人工智慧與競爭優勢

833

諾貝爾經濟學獎得主索羅（Robert Solow）曾經提出一個「生產力悖論」：儘管美國在1970及80年代，資訊科技（IT）發展迅速，被稱為「資訊革命」，但是卻出現整體生產力成長速度放緩的情形。因此索羅忍不住在1987年感嘆：「IT無所不在，除了在生產力數據之中」。索羅的生產力悖論並沒有隨著時間消逝，2000年時，IT生產力悖論再度發生。

AI不但未提升整體生產，產值還大幅滑落

諷刺的是，繼上世紀的資訊革命之後，本世紀又迎來人工智慧（AI）革命，卻依舊逃不過生產力悖論。IT是基於電腦、軟體、網路來儲存、處理與管理資訊的系統，而AI則是電腦科學的分支，用來執行與人類智能相關的工作，像是預測與決策等任務。儘管報章媒體中充斥著AI改變人類作業方式與大幅提高生產力的例子，許多投資銀行與管理顧問公司也對AI的影響力給予極佳的評價，例如高盛在2023年估計，AI將給全球GDP帶來7%的成長，相當於10年內，美國的年生產率增加1.5%；但是學者應用大量數據評估後發現：引入當代AI的頭十年，整體生產力的成長率其實處於大幅下降的階段，而且降幅高達一半！

2024年諾貝爾經濟學獎得主艾塞默魯（Daron Acemoglu）在同年的一篇工作論文，對AI的生產力影響加以評估。他發現十年內AI造成總要素生產力（Total Factor Productivity, TFP）的增長不超過0.66%，他甚至認為這個數據可能還高估了AI的影響力，未來10年AI增加總要素生產力的幅度不會超過0.53%。AI對整體生產力的提升依舊十分有限。不過與其說AI的生產力不如預期，毋寧說AI的影響力並非對所有工作一致，對特定工作的影響力要大得多。

對大多數企業來說，他們面對的問題比當代的AI生產力悖論更加複雜：即使人們解決了AI生產力悖論，企業依舊面臨AI是否能帶來競爭優勢的疑問。原因很簡單，如果生成式AI（generative AI）能夠同時給你和競爭對手帶來同樣的生產力成長，那麼意味著AI並未給你帶來競爭優勢。

換句話說，除非一個企業能夠用AI產生獨特優勢，難以為對手模仿，否則運用AI只會導致你的企業不落後於競爭對手，卻無法帶來任何競爭優勢！這時對AI的投資就森林中的樹木，每棵樹花費大量的資源長得更高，只為了比對手獲得多一分的陽光，雖然理論上同樣的陽光分佈在較矮的的森林中也能實現，但是沒有樹木願意落後的情形下，最後只能花費大量資源進行軍備競賽。正如《愛麗絲鏡中奇遇》中，紅皇后對愛麗絲所說的：「你必須盡力不停地跑，才能夠停留在原地。」

IT發展的五階段可供AI作借鏡

在解釋AI與競爭優勢的關係之前，回顧麥克唐納（Stuart MacDonald）等人對IT生產力悖論的歷程，十分具有啟發性。麥克唐納等人發現，IT革命實際上經過了五個階段：

階段一：早期人們認為IT是一門十分新穎且具有革命性的技術，將完全取代人類勞動力，開始對IT投資，並認為勞動生產力是衡量 IT 影響力的正確方式。

階段二：這一階段始於1970年代末，人們首次發現IT對生產力的影響低於預期。儘管如此，各大企業依舊有如軍備競賽般投入大量資金，很多甚至從未評估IT對生產力的影響，而僅以投資報酬率估量。

階段三：這一階段始1980年代初，人們開始認識到IT無法完全取代人類勞動力，只適合用於提高生產力。也是在這個時期，數家美國企業（如美國航空公司、美國醫院用品公司和花旗銀行）開始策略性地利用 IT 產生競爭優勢。

