構建AI型組織

蒂姆·方汀（Tim Fountaine）布賴恩·麥卡錫（Brian McCarthy）塔米姆·薩利赫（Tamim Saleh）｜文

建立AI組織最大的難題不是技術，而是文化。

人工智能（AI）正在重塑商業，不過速度不像很多人想象的那么快。的確，從農作物收成到銀行貸款，現在各個領域的決策都由AI指導，而且，過去似乎遙不可及的東西，比如無需人工的純AI客服，已經逐漸成為現實。開發平臺、強大的處理能力以及龐大的數據存儲空間等AI背后的技術，正在迅速發展，應用成本越來越低。眼下似乎是企業開始采用AI獲利的好時機。據我們推測，今后十年，AI將為全球經濟增加13萬億美元。

伴隨著互聯網發展的迭代變化，互聯網與各行業的融合成為推進組織全局變革的必然因素，技術所帶來的變化推動了顧客在產品、服務以及工作方式等各個方面的改變，進而更大程度上重構了組織的價值創造方式。物競天擇的進化論同樣適用于組織，在持續的變化中，必須更關注適合這個時代的組織，也更關注組織的未來模式。

然而，AI發展前景雖好，許多公司卻并未做好充分準備。我們開展調查，了解了數千名高管所在公司對AI及高級分析技術的應用和相應組織情況，調查數據表明，只有8%的公司開展了支持AI大規模應用的核心工作。多數公司只做了臨時的試點項目，或只在某一項業務流程中采用AI。

公司進展這么慢，原因何在？上升到最高層面，這反映了組織未能做好AI所需的轉型。在調查以及與數百名客戶的合作中，我們發現，AI項目面臨著難以跨越的巨大文化及組織障礙。但我們也看到，在項目開端采取措施克服障礙的領導者，能夠很好地抓住AI帶來的機遇。

實現轉變

領導者最大的一個錯誤是，將AI視為能夠迅速帶來回報的即插即用式技術。他們決定啟動幾個項目，就開始投資幾百萬給數據基礎設施、AI軟件工具、數據專業技能和模型開發。少數組織的一部分試點項目勉強實現了一點點盈利，但之后再過幾個月乃至幾年，都未能取得高管期望的大的成功。公司很難將這類試點項目擴展到整個公司，也很難將AI工作重點從分散的問題（如增強客戶細分）上升到大的商業難題（如優化整個客戶旅程）。

還有，領導者往往對運用AI的必備條件考慮得不夠充分。前沿技術和人才自然必不可少，但公司文化、結構和工作方式也要支持廣泛應用AI，這方面的調整與技術和人才同等重要。但在多數并非天生數字化的公司，傳統思維方式和工作方式與AI的需求相悖。

要擴大AI應用范圍，公司必須做出三項轉變：

從孤島作業轉為跨領域合作。由具備多種能力和視角的跨職能團隊開發的AI最能發揮影響力。讓業務人員和技術人員合作，加上分析專業人士，能夠確保項目照應到整個組織的重點議題，不只關注單一部門的問題。多樣性團隊還可以充分考慮到應用新技術要求的運營變革——這樣的團隊更能發現和反映問題，比如說，要引入一項算法用來預測維護需求，應當同時對維護工作流程進行相應的調整。此外，如果開發團隊在設計項目時讓終端用戶參與，項目得到應用的可能性會大幅度提升。

從由領導者推進的基于經驗的決策，轉為由數據推進的一線決策。AI得到廣泛應用時，算法推薦會讓組織上下各層級員工的判斷和感知得到增強，得出人類或機器單獨無法獲得的更好的答案。不過，要想充分發揮這種作用，各層級員工必須信任算法給出的建議，并感到自己有權利做決定——這意味著要摒棄傳統的自上而下的決策方法。如果員工在采取行動之前必須先請示上級，AI應用就會受到阻礙。

某公司將一個復雜的手動排程方法換成了全新的AI系統，決策過程明顯改變。過去，這家公司的活動策劃者用彩色的標簽、大頭針和貼紙來標記時間沖突、參與者需求及其他要注意的地方，常常根據直覺和上級管理者的建議做決策，而管理者也是憑直覺行事。新系統能夠迅速分析大量日程安排組合，先用一個算法在幾億種排法中提取出幾百萬種，再用另一個算法將這幾百萬種縮減為幾百種，最后為每位參與者排出幾種最佳日程供選擇。隨后，有經驗的活動策劃人運用自己的專業知識，在數據支持下做出最終決定，無須向管理者征求意見。策劃人迅速適應了這個新系統，十分信任系統給出的結果，因為他們參與了系統參數和限制條件的設置，而且知道最終做決定的還是自己。

