让创新之光，点亮梦想
让创新之光，点亮梦想
首次发布：19 三月 2020
任何创新过程的核心都是一种基本实践：人们创造想法和解决问题的方式。创新的这种“决策”方面就是学者和从业者所说的“设计”。到目前为止，创新过程中的决策都是由人类做出的。当它们可以被机器取代时会发生什么？人工智能 （AI） 将数据和算法带入创新过程的核心。人工智能的这种传播对我们理解设计和创新有什么影响？人工智能只是另一种数字技术，类似于许多其他技术，不会显着质疑我们对设计的了解吗？还是会在设计中产生当前理论框架无法捕捉到的转变？
本文提出了一个理解人工智能时代设计和创新的框架。我们讨论了对设计和创新理论的影响。具体来说，我们观察到，随着创造性的问题解决在很大程度上是由算法进行的，人类设计越来越成为一种意义构建的活动，即理解哪些问题应该或可以解决。这种焦点的转变需要新的理论，并使设计更接近领导力，这本质上是一种意义创造的活动。
我们的见解来自人工智能前沿的两个案例——Netflix和Airbnb（辅以微软和特斯拉的分析），它们为公司设计和创新的演变指明了两个方向。首先，人工智能使组织能够通过提高流程的可扩展性、扩大其跨越传统边界的范围以及增强其动态学习和适应能力来克服过去人力密集型设计流程的许多限制。其次，也许更令人惊讶的是，在消除这些限制的同时，人工智能似乎也深入制定了几种流行的设计原则。因此，人工智能强化了设计思维的原则，即：以人为本、演绎和迭代。事实上，人工智能能够创建比基于人的方法更高度以用户为中心的解决方案（即，为每个人设计的极端粒度水平）;可能更具创造性;并且通过整个产品生命周期的学习迭代不断更新。
总而言之，虽然人工智能并没有破坏设计的基本原则，但它深刻地改变了设计的实践。传统上由设计师执行的问题解决任务现在被自动化到学习循环中，这些学习循环不受数量和速度的限制。嵌入在这些循环中的算法的思维方式与以系统视角全面处理复杂问题的设计师截然不同。相反，算法通过非常简单的任务来处理复杂性，这些任务是不断迭代的。本文讨论了这些见解对设计和创新管理学者和从业者的影响。
人工智能 （AI） 的采用在几乎所有工业环境中都受到了极大的关注，从医疗保健服务到汽车制造。结合无处不在的数字传感器、网络和基于软件的自动化，人工智能正在改变我们的经济并定义一个新的工业化时代。从阿里巴巴到Airbnb，这个“人工智能时代”的定义是出现一种基于数字运营模式的新型公司，创造了前所未有的机遇和挑战（Iansiti and Lakhani，2020a，2020b，2020c）。
随着公司发展到采用越来越以人工智能为中心的运营模式，他们正在将越来越多的重要业务流程数字化，从许多关键运营活动的执行中消除人力和管理。例如，与传统公司的流程不同，没有工人为亚马逊产品定价或使企业有资格在蚂蚁金服获得贷款。当人类开发算法并编写软件代码时，解决方案的实际实时创建是自动化的，并且完全由数字技术实现。
随着经济的不断转型，利用传感器、数字网络和算法，创新过程也在迅速变化。无论产品是完全由软件组成，如iPhone应用程序，还是更传统的以硬件为中心的工件，如特斯拉汽车，现代产品越来越多地与创建它们的组织联系在一起，提供连续的数据流，详细说明用户体验的许多方面。此外，嵌入在产品本身中的软件使信息以另一种方式从公司流向用户，为特定人员提供特定的解决方案，不断实时改善体验。这些即时的双向互动代表了越来越多的商品和服务，从Netflix视频流到特斯拉Model 3。实际上，这些创新解决方案会随着用户体验而实时发展。
重要的是要注意，要带来我们所描述的那种戏剧性的变化，我们不需要特别先进的人工智能概念。人工智能不必与人类行为没有区别，也不必能够模拟人类推理——在计算机科学领域有时被定义为“强人工智能”。我们不需要完美的人类复制品来优先考虑社交网络上的内容，优化完美卡布奇诺的配方，分析客户行为模式，了解设计权衡的含义或个性化产品。我们只需要一个计算机系统来执行传统上由人类执行的简单任务，例如识别图像或处理自然语言。这就是传统上定义的“弱AI”（Iansiti 和 Lakhani，2020a）。不完美、弱的人工智能，通常由爆炸性的机器学习领域提供支持，在大规模复制时已经足以产生重大变化。
如上所述，人工智能深刻地改变了创新发生的环境。为什么？人工智能本质上是一种决策技术：它提供了自动化许多与学习和设计解决方案相关的任务的机会。因此，当人工智能应用于创新环境时，它可能会改变创新决策的制定方式，特别是在如何创建和测试新颖的解决方案（无论是商品、服务还是流程）方面。这种创新核心的决策实践就是学者们所说的设计（Liedtka，2015）。事实上，最终，设计是“设计旨在将现有情况转变为首选情况的行动方案”（Simon，1982，第 129 页）。因此，研究人工智能如何影响创新过程需要探索它如何影响设计。
在本文中，我们通过探索 Netflix 和 Airbnb 等先驱组织的战略，探讨人工智能对设计和创新管理的影响。我们的分析解决了三组问题：
关于人工智能和设计实践的问题：人工智能可能在多大程度上改变设计的实践方式，即做出哪些决定以及如何做出？人工智能引起的环境转换是否改变了设计过程和设计行动的对象？例如，哪些决策可以自动化，哪些不能？
关于人工智能和设计原则的问题：如果人工智能在设计实践中引发重大变化，这些变化是否会使设计的基本原理受到质疑？例如，以用户为中心是否受到质疑？在人工智能时代，设计实践是否遵循明显不同的原则？
最后，关于人工智能和设计与创新理论的问题：对我们用来解释设计和创新的理论框架有什么影响？人工智能的广泛采用是否需要新的研究问题以及对设计如何推动组织创新的新理解？
本文的结构如下。我们首先介绍设计原则，特别关注设计思维的最新发展。然后，我们介绍了一个框架，可以将传统的人力密集型设计实践与人工智能时代的设计实践进行比较。然后用Netflix和Airbnb的案例来说明该框架。接下来，我们将讨论这些案例（在特斯拉和微软经验的额外信息的支持下），以分析设计原则和实践受人工智能影响的程度。最后，我们分析了对设计和创新理论和学者的影响。
