一般人直覺認為，企業在資料隱私對策上做得更多會更好，但事實並非如此。在資料隱私方面的績效愈高，就愈有可能失去將資料轉化為收入的機會；在資料隱私方面的績效愈低，就愈容易受到多重損害的風險，例如聲譽醜聞、訴訟刑罰。調查也顯示，資料隱私績效與企業市場價值之間的關係是倒U形，如何達到這個倒U的最高點，是領導人需要關注的問題。
如果機器可以把工作做得更好，為什麼還需要人類？為了緩解這種恐懼，人工智慧建置必須成功。本文為人工智慧的實施，提出四個階段的方法。這套方法能讓組織培養人對人工智慧的信任，並朝向分散式認知系統邁進，讓人類與人工智慧都能不斷進步。
若要成功推動數位轉型，必須花費精力匯集與協調很多行動，而這些行動範圍之廣，遠超過大多數領導人的想像。
衡量組織文化時，目前仍在使用的員工意見調查和問卷等傳統工具，得不出可靠結果。於是，一種新的文化研究方法出現了：分析員工的電子郵件、團隊通訊平台Slack的訊息、雇主評價網站Glassdoor的貼文，觀察這些電子溝通內容透露了哪些關於組織的訊息。
我們需要新的規則，來規範大型科技公司如何管理你的健康照護資料，並從中獲利。目前，Google將為基督升天醫院執行的資料管理作業，成為合法的業務伙伴。但即使這種關係在技術上是合法的，也會引起重大的未解決政策問題。而另一個問題，來自健康照護組織和資訊科技公司之間的合作，可能產生的商業利益權利。
大數據全面籠罩，不論是服務業，或是製造業，都積極投入；不了解或是不接受的企業，大概就得準備被淘汰。不過大數據絕非「數大便是美」，本文提出五項觀念，助你有效取得大數據的未來優勢！
你是否高估了數據資料能帶來的優勢？ 由資料促成的學習，雖然會帶動看來可能類似網路效應的良性循環，但效能沒有那麼強大或持久。 要確定顧客資料是否可協助建立市場進入障礙，企業應回答七個問題來檢視資料的價值：能創造多少附加價值；邊際價值遞減速度有多快；使用者資料的相關性貶值速度；資料是否是專屬的；要模仿這類產品改善有多困難；改善的產品，是否適用於其他使用者；多快能將見解整合到產品中。
我們被人看見的能力，日益由編碼和邏輯構成的演算法所控制，而撰寫程式的，是很容易犯錯的人類。另外，決定和控制這類程式運算結果的，往往是黑盒子。長期下來，這類演算法將限制我們可看到的內容，進而強化社會偏見。隨著人工智慧觸及的範圍擴大，這類風險只會愈來愈高。