從僵硬固化、趨避風險轉為敏捷、試驗、可適應。組織必須擺脫“只有完全成熟的創意才能實行”或“只有設計完善的商業工具才能使用”的思維。AI應用需要迭代，絕少在投入應用之初就具備組織需求的功能。組織要具備“從測試中學習”的態度，將錯誤轉為新知的來源，減少對出錯的擔憂。收集初期用戶的反饋，用于升級AI工具，會使公司在小問題發展成為代價高昂的大問題之前及時將其糾正。發展會逐漸加速，讓小規模AI團隊能在幾周（而非幾個月）內開發出最小可行產品。

要實現這種根本性的轉變絕非易事，需要領導者幫助員工做好準備，提供動力和相應的培訓。但首先領導者自己必須先做好準備。我們看到過很多次由于高管對AI缺乏基礎認知而導致的失敗。（之后我們會進一步討論分析培訓班如何幫助領導者獲得這種對AI的基礎認知。）

為成功做好準備

為了讓員工積極參與，并讓AI順利投入應用，領導者應當在初期重視以下幾項工作：

解釋原因。有說服力的解釋，可以幫助組織上下理解對改變的迫切需求，以及改變能夠為各方帶來的益處。對于AI項目，這一點尤為重要，因為員工擔心AI取代自己的工作，就會產生抵觸情緒。

領導者必須提供一種愿景，讓全體人員圍繞一個共同的目標團結起來。員工必須了解AI對本公司的重要意義，以及自己如何適應以AI為主導的新的文化。領導者必須向員工保證，AI會協助他們更好地工作，而非抹消乃至取代他們的作用。（我們的研究顯示，絕大部分員工不會被AI取代，而是需要學習運用AI。）

某大型零售集團希望AI戰略能夠獲得員工支持，管理層將之作為攸關集團存亡的重大事宜。領導者講述了數字零售商帶來的威脅，以及AI將如何改善公司的運營和響應效率、抵御這種威脅。管理層這樣呼吁大家為生存而戰，讓員工理解了自己在AI轉型中應當履行的重要職責。

分享愿景時，該公司領導者重點強調一些員工嘗試應用新的AI工具協助優化門店產品搭配，提升了門店收入。這樣可以鼓勵其他員工思考如何用AI提升自己的表現。

預先考慮阻礙轉變的獨特障礙。員工擔心自己被淘汰這一類的障礙在各個組織內普遍存在，但特定公司的文化也可能會有一些獨特的屬性，致使員工抵觸改變。舉例來說，如果一家公司的客戶經理擅長回應客戶需求并引以為豪，這些人就可能對“機器可能更了解客戶想要什么”的概念感到排斥，不理會AI工具的定制化產品推薦；大型組織內部認為自己的地位取決于下屬數量的管理者，會排斥AI可能帶來的去中心化決策或下屬人數減少。

此外，孤島式流程也可能影響AI的廣泛應用。按照職能部門分配預算的企業，可能很難組織起跨職能的敏捷團隊。

回顧過去的轉型項目如何跨越障礙，可以找到一些解決方案。將AI項目與看似是障礙的文化價值觀相結合，也不失為一種解決思路。例如，某金融機構十分注重關系理財（relationship banking），領導者強調AI協助增進客戶關系的能力。該機構為客戶經理編寫了一本手冊，指導他們把自己的專業知識和技能與AI的定制化產品推薦結合起來，提升客戶體驗，進而提高收入和利潤。該機構AI項目中還有運用新工具實現的銷售轉化率競賽，獲勝者的成績會通過CEO月報展示給其他員工。

新出現的一類專業人士——分析解讀員（analytics translator），能夠協助公司找到影響AI發展的障礙。分析解讀員在技術領域的數據工程師、科學家與經營領域的營銷、供應鏈、制造和風險管理等員工之間架起橋梁，確保AI工具回應確實的商業需求，且能順利推廣。AI投入應用初期，分析解讀員會對終端用戶開展問卷調查，觀察他們的工作習慣，研究工作流程，以期診斷并解決問題。