为了研究人工智能是否以及在多大程度上改变了我们对设计的理解，我们根据两个层次的分析（Orlikowski，2010）来构建我们的讨论：实践和原则。设计实践是指特定背景下的设计现象学：它的过程（“如何”做出设计决策;通过哪些阶段、方法、工具或协作实践）和设计对象（做出哪些设计决策;它创造了哪种新颖的解决方案，无论是商品、服务还是过程）。相反，设计原则指的是为设计行为提供信息的观点和哲学，并构成设计是什么的本体论。这两个分析级别之间的区别使我们能够更好地辨别人工智能如何影响设计。人工智能是否正在改变我们的设计方式，或者它是否通过重构激发设计行为的基本原则而在更深层次上发挥作用？为了回答这个问题，我们首先介绍设计的原则，因为它们来自当前关于设计和创新理论的讨论。然后，我们将说明在人工智能出现之前，这些原则是如何实例化到设计实践中的。最后，我们引入了一个框架来分析这些原则如何在人工智能的背景下制定。
设计实践的原则是什么？关于设计本体论的科学辩论在设计理论领域得到了发展，并做出了丰富的贡献（例如参见Galle，2002;爱，2000;马戈林，1989;马戈林和布坎南，1996）。鉴于我们专注于组织环境中的设计实践，我们采取了更具体的观点：设计思维。这种观点利用了设计理论文献的主体，并对其进行了调整，以解释设计驱动的创新如何在商业环境中发生。尽管设计思维一词存在一些歧义，但管理学者提炼其原则的努力趋向于三个基本因素（见Calabretta和Kleinsmann，2017;戴尔时代、考特拉、马吉斯特雷蒂、韦尔甘蒂和祖洛，2020 年;米歇尔、威尔纳、巴蒂、穆拉和比佛兰，2019;塞德尔和菲克斯森，2013;特别是Liedtka，2015，将设计思维原则与设计理论原理重新组合）：
以人为本：创新，当设计驱动时，灵感来自对用户的同理心。设计驱动的创新不是由技术的进步和可能性驱动的，而是源于从用户的角度理解问题，以及对什么对她有意义的预测。例如，我们可以在民族志研究的实践中认识到这一原则。
演绎：设计采用创造性的方法来解决问题，这使它与管理中其他解决问题的实践区分开来，正如Boland和Collopy（2004）所阐明的那样：“我们将经理描绘成面对一系列必须做出选择的替代方案。这种决策态度假设很容易提出要考虑的替代方案，但很难在其中做出选择。相比之下，解决问题的设计态度假设很难设计一个好的替代方案，但是一旦你开发了一个真正好的替代方案，关于选择哪个替代方案的决定是微不足道的“（第 ix 页）。因此，设计意味着想象新的，而不是在集合中找到解决方案;正如Simon（1982）所说，设计“不关心必要的，而是关注偶然的——不是关于事物如何，而是关于它们可能如何”（第十二页）。从逻辑推理的角度来看，这意味着设计通过绑架来解决问题：设计不是仅仅利用演绎推理（事物如何）和归纳推理（事物可能如何），而是通过演绎推理（通过对事物可能如何的假设）进行创造。这就是为什么设计通常与创造力和构思而不是分析联系在一起。例如，我们可以在头脑风暴的实践中认识到这一原则。
迭代：通过快速的测试周期不断调整和改进外展。在这些循环中构建的原型充当对话和学习的“游乐场”（Schrage，1999）。他们让团队和用户参与迭代，其中测试和完善解决方案，直到获得令人满意的结果。例如，我们可以在设计过程早期构建基本模型的实践中认识到这一原则。
当然，将设计原则付诸实践的方式取决于设计发生的操作环境。我们今天所知道的大多数设计实践都依赖于人类的决策。由于这种劳动密集型的设计环境，为每个用户设计不同的解决方案实际上既不可能，也不经济上方便。因此，产品（商品和服务）是为用户细分而设计的（参见图1中的“设计”阶段）。然后，通过复杂的生产架构大规模生产产品，其中包括定制（“制造”）的可能性。最后，它们被交付给“使用”（另见Clark和Fujimoto，1991）。
图1
传统人力密集型运营模式背景下的设计实践
产品发布后，上下文会发生变化。例如，市场变化，或出现新的技术机会。此外，组织可以从客户实际使用现有产品的方式中学习新的见解。然而，由于运营模式需要大量的努力和投资来重新设计产品，创新被推迟到新产品的边际价值取代其设计成本。此时，一个新的设计周期开始了。
因此，这种结构意味着两个随后的设计计划之间的时间显着分离。在产品使用过程中，学习周期被冻结，因此，解决方案迅速变得“陈旧”。新的学习和想法只能纳入未来批量、偶尔和针对客户群发布的解决方案中。
如上所述，传统的设计活动是人力密集型的。人工智能提供了彻底改变这种情况的机会。为了了解如何，我们探索了率先在设计中使用人工智能的组织案例，即Netflix和Airbnb。对这些组织的观察使我们能够开发一个原始框架（图2），该框架描述了如何在AI时代阐明设计实践。让我们简要描述一下框架的主要元素，然后在下一节中深入研究这些说明性案例的描述。
图2
AI工厂背景下的设计实践
设计意味着要做出一些决定。其中一些是高度复杂和概念性的。但大多数决策，尤其是在开发过程中，都是狭隘的，需要特定的解决问题的技能。这些详细决策的示例包括对象的功能形状选择、产品界面的详细信息或要在屏幕上显示的信息。在设计过程中有很多细节问题需要解决。人工智能提供了解决这些问题的智能。
在人工智能工厂（即在其运营模式中大量使用人工智能的组织——参见 Iansiti 和 Lakhani，2020a，2020b）的背景下，一个特定的解决方案，即个人用户实际与之交互的内容，由人工智能引擎在我们所谓的“问题解决循环”中设计。循环从客户互动或公司所在的生态系统中收集实时数据（见解）。这些数据可以立即通知嵌入在产品中的人工智能，它具有解决问题的能力（从识别对象到处理自然语言，从做出预测到得出结论）。如果构思得当，算法可以自主地为该精确用户生成新的特定解决方案，而无需人工干预。更重要的是，随着新数据的不断收集，以及人工智能引擎嵌入学习功能，问题解决循环改进了他们对用户需求和行为的预测，从而随着时间的推移设计出更好的解决方案。
因此，在人工智能驱动的系统中，许多开发决策都是通过自主和无人力资本的问题解决循环做出的。人类的工作是为新产品构思基础并设计这些解决问题的循环（参见图2 中的“设计”阶段）。然后，这些循环将在开发特定解决方案时用技术取代人员：它们无需重新设计即可轻松扩展，并且可以提供各种解决方案，而无需在研发上进行大量额外投资。
