鑽石舞台

在過去十年中，人工智能 (AI) 已從近乎科幻小說發展為廣泛的商業應用中的普遍現實。在情報分析中，人工智能已經被部署來標記圖像並整理大量數據，幫助人類在噪音中看到信號。但情報界 (IC) 現在對 AI 所做的只是對即將發生的事情的一瞥。這些早期應用表明未來智能部署的人工智能將增強分析師從信息中提取價值的能力。

人工智能的採用不僅受到計算能力的提高和新算法的推動，而且還受到現在可用數據的爆炸式增長。到 2020 年，世界經濟論壇預計數字數據的字節數將是可觀測宇宙中恆星數量的 40 倍。對於情報分析員來說，數據的激增意味着信息過載。人類分析師根本無法處理這麼多數據。他們需要幫助。

情報領導者知道人工智能可以幫助應對這種數據泛濫，但他們也可能想知道人工智能將對他們的工作和勞動力產生什麼影響。根據對私營部門公司的調查，在引入人工智能和了解其影響之間存在很大差距。近 20% 的員工報告稱，由於實施人工智能，他們的角色、任務或工作方式發生了變化，但近 50% 的公司尚未衡量員工如何受到人工智能實施的影響。本文開始解決這些問題，從任務層面探討人工智能如何改變情報分析師的工作。它還將為尋求加快採用率並從試點轉向全面的組織提供想法。人工智能已經在這裡；讓我們看看它將如何塑造情報分析的未來。

無人機系統、遙感器、先進偵察機、互聯網、計算機和其他系統等技術已經使收集過程變得更加強大，以至於分析人員通常擁有比他們處理能力更多的數據。使事情複雜化的是，收集的數據通常駐留在不同的系統中並來自不同的媒介，這需要分析師花時間拼湊相關信息或融合數據，然後才能開始進行更深入的分析。

訪問更多數據應該是一件好事。但是，如果沒有融合和處理它的能力，數據可能會使分析師淹沒在大量不連貫的信息中。國家地理空間情報局局長表示，如果趨勢保持不變，情報機構可能很快就需要超過 800 萬個圖像分析師，這是所有政府中擁有絕密許可的總人數的五倍多。在現代數字化時代，戰爭的成功取決於一個國家比對手更快、更準確地分析信息的能力，數據不能未經分析。但考慮到人類操作的速度，根本沒有足夠的時間來理解所有數據並執行其他必要的智能周期任務。

人工智能可以提供急需的支持。情報機構已經在利用人工智能的力量對大量數據進行分類，以提取關鍵的「已知信息」進行進一步分析。例如，機構已經使用人工智能自動識別和標記車輛模式，以識別 SA-21 地對空導彈電池或篩選數百萬筆金融交易，以識別與非法武器走私一致的模式。同樣，聯合人工智能中心（the Department of Defense’s focal point for AI）已經在努力開發「作戰情報融合、聯合全域指揮和控制、加速傳感器到射手時間線、自主和蜂群系統、目標開發和運營中心工作流程。」

我們的分析表明，以這些能力運行的人工智能可以節省分析師的時間並提高產出。雖然確切的時間節省取決於所執行的工作類型，但擁有人工智能系統支持的全源分析師每年可以節省多達 364 小時或超過 45 個工作日。這些節省可以讓分析師騰出更多時間來處理更高優先級的任務或通過額外的培訓等活動來培養技能。

然而，人工智能的好處遠不止節省時間。畢竟，情報工作永無止境；總是有另一個問題需要關注。因此，使用 AI 節省時間不會減少勞動力或削減情報預算。相反，人工智能的更大價值來自於所謂的「自動化紅利」：在這些技術減輕他們的工作量之後，分析師可以更好地利用他們的時間。

事實上，從銀行到物流等行業的研究表明，自動化的最大好處來自於人類工人使用技術「提升價值鏈」。換句話說，他們花更多時間執行對組織和/或客戶有更大好處的任務。例如，當自動化將供應鏈工人從測量庫存或填寫訂單等任務中解放出來時，他們可以重新分配時間，通過將特定客戶需求與供應商能力相匹配來創造新價值。對於情報分析，利用人工智能從雜亂的數據中立即提取難以發現的指示和預警 (I&W) 線索，可以讓人類分析師進行更高價值的工作，確定給定的 I&W 線索是否代表有效威脅。

