后COVID-19时代启示录：九大AI策略应对流行病防范

后COVID-19时代之下，大部分B2B企业已经意识到自己难以抵御流行病的突然爆发，开始着手为随时可能出现的下一场危机做好准备。

根据Penn博士与Parolari博士对过往疫情爆发整理的研究报告，任何一年发生类似COVID-19式疾病大流行的概率约为2%。也就是说，2000年出生的人们到现在，已经有约38%的几率遭遇疫情。研究人员断言，未来这种疫情爆发可能性只会越来越大，因此企业必须调查疫情风险认知、积极做好准备。运营者要意识到疾病流行并不罕见，及时提高后续防控工作的优先级。

截至2022年9月，全球因COVID-19感染而死亡的正式记录病例超过690万，而更现实的间接死亡数字已逾1720万。相比之下，西班牙流感在1918年至1920年期间共导致超3000万人死亡。

其中，加拿大死于COVID感谢的人数近46000，甚至超过加拿大在第二次世界大战中死去的44000人。

研究还进一步估计，未来几十年内新疾病爆发的可能性将增长3倍。而且就在接下来的5年内，尽管几率很低，但类似COVID的重大流行病爆发仍有再次发生的统计学可能性。

说起“百年一遇的洪水”，很多人可能会理解成每一百年才会发生一次的洪水。但事实并非如此，“百年一遇”很可能明年就到来。

随着全球人口增长、气候变化、环境污染、食物短缺以及人与动物间接触的增加，SARS和COVID-19这类传染病的爆发风险还将持续攀升。

企业董事会与CEO该如何制定疫情防范策略？

首先也是最重要的问题，当然是保证企业董事会和CEO愿意制定一份疫情防范策略。

接下来的问题，才是如何在主观与客观两方面制定解决方案，保障员工的健康和安全。

对员工福祉的关注与保障，是企业表达善意关怀的重要依托。哈佛、埃森哲、Gartner等多家企业的专家纷纷强调，这种以人类幸福为使命的经营理念是成就强大组织体系的必要前提。

面对严苛的疫情防范要求，能帮助我们推动方案创新，在组织中建立良好关怀与人性呵护的一股重要力量正是AI。

疾病控制中心（CDC）已经发布全面的指导框架与工具包，帮助企业有效规划疫情应对策略。其中的具体实践围绕以下三大支柱展开：

• 准备与沟通：需要在疫情前开展的活动，确保做好准备，并与各级政府、社会各阶层及个人沟通相应角色与责任。
• 监控与检测：国内外体制应提供持续“态势感知”，确保尽早发布警报以保护民众。
• 应对与遏制：采取行动，限制疫情蔓延并缓解大流行对健康、社会和经济产生的影响。

AI技术如何在这些方面发挥作用？

1）AI可用于增强对人群内疾病传播模式的识别能力，针对不同地理位置做出疫情爆发预测。基于AI的预判与预测方案，能够帮助公共卫生官员选择更好的流行病应对也准备措施，有效补充传统抗疫方法。据估计，如果在本轮疫情中采用不同的管理方法，有望将美国的COVID-19致死人数降低59%至92%，达到与挪威或加拿大等国家相近的水平。

2）利用AI搜索方法分析大规模数据源，借此揭示病毒的来历、传播与诊断、管理措施及以往抗疫经验，帮助决策者和医学界寻求解决办法。例如，白宫与多支领先研究小组整理出的COVID-19开放研究数据集（CORD-19）就囊括了超100万篇学术文献，其中包括超40万篇关于COVID-19、SARS-CoV-2及相关冠状病毒的完整论文。这套免费数据集将供全球各研究社区使用，借助自然语言处理及其他AI技术快速生成洞见，支持各项抗疫工作。

3）深度学习模型有助于预测新旧药物对COVID-19的疗效。鉴于大流行带来的高健康风险，AI识别治疗方法与原型疫苗开发方案将大大加快研究速度。

4）挖掘社交媒体与主流新闻中的早期预警，及早发现病毒传播模式。BlueDot的生物线程智能系统就将机器与人类智能相结合以识别新兴威胁信号，并对具体威胁进行分类和优先级排序，提供丰富的数据洞见以辅助专家决策。世界卫生组织（WHO）在COVID-19的信息整理方面也表现出色。约翰霍普金斯大学与经合组织（oecd.ai）等机构也发布了交互式仪表板，通过实时新闻、已确认的冠状病毒病例、康复及死亡等实时数据来跟踪病毒传播。

5）人口监测，即像韩国和中国那样利用算法通过地理位置数据、监控摄像头画面、信用卡记录等追踪冠状病毒患者。中国使用手机软件为每位民众分配风险等级（红码、黄码、绿码），指示传染风险。同时，机器学习模型还能利用出行、支付和通信数据预测下一波疫情的爆发位置，搜索引擎和社交媒体则有助于实时追踪疾病传播动向。

6）部署半自主机器人和无人机以响应医护需求，例如：运送食品和药品、清洁与消毒、整理、帮助医生护士和交付设备等。无人机的其他应用场景还包括安保与监视、人群监控、在社交隔离下传递消息等。AI收集到的所有数据，都可用于组织见解、为决策者提供指导。

7）虚拟助手与聊天机器人可根据症状对病患进行分类。美国疾控与预防中心联手微软开发了一项冠状病毒自查服务，帮助用户自我评估是否感染了COVID-19并提供行动建议。

