近幾年來，各國在應(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AI的實際需求強度，而這與當?shù)厝斯こ杀尽I運壓力，以及應(yīng)用場景的數(shù)據(jù)化成熟度密切相關(guān)。

AI的核心價值

AI技術(shù)的核心在于其通過機器學(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)、辨識模式，并在最少人為干預(yù)下自動做出決策。其訓(xùn)練方式通常針對特定應(yīng)用場景，向模型的輸入層提供大量數(shù)據(jù)樣本，并同時向輸出層提供對應(yīng)的“正確答案”。通過反復(fù)訓(xùn)練，模型不斷調(diào)整內(nèi)部參數(shù)，以提高輸出結(jié)果接近正解的機率。

簡單來說，這個過程類似人類學(xué)習(xí)的過程：吸收信息、進行整合與判斷，并通過經(jīng)驗累積提升準確性。然而，人類在信息記憶、收集與分析過程中，往往會因數(shù)據(jù)不完整或認知偏誤而導(dǎo)致判斷錯誤，進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：?提升運營效率，如工作流程自動化/效率化、工作的精準度的提升、數(shù)據(jù)與報告的即時化以及風險預(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準作業(yè)程序（SOP），才能讓AI發(fā)揮實質(zhì)效益。近年美國在AI應(yīng)用層面的投資之所以蓬勃發(fā)展，背后的推動力來自兩個關(guān)鍵因素：其一，人工成本高昂，企業(yè)有強烈動機尋求自動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)無縫整合的SOP系統(tǒng)。當市場需求與企業(yè)內(nèi)部條件同時具備，便為AI新創(chuàng)公司創(chuàng)造了大量產(chǎn)品與服務(wù)設(shè)計的機會。

多數(shù)中小企業(yè)預(yù)算與資源有限，面對勞力密集型產(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，由于企業(yè)數(shù)據(jù)化程度不足，整體對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”的項目，導(dǎo)致推動速度相對緩慢。

AI必須視為長期戰(zhàn)略而非急于看到短期成效

然而，當市場上的多數(shù)企業(yè)都在積極導(dǎo)入AI時，若選擇按兵不動，短期內(nèi)或許不至于造成明顯沖擊，但長期而言，將可能逐漸脫節(jié)于供應(yīng)鏈與顧客端的運作節(jié)奏。例如：在疫情期間，面對廣泛實施的遠程辦公政策，如在中國、歐美等幅員廣大的國家，不得不加速升級企業(yè)的IT基礎(chǔ)建設(shè)，并促使員工適應(yīng)新的工作模式。疫情無疑成為一股強力推動力，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)能在無需面對面溝通的情況下高效執(zhí)行專案，甚至進一步優(yōu)化了當時發(fā)展出的工作流程。換句話說，有些創(chuàng)新與變革，是在壓力之下被“逼”出來的。

當然，企業(yè)主的顧慮并非沒有道理。若企業(yè)尚未具備一定規(guī)模，過早投入AI或數(shù)字化建設(shè)確實可能面臨成本效益難以衡量的風險。若現(xiàn)有的人力仍能負荷日常營運，自然會傾向維持現(xiàn)狀。但在全球通膨與勞力短缺的趨勢日益明顯之下，未來人力與營運成本勢必持續(xù)攀升。若產(chǎn)品與服務(wù)的毛利空間無法同步擴大，企業(yè)要維持利潤，勢必要從“降本增效”的角度出發(fā)，而這正是AI所能帶來的關(guān)鍵價值。

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

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)審查或批準就被用于工作，可能會帶來：

?企業(yè)資料隱私風險

?資料精準度不一致及定義的問題

?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、分析與判斷三個階段。其中，在數(shù)據(jù)收集方面，我不會完全依賴生成式AI，盡管目前許多AI工具會附上數(shù)據(jù)來源（多為網(wǎng)站名稱），但我仍習(xí)慣回到原始來源，例如：年報或官方文件，再次確認數(shù)據(jù)的正確性與權(quán)威性。

此外，實務(wù)上經(jīng)常需要對數(shù)據(jù)進行加工，例如：計算A/B比值。即便AI可以快速給出結(jié)果，我仍會進一步檢查A與B是否來自相同的數(shù)據(jù)來源，確保數(shù)據(jù)的一致性與可比性。另一個關(guān)鍵則是“定義的準確性”。不同的數(shù)據(jù)來源或產(chǎn)業(yè)背景，對同一數(shù)據(jù)項目的定義可能有所差異，因此使用者在給AI下指令時，必須明確表達需求與邊界條件，才能確保最終生成的數(shù)據(jù)符合預(yù)期的邏輯與用途。

另一個挑戰(zhàn)則是對于AI無法向人類解釋其決策和行動背后的成因，也因此在需要嚴謹度較高的事情上，AI只能給出結(jié)果，無法進一步拆解是如何推導(dǎo)的，也就很難驗證正確性并套用到下一個類似事件上。所以，輝達（NVIDIA）執(zhí)行官黃仁勛才大力疾呼，要建立對AI系統(tǒng)的信任，關(guān)鍵在于透明度與明確的指標。此外，也需規(guī)范相對應(yīng)的使用規(guī)則，以避免相關(guān)的風險產(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看，AI的確可以增進效率，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決策時獨一無二的汲取過去的經(jīng)驗，使用抽象概念和常識的能力。

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)用場景以及明確的應(yīng)用目標。如果數(shù)據(jù)太少或不正確，AI演算法就沒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)；如果問題涉及多個領(lǐng)域，就目前AI的演算法是無法周全考慮跨領(lǐng)域之間的關(guān)聯(lián)，也無法獲得足夠的數(shù)據(jù)來覆蓋跨領(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)雜也橫跨多項領(lǐng)域的，這時人類的智能就派上了用場。

試想哪一天如果AI的應(yīng)用程式出問題了，但老板要你制作一個簡易的分析，你能跟老板說沒有AI我就沒法分析嗎？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。若長久下來，員工對公司的價值性會越來越低的。

想象中的未來

“AI還將通過高效的運算，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，讓人類節(jié)省最寶貴的時間資源。最后，人類將與AI達成人機協(xié)作，AI負責定量分析、成果優(yōu)化和重復(fù)性工作，人類按其所長貢獻自己的創(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明對于未來AI的定位；人機協(xié)作，是我們用我們的創(chuàng)造力與發(fā)想擘畫出未來，策略謀斷而AI負責枯燥且價值較低的重復(fù)性執(zhí)行。而非讓AI反客為主，限縮了我們的行為疆界。