AI商業轉型在台灣與國際

592

科技巨頭投資數百億美元發展人工智慧（AI），有時希望能夠開創出全新的市場，例如輝達、特斯拉與谷歌競爭的自駕車系統，但是更多企業則希望能夠在現有市場上精進，藉由AI提升員工的工作效率及生產力。例如有些企業的人資部門運用AI找出有效的召募方式，大量並更精確地篩選出適合企業文化的未來員工，進行全面且客觀的績效評估。行銷部門則運用AI分析消費者需求，提供消費者客製化的產品推薦，推出更創新的行銷方案，精準預測消費者行為及銷售量。

儘管AI發展如火如荼，或許令人驚訝的是，真正對企業導入AI的實證研究並不多。或許正因為如此，最近MIT的博士班學生Aidan Toner-Rodgers關於專屬AI對研究機構生產力影響的造假研究，會獲得如此多的媒體報導與社會關注。不過最近MIT的Erik Brynjolfsson教授等人與一家國際客服軟體企業合作的研究，證實了運用生成式AI能有效提高員工生產力。

AI用於客服效果不差

這項研究評估了一家銷售企業流程軟體公司採用以AI為基礎的客服系統進行服務的成效。此客服系統是以客服人員與客戶的對話資料所訓練，這些對話資料除了以是否成功解決問題、處理時間進行標記，系統也給予頂尖客服人員的對話價值更高的權重，依此提供客服人員回應客戶的即時建議，以及解決問題所需的相關技術文件縺結。

研究結果發現，平均而言，生成式AI的使用能提高客服人員平均每小時解決問題的數量15%，而且相對於較有經驗的客服人員，使用AI對新進客服人員的幫助更大。除此之外，從客戶正面情緒的提昇以及客戶因問題沒解決而要求與管理者通話的比例降低可知，導入生成式AI也能有效提昇客服的品質和客服人員的整體工作經驗，新進員工的離職率也從25%減少至15%，等於降低了四成的離職率。

值得注意的是，上述案例意味著AI能夠帶來持續性的學習效果：客服人員使用了一段時間後，因技術問題而導致AI斷網的情況下，其生產力仍較未使用AI前高；而且對於越常使用AI並遵循AI建議的人員而言，其效益越高。由此可知，AI能有效協助企業傳承經驗並縮短新進員工的學習曲線。

台灣製造業在普遍缺乏現場人力的情況下，苦於無人能傳承製造現場老師傅的經驗，而開始尋求AI解決方案的協助。杰倫智能（Profet AI）是較早投入此領域的新創企業，他們協助電子業、石化、傳產⋯等不同行業導入AI，學習現場老師傅的機台操作經驗建立模型，為機台設備找出最有效的生產參數，以減少新員工學習操作機台的時間，此外，他們也透過AI協助廠商建立模型分析開發設計新產品所需用到的所有屬性和參數規格，提供開發人員可行的參數配置，減少新產品後續開發時打樣與測試的時間。

近年來，也有企業運用多模態模型分析聲音、圖片、影像，將個人的各種隱性知識系統化，而有利於知識移轉，應用場景也得到進一步擴展。在紡織業，成衣部件種類繁多，從訓練新進業務人員瞭解相關專業知識到有辦法解讀客戶訂購單，製作生產工單及訂購單，往往需要2年的時間，製作一張表單更須耗費3小時，AI 新創公司智慧方案（Intellicon Solutions），協助紡織業者導入AI工具辨識表單內容，輔助業務人員填入關鍵資訊，這除了有助於缺乏經驗的新進業務人員在工作上能快速上手，也大幅降低了企業整體的平均製單時間。

令人尷尬的是，AI在台灣企業界仍屬於「說得多、做得少」的初始階段。「人工智慧基金會」不久前對台灣企業導入AI做了調查，證實了台灣企業雖然對導入AI賦予高度期望，但在實際應用範圍與成效上均相當有限，很多企業既期待又怕受傷害，對於大量導入AI仍舉旗不定。

台灣雖是AI硬體重鎮，卻非軟體應用熱門地

正如基金會執行長溫怡玲所說，台灣雖然在AI硬體上居於世界領先的地位，但是由於軟體向來非台灣企業所長，在基礎不穩的情況下，要過渡到AI仍面臨很多巨大的障礙，應用的範圍也十分有限，遑論AI相關的新創事業。總之，台灣雖然是世界級的AI硬體製造中心，但是在企業實際應用AI上，仍處於相當基礎的階段。