階段四：1980年代末，IT投資轉向管理資訊系統，以改善企業各階層的決策輔助，這時評估IT的目標不再是生產力。索羅等人在這個階段發現並提出IT的生產力悖論，管理學者也是在此時發展出不同關於IT競爭優勢的理論。

階段五：1980年代末到1990年代初，IT領域的投資大部分都轉向了電信領域。隨著這波新的投資熱潮，對生產力提高的預期進一步降低。

如果歷史可以借鑑的話，我們現在可能處於類似於IT的階段二，相信AI將完全取代人類勞動力，各大AI公司正進入如軍備競賽的瘋狂投資階段，這時投資的驅動力近於紅皇后競賽（Red Queen’s Race），只有盡力奔跑才能停留在原地，投資人評估的並非生產力，而是投資報酬率。

這也代表目前多數企業仍在摸索，不僅如何利用AI提升生產力，而且產生競爭優勢；同時AI仍在快速演進，隨時可能讓既有的競爭優勢過時。不過比上次幸運的是，基於過去對IT競爭優勢的研究，我們現在已經對於理解AI競爭優勢有較好的基礎，至少在工具箱中有更多的工具可用，可以隨著AI在企業的進展，逐步開展相關的理論。

回顧AI的發展歷史，早期AI的研究者（例如Claude Shannon、Herbert Simon、Allen Newell和John McCarthy）大多以西洋棋為研究對象，因為規則清楚、目標明確，雖然下棋的可能走法的數目很龐大（西洋棋約有10的120次方），但可以透過評估函數或是搜尋演算法等方法來處理，大幅降低運算資源。相較之下，人類或企業多數的決策則太過複雜、不夠明確、難以量化，而且需要龐大背景知識與計算能力，結構明確的下棋是研究人類智慧更簡單的工具。

至今AI已被應用到各種場景，如遊戲、翻譯、科學研究、保險、醫療、金融、銷售、自動駕駛、文字及影音生成等等，甚至演算法決定你是否在社群網站看到這篇文章，可說在我們的生活中幾乎已無所不在，而在這些應用背後則是運用了分群（clustering）、迴歸（Regression）、決策樹（decision trees）、貝式估計（Bayesian estimation）、神經網路（neural networks）、深度學習（Deep learning）等等多樣及深奧的技術。但不論是何種技術，其目的都是在利用所蒐集到的資料來產生新的資料，也就是所謂的「預測」，這可以是遊戲的戰術、文字或影音生成的建議、實驗或診斷結果的判讀、風險的評估、購買的推薦或運輸路徑的計算。

AI之下預測與判斷脫鉤了

三位多倫多大學教授在《AI經濟的策略思維》提出，預測是決策的重要的生產要素，但決策者要把預測和「判斷」預測結果的重要程度（或機率）結合起來才會產生決策與行動。而行動的結果（報酬或益處），則會提供「回饋」以協助下一次的預測。過去，傳統的決策者同時兼負預測與判斷的工作，如計程車司機同時要記得所有的路線圖，預測兩點之間的最短距離（對倫敦的計程車司機而言，這曾是極具價值的稀缺資源），並判斷路況選擇路徑。但當AI能提供高品質的預測時，預測與判斷就脫鉤了，就像計程車司機使用了google maps進行導航時就不再需要記得所有的路線，而僅需就google maps提供的路徑預測進行判斷與決策。

我們可以將判斷分為兩種，一種是事前的判斷，也就是定義有價值的預測問題。Integrate.ai的創辦人Kathryn Howe把看到問題並將問題重新組合為一個預測問題的能力, 稱為「AI洞見」（AI Insight）。如將有規律、明確規則的運輸問題轉變為預測人類的駕駛行為的問題，就可以讓自動駕駛從封閉場域，如工廠，應用在不受控制的環境，如城市間的自動駕駛。