为了了解图2中的框架在实践中是如何工作的，我们研究了 Netflix 和 Airbnb 的案例。我们选择了这两个案例，因为处于人工智能应用的前沿，它们提供了在以人工智能为中心的公司背景下对设计未来的一瞥。
Netflix 通过利用大数据和 AI 的力量彻底改变了媒体格局。Netflix的核心是其以数据和AI为中心的运营模式。它由软件基础设施提供支持，该基础设施收集数据并训练和执行算法，这些算法几乎推动了业务的各个方面，从个性化用户体验到为其下一部作品挑选成功的电影概念。在本节中，我们将详细介绍 Netflix 的设计方法，深入探讨 Netflix 在其问题解决循环中部署的一些机器学习技术。
Netflix至少早在2010年就开始利用人工智能来推动其推荐引擎。2014 年，Netflix 扩展了其方法，在了解用户行为方面进行了大量投资，并为每个用户开发个性化的流媒体体验。用户今天看到的应用程序屏幕是由机器“实时设计”的。许多边界和参数由人类设计师在流程开始时指定。但是，关于放映哪些电影、如何显示它们、用哪些图片来表示它们以及许多其他设计决策都是由嵌入在 AI 问题解决循环中的算法完成的。让我们深入研究这些算法，它们实际上类似于设计过程的不同方面。
大多数人工智能系统试图解决的基本问题与预测结果有关。进行预测的工具是一种算法——机器为解决特定问题而遵循的一组规则。AI可以包含多种类型的算法（Domingos，2012）。其中一些具有用于更新和改进的内置过程，通常基于“马尔可夫决策过程”，该过程寻求对一系列行动进行建模，每个行动都由策略塑造，然后是奖励。一个例子是 Netflix 算法，该算法根据用户的实际行为动态更新其用户界面，如用户的点击所示（虽然策略决定显示的内容，但点击是“奖励”）。
虽然应用程序在过去十年中呈爆炸式增长，但算法设计的基础已经存在了一段时间。线性回归、聚类或马尔可夫链等经典统计模型的概念和数学发展可以追溯到一百多年前。今天的神经网络最初是在 1960 年代开发的，直到现在才大规模使用，具有生产就绪的输出。Netflix 的绝大多数生产就绪和可操作的 AI 系统都使用三种通用方法之一来使用统计模型（也称为机器学习）开发准确的预测。这些是监督学习、无监督学习和强化学习。
监督机器学习算法的基本目标是在预测结果时尽可能接近专家（或公认的事实来源）。经典案例是分析图片并预测受试者是猫还是狗。在这种情况下，专家将是任何视力良好的人，可以将照片标记为猫或狗。监督学习的第一步是创建（或获取）一个标记的数据集。然后将数据在训练和验证之间拆分。当我们将算法模型对结果的预测与经过验证的标记结果进行比较时，我们可以确定我们是否对预测和专家之间的误差感到满意。如果我们不满意，我们可以返回并选择不同的统计方法，获取更多数据，或者努力识别可能有助于做出更准确预测的其他特征。Netflix在各种场景中使用监督学习。对于推荐，Netflix使用了由算法认为与给定用户相似的人的操作和结果（例如，选择和喜欢的电影）组成的标记数据集。根据用户特征和决策上下文校准的用户选择的大型数据集可以产生有效的建议。
请注意，监督学习类似于人类设计的元素，如前面在设计的第一原则（以人为本）中实例化的那样。正如人类设计师沉浸在使用环境中并观察用户体验的所有可能方面一样，算法由相关的用户数据流进行训练，其中包含有关使用环境的重要信息（例如，设备类型，时间和地点等）。数据流越丰富，解决问题的循环就越以用户为中心。
与训练系统识别已知结果的监督学习模型不同，无监督学习算法的主要应用是在几乎没有先入之见或假设的情况下发现数据中的见解。在监督学习中，数据输入被标记为给定的结果，而无监督学习算法旨在找到数据中的“自然”分组，没有标签，并发现观察者可能不明显的结构。在我们的猫和狗照片示例中，无监督学习算法可能会找到几种类型的分组。根据集群的结构，这些最终可能会将猫和狗分开，或者室内和室外照片，或者在白天或晚上拍摄的照片，或者几乎任何其他东西。在这些情况下，人们不知道要寻找什么，而是在寻找相关的群体。Netflix 使用无监督学习来发现相关的客户群，或创建与不同使用模式匹配的不同版本的用户界面。更先进的是，Netflix使用数据和AI算法来预测首先要创建哪些内容。预测分析的首次应用是在2013年，与Media Rights Capital合作评估《纸牌屋》的潜力。新剧集大受欢迎，Netflix 继续开发内容，以响应对市场和用户行为的详细预测分析。原创内容副总裁辛迪·霍兰德（Cindy Holland）在接受采访时指出：“我们有投影模型，可以帮助我们了解，对于给定的想法或区域，考虑到它的某些属性，受众规模可能有多大。我们有一个流派结构，基本上为我们提供了一堆程序和其他机会领域的领域“（Spangler，2018）。
请注意，无监督学习是一个相对非结构化的设计过程，其中最后出现的模式严格基于观察（数据），而不是在过程开始时建立的。尽管该算法的核心是模拟归纳，但当在大量数据上永久存在时，无监督学习提供了反映人类绑架或构思和头脑风暴动态的见解和假设。因此，无监督学习也将设计思维的基本观点嵌入到人工智能工厂的问题解决循环中。
强化学习构成了第三种机器学习范式，在结构上最接近传统设计过程。强化学习的应用可能比监督和无监督学习的应用更具影响力。强化学习不像监督学习那样从专家对结果的看法的数据开始，或者像在无监督学习中那样从模式和异常识别系统开始，只需要一个起点和一个性能函数。系统从某处开始，探测起点周围的空间，以它是否改善或恶化算法性能为指导。关键的权衡是，是花更多时间探索超出当前理解的上下文复杂性，还是利用迄今为止构建的模型来推动决策和行动。
假设我们乘坐缆车上一座高山，我们想走下去。这是一个非常有雾的日子，山上没有任何明确标记的路径。由于我们不能只看到最好的下山路，我们必须四处走动并探索不同的选择。在我们四处走走和感受这座山上的时间与我们相信我们已经找到了最佳路径后实际走下山的时间之间有一个自然的权衡。这是勘探和开发之间的权衡。我们花在探索上的时间越多，我们就越相信我们有最好的下山路，但如果我们花太长时间探索，我们将有更少的时间来利用这些信息并真正走下去。