8）AI与机器人也能以多种形式发挥作用，例如负责处理高传染性标本、处理化学品泄漏、处理核事故、提供运输与服务交付（复查、物流处理及清洁/消毒等），这一切都有助于提高我们应对流行病爆发的能力。

9）抱持以人为本和关怀生命的心态，引导员工理解保障健康安全、造福社会的重要意义。

如果没有健康安全作为保障，员工不可能专注处理工作和业务。因此，应当建立起运营实践，通过日常沟通体系帮助员工分享自身感受，借助双向通道准确捕捉员工情绪。只有这样，才能真正建立起良好的健康与安全运营氛围。

很多企业之所以抗疫失败，一大核心原因就是未能实时捕捉员工的感受/情绪，无法传达各种相互依赖关系（例如人员、流程、技术、数据、设施、第三方等）及关联影响，进而导致缓解策略无法落地、运营效率持续降低。所以，必须通过闭环实践建立起强大的倾听文化，借此提升员工敬业度、改善多层次运营效能。

几个事实：

根据加拿大会议局的调查，约60%的缺勤状况源自工作压力过大。职业倦怠每年给加拿大企业造成约120亿美元损失，具体表现为健康索赔、生产力下降以及旷工行为。在美国，倦怠产生的成本甚至更高。根据哈佛商学院的数据，组织机构每年承担的医疗保健费用在1250亿到1900亿美元之间，整体工作幸福感也因此大受影响。

埃森哲、安永、Gartner Group、盖洛普、哈佛等主要研究机构纷纷证实，企业越来越关注员工的健康指标，并将其视为保障生产力的核心因素。

如今，企业纷纷用满意度调查、敬业度调查、健康和保健调查等方式把握员工的心理健康、身体健康与财务健康状态。但现实问题在于，大多数方法的灵活性与实时性较差，不足以真正融入日常管理。

Gartner在2020年采访了52位人力资源高管，调查发现：94%的企业在大幅强化员工福利计划，85%上调了心理健康福利，50%增加了身体健康福利，38%增加了员工财务福利。

Gartner报告称，享受到这些福利的员工当中，有23%表示心理健康水平有所提高，17%表示身体健康好转，23%睡眠质量开始改善。这些个人指标也转化成了更高的工作绩效与留存率。

另有研究发现，心怀悲伤或气愤情绪的员工在工作、驾车或居家时，引发事故的几率会猛增10倍。而令人担忧的是，全球20%到30%的民众会带着悲伤或愤怒的情绪开始新的一天。因此企业领导者必须重视这个现实问题，用多种方式提升员工幸福感。

所以也许在不久的将来，企业高管团队会迎来首席幸福官或者首席健康官之类的新成员。

员工为什么会开心、悲伤或者愤怒？

原因多种多样，但里面总有共性：工作、个人、精力、客户等等。根据具体工作职能，影响因素也会有所变化。例如，销售的情绪可能跟着提成走，司机跟着车辆/天气/交通走，客服中心跟着客户的态度走。这一切都与员工的情绪和幸福感紧密相连。对于企业高管来说，网络安全风险已成为影响其幸福感的五大核心要素之一。

AI如何助力以人为本与呵护氛围？

AI可以通过多种方式建立这种充满关怀与呵护的氛围，包括实现日常情绪/健康检查、关注对员工影响最大的工作状况、提供做出改进的建议、通过语气模式分析群体感受，甚至将视频中的肢体语言映射至开心、愤怒、悲伤等情绪。

其中的关键，在于确保AI解决方案始终尊重隐私与匿名性，也就是让洞察结论始终立足于统计学意义上的大规模数据。这样既能让每位员工感到安心，也可反映出真正有意义的整体性模式。AI技术应用的目标不是监视，而是充分营造温馨舒畅的工作氛围。

每位CEO及企业高管都应该关心员工对于工作环境的感受，尽可能创造出一种能够激发更高绩效的文化氛围。如果做不到这一点，董事会就会选择其他更合适的人选。

此外，员工幸福感还有另一大重要影响因素，即他们的直接主管。企业一般会每年组织一次员工调查，平时也会尽量听取他们的意见，指导主管改善与员工之间的沟通效果和协作关系。总之，一味施加压力并不是优秀管理者的应有表现。

根据哈佛报告，组织正通过更多福利措施衡量员工的财务健康、心理健康与身体健康状况，借此准确预测员工绩效与留存率。另外，也有研究证实，糟糕的健康水平已经成为运输/设备处理、产品制造、石油与天然气、建筑和采矿等行业中的头号事故根源。

埃森哲在近期发布的未来趋势报告中认定：

“关怀已经成为核心因素，时刻提醒我们保持善良与同理心的重要性。关怀体现在诸多方面，关怀面临的挑战以及关怀产生的成本/作用已经得到组织机构的广泛重视与讨论。对于企业雇主及其品牌，这场变革既带来了挑战、也蕴藏着机遇。”

所以问题来到了企业一边：如何设计出与众不同的关怀机制。

AI能够提供强大的数据分析层，借此预测健康风险、为重大风险做好准备，突破以往每年一次的僵化满意度调查。

总结

最后，我们再来回顾AI改善疫情防范策略、关注员工身心健康与敬业度的9种重要方法：

• 识别疾病传播模式
• 通过搜索方法分析大规模数据源
• 使用深度学习方法预测新旧药物或治疗方法
• 挖掘社交媒体与主流新闻内容，实现早期预警检测
• 人口监测
• 半自主机器人与无人机
• 虚拟助手与聊天机器人
• 机器人
• 身心健康与员工敬业度