但重要的不是洞見，而是洞見能為決策帶來什麼價值。這類價值主張的提出屬於事前的判斷。另一種是事後的判斷，也就是在決策前依據預測所做出的判斷。當規則簡單時，可以在事前將一部分的判斷納入機器的設計中，將判斷納入機器的設計就是所謂的自動化，但不論是否將判斷納入機器的設計，由於機器不會做出判斷，最終做出判斷的還是人，提供預測的AI需要人的判斷才能創造價值。

以西洋棋競賽運用AI做案例來討論

預測除了可以增加生產力，改變決策及改善決策品質，還會帶來更的多應用。而當預測與判斷脫鉤時，能最好利用AI預測進行判斷的人，還能帶來策略的轉變並創造優勢。以下我們將從西洋棋競賽運用AI做為案例，說明當我們能瞭解人與機器的限制時，人與機器合作，也就是運用機器的能力，將能讓預測變得更好並創造優勢。並以此為基礎，說明在商業環境中，如何結合人類與機器的優勢發展出具有優勢的人機協力能力，並進一步探討企業能如何利用AI技術的特性結合本身的資源發展新的機會、價值與策略。

1997年5月，IBM「深藍」電腦打敗了當時的世界西洋棋冠軍 Garry Kasparov，這是有史以來電腦第一次打敗人類最頂尖的棋士。然而，Kasparov不但沒有因為這次的失敗而將機器視做敵人，反而受到啟發開始積極地在西洋棋領域提倡人機協作的概念，推出由人與AI組成的「半人馬」隊伍來進行比賽的Advanced chess（又稱Centaur chess，半人馬西洋棋）。

這不但對AI的發展產生莫大的影響，也徹底改變了西洋棋領域的競爭格局。其後，AI引擎在西洋棋領域發展迅速，又衍伸出AI引擎棋賽，頂級國際象棋引擎錦標賽（Top Chess Engine Championship），由AI引擎自主下棋，人類只選擇、調整和管理這些引擎。此時，AI的下棋能力已遠遠超過人類。

根據FIDE的資料，人類在ELO棋力評分上，一直維持在2500-3000分之間，目前最高的人類得分是Magnus Carlsen於2019年所創下的2882分。AI的能力則是在1997年有了一次的躍昇而得以打敗Kasparov，並一直維持與人類西洋棋特級大師相等的水準，2006年之後，AI的棋力持續躍進，2016年Google推出的AlphaZero更僅需透過機器跟機器對奕，而不需要學習人類棋譜，就可以學會下棋，至2021年AI棋力更突破3500分。在西洋棋領域，相對於AI，人類已不再具有任何優勢。

人機協作大幅提升勝率，但也衍生問題

在上述發展歷程中，值得注意的是，人機協作在西洋棋的表現不但優於人類，更能超越AI。在2005年的一項「自由式西洋棋巡迴賽」中，最終的贏家不是西洋棋特級大師（Grandmaster），不是超級電腦，也不是擁有最先進電腦的西洋棋特級大師，反而是同時操作三台普通個人電腦的一對業餘美國西洋棋玩家。從AI對西洋棋競賽的影響來看，我們幾乎可以同意Kasparov給人類這句忠告：「打不過，就加入吧！」，但仍有一些問題值得深研。在新的賽局中，人類的角色是什麼？人類又該如何與機器合作？AI的能力又有何限制？

西洋棋的遊戲規則明確，加上玩家是在一個完全被控制的環境下對奕，如機器及開局書的使用都有明確的規範，在這樣的條件下，讓我們得以比較在不同情境下玩家們能力及決策品質的差異。Sebastian Krakowski、Johannes Luger及Sebastian Raisch三位學者研究下棋的AI之後發現，玩家EOL分數增加182.75分，可提高獲勝的機率約 22％，減少失敗機率約16％，玩家的能力能力越高，其獲勝的機率越高，這個結果符合一般認知。

