近幾年來(lái)，各國(guó)在應(yīng)用型與解決方案型AI領(lǐng)域發(fā)展迅速，新創(chuàng)企業(yè)如雨后春筍般涌現(xiàn)，企業(yè)導(dǎo)入AI的腳步也持續(xù)加快。企業(yè)導(dǎo)入AI的速度，往往取決于其對(duì)AI的實(shí)際需求強(qiáng)度，而這與當(dāng)?shù)厝斯こ杀?、營(yíng)運(yùn)壓力，以及應(yīng)用場(chǎng)景的數(shù)據(jù)化成熟度密切相關(guān)。

AI的核心價(jià)值

AI技術(shù)的核心在于其通過(guò)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)所建立的模型能力，能夠分析數(shù)據(jù)、辨識(shí)模式，并在最少人為干預(yù)下自動(dòng)做出決策。其訓(xùn)練方式通常針對(duì)特定應(yīng)用場(chǎng)景，向模型的輸入層提供大量數(shù)據(jù)樣本，并同時(shí)向輸出層提供對(duì)應(yīng)的“正確答案”。通過(guò)反復(fù)訓(xùn)練，模型不斷調(diào)整內(nèi)部參數(shù)，以提高輸出結(jié)果接近正解的機(jī)率。

簡(jiǎn)單來(lái)說(shuō)，這個(gè)過(guò)程類似人類學(xué)習(xí)的過(guò)程：吸收信息、進(jìn)行整合與判斷，并通過(guò)經(jīng)驗(yàn)累積提升準(zhǔn)確性。然而，人類在信息記憶、收集與分析過(guò)程中，往往會(huì)因數(shù)據(jù)不完整或認(rèn)知偏誤而導(dǎo)致判斷錯(cuò)誤，進(jìn)而影響效率與正確性。相較之下，AI模型在高品質(zhì)數(shù)據(jù)與充足訓(xùn)練下，能在重復(fù)性、數(shù)據(jù)密集的任務(wù)中展現(xiàn)出更穩(wěn)定且高效的表現(xiàn)。

看到AI的效益前，投入的成本是重要的考量

人工智能的效益包含：?提升運(yùn)營(yíng)效率，如工作流程自動(dòng)化/效率化、工作的精準(zhǔn)度的提升、數(shù)據(jù)與報(bào)告的即時(shí)化以及風(fēng)險(xiǎn)預(yù)警；?降低人力成本。

然而，在導(dǎo)入AI之前，企業(yè)必須先完成基本的數(shù)據(jù)化工程，并建立清晰的流程與標(biāo)準(zhǔn)作業(yè)程序（SOP），才能讓AI發(fā)揮實(shí)質(zhì)效益。近年美國(guó)在AI應(yīng)用層面的投資之所以蓬勃發(fā)展，背后的推動(dòng)力來(lái)自兩個(gè)關(guān)鍵因素：其一，人工成本高昂，企業(yè)有強(qiáng)烈動(dòng)機(jī)尋求自動(dòng)化與效率化的解決方案；其二，許多企業(yè)早已完成數(shù)據(jù)基礎(chǔ)建設(shè)，并具備可與AI技術(shù)無(wú)縫整合的SOP系統(tǒng)。當(dāng)市場(chǎng)需求與企業(yè)內(nèi)部條件同時(shí)具備，便為AI新創(chuàng)公司創(chuàng)造了大量產(chǎn)品與服務(wù)設(shè)計(jì)的機(jī)會(huì)。

多數(shù)中小企業(yè)預(yù)算與資源有限，面對(duì)勞力密集型產(chǎn)業(yè)的成本壓力，普遍傾向?qū)⒆鳂I(yè)外移至人工更便宜的地區(qū)，而非優(yōu)先導(dǎo)入AI。同時(shí)，由于企業(yè)數(shù)據(jù)化程度不足，整體對(duì)AI的需求雖存在，卻缺乏迫切性與應(yīng)用條件。在尚需投入大量前期建置工作的情況下，AI導(dǎo)入往往被視為“可以等等再說(shuō)”的項(xiàng)目，導(dǎo)致推動(dòng)速度相對(duì)緩慢。