企業導入AI，不僅對台灣企業來說仍有不少困難，即使就在幾年前，外國企業也對投資AI的效益感到懷疑。根據《MIT史隆管理評論》（MIT Sloan Management Review）和波士頓顧問（Boston Consulting Group）於2019年的一項調查研究顯示，除了有七成的企業表示投資於AI成效有限之外，90%已投資AI的公司中，也僅有不到40%的公司能在前三年中獲得商業效益。

Davenport跟Nitin Mittal指出，其主要原因在於大部分企業的AI計畫都屬於小規模、試驗性質的專案；他們認為，企業若想從AI的投資取得經濟價值，就必須徹底重新思考，如何有系統的在企業的重要職能上部署AI、發展新的流程和數據驅動的決策模式，也就是建立AI驅動的能力進行商業轉型。

Daugherty 和 Wilson認為以AI為基礎的商業轉型，其成功關鍵在於如何發揮人機協作的優勢。他們認為人類的優勢在於領導力、團隊合作、創意、社交技巧，而AI的優勢在於速度、規模可擴充性、量化能力。人類的能力可以發揮在AI應用的開發與訓練、解釋與判斷以及管理與維持，而AI則可以增強人類的認知能力，優化員工與客戶的參與互動，以及以「體現智慧」（Embodied Intelligence）為人類完成任務。

根據一項對於12個產業1,075家公司的調查，他們發現企業越是積極投入於AI，包括重新構想企業流程、接納實驗／員工參與、積極指導人工智慧策略、負責任地收集資料、重新設計工作以納入人工智慧並培養員工相關技能，其績效越能得到顯著的改善。

AI在流程自動化、蒐集資訊獲得洞見、促進員工及顧客的參與，表現不一

在實際應用上，Thomas Davenport和Rajeev Ronanki研究發現，AI可以在流程自動化、蒐集資訊獲得洞見及促進員工及顧客的參與等三方面增強企業的商業能力。其中流程自動化最容易實施，成本最低，能帶來立即的效率及投資報酬率，也可能讓組織在一些作業上失去即時調整的彈性。而採用AI來強化員工的洞察力及促進參與雖然有助於增強員工的認知能力，但若流程制定或行動決策的主動性仍在人身上的時候，AI反而可能強化了錯誤的行為。

舉例來說，企業可以建立AI代理人，依據客戶的Email請求自動變更其收件地址或服務項目。應用AI於流程自動化雖然能為組織帶來立即的成本降低、效率提昇等益處，並能解放人力於探索新的機會，但由於自動化只能處理規則明確、重覆性的任務，容易被模仿，加上AI具有通用性，易於取得，當競爭對手也開始將AI應用於自動化，先行企業的優勢將不復存在。

除此之外，需要注意的是，長期而言，自動化可能也會帶來技能鞏固的副作用，當組織習於自動化流程時，可能會讓原本的專家失去既有技能，或是讓他們再也無法或沒有動機處理新任務，此時，組織將失去調整流程的能力，甚至導致「AI官僚主義」（algocracy）。

另一方面，透過機器學習技術，AI可以蒐集資訊獲得洞見，這有利於企業預測客戶需求、提供客製化廣告，在促進員工及顧客的參與方面，AI代理人則能提供客戶技術支援、協助員工解決工作上的專業問題。這些都增強了人類的認知能力，而且，與傳統IT不同的是，由於人機持續協作，隨著時間的演進模型將會變得更好。但透過人機相互學習、迭代循環來訓練及優化模型，所需投入的資源與成本遠較單純導入傳統的商業軟體高，加上人機協作還涉及人為的主觀因素（如情緒、偏見、有限理性），這不但增加了任務的複雜度及不確定性，也讓任務的執行結果難以維持可靠度及一致性，對企業而言，這些都可能帶來額外的隱性成本。

人機仍有其各自認知上或技術上的限制

由此上述討論可知，雖然讓人與機器做各自專長的事，不止能帶來分工的好處，更有助於企業動態調整其商業能力，但是，不論是應用AI於流程自動化或是將其用來擴大企業的商業認知能力（如找出洞見或促進互動），人與機器仍皆有其各自認知上或技術上的限制。我們認為，唯有理解人與機器各自能力上的限制，才能有效發揮人機協作的能力；反之，若只看人類與AI互補的強項，而忽略人或機器先天的限制，甚至可能為企業帶來不可預期的風險。

過去，企業流程的制定與任務的執行是由人類主導，人類會在執行組織任務後去理解結果是否符合預期，為結果做出解釋，並根據所得到的回饋採取行動。因此，人類的認知能力及行動決定組織例規（routines）（包括正式及非正式的工作流程、規範及決策標準）會維持穩定或隨時間推移而發展。然而，由於人類大腦天生就存在短視搜尋（myopic search）和有限理性（bounded rationality）的限制，有時會無法有效或正確地回應組織的需求。

