智慧協作時代：一人即團隊的高生產力新商業模式

寫於書前
前言 一人即團隊！智慧協作時代來臨

第一部 AI增強下的工作現況
1.    摩根士丹利：高效的財務顧問都在做什麼事？
2.    ChowNow：隨時提供符合市場需求的最佳銷售策略
3.    Stitch Fix：AI 輔助服裝造型師
4.    阿肯色州立大學：用 Gravyty 募款
5.    蝦皮：產品經理在 AI 電子商務裡的角色
6.    港灣人壽和美國萬通保險：引進數位人壽保險核保人
7.    雷帝斯金融集團：智慧抵押流程
8.    星展銀行：以 AI 監控交易
9.    AI 診斷和治療紀錄編碼：讓人類真正發揮所長
10.    電通：公民開發者的機器人流程自動化
11.    84.51°和克羅格：自動化機器學習提高資料科學生產力
12.    麥迪安網路安全公司：AI 輔助網路威脅歸因
13.    印度星展行動銀行：用客戶科學優化客戶服務
14.    直覺軟體公司：AI 輔助寫作，人負責提供規則
15.    Lilt：電腦輔助翻譯，使專業翻譯者產能提升160％
16.    賽富時：倫理 AI 實踐的架構師
17.    Miiskin：AI 輔助皮膚成像，醫師更能專注於複雜案例
18.    好醫生科技：實現家家戶戶都有好醫生
19.    奧斯勒工作：法律服務的轉型現場
20.    太平洋軸承公司：用於員工訓練的 AI 虛擬現實
21.    希捷科技：AI 自動化視覺檢測技術，削減晶圓和晶圓廠損耗成本
22.    史丹佛醫療中心：往無人藥局邁進
23.    速食漢堡店：AI 助理炸薯條的同時還能服務客人
24.    FarmWise：耐曬、抗雨淋的數位除草系統
25.    北卡羅來納州威明頓警察局：警務數位化
26.    策安集團：AI同僚提升安管強度，同時照顧顧客
27.    南加州愛迪生：預防現場事故的機器學習安全資料分析
28.    MBTA：AI 輔助柴油分析以利列車維修
29.    新加坡陸路交通管理局：智慧城市裡的鐵路網管

第二部 AI賦能下的職場大未來
30.    用 AI 改變工作，需舉全村之力
31.    人人都是技術人員，或至少有混合角色
32.    讓 AI 發揮作用的平臺
33.    智慧案件管理系統
34.    新鮮人的就業機會將愈來愈少?
35.    遠距獨立工作
36.    機器（還）不能做什麼

第三部 AI賦能時代下的關鍵結論
37.    智慧協作的未來

注釋

 

前言

一人即團隊！智慧協作時代來臨

　　人工智慧將對人類的工作帶來什麼影響，這類作品已經汗牛充棟，我們很容易找到大量相關的預測、方法或責難。然而，想找到人們如何使用智慧機器從事日常工作的說明，卻並不容易。

　　起碼到目前為止是這樣。本書的核心是針對工作和工作環境提出二十九個詳細的案例，說明人類已經在這些工作和工作環境裡，採用人工智慧系統和自動化進行日常工作。我們把人工智慧定義成能夠完成以前需要靠人腦，或者需要人腦和身體一起才能完成的任務的技術。我們每一個研究案例，都包含這類技術。

　　這些人機協作的例子，以及我們相關的見解和結論都很非常重要，因為長期以來由機器驅動的自動化，對人類工作的影響，一直都是人們猜測和關注的主題。至少從一五○○年代末以來，伊麗莎白一世女王拒絕了威廉．李（William Lee）提出絲襪自動針織機的專利申請，因為這種機器可能會讓針織工人變成窮人，人們一直擔心使用智慧機器會導致大規模失業。

　　如今，人類依然關心自己的職涯命運。最近相關的調查和分析焦點，是人工智慧和相關自動化技術是否會大量取代人類的工作。有一些分析這類問題的分析師，明確預測出我們即將失去（或增加）的工作比例和數量。我們不會在這裡回顧這些分析，但那些數字各不相同。從預測人們將失去二十億個工作機會（至二○三○年為止），到認為工作機會將淨增加數千萬個的預測都有。失業的比例則從50％到5％不等。有些預測比其他預測更嚴格，但預測結果的落差不表示人們對此有任何共識。

　　沒有人確切知道人工智慧會導致多少失業或就業問題，但這並不妨礙人們不斷發表各種書籍和文章來預測。在這段時期裡，最早期的書對人類的就業前景顯得相當消極。馬丁．福特（Martin Ford）的《被科技威脅的未來》（Rise of the Robots），以及傑瑞．卡普蘭（Jerry Kaplan）的《用不到人》（Humans Need Not Apply）都是這種類型。他們談到自動駕駛汽車和漢堡機器人隨時可能出現，並預測這些會為許多人類勞工帶來可怕的後果，以及更大的不平等。然而，到目前為止，自動駕駛汽車和大規模使用的漢堡機器人都尚未出現，也沒有為司機和速食店員工帶來可怕的後果。

