人工智能和机器学习可能是处理运行中的企业的日常任务的理想选择，但是在创新或对意外事件或一次性事件做出反应时，人工智能和机器学习仍处于停滞状态。尽管企业级AI尚需时日，但企业和IT领导者有责任开始试行和探索AI可能提供的优势。

这就是麻省理工学院未来工作小组的最新报告中的一个词，该小组将人工智能视为席卷整个就业领域和工作场所的广泛变革的一部分。报告的作者戴维说：“与人工智能系统相比，我们有很长的路要走，它可以阅读新闻，对脱欧或贸易纠纷等预期事件做出响应以重新计划供应链，并使生产任务适应新的零件和材料来源。”麻省理工学院福特经济学教授奥托尔，麻省理工学院工程与制造历史教授大卫·明德尔以及麻省理工学院首席研究科学家伊丽莎白·雷诺兹(Elisabeth Reynolds)。

对于初学者而言，数据(推动AI决策的动力)尚未准备好飞跃。迄今为止，大多数成功的AI举措都是基于机器学习(ML)系统，该系统依赖于大数据集。Autor和他的合著者指出，在许多领域，人工智能和相关技术都对“实现设计，测量和材料的创新-创造新产品和新生产方法”具有广阔的前景。“不过，我们的访谈仍然发现，许多公司在采用这些技术的初期就考虑了自己，弄清楚如何收集和构建数据，以便他们可以将更深刻的见解应用于现有业务。这样做需要集成多个数据源，通常用于大型公司的数百至数千台计算机。

目前正在服务的最重要的ML应用程序包括图像分类，面部识别和机器翻译，以及文档分析，客户服务和数据预测。但是，机器学习系统“仍然在鲁棒性和可扩展性方面面临挑战，” Autor和他的团队表示。“使用ML的行业正在慢慢地了解到，用于训练ML系统的数据必须与系统本身所需要的一样公正和可信-在黑客和网络战时代，这是至关重要的挑战。

他们补充说，可解释性也是一个挑战，因为机器学习系统“往往是黑盒子，无法洞悉他们如何做出决策。”“可解释性对于必须对故障具有鲁棒性，与人互动并能协助做出具有法律或生命关键意义的重大决策的系统至关重要。”

100%自动化的概念也是一个谬论，因为合著者还否认了可以使用AI来完全自动化工厂等设施的观点。他们指出：“无人参与的'熄灯'工厂长期以来一直是乌托邦反乌托邦的愿景。”“对于某些产品或过程成熟且高度稳定的情况，该愿景可能有意义。但是，即使是最自动化的电子设备或装配厂，仍然需要大量的工人来设置，维护和维修生产设备。在生产过程中，许多人的手都会触摸到典型的移动电话(一种稳定且均匀的高产量产品)。“