搜尋的短視症（Myopia）是指，人類在處理問題上先天傾向於先尋求鄰近的資訊並滿意於獲得局部最優解（local-optima），這使得人類在處理日常任務時不太可能偏離既定的規則章程太遠，而限制了組織例規在特定時間點可改變的程度。有限理性指的則是，由於認知能力、決策問題的難度，資訊量以及決策所需的時間等限制下，人類無法進行全面的成本效益分析來確定最佳決策，這使得人們在執行組織任務時，往往會選擇採用過去的（不論是自己或他人在所選擇的）行動方案，因此，這些方案往往不是最佳解而是只是滿意解。

現在AI已可以透過解析數據、獲取知識和技能並自主運作，這讓改變組織例規，包括制定規則章程、做出選擇及採取行動的主導權，從人的身上逐漸移轉到AI。由於AI的使用會減少執行組織任務時對人類參與任務的需求，特定類型的AI在某些應用情境下可以發揮主動性（agency），減少或避免人類的認知偏誤、行為偏差或協助組織發展最佳行動方案，使組織在例規的改變及需求的回應速度上更符合當下的需求，並有助於動態調整其商業能力。

依主動性強弱，AI可分為約束型、增強型及自動化三種

Alex Murray等人把具有不同類型主動性的AI分為約束型、增強型及自動化。自動化AI主動性最強，能自主選擇行動並依收集到的資訊來調整資料處理的規則及工作流程；增強型AI能依收集到的資訊來調整資料處理的規則及工作流程，但由人類進行決策及行動；約束型AI則是由人類制定資料處理的規則及工作流程，但由機器進行決策及行動。

自動化（Automating）AI在執行任務上不論是執行規則的制定或行動的選擇皆具有自主性。它自動蒐集即時且非結構化的資料，從中學習來發展執行規則，找出實現任務的方法，並能在無人干預的情況下自動優化。自動化技術除了考量更廣泛的資訊，也得以不受人類認知限制的影響。除此之外，由於自動化技術能夠即時學習、回應環境變化，然後採取行動，這將使規則章程具有高度的靈活性和適應性。

一般來說，在目標及問題明確的任務中，自動化技術具有強大的優勢，如在商業上，已廣泛使用的智慧流程自動化技術（RPA，robotic process automation technologies）常用於履歷分析及篩選、可從email或客服系統自動更新個別客戶的資料及服務項目，自動化電子郵件行銷活動、收集統計資料、產生報告等。巴西最大的保險業務公司Lojacorr Network則是透過監測公司網站上的保險產品資訊以及保險違約和通知，將內部支付監控流程自動化，此流程會在客戶的付款即將到期時通知他們，以便他們能夠付款而不會失去保險，這使得整體流程效率提高80%，人為疏失減少，並能即時提供業務人員及客戶相關通知。

約束型（Arresting）AI則指的是當某些特定條件被滿足或觸發的情況下會自動選擇應有的行的AI。由於人類難免會出現失誤、大意、偷懶或違反規則的行為，而使其行動偏離既有的規則章程，透過事先將既定的協議納入，能避免人類選擇做出不被允許的行動，而得以維持組織例規的穩定性及可預期性，減少人為變因。區塊鏈技術為基礎的智慧合約即屬於典型的約束型技術。

區塊鏈系統建立加密的分散式帳本來儲存交易資訊，只有當網路中的大多數參與者同意時，新交易才會被記錄下來。因其分散式及加密的特性使其難以被竄改, 新創公司Everledger以此技術為鑽石標示專屬的識別資訊，解決過去紙本文件容易遭竄改及偽造的問題，以幫助珠寶商遵守國際禁止交易「血鑽石」的規定。而智慧合約則會在滿足預定條件時會自動執行並完成交易。

增強型（Augmenting）AI會透過解析大量數據，找出其中人類所無法識別的複雜模式，並建立一套內部邏輯（即規則）來處理特定問題，為人類提供行動選擇上的預測性建議，因此能與人類的能力互補並合作執行任務。如許多電商已大量使用結構化機器學習技術，為線上消費者行為建立模型，提供既有及潛在的消費者購買建議，以提高商品的點擊率和銷售量。

AI各自有不同技術上的限制

總結來說，AI模型的建立會先由人類提出要解決的問題及目的，然後提供適切的數據給機器學習以建立預測模型，初始模型完成之後，機器本身則會再依據新任務所提供的資料產出分析結果，以提供行動的決策建議。從技術能力來看，AI具有良好的資訊評估及決策可做為商業能力的基礎，特別是當任務目的以及處理的規則明確時，機器可以代替人類做出更好的決策並行動，並避免人類認知能力有限或是行動上的偏誤所可能帶來預期之外的後果，但與此同時，不同AI也各自有不同技術上的限制。