但是，當同一個人採用AI比賽時，無論是以半人馬西洋棋或引擎西洋棋形式比賽，玩家能力差異對比賽的影響卻大部分消失了，換句話說，機器的運算能力取代了人類的認知能力。進一步來看，使用AI比賽，也會增加平局的機率以及延長比賽的時間，這意味著AI會減少玩家能力差異對比賽的影響，也就是說AI可能會降低玩家既有能力的優勢，然而機器本身的能力對比賽的影響卻令人意外的低。

雖然不同的機器除了能力不同，也擁有不同的功能及低層架構，但由於AI引擎是開源軟體，不但容易被模仿，玩家選擇不同AI引擎的成本也低，這使得不論是機器能力或機器類型的差異對比賽成績都沒有帶來顯著的影響。

決定西洋棋勝出的關鍵，是能操縱和訓練電腦的通用能力

這篇研究最重要的發現是，人類使用AI之後會產生新的認知能力：使用AI的人機協作能力。在西洋棋賽中，這包括了使用找出對手AI引擎的弱點、選擇適合的AI引擎、與機器對話調整參數、利用西洋棋社群發展策略等等，這些能力與機器能力高度相關，但與人類傳統的下棋能力無關。研究結果顯示，決定西洋棋勝出的關鍵不是人類大師或超級電腦，而是能操縱和訓練電腦深入研究棋局這類需要資料科學知識及創造力的通用能力。這個結果呼應了Kasparov的見解：「一個能力不強的人類玩家加一台機器，再加上一個較優的操作流程，勝過單單一台非常強大的機器，更棒的是還勝過一個厲害的人類玩家加上機器，以及一個次等的操作流程。」。

從企業的角度來看，企業的管理判斷（managerial judgement），包含策略決策的品質與解決問題的能力，會直接影響企業的績效，而且，由於人類的認知能力普遍存在差異、稀少且難以模仿，好的認知能力被認為是企業競爭優勢的重要來源。對應到西洋棋，這些能力就如同長期以來一直主導棋手的比賽成績的下棋能力。但從AI引擎可完全取代人類的下棋能力的結果來看，在某些特定領域中，人類具有優勢的專業能力不但可能被AI淘汰，而且由於AI的通用性及可取得性，即使在這些領域中投資AI也僅能取得早期、短暫的優勢，無法創造長期競爭力。

具有人機協作能力才是王道

因此，在目前已知AI具有優勢的領域，如快消品、金融、醫療保健和保險等，企業應同時發展員工的AI素養以及互補性認知及社交能力，包括感知能力、創造力、獨創性、美學、社會洞察力、談判力、說服力、協助和照顧他人的能力，並雇用具備人機協作能力的人才，來與具備豐富領域知識的專家甚至是高階管理層協作，才有可能創造獨特的競爭優勢。

舉例來說，全球香水公司Symrise使用AI系統來分析其170萬種香水配方資料庫，並找出特定客戶人口統計與香料組合的相關性，這讓香水師能運用AI的建議快速篩選出可行的配方，並運用其獨特的感官和直覺進行挑選，最後再利用AI調整配方成分比例。

另外，牛津大學教授Carl Frey與Michael Osborne的研究發現，由於機器學習及移動機器人（Mobile Robotics）技術的發展，AI已經開始取代一些傳統上被認為是非例行性的工作，如在城市交通中駕駛汽車或辨認個人支票上潦草的筆跡。不過對校車司機而言，除了駕車的功能之外，還兼負著維護孩童安全的功能。因此，在未來，仍需要傳統領域的專業知識，在這些領域，專家的能力仍有一定價值，但也需要額外的機器增強能力。

以西洋棋做為案例來瞭解AI與人類能力互補的可能，可以讓我們釐清為何人機協作的能力是AI世代企業發展組織能力競爭力的關鍵，但在企業層次，我們更想知道企業如何結合AI才能發揮其本身的優勢？導入AI對企業的競爭力又會有何影響？