有兩種主要方法可以通過額外的時間創造附加價值：分析師可以將更多時間花在他們已經完成的更高價值的任務上，或者他們可以添加新的高價值任務。

然而，在實現這些好處之前，情報機構必須確定哪些是價值最高的任務，因此最適合人類工作者執行。首先，讓我們將人類與計算機或其他機器進行比較。

關鍵在於理解專業智能和一般智能之間的區別。即使是一個簡單的袖珍計算器也可以在某些任務上勝過最好的數學高手。但是，雖然算術既快速又準確，但算術是袖珍計算器可以執行的唯一任務。它有一個非常狹隘的、專門化的智能。另一方面，人類在一般智能方面往往勝過最先進的計算機。正如麻省理工學院教授 Thomas Malone 解釋的那樣：「即使是 5 歲的孩子，其一般智力也比當今最先進的計算機程序還要高。與當今任何計算機程序相比，孩子可以就更廣泛的主題進行更明智的對話，並在不可預測的物理環境中更有效地運作。」

因此，雖然機器在處理大量數據或以極高的精度工作方面優於人類，但人類更擅長於隨環境發生巨大變化的任務或涉及高水平人際互動的任務。聯合起來，人類工作者和人工智能工具可以發揮各自的優勢；人工智能處理大量數據，人類處理高度可變的任務。在情報組織內部，人類分析師可以通過將許多與數據繁重的處理和開發相關的任務卸載到機器上來提升價值鏈。然後，他們可以將更多自己的精力投入到分析、計劃和指導任務中，這些任務通常需要更多的創造力、溝通以及與同事和決策者的協作。

我們的模型對情報分析師做出了類似的預測。隨着 AI 承擔數據清理、標記或模式識別等任務，所有源分析師都可以將更多時間花在上下文敏感或獨特的人工任務上。因此，未來的分析師可能會花更多時間與他人合作——比現在多 58%。

如何在整個情報周期中發揮更大的協作作用？例如，在傳播階段，分析師向決策者提供信息，與他們合作，以便他們做出最佳決策。如果人工智能可以承擔收集資源、創建圖形甚至起草報告的大部分準備工作，那麼人類分析師就可以專注於決策者的需求和情況的影響。在這種情況下，分析師只需向 AI 提供即將發布的簡報或成品的主題。從那裡，人工智能可以自動生成相關報告列表以供閱讀、預選地圖或圖像、標記相關功能以進行簡報，甚至編寫背景事件的簡短摘要。

新聞業已經發生了類似的轉變。人工智能被用於自動生成簡單的新聞故事。在第一年，《華盛頓郵報》的機器人發布了 850 篇文章，內容涵蓋從奧運會到選舉的各個方面。通過自動化編寫公司收益報告等注重細節的任務，美聯社發現使用機器人可以將記者的工作量減少 20%，使他們能夠專注於減少錯誤和發現更大的趨勢。因此，即使產量增加，企業盈利報道中的錯誤也更少。英特爾分析師可以從類似的安排中受益：人工智能可以生成常規情報摘要或每日報告，使分析師能夠專注於將這些報告綜合成更大的趨勢或根據特定決策者的偏好定製報告。

正如我們所經歷的那樣，新技術可以帶來新的任務。因此，人工智能很可能還會引入全新的任務供工人處理。以採用其他先進技術為指導，我們預計許多新任務可能屬於以下三類之一：

提供新模型。情報從根本上說是關於使用信息來減少國家領導人的不確定性。現代決策的快速發展是領導者面臨的最大挑戰之一。人工智能可以通過幫助提供新方法來更快、更有效地向決策者提供信息來增加價值。一個這樣的想法是轉向實時決策支持。過去，複雜的對手行為模型需要幾個月的時間來創建和更新，從而導致正式情報產品的周期很長。今天，使用人工智能和大數據，分析可以更快地進行，通常只是實時不足。這種情況現在正在賽車中發生，一級方程式賽車隊根據成千上萬的數據點調整策略模型，因為汽車在賽道上比賽。天氣的突然變化或競爭對手的意外進站可能會在幾秒鐘內觸發團隊計劃的變化。以一級方程式賽車為例，具有人工智能模型的情報分析師可以快速模擬甚至複雜的場景，能夠在決策者提出問題時回答他們的問題，而不是等待最終的英特爾產品。我們的模型表明，在大規模採用人工智能後，分析師可以多花 39% 的時間以這種方式為決策者提供建議。

不斷進步的分析師。積極主動且信息靈通的員工隊伍是更有生產力的員工隊伍。提高員工幸福感或績效的任務可能會為任何組織創造重要的新價值。在情報方面，為了發揮最佳表現，分析師需要學習和成長的機會。他們需要跟上全球的新技術、新服務和新動態——不僅是在年度培訓課程中，而且要持續不斷。通過根據分析師在日常工作中閱讀或寫作的內容推薦課件，人工智能可以幫助將持續學習儘可能地擴大到最大範圍。對於研究中國第五代戰鬥機發展的分析師，AI 可以建議他或她完成關於量子雷達的短期培訓或閱讀中國航空史。AI 還可以建議分析師何時需要休息或更改任務以保持新鮮感。