首先，自動化AI的優點在於能大量處理重覆性的工作，同時還能因應需求改變即時回應。但由於AI技術容易取得、被模仿，若無法整合企業本身的獨特流程或數據，企業只能取得短期的領先地位。除此之外，考量到新的資料來源可能出現異常或AI幻覺也可能導致機器預測錯誤，自動化AI較適合應用於風險較低的任務，如產品推薦或自動客服。

其次，約束型AI較難因應任務需求改變即時做出回應，但可以避免執行任務時可能發生的人為疏失或不當行為，因此，較適合用於執行規則明確且不確定性低的任務，像是結合區塊鏈技術的溯源平台可用於監控交易物是否符合交易規範（如血鑽石），執行自動金融支付或是身份驗證等。但是，導入約束型技術的缺點是缺乏調適變化的彈性，一旦出現無法預期的事件時，不論是會為組織帶來更好的選擇或造成利益損失，需要重新設計規則，因此無法在短期間內修改規則。

例如，比特幣本身無法被破解，但一旦發生詐騙或勒索行為時，也無法在事發當下阻止，而只能依靠人類事後建立新的規則來應對。因此，企業採用約束型AI應更為謹慎，並建立異常監督機制。

最後，增強型AI雖然能強化人類的認知能力，擴大行動選擇的範疇，建立Daugherty 和 Wilson所宣稱的人機協力的優勢。但採用此類技術時，問題定義及行動選擇上仍是由人類做決定。受限於人類的既有認知能力及判斷，此類技術反而最有可能會導致人類盲目遵循增強技術的建議而選擇較差或不恰當的行動，或是因受限於過去經驗，傾向於忽略那些超出已知或可接受的行動範圍的建議。

除此之外，由於增強技術受限於使用事先建立的結構化資料進行訓練，限制了運作規則發展範圍，此時，人類有可能因為擁有更深入的專業知識或對目標有更深的理解，而對機器的建議產生質疑。因此，當機器的建議一直不是最佳的時候，或依據其建議行動的結果不如預期時，將使得人類必須更依賴自己的判斷。總而言之，考量到增強型AI可能更依賴人的判斷，其更適合應用於專業領域的研發工作上。

已有私募基金將AI應用到高階層企業投資組合管理的範疇

最近國外已經有私募基金公司開始將AI應用到高階層企業投資組合管理的範疇，阿波羅全球管理公司 （Apollo Global Management）就是一例。

阿波羅在實際投資之前，便制定了一套詳細的流程，用於評估人工智慧的風險和機遇，並為特定公司建立人工智慧能力。並與與創投公司 25madison 合作，於2024年推出了孵化器 25m Evolve。該孵化器目前擁有11家公司，致力於廣泛的 AI 能力，從供應鏈彈性、製造反應時間到聲譽管理。這些公司將成為 Apollo Funds 投資組合的供應商，並成為其他客戶可行的軟體業務。

例如許多人認為十分傳統且江河日下的出版領域，孵化器其中一家出版商 Cengage目前正在實施8個 AI 計畫，以提高銷售支援、客戶服務、內容製作、銷售自動化和新產品開發等領域的生產力。早期成果顯著：部分內容製作流程的成本下降了40%，透過自動化實現的潛在客戶開發成本下降了15%至20%，客戶服務成本下降了15%，軟體開發成本下降了10%至15%。Cengage也推出了兩款新的AI產品：Infosec Skills Navigator，可以創建個人化的網路安全培訓計畫；以及Student Assistant，這是一款基於AI的生成式導師機器人，其學生用戶規模已達到100萬人。

在投資組合管理上，舉個最簡單的例子，阿波羅使用自己的人工智慧系統查看投資組合中40多家公司的採購合約和發票，並確定特定產品的最佳價格。例如在一個案例中，阿波羅的人工智慧系統在幾分鐘內分析了15,000份軟體採購協議，幫助其投資組合中的一家公司降低了超過65%的實際採購成本。阿波羅的例子顯示，已經有企業開始應用AI於較高階的管理工作。

瞭解國際上企業對於AI應用的實際發展，有助於對台灣企業借鏡，但是在另一方面，我們同樣必須正視台灣企業在AI硬體製造與軟體應用的鴻溝，事實顯示，企業應用IT軟體到AI之間，存在一定的關聯性，雖然無法完全否定「彎道超車」的可能，但是對過去未曾經歷相關變革的企業組織而言，彎道超車的機率恐怕不高，台灣企業終究必須在一方面摸索出一條適合本土企業的道路，另一方面也必須補足過去缺失的功課。

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。