这与 Netflix 算法实际个性化电影推荐及其关联的视觉效果的方式非常接近。通过对用户数据的分析，Netflix认识到观众在品味和偏好方面存在巨大差异。因此，Netflix团队决定向每位用户展示专门为她设计的封面插图，该插图取材于电影的框架。艺术品将突出标题中与该特定用户特别相关的方面（Chandrashekar，Amat，Basilico和Jebara，2017）。这个问题很复杂，因为 Netflix 团队需要确定要呈现的电影选择，然后确定将哪些艺术品与该电影相结合，以最大限度地提高用户和推荐之间的匹配。平均电视节目（约 10 集）的单季总帧数接近 900 万帧。要求创意编辑有效地筛选这么多帧的视频来设计出能够吸引观众注意力的艺术品将是乏味且无效的。根据每个特定用户的喜好设计艺术品根本不可能。但是人工智能工厂，特别是强化学习循环，可以有效地解决这个设计问题。Netflix 以类似于我们之前的示例（找到下山的路）的方式，使用强化学习（特别是多臂老虎机算法）花一些时间探索选项，并花一些时间利用其模型提供的解决方案。为了探索视觉选项并优化预测模型，Netflix 系统地随机化向用户显示的视觉效果。然后，Netflix利用改进的模型向特定用户展示一系列具有改进视觉效果的推荐。Netflix 服务通过在探索和开发期间自动循环来继续动态改进，旨在最大程度地了解复杂人类的偏好，并最大限度地提高该特定用户的长期参与度。
请注意，强化学习强调平衡开发和探索，在许多方面类似于人类设计的过程，特别是前面阐明的迭代原则。正如我们在传统设计方法中看到的那样，通过广泛的探索打开漏斗可以带来更有趣和创新的决策，但必须与确保开发阶段收敛到可用解决方案方面增加的挑战相平衡。
二十年前，Netflix的运营模式包括发行DVD。通过这种邮件递送服务，Netflix只能跟踪用户查看了哪些标题，他们保留了多长时间以及他们如何对每个标题进行评级，但他们无法监控实际的观看行为。尽管Netflix已经认识到使用数据改善客户体验的重要性，但其资产和运营的繁重限制了其设计能力。但是，当Netflix在2007年推出其流媒体服务时，该公司抓住了将其运营模式转变为支持AI的运营模式的机会。通过流媒体，Netflix可以跟踪完整的用户体验 - 例如，观众在节目中暂停，倒带或跳过时，或者他们在什么设备上观看。这使得能够设计几个解决问题的循环，将设计原则提升到极致：为每个用户提供不同的解决方案，即时设计和交付。正如Netflix当时的传播主管乔里斯·埃弗斯（Joris Evers）所说：“Netflix有3300万个不同版本”（Carr，2013）。
Netflix的案例提供了一个了解组织设计实践的机会，因为它从传统的运营模式过渡到支持人工智能的运营模式。特别是，它说明了解决问题循环的工作原理，它们可以采用的不同配置，以及它们如何能够创建以人为本的解决方案。这种新的设计形式与其他实践相比如何？为此，酒店业提供了有趣的见解，因为其竞争舞台将参与者与传统和人工智能驱动的运营模式进行了对比。
在酒店业中实现以人为本本质上是极其复杂的，因为环境的特点是许多事情的多样性，包括文化、年龄、背景和旅行目的。作为文化复杂性的标志，请考虑 Booking.com 的聊天机器人翻译43种不同的语言。面对这种复杂性，该行业的传统运营模式是基于对房地产（酒店及其空间和房间）的大量投资和劳动密集型流程，需要雇用、教育和协调人员。因此，重资产公司的房间需要以或多或少标准化的方式设计，并且它们在很长一段时间内保持静止。同样，用户体验和服务的相关后端经过设计和正式化，以确保始终遵守质量标准。这种传统的运营模式在提供适合个人用户的体验方面带来了重大挑战。
为了应对这一挑战，在过去的几十年里，该行业见证了一些最频繁和最受欢迎的综合设计思维举措。设计思维在行业中的应用示例包括IDEO为洲际酒店集团开展的项目。例如，一个项目针对短期旅行者，旨在创造便捷的体验。另一个针对商务旅行者，并设计了适当的会议和工作空间。另一个项目专注于通过重新设计从如何办理入住手续到房间本身的外观和感觉的所有内容来改造智选假日酒店品牌（Wilson，2015）。这些项目中的每一个都是根据线性设计实践构建的，这是传统运营模式的典型特征：运行人种学以了解利益相关者的需求，构思为目标细分市场制定有效的体验，并依靠粗略的原型设计来确定的解决方案。为此，该行业的创新趋势是创建创新实验室，这些实验室是宽敞的空间，设计团队可以以1：1的比例对房间进行原型设计。有时，客房设计的创新被发挥到极致，直接在现场进行：万豪和希尔顿选择真正的酒店进行beta测试，客户可以直接接触到新的想法。然后将项目冻结为一个设计（房间、流程或 IT 应用程序），重资产运营商可以以适当一致的方式大规模交付。
在 2000 年代后半期，酒店业开始了重大转型。运营模式较轻的新公司进入该行业，与传统的重资产商业模式发生冲突（Iansiti 和 Lakhani，2020c）。Airbnb满足了与万豪类似的需求：为需要的客人提供空间。将管理运营的责任委托给房东，Airbnb能够克服传统的增长瓶颈，例如需要购买房间才能扩大规模。Airbnb为每个用户提供最先进解决方案的能力取决于两个因素。
首先是设计选项的广度。例如，2017年，Airbnb（成立于2007年）遍布190多个国家和8万个城市，拥有300多万台房东：是万豪国际集团客房的三倍，尽管它成立于1927年。而且，更重要的是，这三百万个房间都与其他三百万个设计不同。资产密集型企业的传统创新实践无法创造出如此多样的物理设计。
其次，如此广泛的选项必须与每个用户的需求相关联。这就是人工智能发挥作用的地方。Airbnb从与每个用户的交互中收集了大量数据。自 2016 年以来，数据科学团队在预订流程中开发了广泛的日志记录，使他们能够收集有关客人看到的内容、他们对不同类型的界面的反应、他们在列表页面上花费的时间、提出预订请求所需的时间或他们决定返回搜索的确切时间（Dai，2017）. 当客户与Airbnb的搜索引擎交互时，一个新的事件日志（即用户活动事件数据列表）被发送到中央存储库。这些日志堆积并详细说明了客户资料，以及她的偏好和行为（Mayfield，Puttaswamy，Jagadish和Long，2016）。每次客户重新连接到服务以寻找新的旅行体验时，Airbnb都会通过立即关闭他的问题解决循环来回复：从存储库中提取数据并由人工智能引擎处理以创建新的解决方案，不仅为客户本人个性化，而且针对特定交互进行个性化。
