输入预算和目标，然后系统自动确定数百万个关键词之间的支出和竞价逻辑的最佳分配。该系统起初运行良好，既提高了效率，又改善了结果。但是，当系统性能开始不佳时，团队无法解释原因或采取任何纠正措施。这是一个完全基于专有算法的黑盒系统，但在实践中无法管理，团队又回到了他们旧的基于规则的系统。
如果绩效提高（即使是一段时间），管理者会很高兴，但如果决策开始表现不佳，那么要弄清楚新流程的哪个要素应该归咎于新流程的哪个因素是一项极其复杂的任务。例如：算法决策可能过于不透明，无法通过监管审查，也无法向不满意的客户解释。响应算法收集的反馈而自动更改算法可能会产生算法偏离轨道的竞争条件。太多的决策可能会被提交人工审查，这极大地限制了算法的价值。或者人工参与算法可能处于错误的级别，导致算法被人工用户边缘化。
解决方案的一部分是为给定的决策选择正确的人工参与模型。此外，每个微观决策系统都应该受到监控，无论有多少人为参与。监控可确保决策“良好”或至少适合现在的目的，同时还可以创建发现问题并随着时间的推移系统地改进决策所需的数据。衡量决策有效性也很重要：至少应捕获两个专注于决策有效性的指标。任何现实世界的商业决策都不能通过只关注一个指标来优化，总是需要权衡取舍。此外，您应该始终捕获有关系统如何做出决策的信息，而不仅仅是实际做出的决策。这既可以有效地解释“错误”的决定，也可以将次优结果与决策方式的具体情况相匹配。最后，您应该跟踪业务成果并将其映射到决策的制定方式。
确定哪种型号适合您
重要的是要认识到，这些系统将随着时间的推移而发展，这得益于新技术、组织做出更多外科手术决策的愿望以及管理层对自动化的更大信心。您必须决定什么级别的人工管理是可能的和可取的，以及您对风险和迭代的偏好。没有正确的答案。
无论您采用哪种模型，我们认为将AI放在组织结构图和流程设计中以确保人类管理者对其输出负责至关重要。对更多自主系统的需求、消费者对即时响应的需求、供应链的实时协调以及远程、自动化环境，所有这些都使组织内AI的使用增加成为必然。这些系统将代表您做出越来越细粒度的微观决策，从而影响您的客户、员工、合作伙伴和供应商。要取得成功，您需要了解与AI交互的不同方式，并为每个AI系统选择正确的管理选项。