發展技術本身。從蒸汽機到計算機，新技術需要維護，人工智能可能也不例外。在情報工作等高風險情況下有效使用 AI 的一項重大挑戰是對 AI 模型的輸出有信心。除了跟進 AI 生成的潛在客戶之外，組織可能還需要維護 AI 工具並驗證其輸出，以便分析師在使用它們時有信心。在醫學領域，人工智能開始應用於 MRI 圖像等診斷工具，根據已知基準驗證人工智能模型的輸出正成為醫院工作人員的一項常見新任務。在設計 AI 工具或選擇訓練數據時，可以執行大部分驗證。但是，雖然癌症並沒有試圖否認或欺騙醫生，但外國演員可能會試圖使用對抗性的例子來欺騙人工智能中使用的人工智能。這意味着驗證需要成為一項持續的任務，不僅對分析師而且對 IT 人員也是如此。

人工智能可能需要新任務來確保其正常運行，這一事實確實凸顯了一個潛在的危險：人工智能消耗的時間可能比它給分析師的時間要多。鑑於人工智能帶來了如此多的變化，大規模採用人工智能的組織將遇到一定程度的摩擦。如果不給員工、業務流程和現有工具帶來壓力，您根本無法更改 20% 員工的任務或增加數周的新任務。想要從人工智能中獲得最大收益的情報組織需要認識到這些缺陷並找到減輕它們的方法。

也許最重要的陷阱是，人工智能最終可能會壟斷分析師的時間，而不是創造新的價值。這種情況以前就出現過，例如醫療保健行業實施電子健康記錄 (EHR)。雖然 EHR 承諾減少醫療保健專業人員的工作量，但最近的研究表明，EHR 實際上增加了醫生記錄患者就診所需的時間。使用 EHR 的醫生在就診期間花費更多時間打字，這減少了他們與患者面對面的時間。總體而言，這種互動的下降在患者和醫生中引發了負面看法。

不過有趣的是，EHR 示例可以幫助情報機構避免這種陷阱。雖然醫生在 EHR 中記錄的時間比紙質筆記要多，但護士和文職人員實際上在他們的任務中節省了大量時間。所以 EHR 導致醫生花費更多時間並不一定是技術的失敗；相反，它反映了本組織的戰略重點，基本上將一些計費和文書工作量從工作人員轉移到了醫生身上。如果我們對結果不滿意，那不是技術的錯。相反，它反映了重新評估導致它的業務和技術戰略的需要。

如果情報組織要避免大規模採用人工智能時出現類似問題，他們必須清楚自己的優先事項以及人工智能如何融入其整體戰略。一個專注於提高生產力的組織將追求與尋求提高分析判斷準確性的人工智能工具截然不同的人工智能工具。人工智能並不是所有問題的解決方案，對其價值有清晰的認識有助於確保將其應用於正確的問題。明確 AI 工具的目標還可以幫助領導者向員工傳達他們對 AI 的願景，並減輕對工具將如何使用的不信任感或不確定感。

其次，情報機構應避免投資於「空洞的技術」——使用 AI 卻無法獲得成功所需的數據。人工智能有點像麵粉廠：沒有穀物來餵養它，它不會產生太多價值。如果缺乏有效的訓練數據或足夠的輸入數據，即使是最先進的人工智能工具也將發揮有限的作用。如果沒有正確的數據，人工智能工具仍然會在分析師嘗試使用它們時消耗時間，但它們的輸出效用有限。結果將是沮喪的分析師，他們認為人工智能是在浪費他們有限的時間。

分析師的看法對於成功大規模採用人工智能至關重要。調查結果表明，與技術人員、管理層或高管相比，分析師對人工智能最懷疑。如上所示，如果員工看不到工具的價值，就不太可能使用它。

為了克服這種懷疑並充分利用人工智能，管理層將需要專注於對員工進行培訓並重新配置業務流程，以將工具無縫集成到工作流程中。如果沒有這些步驟，人工智能可能只是代價高昂的事後考慮。例如，一個聯邦機構實施了一項人工智能試點，為其調查人員提供跟蹤線索。然而，調查人員也在同時產生他們自己的線索。由於跟進時間有限，調查人員自然會優先考慮他們自己提出的線索，很少使用人工智能產生的線索。