该系统的工作方式与Netflix的情况类似。更有趣的是，Airbnb是一个“双面平台”;也就是说，它与两类用户（一侧的来宾和另一侧的主机）实时交互。因此，它的AI工厂具有不同的问题解决循环，这些循环针对每种特定用户类型并行工作。为房东提供有效解决方案的问题解决循环的一个例子是Airbnb如何以即时和动态的方式设计每个单独列表的价格：通过勾选一个框，房东接受Airbnb的人工智能引擎，以利用数据流在价格范围内自动优化他们的住宿价格。人工智能引擎处理从生态系统收集的大量信息（Chang，2017），例如入住日期临近时的入住提前期变化，列表受欢迎程度（即有多少人在房东的区域周围搜索，有多少人点击进入房东的页面）和预订历史，以了解客户对价格变化的反应。结果是，每次客人要求该特定属性时，价格都是在当下设计的（Srinivasan，2018）。
人工智能提供了在平台两侧独立执行不同问题解决循环的能力，克服了传统运营模式的局限性之一：需要平衡不同利益相关者的需求。这种设计策略使Airbnb能够迅速成为其网络的中心节点。该运营模式具有极大的可扩展性，Airbnb可以提高平台两侧的服务质量，从而同时丰富用户和主机社区。在某种程度上，该案例展示了以人为本的终极：它提供了针对每个人的解决方案，包括用户和主机，以动态的方式推动个性化，并通过不断迭代进行改进。使用传统的设计实践是不可能实现这一目标的。
随着人工智能在我们的社会中传播，学者和从业者想知道这将如何影响我们对创新和设计的理解。我们前面的阐述对设计和创新学者和从业者具有重要意义。
直到今天，数字技术主要已经传播到组织的运营中，降低了制造和交付产品和服务的成本和时间。但这些产品和服务的设计在很大程度上仍然是一个人力密集型过程。回到图1，即使“制造”又快又便宜，“设计”的时间和资源也很繁重。这必然是一项间歇性的活动，在大型项目中为一部分用户进行。
人工智能极大地改变了这种情况：它将数字自动化从制造转移到设计。请注意，自动化可以简单地限制为加速传统的设计任务。例如，Airbnb正在开发一种人工智能系统，该系统可以识别设计师在绘图板上手绘的客户体验草图，并自动将其呈现为软件工程师的规范（Saarinen，2017;施莱弗，2017）.如果这是人工智能的唯一用途，那么设计实践的本质将保持不变：创新者将做他们过去所做的事情（即绘制客户体验的组成部分并将其转化为规范），但速度更快。然而，Netflix和Airbnb远远不止于此。他们将自动化直接带入问题解决中;也就是说，在详细设计选择的定义中：向特定用户显示哪个界面，创建哪些内容，与竞争对手相比如何定位产品。在这种新的背景下，设计师和工程师不仅仅是更快地做出这些决策。他们只是不制造它们，因为它们被委托给 AI。换句话说，人工智能是我们看待设计方式顿悟的刺激（Magistretti，戴尔时代和Verganti，2020;Verganti，2009，2011a，2011b）.这在对象和设计过程方面都具有深远的影响。
第一个戏剧性的变化是在设计实践的对象（设计的“什么”）上。在人力密集型设计中，人类开发的产品精确到细节层面：例如，要在屏幕上显示哪个图像。相反，对于人工智能，单个用户体验到的特定解决方案（即她在手机屏幕上实际看到的内容）不仅由人工智能提供支持的问题解决循环提供，而且还由设计。在人工智能的背景下，人类所做的不是设计解决方案（这些解决方案是由人工智能引擎生成的），而是设计这些解决问题的循环。
对象的这种变化具有破坏性影响。特别是因为大多数人工智能算法不像人类那样推理，也就是说，它们不仅仅是复制和自动化工程师或设计师的思维;他们以不同的方式工作。我们在Netflix和Airbnb案例中讨论的大多数应用程序都是弱AI的例子：它们专注于简单任务的组合（例如识别图像中的形状或两个图像是否具有不同的形状），这些任务并不像它们所取代的人类思维过程那么复杂。然而，通过数百万次复制这些任务（并用大量数据培养它们），弱人工智能可以提供复杂的预测，甚至超过人类的能力。
后果很重要。您如何设计解决问题的循环？您如何构思基于极其简单的任务的设计规则，但一旦一次又一次地复制，就可以自主地为用户提供极其复杂的解决方案？工程师和设计师不是这样接受教育的。他们的思维框架被训练成系统地接受复杂的任务。为了利用人工智能的力量，他们需要一种前所未有的能力：想象一个愚蠢的系统在大规模运行时可以做什么。
随着设计对象的变化（从设计解决方案到设计解决问题的循环），设计过程（设计的“如何”）也会发生变化。如果我们将图1与前面所示的图2进行比较，这一点很明显：在 AI 工厂的上下文中，设计过程分为两个块。首先，人力密集型设计阶段，其中构思解决方案空间并设计解决问题的循环;然后是人工智能驱动的阶段，其中通过算法为特定用户开发特定解决方案。由于流程的第二部分几乎不需要任何成本和时间，因此可以在每个用户要求的确切时刻为每个用户激活解决方案的开发。这反过来又可以利用最新的可用数据和学习，从而每次都创造出更好的新颖解决方案。不再有产品或服务蓝图充当设计和使用之间的缓冲区。设计、交付和使用 — 它们都部分同时发生。
