波士顿咨询集团(BCG)本周发布了一则有趣的推文：
“在传统的学习模式中，重要的知识是静态的和持久的。展望未来，有必要为动态学习建立组织能力”。
该推文链接到一篇题为“竞争学习率”的文章，其中详细介绍了信息变化的格局，公司如何竞争学习速度以及人与机器相结合的优势。
其作者，纽约BCG亨德森研究所的高级合伙人兼董事总经理兼董事Martin Reeves和BCG经济学家Kevin Whitaker表示，“新技术，特别是人工智能，有可能推动商业学习的速度达到新的高度 - 数据的体积和速度已经爆炸，算法可以以前所未有的速度解锁复杂的模式和见解“。
然而，Reeves和Whitaker说，“以算法的速度学习需要的不仅仅是算法本身。新技术可以加快个人流程步骤的学习，但要创造集体的组织学习和竞争优势，必须通过组织创新来补充”。
他们还表示，企业不能忽视全球大趋势，即“由社会，政治和经济力量驱动的缓慢变化的背景变化”，这些变革“正在变得像快速发展的技术一样重要”。
与商业和经济，数字化及其他方面的大量技术改进一样，作者强调了研究中证明的共同主题 - 人的因素对于这一过程仍然至关重要。Reeves和Whitaker说，结果是“领导者必须重新发明他们的组织，以协同地利用人力和机器能力，以便将学习扩展到更快和更慢的时间尺度”。
这是至关重要的，因为虽然算法使“公司能够以超人的速度运作，了解市场并在几秒甚至几毫秒内作出反应”，但是人类最能理解变化的“需要考虑的时间范围”。
让机器做他们最擅长的事情
理想情况下，公司将发展为允许技术，信息收集以及收集和处理数据的算法“变成'自我调整' - 立即感知市场变化并响应算法时间尺度”。
对于仍然坚持组织运营和层级的指挥和控制方法的一些公司和经理来说，这将是不舒服的。但是，作者说，“鉴于当今技术的力量，领导者应该让机器做他们最擅长的事情 - 并专注于需要明显人类能力的关键问题”。
公司将“数据，人工智能算法和自动执行以集成的方式连接起来，只需最少的人工干预”，以便机器能够做到这一点。结果是“闭环算法学习过程产生良性循环：更多数据使算法更强大，帮助决策引擎改善公司的产品选择或实现，从而增加产量并产生更多数据”。
人类的大脑应该用于高级别问题和更长期的时间框架
虽然企业专注于信息收集和处理的速度以及由于算法学习而使客户体验个性化，但现实是技术和机器学习的颠覆性力量导致“企业寿命”下降。这意味着“公司正在以前所未有的速度从竞争激烈的高峰中堕落”
这就是人类再次成为这个过程的关键所在。
慢慢移动的力量和大趋势不能被视为作者所说的常数，并指出，“最近的事件表明，这些非竞争性问题变得越来越不可预测，与长期公司业绩更相关，需要相应的更多关注”。
但是，“即使是今天最先进的技术也无法轻易分析缓慢移动的外力，”里夫斯和惠特克说，并指出我们距离HAL或天网还有很长的路要走。当然，这些机器可以“非常有力地识别相关性，以比人类更大的速度和复杂性运行”，但它们缺乏人类所具有的“更高层次的推理”，这是“解码和塑造这些长期趋势所必需的”。
那就是AI无法推断“因果推断(当我们对系统采取行动时会发生什么)和想象力(如果系统不同于以某种显着方式观察会发生什么)”。
因此，企业需要一台“人机+机器，其中人工和人工智能专注于各自的优势，”里夫斯和惠特克说。他们还强调“当机器收集数据并快速找到模式时，人们会专注于更高阶的目标”。
哪些公司需要提高他们的竞争地位
里夫斯和惠特克表示，领导者需要采取行动，“通过学习，充分利用新技术的潜力，战略性地获取优势”。要做到这一点，他们需要：
投资自主学习系统，使机器和算法能够快速找到高亮复杂的模式。
设计有效的人机界面，以允许在业务流程中无缝地执行更高级别或不可重复的任务。
在整个企业中嵌入自主学习结构，超越市场和广泛的业务范围。
在所有时间尺度上衡量和管理业务，允许监督机器的短期时间框架以及适用于业务的较长时间框架。
所有这一切，Reeves和Whitaker所说的意味着“公司可以在更长的时间尺度上释放技术的力量，以实现快速学习和人类的聪明才智。但这需要领导者首先重新想象组织及其管理方式”。