克服分析師對給定人工智能工具的最初疑慮歸結為在分析師和工具之間建立信任。因為即使有權勢的人可能不同意，他們也必須支持他們的評估，分析師懷有一種可以理解的不願相信他們無法解釋和辯護的事情。例如，擁有一個允許分析師輕鬆掃描支持模擬結果的數據或查看模型如何得出結論的表示的界面，將大大有助於分析師將該技術作為其一部分他或她的工作流程。這將允許獲得更可靠、更可信的數據，並將產生更可靠的分析結果呈現給作戰人員和決策者。

雖然擁有對人工智能輸出缺乏信心的勞動力可能是一個問題，但相反的情況也可能成為一個關鍵挑戰。幾十年來，情報領導者已經意識到這樣一種現象，即在分析師的判斷中添加數據會增加分析師的信心，即他們是正確的，但實際上並沒有提高工作的整體準確性。換句話說，更多的數據影響了分析師的確認偏見——他們使用新證據來支持他們先入為主的結論，而不是幫助創建更準確的分析。

位於該觀察核心的心理學實驗是使用兩到五倍的額外數據完成的。人工智能將使分析師可以獲得更多數量級的數據，這可能會加劇分析師的確認偏差。例如，在金融服務行業，早期經驗表明，人工智能可以為分析師提供大約 30 倍於當今可用數據量的數據。人類認知將如何應對如此空前的數據量簡直是未知數。由於信息過載，分析師可能對 AI 判斷失去信心。或者，相反，有這麼多數據可供他們使用，分析師可能會變得過於自信，暗中信任人工智能。後者可能特別危險：許多航空事故表明，人類對自動化的信任與人類對其的理解和監督之間的不匹配可能導致悲劇。

相反，人工智能實際上可以幫助分析師對抗確認偏差和其他人類認知限制。例如，人工智能可以被賦予幫助檢查評估的有效性的任務，而這些評估是人類難以找到時間或難以手動完成的。機器將非常擅長持續進行關鍵假設檢查、競爭假設分析和信息質量檢查。高級分析經理還可以利用人工智能提醒他們注意證據與其團隊評估之間的不匹配，讓他們有機會指導分析線審查並將注意力集中在問題領域。

最後，人工智能可能對分析師的認知偏見產生的影響是未知的。領導者需要密切關注分析師的擔憂，評估業務流程設計，並持續監控 AI 性能，以幫助防止任何潛在的陷阱。

AI技術：今天如何開始

當人工智能像電氣化一樣嵌入到組織運營和戰略的各個方面時，人工智能的最大好處將得以實現。對於人工智能可以大規模帶來的所有改變遊戲規則的好處，或者是動搖組織的陷阱，立即開始的步驟可能令人驚訝地熟悉。

在整個政府機構或組織中，大規模成功採用需要領導者協調戰略、組織文化和業務流程。如果這些努力中的任何一個出現偏差，人工智能工具可能會被拒絕或無法創造所需的價值。領導者需要提前了解他們的 AI 項目目標，確保這些目標支持整體戰略，並將指導傳遞給技術設計人員和管理人員，以確保將其納入工具和業務流程。

建立明確的人工智能戰略還可以幫助組織應用人工智能來解決從面向任務到後台的各種問題。這樣的策略可以制定有關為組織訪問正確的 AI 工具所需的基礎設施和合作夥伴的決策。藉助 83% 的企業 AI 在雲中，組織可以更輕鬆地在內部開發 AI 工具、從外部供應商處購買，甚至可以找到已經在雲中其他地方使用的現有解決方案。

在部門或團隊級別，第一步從戰略調整轉變為分析師採用。解決分析師團隊面臨的一些重大非分析挑戰可能是將人工智能介紹給分析師並建立他們對人工智能的信心的一種很好的方式。今天，分析師被各種各樣的任務所淹沒，每項任務都需要不同的技能、背景知識以及與決策者溝通的能力。對於任何經理來說，將這些任務分配給一個分析師團隊而不會使任何個人超負荷或延遲關鍵產品可能會令人生畏。人工智能可以幫助將合適的分析師與正確的任務配對，以便分析師可以更頻繁地發揮自己的優勢，讓工作比以前更好、更快地完成。

同樣，人工智能可以幫助管理人員評估績效並篩選求職者在特定技能方面的能力，甚至可以識別全能明星，就像特種作戰司令部正在與海軍陸戰隊求職者一起探索一樣。人工智能的這些非分析用途的好處是，當分析師看到人工智能在他們的工作中幫助他們，而不是與他們競爭時，他們可能會因為人工智能進入更多的分析任務而變得更加自在。

人工智能不會進入情報工作；它已經在這裡了。但是，人工智能在 IC 中的長期成功取決於員工如何準備好接受和使用它，就像讓它發揮作用的任何 1 和 0 一樣。