尽管这种新做法在基于软件的数字体验领域（如Netflix和Airbnb）中清晰可见，但它在基于实体产品的行业中也越来越受欢迎。以特斯拉为例。它的运营模式反映了Netflix或Airbnb的运营模式，因为它收集了大量数据来设计用户体验。然而，为了实现解决问题的循环，特斯拉面临着一个切实的“障碍”：真正的汽车。硬件还不能实时、远程和自动地设计。因此，为了释放人工智能的力量，特斯拉必须重新构想汽车的设计，在两个不同的方向上发挥作用。首先，它摆脱了所有物理交互元素（例如按钮），将大多数控件嵌入到数字用户界面中（例如，嵌入大型中央触摸屏;兰伯特，2018）。其次，它使汽车超载了传感器来收集数据。数据来自外部来源（通常是超声波设备、GPS 输入、摄像头、雷达发射器和激光雷达）以及内部来源。随着汽车的发展，传感器收集数据并训练特斯拉的学习算法。有趣的是，其中一些传感器是“静音的”，这意味着它们尚未用于为客户提供直接价值，而是“透视”。它们在产品发布后远程激活，以启用新循环并为客户提供新服务。例如，Model 3自2017年以来一直在后视镜中配备一个面向驾驶室的摄像头。这台相机最初处于休眠状态（Lambert，2017）。直到 2019 年 6 月，由于新的软件更新，摄像头才用于识别乘员并根据特定的用户配置文件调整硬件的一些可调节组件，例如座椅、车后视镜、音乐或驾驶模式偏好（Lambert，2019）。
我们的案例表明，在人工智能工厂的背景下，设计实践在设计对象和过程方面都发生了巨大变化。人工智能是否也破坏了支撑设计的核心原则？换句话说，这种新的设计实践是否仍然以人为中心，演绎和迭代？还是植根于不同的原则？我们的观察表明，人工智能并不质疑设计思维的基本原则。相反，它进一步加强了它们。
为了支持这一说法，我们从我们的合著者之一（Iansiti 和 Lakhani，2020a）对人工智能驱动的策略进行的广泛研究的结果开始。该研究表明，人工智能通过消除三个限制来影响组织的运营模式：规模、范围和学习。本文讨论的案例表明，人工智能也消除了创新过程中的这些限制，使设计的原则以人为本，创造绑架，并通过迭代进行创新。
传统的设计实践具有明显的规模限制。作为最密集的基于人类的活动之一，它需要投入大量资源和时间。这些规模限制对以人为本构成了实质性限制，因为每次用户需要时设计解决方案都是不合理的。相反，产品是为客户群或普通用户原型设计的（因此在经典的设计思维过程中使用“角色”）。
人工智能消除了设计中重大的规模限制，因为特定解决方案的开发是由机器执行的。这样才能实现以人为本的最终水平。事实上，正如Netflix的情况所见，监督学习利用了每个用户的丰富数据流。这种对个人的关注可以扩展，而不受用户数量和数据复杂性的限制。因此，特定用户体验的解决方案（例如，用户在 Netflix 应用程序的屏幕上看到的内容）是根据她自己的数据专门为她开发的。有趣的是，规模和以人为本之间的关系现在被颠倒了。在人力密集型设计中，用户数量越多，见解越复杂，就越难关注个人。在AI工厂的背景下，用户数量越多，数据流越丰富、越复杂，机器对个人行为的预测就越好。Airbnb提供了一个更高级的例子。在这里，组织必须同时处理不同类别的个人：主人和客人。学习循环不仅不会受到这种复杂性增加的影响，而且还受益于来自市场双方的数据的集成阐述。
人力密集型设计实践在范围上也有很大的局限性。产品是为特定行业和特定目标设计的。一旦它们被发布，它们就不太可能在不同的上下文中应用。汽车被设计成一种交通工具。从那里转向娱乐服务不太可能发生。即使在同一行业内，范围的限制也很大。以前面说明的洲际酒店集团为例。IDEO为解决短期旅行者和商务旅行者而开发的解决方案需要由同一组织的不同团队和不同品牌进行不同的设计计划。因此，人力密集型设计的范围限制构成了重大限制。一旦设计大纲被定义和冻结，创造力只能在该简报的空间内发生。
人工智能可以消除范围内的许多限制。在人工智能工厂的背景下，设计概要是流动的，即使在产品发布后也可以重新构建。例如，我们已经看到 Netflix 如何使用无监督学习来发现客户口味中的新模式，这些模式在流程开始时没有建立起来。这些预测被用来支持绑架来想象新的电影系列。人工智能还使人们更容易想象全新的服务。例如，Airbnb已经扩展到“旅行体验”，为客人提供在海滩上骑马或聘请音乐家的可能性。要进入这个新行业，Airbnb利用相同的AI工厂，为AI的传统酒店服务提供支持。同样，特斯拉利用其汽车中嵌入的学习循环来补充其产品（交通），为乘客在旅途中可能享受的娱乐提供补充。
最后，传统的设计实践在学习方面存在相关的局限性。事实上，推动学习的设计-构建-测试迭代仅限于项目中。一旦产品发布，它们就会停产。来自对实际使用观察的新学习只能为未来版本的开发提供动力。因此，创新是偶发的，成群结队地发生。随着环境的发展，新的解决方案迅速变得“过时”。
人工智能极大地消除了学习的限制。请注意，AI 工厂本质上是迭代的。它们通过循环传递。正如Netflix的案例所示，每次客户访问该服务时，该公司都会激活解决问题的循环。此循环不仅利用最新的数据和算法。它还提供了一个进一步学习的新机会。特别是，该算法可以将学习策略引导到改进上，即改进其参数以更好地解决问题（例如，向特定用户显示更合适的电影封面），或探索新的机会（例如，向用户提出新的电影类别）。这种开发和探索的平衡行为，在强化学习和双臂老虎机算法的推动下，在整个产品生命周期中不断发生。
在创新方面的影响是重大的。首先，学习永无止境。特定用户在特定时刻体验的解决方案与产品首次发布时所经历的解决方案不同。这是迄今为止最先进的设计。在某种程度上，解决方案总是“新的”。第二，学习基于实际使用。这里的学习不是来自在简化环境中测试原型，而是来自产品在真实环境中的实际使用。第三，学习以人为本。现在的数据不是利用使用上一代产品（或测试原型）的其他人的见解，而是来自同一个人的早期使用。第四，每一次用户互动都是进行新实验的机会。因此，学习循环的设计逻辑与传统产品不同。后者仅包括在设计时被认为有用的功能。相反，AI 引擎被在发布时未充分利用其效用的元素重载。换句话说，它们被明确设计为具有冗余功能（Gibson，1977），正如我们在特斯拉的案例中看到的那样，内部指向摄像头已经两年没有提供任何功能了。
综上所述，人工智能工厂融入并进一步赋能设计思维的原则：超越以人为本，以一人为中心;它们促进了细分市场、利益相关者和行业的创造力，使绑架超出了产品最初设想的范围;最后，它们本质上是迭代的，将学习和创新从开发转移到产品生命周期中。