了解影響改變的阻礙，不僅能使領導者了解如何與員工溝通，還能幫助領導者確定在何處投資、哪些AI項目最具可行性、應當提供怎樣的培訓、必須提供怎樣的獎勵，等等。

為整合與推廣應用安排跟技術本身相當（或更多）的預算。我們的一項調查顯示，廣泛應用AI獲得成功的公司中，有近90%將一半以上的分析預算投入到推廣應用相關的活動上，如工作流程調整、溝通和培訓。其他公司則只有23%采取類似的資源分配方式。

例如，某電信服務提供商在呼叫中心啟動了一個新的客戶保留項目，由AI主導。在投資AI模型開發的同時，公司也投資協助呼叫中心員工適應新的工作方式。員工原本只對打電話要求取消服務的客戶作出反應，在新項目中則是主動聯系有流失風險的客戶，按照AI生成的定制化推薦，為這些客戶提供他們可能會接受的新服務。員工通過培訓和在職輔導，獲得了完成新工作所需的營銷技能。培訓師和管理者旁聽他們的電話應對，根據具體情況給出反饋，并對培訓材料和電話用語進行相應的調整。有了這些協調工作，新項目使得客戶流失率減少了10%。

收支平衡的可行性，時間投入，以及價值。執著于實行起來過于困難的項目，或需要一年以上才能實行的項目，可能會對現在乃至未來的AI項目造成損害。

組織不必只關注能夠快速帶來回報的項目。應當設置多個回報時間長短不一的項目。舉例來說，AI檢測欺詐等無需人工干涉的項目，可以在幾個月內帶來回報，而需要人工干預的項目，如AI客服，回報時間則更長。確立重點時應當有長期（通常是三年）視角，還要考慮時間線不同的多個項目如何組合才能發揮出最大價值。例如，為獲得有關客戶的詳細信息，讓AI進行客戶細分，公司可能需要設置一系列銷售及營銷活動。定制化推薦等AI項目會在幾個月內帶來價值，但整套項目完全發揮影響力可能需要12到18個月。

亞太地區某零售商認定，如果啟動AI項目來優化店內布局和庫存空間，那么公司必須徹底翻新所有門店，重新擺放每一類商品，否則無法充分發揮該項目的價值。經過一番爭論，公司高管決定，這個項目對于未來盈利發展十分重要，應當繼續進行，但必須分為兩部分進行——在正式開始前，首先要利用AI工具向門店管理者推薦一些能大賣的增值商品。這個工具的建議只占預期總回報的一小部分，但管理者能夠立刻引入新商品，迅速展示AI工具的益處，在開始為期數年的翻新之前幫助員工建立起對AI的信心。

為推廣AI調整組織結構

AI和分析能力在組織里應當占據怎樣的位置，這個話題一直有許多爭論。領導者往往只會問：“哪個組織模型效果最好？”然后聽取其他公司的成功經驗，在以下三種模式中選擇一種：將AI和分析能力的大部分集合在某個“中心”部門；將AI和分析能力分散開來，集中于業務部門（“分支”）；將兩種能力結合在一起，運用混合（“中心及分支”）模式。我們發現，要擴大AI應用規模，這三種模式不相上下，哪一種最合適，取決于公司的具體情況。

比如我們服務過的兩家大型金融機構。一家把AI和分析團隊集中在一個中心部門，全體分析人員向首席數據及分析官匯報工作，并按需分配到業務部門。另一家機構將所有分析人員分散到各業務部門，以團隊形式向業務部門匯報。這兩個公司的AI推廣程度都達到了行業頂尖水平，第二家公司的盈利AI項目在兩年內從30個增加到200個。兩家公司都是在充分考慮過組織結構、能力、戰略和特性之后選擇了合適的模式。

中心。有幾項責任最好由中心部門負責，由首席分析官或首席數據官主導。這類責任包括數據治理、AI招聘及培訓戰略，以及與第三方數據、AI服務和軟件提供商合作。中心應當栽培AI人才，建立社區供AI專業人士分享最佳工作方法，并為AI在組織中的全局應用做好布局。我們的研究表明，成功地推廣了AI的公司設置中心部門的可能性是其他公司的3倍，對于建立模型、解讀洞見和部署AI新能力有明確方法的可能性是其他公司的2.5倍。