從AI的技術特性來看，其限制在於AI易於取得，AI演算法的使用方式也很容易被模仿，即使AI能幫助企業做出更好、更便宜的產品，競爭對手可預期地也能做到，另外，不論是AI演算法本身或是使用AI的方法，要能讓電腦理解，就必須要是明確的指令或程式碼，這樣的外顯性知識也容易被抄襲或因人員異動而擴散到組織外部，加上AI雖然能有效地處理與完成任務，但卻無法確保產出的結果與企業策略一致，除此之外，AI還需要足夠、獨特及專屬的數據及充份的學習才能發揮作用。

因此，企業若想利用AI的能力來創造競爭優勢，至少仍需考量以下幾點：

企業無法建構出以AI為基礎的專屬能力

首先，西洋棋的世界目標明確，其唯一的目標就是先將對方的國王吃掉，商業組織的運作則較西洋棋複雜許多。企業在營運上必須處理各種任務衝突，平衡盈收成長與獲利、成本與品質，短期績效與長期發展等各類目標，或做出取捨。甚至還必須在決策的過程同時考量交易效率、所有權、能力與資源，以及組織認同等面向。

與此相關的，還有資源分配的議題，企業必須考量要分配多少資源在新事業發展上，對Google一樣的大型軟體公司，可以同時開發上千個AI工具，但對小型企業而言就缺乏資源進行大規模的試驗。除此之外，由於AI導入本身就是一種組織變革，這也會帶來不同的任務衝突與組織抗拒，而使得企業無法建構出以AI為基礎的專屬能力。

第二、每個AI演算法只處理單一任務，無法識別或處理組織中具相互依賴關係的任務，也無法瞭解企業的整體發展方向，這將使得AI完成任務的同時卻無法產出與企業策略一致的結果，更糟的是，若不解決單一AI演算法無法處理任務相依的問題，甚至會導致組織抗拒發展更好的系統。

曾經有一家大型電商與商學院教授Dokyun Lee與Katrik Hosanagar合作，想比較傳統關鍵字「配對建議」引擎與推薦「買了這個的人也買了那個」的「協同過濾」（collaborative filter）引擎對銷售量的影響，以決定是否導入新的推薦引擎。研究結果顯示，協同過濾引擎的整體銷售效果比關鍵字配對建議引擎好，但協同過濾引擎在促進熱門產品賣更多的同時，卻也會讓不太熱門的產品（或長尾產品）賣更少。最後，由於工程師擔心若要再調整系統以增加長尾產品的銷量，可能會帶來意想不到的後果、破壞現有系統，而決定不採用新的推薦引擎。

第三、預測數據具「最少可行規模」。相對於西洋棋的數據充份且易於取得，適合用來發展AI預測模型，但這也導致數據本身無法帶更多的優勢。雖然曾有一段時間，機器必須藉由學習人類創造的開局手冊、棋譜來學習，但這些資料是公開且有限的，主要決定AI引擎能力的，還是機器的演算法及運算速度，AlphaZero甚至可以直接給予規則透過實驗（機器對奕）來訓練，而不需要考量數據蒐集的問題。

但對企業而言，每家企業數位化的程度不一，擁有數據的企業更具有優勢來導入AI，但企業若要從投資AI來產生競爭優勢，更重要的反而是數據所能帶來的決策品質提昇的效益以及數據庫的獨特性。舉例來說，亞馬遜投入AI預測需求與推薦購買所能獲得的效益將遠高於單一實體書店，其主要原因除了建立精準的預測模型有一定的數據量門檻之外，也與其銷售規模是否能有效分攤初期的系統建置成本有關。

透過流程的數位化與資料蒐集更具獨特性

第四、與西洋棋競賽相符，AI屬於通用技術，可取得性高，即使AI本身能幫助企業做出更好、更便宜的產品、制定更好的策略，可以預期的競爭對手也能做到同樣的事。但透過流程的數位化與資料蒐集，反而有可能為企業創造獨特的競爭優勢，特別是當這些資料具有企業專屬性時。