如果人工智能能够实现更先进的设计实践，那么反过来的情况也可能发生：设计可以赋予更有效、以人为本的人工智能实施。想想酒店业。Booking.com 和Airbnb都大量使用人工智能，例如个性化房源和帮助房东做出定价决策。然而，Booking.com的创新路径不是由设计驱动的，而是由大量使用A / B测试驱动的。因此，在 Booking.com 功能被“从实验室向外”而不是“从用户向内”推送。另一方面，Airbnb的DNA中融入了设计思维，因为它的两位创始人Brian Chesky和Joe Gebbia是罗德岛设计学院的校友。2011年，该公司启动了白雪公主项目，将以人为本的设计引入组织的各个层面，并重新设计竞争战略（Fields Joffrion，2018）。该项目由Rebecca Sinclair领导，她当时是用户体验研究和设计主管，也是IDEO的前设计师。“当时，像许多科技创业公司一样，我们将网站和应用程序称为'产品'，”辛克莱说。但随后“通过实践设计思维[...]我们正在寻找一个旅程[...]，想象我们的客户预订，我们看到最重要的时刻是离线的。这种线下体验——这次巴黎之旅或住在树屋里——是他们从我们这里购买的，而不是网站或应用程序。那时我们开始说，'产品就是旅行'，并开始改变我们的观点。这种设计视角在推动创新方面的结果不仅体现在将Airbnb的用户界面与 Booking.com 进行比较，还体现在Airbnb将人工智能输送到新业务类别（如Airbnb体验）开发的能力上。
微软提供了另一个关于设计在人工智能实施中的关键作用的见解。正如微软首席执行官萨蒂亚·纳德拉（Satya Nadella）所说，人工智能是其公司新的“运行时”。它的运营模式现在围绕人工智能构建。这要求该公司从根本上重组其分散在公司各个业务中的 IT 和数据资产（Iansiti 和 Lakhani，2020a）。有趣的是，转型不是由 IT 经理或 IT 专家领导的。相反，整个计划是由具有产品经验的高管Kurt Del Bene推动的，因为他是微软Office业务部门的前负责人，以及产品职能部门的领导者和工程师团队。纳德拉确实希望公司的运营流程和人工智能工厂被设计为一个设计产品而不是IT基础设施。
西蒙教授忽略了我文章中提到的可能性，即解决问题和发现问题可能需要相反的，或者至少是正交的认知策略（我所说的“认知”不仅指理性，还指情感和动机）。“（《西克森特米哈里》，1988年b，第184页）
1988年，在计算机智能的最新进展以及这对我们对认知的理解构成的挑战之前，Mihaly Csikszentmihalyi和Herbert Simon开始了一场关于创造力真正本质的争论。Simon和Csikszentmihalyi正在解决一个对创新和设计学者至关重要的问题：我们如何创造性地思考？我们如何有想法并找到解决方案？
西蒙在探索他和他的同事在卡内基梅隆大学开发的名为“培根”的计算机程序的潜力时，支持认知过程的理性观点（Simon，1988），其中创造力可以被解释为解决问题的过程（因此，部分嵌入计算机）。在随后的一篇论文中，Csikszentmihalyi对这一观点提出了质疑（1988a，第160页）：“西蒙希望证明，即创造力只不过是解决问题”;相反，Csikszentmihalyi提出“发现问题作为创造力的标志”。Simon（1988）对Csikszentmihalyi的挑战做出了反应，进一步强化了其立场（第178页）：“我会声称，正如找到解释数据的定律是一个解决问题的过程一样，找到好的问题并找到解决这些问题的相关数据是正常类型的解决问题的过程”（我们的斜体）。Csikszentmihalyi回应的本质在于本节的开场白：解决问题和发现问题确实具有不同的性质。
这场争论预示着创新和设计理论在随后几年的演变，有两个相当独立的流派展开：创新是解决问题的过程，还是创新是发现问题的过程，或者换句话说，是意义创造。第一种观点（由西蒙倡导）成为人们关注的焦点。事实上，创新学者，特别是那些研究产品开发过程的学者，主要将创新视为创造性解决问题的结果（Clark和Fujimoto，1991;克里希南，埃平格和惠特尼，1997;乌尔里希和埃平格，1995）。从这个角度来看，创新挑战可以被描述为一棵分层树（Clark，1985），其中更高层次的解决方案成为较低层次问题的目标（实施西蒙的观点，即问题发现可以被视为嵌套的问题解决）。这种观点在设计驱动创新理论的发展中也引起了更大的关注，斯坦福大学的d-school和设计思维的相关框架植根于其中（Buchanan，1992;布朗，2008，2009;凯利和凯利，2013;马丁，2009）。尽管设计思维也包含问题的框架（例如在双菱模型中），但它在理论上仍然植根于西蒙提出的解决问题的理论（其中问题框架仍然被认为是解决问题中包含的理性活动）。
过去几十年理论发展的这种重点是因为解决问题很复杂，因此需要人类付出最大的努力。然而，目前人工智能的传播正在极大地改变这种情况。解决问题现在越来越多地嵌入到人工智能工厂的自动化学习循环中。如果问题解决是由机器完成的，那么在创新中留给人类什么样的思维？人类在人工智能工厂中的作用（如图2中的“设计”阶段所示）变成了理解应该解决哪些问题，并推动算法朝着有意义的方向不断发展。这项活动的核心不是解决问题，而是发现问题。
对创新理论的影响是巨大的。事实上，正如Csikszentmihalyi（1988b）在与西蒙的争论中所澄清的那样，“解决问题和发现问题可能需要相反的，或者至少是正交的认知策略”（第184页）。这意味着，我们过去广泛用来理解创新的解决问题的理论框架，在人工智能的背景下理解人类的创造力将不太有效。我们需要用新的框架来补充这些理论。
在他的争论中，Csikszentmihalyi还提出了这些新框架的可能路径，利用了他早期对物体和产品进行的研究（Csikszentmihalyi和Rochberg-Halton，1981）：问题发现是一种意义创造的活动，或者换句话说，意义创造。仅举Csikszentmihalyi在与Simon的讨论中提出的一个简单的例子：为解决问题而创建的算法不能拒绝解决问题;它无法拔掉插头（除非此触发器已合并在其代码中）。人类可以。她可以避免创造，如果它没有意义，在道德上，情感上，或者内在动机上。