中心還應當負責與AI相關的體系和標準。這些方面應當由公司項目的需求決定，換言之，應該循序漸進，而非在業務開始前一蹴而就。我們看到過許多組織把大量的時間和金錢——幾億美元——浪費在整個公司的數據清理和數據整合項目上，然而這些項目半途而廢，回報極少，甚至毫無用處。

與之相比，歐洲一家銀行發現彼此沖突的數據管理戰略阻礙了新AI工具的開發，于是放慢速度，規劃在接下來四年里統一數據架構和管理，同時打造多個業務計劃以實現AI轉型。這個項目多層次并行，還包括重新設計組織和調整人才戰略，預計一年內產生的影響將超過9億美元。

分支。還有一些責任與AI系統的使用者關系最為密切，應當固定由分支部門負責。其中有與推廣相關的任務，包括培訓終端用戶、重新設計工作流程、激勵項目、績效管理和影響追蹤。

為鼓勵客戶積極使用由智能互聯設備提供的AI服務，某制造商的銷售及服務部門建立了SWAT團隊，為使用產品的客戶提供服務，并設置折扣促進推廣。這項工作顯然屬于分支部門的范疇，無法委托給負責分析的中心部門。

灰色地帶。成功的AI轉型中，許多工作在責任上來講都屬于灰色領域。關鍵任務如為AI項目設定方向、分析AI要解決的問題、制定算法、設計工具、與終端用戶測試工具、管理變更，以及設置IT配套基礎設施，都可以交給中心或分支部門中任意一方，或雙方共同承擔，或與IT部門一同完成。確定組織內部的責任歸屬不算是一門精密科學，但應當參考以下三個因素：

AI能力的成熟程度。公司開始AI應用早期，通常需要設置分析高管、數據科學家、數據工程師、用戶界面設計師和用圖形表示分析結果的可視化專家等專業人員，集中在中心部門，并根據需求分配到分支部門。這些專業人士合作，可以為公司建立起核心AI資產和能力，如通用分析工具、數據處理和交付方式。但一段時間后，流程逐漸標準化，專業人士分散在分支部門也能夠達到同樣乃至更高的工作效率。

商業模式復雜程度。AI工具要支持的職能部門、業務線和地區越多，就越有必要為AI專業人士（如數據科學家或設計師）建立同行業公會。業務復雜的公司通常把這些公會集中在中心，再根據需求分配到不同的業務部門、職能部門或地區。

所需技術創新的速度和級別。如果需要迅速創新，一些公司會把更多灰色地帶的戰略和能力構建任務交給中心部門，這樣可以更好地觀察行業和技術變化，迅速安排AI資源應對競爭挑戰。

我們回到前文提到的兩家金融機構。兩家公司都面臨競爭壓力，需要快速創新，但雙方分析能力成熟程度和業務復雜度不同。

把分析團隊放在中心部門的金融機構，商業模式更為復雜，AI成熟程度相對較低。該公司已有的AI專業人士主要在風險管理部門。將數據科學家、工程師和其他許多灰色地帶的專業人士集中到中心部門，確保了所有業務部門和職能部門都能迅速獲得所需的專門技術。

另一家金融機構的商業模式更為簡單，涉及的金融服務數量較少，且有大量AI相關經驗和專業人士。因此，該機構將AI人才分散，把許多灰色地帶的分析、戰略和技術專業人員派到各個業務分支部門。

這些例子說明，確定責任分配需要一些技巧。每家公司的能力和競爭壓力各不相同，以上三個關鍵因素不能單獨考慮，必須綜合起來進行考量。例如，某組織的業務復雜性很高，需要迅速創新（亦即應該將更多的責任轉移到中心），但AI能力也非常成熟（亦即應當把責任分散到分支部門）。該組織領導者必須權衡這三個因素的重要程度，確定如何以最有效的方式分配人才。人才水平（AI成熟度的一個指標）往往會對這方面決策產生極大的影響。組織內數據專業人員的數量是否足夠，能否確保在長期分配到分支部門后依然滿足所有業務部門、職能部門和不同地區的需求？如果答案是否定的，那大概還是讓這些人留在中心，根據組織各部門具體需求臨時調配為好。