AI必須視為長(zhǎng)期戰(zhàn)略而非急于看到短期成效

然而，當(dāng)市場(chǎng)上的多數(shù)企業(yè)都在積極導(dǎo)入AI時(shí)，若選擇按兵不動(dòng)，短期內(nèi)或許不至于造成明顯沖擊，但長(zhǎng)期而言，將可能逐漸脫節(jié)于供應(yīng)鏈與顧客端的運(yùn)作節(jié)奏。例如：在疫情期間，面對(duì)廣泛實(shí)施的遠(yuǎn)程辦公政策，如在中國(guó)、歐美等幅員廣大的國(guó)家，不得不加速升級(jí)企業(yè)的IT基礎(chǔ)建設(shè)，并促使員工適應(yīng)新的工作模式。疫情無(wú)疑成為一股強(qiáng)力推動(dòng)力，逼迫企業(yè)探索數(shù)字轉(zhuǎn)型的各種可能性。結(jié)果是在疫情結(jié)束后，許多企業(yè)已經(jīng)能在無(wú)需面對(duì)面溝通的情況下高效執(zhí)行專案，甚至進(jìn)一步優(yōu)化了當(dāng)時(shí)發(fā)展出的工作流程。換句話說(shuō)，有些創(chuàng)新與變革，是在壓力之下被“逼”出來(lái)的。

當(dāng)然，企業(yè)主的顧慮并非沒(méi)有道理。若企業(yè)尚未具備一定規(guī)模，過(guò)早投入AI或數(shù)字化建設(shè)確實(shí)可能面臨成本效益難以衡量的風(fēng)險(xiǎn)。若現(xiàn)有的人力仍能負(fù)荷日常營(yíng)運(yùn)，自然會(huì)傾向維持現(xiàn)狀。但在全球通膨與勞力短缺的趨勢(shì)日益明顯之下，未來(lái)人力與營(yíng)運(yùn)成本勢(shì)必持續(xù)攀升。若產(chǎn)品與服務(wù)的毛利空間無(wú)法同步擴(kuò)大，企業(yè)要維持利潤(rùn)，勢(shì)必要從“降本增效”的角度出發(fā)，而這正是AI所能帶來(lái)的關(guān)鍵價(jià)值。

內(nèi)部導(dǎo)入執(zhí)行前，請(qǐng)先清楚界定AI的相關(guān)指標(biāo)

在企業(yè)未導(dǎo)入自己的AI模組前，相信許多人已經(jīng)開始使用第三方生成式的AI應(yīng)用程式。但如果這些外部程式未經(jīng)審查或批準(zhǔn)就被用于工作，可能會(huì)帶來(lái)：

?企業(yè)資料隱私風(fēng)險(xiǎn)

?資料精準(zhǔn)度不一致及定義的問(wèn)題

?成果的不可解釋性

以筆者的工作流程為例，主要分為數(shù)據(jù)收集、分析與判斷三個(gè)階段。其中，在數(shù)據(jù)收集方面，我不會(huì)完全依賴生成式AI，盡管目前許多AI工具會(huì)附上數(shù)據(jù)來(lái)源（多為網(wǎng)站名稱），但我仍習(xí)慣回到原始來(lái)源，例如：年報(bào)或官方文件，再次確認(rèn)數(shù)據(jù)的正確性與權(quán)威性。

此外，實(shí)務(wù)上經(jīng)常需要對(duì)數(shù)據(jù)進(jìn)行加工，例如：計(jì)算A/B比值。即便AI可以快速給出結(jié)果，我仍會(huì)進(jìn)一步檢查A與B是否來(lái)自相同的數(shù)據(jù)來(lái)源，確保數(shù)據(jù)的一致性與可比性。另一個(gè)關(guān)鍵則是“定義的準(zhǔn)確性”。不同的數(shù)據(jù)來(lái)源或產(chǎn)業(yè)背景，對(duì)同一數(shù)據(jù)項(xiàng)目的定義可能有所差異，因此使用者在給AI下指令時(shí)，必須明確表達(dá)需求與邊界條件，才能確保最終生成的數(shù)據(jù)符合預(yù)期的邏輯與用途。