过去，将创新作为一种意义创造活动（即赋予事物和经验意义）的观点只是胆怯地在创新研究中找到了空间。一些学者，主要是在设计驱动的创新领域，已经深深地陷入了问题框架（例如参见Dorst，2015;Schön，1982，1995）和意义的创新（从Krippendorff[1989]的定义开始，“设计是有意义的事物”;另见Jahnke [2013];克里彭多夫 [2006];诺曼和韦尔甘蒂 [2014];斯蒂利亚尼和拉瓦西 [2012];韦尔甘蒂 [2008，2009];Verganti和Öberg [2013]）。我们对创新作为意义创造的理解仍然非常有限。
然而，在创新学者圈子之外发展起来的相关理论体系，我们可以利用这些理论来应对这一新的理论挑战。自从Weick的工作以来，组织中的意义创造确实在组织心理学中受到了极大的关注，该工作解决了人们如何赋予他们的集体经验以意义（Weick [1995];魏克，萨特克利夫和奥伯斯菲尔德[2005];有关广泛的评论，请参阅Maitlis and Christianson [2014]）。对创新和设计的研究特别感兴趣的是关注新意义的构建，也表示为意义给予（Gioia and Chittipeddi，1991）或意义破坏（Pendleton-Jullian和Seely Brown，2016）。
因此，未来有一个巨大的（和有趣的）空间有待探索。我们预测，创新理论未来最重要的理论发展将来自对问题发现的更深入理解，并将利用意义构建理论。此外，我们预测设计将更接近组织理论，尤其是领导力，这是一种固有的意义创造行为（Scharmer，2007）。
软件、数字网络和人工智能的出现正在推动整个经济的广泛转型。人工智能使决策和学习自动化，这是创新的核心。如本文讨论的示例所示，对创新绩效的潜在影响非常重要。通过消除人力密集型设计的典型限制（规模、范围和学习），人工智能可以在以客户为中心、创造力和创新速度方面提供更好的性能。
然而，为了抓住这种潜力，管理者需要从根本上重新思考他们的组织创新方式。在人工智能时代，设计实践与当今许多组织实施的人力密集型创新流程完全不同。例如，在人工智能驱动的组织中，人类的角色不是开发完整的解决方案（由人工智能实时发展），而是了解哪些创新问题是有意义的，构建创新工作，并建立软件、数据基础设施和解决问题的循环。
在本文中，我们说明了 Netflix 和 Airbnb 等开创性组织如何实施这种新的设计实践，以及他们如何利用它来创造价值。尽管如此，我们仍处于创新过程转型的开端，其程度很难完全捕捉。许多基本问题仍然悬而未决。例如：人工智能驱动的创新实践是否适用于任何环境，或者它们的潜力是否取决于行业或公司特定因素，包括战略或文化？或者，组织如何从人力密集型创新系统过渡到以人工智能为中心的创新系统？需要改变哪些能力（例如，我们表明设计解决问题的循环需要新的技能），哪些角色应该领导这种转变（这些变化将涉及研发、制造、销售、IT等）？随着其他开创性的管理者和组织将探索在创新中采用人工智能，这些问题将找到新的、更深刻的答案。
对于学者来说，在创新和设计理论方面的影响也是巨大的。新的理论问题出现了，需要新的框架。例如：在变革永远不会结束、解决方案永远不会“过时”的情况下，我们如何定义和概念化创新？事实上，我们已经看到，解决问题的循环可以不断学习，并继续为用户提供改进的解决方案。如何在解决方案不断发展的环境中应用渐进式和激进式创新等概念？另一个例子是创新中的问责制概念。我们已经看到，在人工智能工厂中，解决方案是由机器创建、改进和个性化的，这些机器通过快速扩展的循环运行，有可能产生意想不到的结果，包括放大偏见。当决策由机器做出时，将决策与创新结果联系起来的现有理论框架是否仍然有效？目前激励和奖励创新的模式是否仍然有效？
在我们看来，最引人入胜的理论途径之一涉及学者如何解释创新决策。首先，随着解决问题越来越多地委托给机器，人类将更深入地参与问题发现（即，集体定义哪些问题有意义）。然而，我们仍然对创新中的问题是如何发生的知之甚少。过去的创新理论主要集中在解决问题上。专注于问题发现需要新的理论镜头。在本文中，我们建议未来的创新和设计框架可以利用意义构建理论。这将使创新更接近组织理论，在组织理论中，意义构建已经深入探索，就像领导力理论一样。有一件事是肯定的——这个空间有望成为未来几年创新学者最迷人的旅程之一。
Roberto Verganti是斯德哥尔摩经济学院创新之家的领导力和创新教授，他在那里共同指导了The Garden——设计与领导力中心。他还是Leadin'Lab的联合创始人，该实验室是米兰理工大学的领导力，设计和创新实验室。罗伯托是《过度拥挤》的作者。麻省理工学院出版社于2017年出版的《在充满创意的世界中设计有意义的产品》，以及哈佛商业出版社于2009年出版的《设计驱动创新》，该书被管理学会选为乔治·R·特里图书奖，是2008年和2009年出版的六本最佳管理书籍之一。罗伯托是欧盟委员会欧洲创新理事会顾问委员会成员。（www.verganti.com)
Luca Vendraminelli是意大利帕多瓦大学的博士候选人，也是哈佛大学创新科学实验室LISH的访问学者。他的兴趣围绕着传统公司的数字化转型机制。他正在研究如何通过战略来管理数字化转型，以及人工智能对运营模式的影响。
Marco Iansiti是哈佛商学院的David Sarnoff工商管理教授，他也是创新科学实验室LISH和哈佛商学院数字计划的联合主任。他的工作发表在《产品创新管理杂志》、《战略管理杂志》、《管理科学》、《组织科学》、《研究政策》和《工业与企业变革》等科学期刊上。最近，他关于创新和数字化转型的著作在过去四年中有三年入选《哈佛商业评论》年度十大论文名单。Iansiti 撰写或合著了几本书，包括《技术集成》和《基石优势》，均由哈佛商学院出版社出版。他与Karim R. Lakhani合著的最新著作是哈佛商学院出版社出版的《人工智能时代的竞争》（2020年）。
268
收藏
分享
sz00@qualisysgroup.com
18824597098
qualisys_cs©2021 科理咨询（深圳）股份有限公司 版权所有 | 服务热线：4006 886 298
2023.01.13