舉例來說，iPhone工程師在設計鍵盤的時候遇到了很大的困難，由於把QWERTY鍵盤塞入4.7吋的觸控螢幕上後按鍵會變得過小，這使得使用者常常會誤觸到周圍的按鍵而無法流暢的打字。但透過蒐集使用者經驗，iPhone團隊發現一般人在按按鍵時，並不會按在按鍵正中間，而會有一定的偏差，於是除了增加按鍵被觸控到時會暫時放大的功能之外，還決使用AI技術蒐集使用者的打字習慣，蒐集觸控的偏差範圍以及預測下幾個可能的被觸控的按鍵，並以隱藏的方式擴大這些按鍵的可觸控範圍，而得以發展出獨特的虛擬按鍵。即使每家手機廠都可以運用AI在自家的鍵盤設計上，但回饋資料定義的差異會反映在使用者體驗上。

第五、以智財權避免競爭對手透過模仿或取得類似的資料來複製企業的優勢。AI所使用的數據不論是文字、圖像或聲音，一定是可符碼化的，這增加了知識被盜用的風險。近期最有名的案例就是DeepSeek使用「蒸餾技術」（distillation），從已成熟且強大的大語言模型所生成的文本（tokens）提煉數據來訓練新的AI模型，並進行學習和優化，而得以大幅降低從0到1建構與訓練成本的模型。

不過，有時候，企業可以透過專利或商標保護來維持競爭優勢，舉例來說，Shutterstock擁有的圖庫內容皆有合法授權，並以人工為這些內容建立了高水準的後設資料（metadata），而得以避免這些內容被免費竊取著作權，並透過授權方式「從創作中獲利」。

第六、在AI的世界，快速回饋的系統會帶來贏者全拿。訓練AI需要數據，這包括了訓練數據、輸入數據及回饋數據。我們提供訓練數據給機器學習，以建立預測模型，然後提供輸入數據讓機器產生預測，最後，再透過回饋數據來持續改進或優化預測模型。由於訓練數據在建立預測模型之後就沒用了，要創造價值就要持續產生新的數據來做為輸入數據及回饋數據。

透過學習雖然能提昇AI為基礎的服務或產品的品質、創造早期優勢，但值得注意的是，由於資料回饋的速度決定了服務或產品的優化速度，因此，唯有在快速回饋的領域，如遊戲或搜尋引擎，先進者才能快速拉開與後進者的差異，形成持續的競爭優勢。

AI的早期學習成本會影響企業的AI發展策略

最後是AI的早期學習成本會影響企業的AI發展策略。傳統企業不論是不是擁有數據或AI系統，都會持續的利用其經驗進行決策並行動，但是當AI的預測品質夠好且夠平價時，傳統企業勢必將面臨具備AI趨動能力企業的挑戰，這時候，誰能持續產生及掌握新的數據將決定誰能掌握優勢，但由於產生新的數據的同時，也意味著早期採用者必須先忍受數據優化過程所帶來的體驗不佳。

對傳統公司而言，導入AI所帶來的既有消費用體驗不佳的成本，遠高於新創企業，而更有可能被新創企業所顛覆。為了降低AI所可能帶來的顛覆並最大化自身的優勢，傳統汽車公司在發展電動車事業時，選擇了與Waymo合作，以避免自建AI所可能帶來的早期使用者體驗不佳，特斯拉則沒有這項包袱，而可以選擇直接在新車上運用AI技術實現軟硬體的整合。

沈榮欽，作家。法國INSEAD博士，對市場與企業組織感興趣。
莊皓鈞，政治大學科技管理博士，對創業議題有濃厚興趣，本來想進學術圈，卻意外地踏入不同產業新創公司，但仍持續做研究，希望能將個人的學術素養及科學精神推廣至產業。