另一個(gè)挑戰(zhàn)則是對(duì)于AI無(wú)法向人類解釋其決策和行動(dòng)背后的成因，也因此在需要嚴(yán)謹(jǐn)度較高的事情上，AI只能給出結(jié)果，無(wú)法進(jìn)一步拆解是如何推導(dǎo)的，也就很難驗(yàn)證正確性并套用到下一個(gè)類似事件上。所以，輝達(dá)（NVIDIA）執(zhí)行官黃仁勛才大力疾呼，要建立對(duì)AI系統(tǒng)的信任，關(guān)鍵在于透明度與明確的指標(biāo)。此外，也需規(guī)范相對(duì)應(yīng)的使用規(guī)則，以避免相關(guān)的風(fēng)險(xiǎn)產(chǎn)生。

AI應(yīng)是工具而非底層邏輯的替代物

而從工作者的角度來(lái)看，AI的確可以增進(jìn)效率，但不能完全依賴它，就像我們使用EXCEL一樣，必須要懂里面的函數(shù)邏輯后，才有辦法編列出顯而易懂的模型或報(bào)表。AI的深度學(xué)習(xí)擁有人類所缺乏的并行處理海量數(shù)據(jù)的絕技，但不具備人類在面對(duì)決策時(shí)獨(dú)一無(wú)二的汲取過(guò)去的經(jīng)驗(yàn)，使用抽象概念和常識(shí)的能力。

AI能充分發(fā)揮作用，離不開海量的相關(guān)數(shù)據(jù)、單一領(lǐng)域的應(yīng)用場(chǎng)景以及明確的應(yīng)用目標(biāo)。如果數(shù)據(jù)太少或不正確，AI演算法就沒(méi)有足夠多的樣本去洞察數(shù)據(jù)背后的模糊特征之間的有意義的關(guān)聯(lián)；如果問(wèn)題涉及多個(gè)領(lǐng)域，就目前AI的演算法是無(wú)法周全考慮跨領(lǐng)域之間的關(guān)聯(lián)，也無(wú)法獲得足夠的數(shù)據(jù)來(lái)覆蓋跨領(lǐng)域多因素排列組合的所有可能性。但企業(yè)的決策是復(fù)雜也橫跨多項(xiàng)領(lǐng)域的，這時(shí)人類的智能就派上了用場(chǎng)。

試想哪一天如果AI的應(yīng)用程式出問(wèn)題了，但老板要你制作一個(gè)簡(jiǎn)易的分析，你能跟老板說(shuō)沒(méi)有AI我就沒(méi)法分析嗎？怎么分析數(shù)據(jù)的架構(gòu)，要找哪些參數(shù)等，應(yīng)該是工作者要具備的底層邏輯。你架構(gòu)好了，讓AI幫你執(zhí)行所有的SOP步驟，而非反客為主，讓AI帶著你。若長(zhǎng)久下來(lái)，員工對(duì)公司的價(jià)值性會(huì)越來(lái)越低的。

想象中的未來(lái)

“AI還將通過(guò)高效的運(yùn)算，接管一些重復(fù)性的工作，把人類從忙碌而繁重的日常工作中解放出來(lái)，讓人類節(jié)省最寶貴的時(shí)間資源。最后，人類將與AI達(dá)成人機(jī)協(xié)作，AI負(fù)責(zé)定量分析、成果優(yōu)化和重復(fù)性工作，人類按其所長(zhǎng)貢獻(xiàn)自己的創(chuàng)造力、策略思維、復(fù)雜技藝、熱情和愛心。”

這是李開復(fù)博士在公開演講中說(shuō)明對(duì)于未來(lái)AI的定位；人機(jī)協(xié)作，是我們用我們的創(chuàng)造力與發(fā)想擘畫出未來(lái)，策略謀斷而AI負(fù)責(zé)枯燥且價(jià)值較低的重復(fù)性執(zhí)行。而非讓AI反客為主，限縮了我們的行為疆界。