監管與執行。雖然各個組織AI和分析職責的分配不盡相同，但成功推廣了AI的組織有兩個共同點：

由業務、IT和分析部門領導者組成的聯合治理團隊。徹底整合AI是一個漫長的過程。建立聯合工作團隊對該過程進行監督，可以確保三項職能相互協作，共同承擔責任，不受職責和功能分配的影響。這樣的團隊通常由首席分析官牽頭，還有助于強力推進AI項目，在初期尤其如此。

根據任務劃分執行團隊。成功推廣AI的組織在分支部門內部建立跨職能團隊的可能性是其他組織的兩倍。這樣的跨職能團隊，將不同的視角聚合在一起，在培養、分配和監督新的AI能力的過程中向一線員工征求意見。此類團隊通常在項目啟動之初組建，向中心部門和分支部門雙方尋求所需人才。一個團隊通常包括一位負責新AI工具的管理者（“產品負責人”）、解讀員、數據架構師、數據工程師、數據科學家、設計師、可視化專家，以及業務分析員。這種團隊能夠及早解決執行上的問題，以更快的速度獲取價值。

舉例來說，上文提及的運用AI優化門店布局的亞太地區零售商，組建了跨職能執行團隊，協助打破銷售商（決定門店商品如何擺放）和采購者（決定商品種類）之間的隔閡。在此之前，銷售商和采購者各自行動，由采購者依照自己的判斷調整AI生成的推薦，導致采購的庫存與門店可用空間不匹配。跨職能團隊邀請雙方合作，一同調整AI工具，建立起了更有效的模型，為采購者提供加權選項。隨后采購者可以根據銷售商的意見，從中選出最合適的商品。優化結束時，應用了AI工具的各產品類別總利潤均上升了4%至7%。

培訓員工

為確保AI工具得以推廣，公司必須自上而下對全體人員進行培訓。為此，一些企業建立內部AI培訓班，一般包括課堂教學（在線課程或面授）、研討會、在職培訓，乃至前往有經驗的同行業公司參觀學習。多數AI培訓班一開始是邀請外部機構編寫課程和提供培訓，但也經常自行培養內部教學能力。

各公司設置的培訓班不盡相同，但多半都提供四大類課程：

領導者。多數培訓班努力培訓高管和業務部門領導者，讓他們對AI工作原理有一個高層次的認識，學會識別AI機遇并判斷其重要程度。培訓班還會討論AI對員工職能的影響、推廣AI的障礙以及人才培養，并為逐漸推進AI組織所需的文化轉型提供指導。

分析人員。這部分課程關注的是數據科學家、工程師、架構師以及其他負責數據分析、治理和AI解決方案的員工，持續培養他們的硬技能和軟技能。

解讀員。分析解讀員一般是業務人員，需要基礎的技術培訓，例如運用分析方法解決商業問題、構建AI實踐案例等。這部分課程可以包含在線課程、實際操作、模仿有經驗的解讀員，在“期末考試”中要求參與培訓的員工實際執行一個AI項目并獲得成功。

終端用戶。對于一線員工，可能只需要大致介紹一下新的AI工具，之后提供在職培訓，教他們使用AI工具即可。負責營銷和財務等方面的戰略決策者可能需要更高層次的培訓課程，學習在真實商業場景中運用AI工具輔助產品發布等決策。

對改變加以鞏固

AI轉型多半要花18到36個月，還有一些轉型長達5年之久。為避免項目失去動力，領導者要做好以下四件事：

說到做到。領導者必須以身作則。AI轉型開始時，領導者可以帶頭參加培訓班，表現自己的積極性。

不過領導者也必須主動鼓勵員工采用新的工作方式。AI需要試驗，而且初期的迭代往往無法按照計劃順利進展。這個時候，領導者應當強調從試點項目中獲得的價值。這樣有助于鼓勵員工適當承擔風險。

我們遇到過的領導者里，以身作則最有成效的人十分謙遜。他們樂于提問，強調多元化視角的價值。他們定期與員工會面，討論數據，提出“我們做得對的時候有多少”“今天的決策有什么數據支持”這樣的問題。

我們知道的一個特色產品零售商的CEO就是一個很好的例子。她在每次會議上都邀請參與者分享經驗和意見，自己最后開口。每過幾周，她就安排時間與業務部門和分析部門的員工見面，看看他們都做了些什么——無論是否啟動了新的試點項目或擴大了原有項目規模，她都會這樣做。

讓業務部門負責。由分析人員擔任AI產品負責人的情況并不少見。不過，分析只是解決商業問題的一種手段，因此業務部門必須領導項目，負責讓項目取得成功。項目責任應當指派給相關業務人員，由業務人員負責分配工作，從頭到尾引導項目。有時組織會在項目發展周期中的不同節點（如證明項目價值、配置資源和擴大規模）安排不同的負責人。這樣做也不對，因為會在交接時遺漏一些問題，或者錯失機會。

為所有利益相關者記錄項目績效指標的計分卡，可以將分析團隊和業務團隊的目標整合一致，是一種非常好的方法。例如，某航空公司引入AI解決方案優化航班價格和預訂，使用多部門公用的計分卡評估該AI方案的推廣應用率、發揮全部作用的速度以及商業成果。

跟蹤推廣情況并加以推進。對比使用和不使用AI輔助的決策帶來的成果，可以鼓勵員工應用AI。例如，某日用品公司的經銷者發現沒有AI支持的預測準確率一般只有一半，比瞎猜好不了多少，這個發現使得經銷者更加積極使用AI工具輔助預測。

監督執行的團隊可以根據需求調整流程。北美某零售商的AI項目負責人，發現門店管理者很難把AI試點項目的結果應用在跟蹤門店績效的實際工作中。這個AI工具的用戶界面不友好，而且給出的結論并未整合進門店管理者每天決策參考的控制面板。為解決這一問題，AI團隊簡化了用戶界面，調整了數據輸出方式，讓新的數據流出現在門店管理者的控制面板上。

為改變提供激勵。認同員工的工作，可以在漫長的過程中激勵他們。上文提到的特色產品零售商CEO，在會議開始時公開表揚一位幫助公司AI項目取得成功的員工（如產品經理、數據科學家或一線員工）。在這家大型零售企業里，CEO為參與AI轉型的優秀員工提供新的職位。例如，他讓在項目試點期間協助測試優化解決方案的品類經理負責該方案在各門店上線的工作，強調了積極參與AI轉型對個人職業發展起到的積極作用。

最后，公司必須確保對員工的激勵與AI應用相關。這里有一個反例，某實體零售店用AI模型優化商品折扣，希望清空積壓的庫存。AI模型表明，與打折出售相比，丟棄積壓商品對利潤增長更有利。然而門店員工賣出商品可以得到獎勵，即使以極低的折扣價出售也是如此。由于AI建議與標準的獎勵模式相沖突，員工開始懷疑AI工具，棄之不用。銷售獎勵寫在員工合同里，無法輕易修改，于是公司修改AI模型，對利潤和獎勵的沖突做出妥協，幫助終端用戶接受AI工具，最后提升了收益。

擴大AI應用規模的舉措可以產生良性循環。從單一職能團隊轉為跨職能團隊，可以聚合不同的技能、視角和用戶意見，更好地改進工具。一段時間后，組織各部門的員工還可以再投入新的合作。

員工與其他職能、其他地區的同事關系拉近，思路就會得以擴展，從嘗試解決單個問題轉為徹底重新構想業務和運營模式。因此，試點項目獲得成功，其采用的從測試中學習的方法推廣到組織的其他部門，創新速度就會提升。AI工具推廣到整個組織，終端用戶越來越能夠承擔過去由上級管理者負責的決策任務，使得組織結構扁平化。這又能鼓勵進一步的合作，提升員工大局觀。

運用AI輔助決策的方法還在增加。新的應用方式將會在工作流程、職能和文化方面推動根本性的改變，有時改變還會十分艱難。領導者必須謹慎地帶領組織渡過這一階段。人與機器合作可以獲得高于雙方單獨作業的成績，未來這種合作將會越來越多，在整個組織內成功推廣AI應用的公司會擁有巨大的優勢。

蒂姆·方汀是麥肯錫悉尼辦公室合伙人，是麥肯錫旗下高級分析公司QuantumBlack負責人，公司位于澳大利亞。布賴恩·麥卡錫是麥肯錫亞特蘭大辦公室合伙人，是麥肯錫分析公司知識發展議程負責人之一。塔米姆·薩利赫是麥肯錫倫敦辦公室高級合伙人，是麥肯錫分析公司歐洲負責人。