　　這類主題的第二代書籍，則比較樂觀。末日預言家在二○一六年出書後僅僅一年，湯姆和茱麗亞．柯比（Julia Kirby）合寫了一本叫做《下一個工作在這裡！》（Only Humans Need Apply）的書。二○一八年，他的前同事吉姆．威爾森（Jim Wilson）與保羅．道格爾提（Paul Daugherty）合著《人機合作》（Human+Machine，暫譯）。這兩本書都聚焦在增強技術，或者說人類工作者與智慧機器刻意合作，有時被稱為「人機迴圈」（human in the loop）的工作環境。這些書裡仍然會警告人工智慧對工作的影響，但重點已經從人工智慧接管人類的工作，轉向人類和人工智慧的合作模式。就像談到未來的書籍中常出現的狀況一樣，這些論點沒有以大量數據佐證，但確實談到工作裡的增強技術。我們兩人都堅信，人工智慧的主要影響是增強人類的能力。我們希望有更多證據和文件可以佐證，而非只有那兩本早期書籍裡提到的初步例子。

　　我們也堅信，未來一兩年內，因人工智慧而流失的工作比例，將比較接近專家估計的下限。有一個預測非常有啟發性：二○一五年，麥肯錫全球研究所（McKinsey Global Institute）將工作分解成任務，預測透過目前的人工智慧技術，美國將可能有45％的工作可以用自動化處理。然而兩年後，麥肯錫研究人員指出，有幾個因素，包括自動化的成本、勞動力不足、經濟效益和法規，將對自動化的速度和普及程度產生重大影響。他們把估計下調到可能不到5％的工作適合「完全自動化」。

　　▎樂見增強
　　「全自動」這個詞非常重要。全自動常見的替代方案是部份自動化，或者透過智慧機器增強人類的工作，反之亦然。這也是我們在本書關注的重點。人工智慧－－至少是二○二○年代初期可以用的那種－－非常適合強化大多數現實世界的工作環境。

　　在辦公室、工廠和現場環境等廣大的真實使用場景裡，增強的例子比完全自動化的例子多很多，而且這種狀況預計將在可預見的未來持續下去。自動駕駛汽車技術就是一個例子。幾十年來，有些人說自動駕駛汽車和卡車已經「指日可待」，但實際上仍然遙不可及。現在，我們擁有的並非完全的自動駕駛汽車，而是各種駕駛和導航輔助設備，讓汽車駕駛起來更容易、更安全，而不是完全的自動駕駛。儘管這類系統的供應商做了很多宣傳和承諾，但一些觀察家如今質疑，我們這些活在今天的人，是否能在有生之年看到在所有駕駛環境裡，都達到完全自動駕駛的結果。

　　同樣的模式也適用於人工智慧的其他領域。人工智慧可以執行小任務，而不是整個工作或整個業務流程。人工智慧能夠幫助業務人員優先考量潛在客戶，並指導他們在銷售對話時使用最有效的語言，但人類銷售人員仍然發揮著重要作用。即使聊天機器人和對話式人工智慧技術，已廣泛應用在客服領域，明智的組織也永遠不會完全撤除人類客服人員。相反的，人工智慧系統可以處理客戶的最常重複和結構化的問題，而人類則會接管其餘部份，或者當人工智慧系統無法處理客戶的問題時，人類人工智慧就可以出面。

　　根據製造業機構的一些證據顯示，機器人確實取代了人類工人：每一個就定位的機器人，平均大約可以勝任三份人類的工作。但是，我們過去十年曾和數百家公司以及其他類型的組織談過，它們絕大多數在做的是增強人類，而不是大規模自動化。這些公司和組織要嘛正在成長，這是人工智慧早期採用者可能會遇到的情況，它們不必解僱任何員工；要嘛它們把人力調派去執行更複雜的任務。在新冠肺炎流行期間，一些企業確實解僱了過工，但大多數企業並沒有用機器取代他們。

　　世界上還是會有一些高度結構化的工作環境，人工智慧可以在這種環境裡，以經濟又安全的方式達成全自動化。還有一些非常特殊的非商業應用，例如軍事和情報，人們將不惜一切代價在這些領域部署完全自主的人工智慧機器。長期以來，在工廠和其他高度結構化和可控的工作環境裡，各種形式的實體自動化，包括機器人，已經取代了人類工人。9在電子電路板上置入晶片、在汽車裝配廠焊接和噴漆汽車和卡車的車身，以及大規模的化學加工，都是常見的例子。在人工智慧自動化機器和機器人的推動下，這種趨勢顯然會持續下去，這些機器和機器人的能力越來越強，並逐漸變得更有能力和環境互動。儘管如此，我們預計即使在工廠的環境下，增強的狀況也會比大規模自動化更常見。

　　當然，這種情況可能出現改變。隨著技術變得更加成熟，以及公司逐漸將人工智慧和自動化整合到其業務流程之中，公司可能傾向使用機器而不是人力。二○一八年德勤曾對美國高階主管做一項調查，其中63％熟悉人工智慧的高階主管表示，他們將「盡可能讓更多工作自動化，以削減成本」。但該研究也顯示，談到採用人工智慧技術的原因時，高階管理層最少提到的一個原因就是為了直接減少員工人數。使用人工智慧最常被被提到的原因，是強化現有產品、優化內部營運、做出更好的決策，以及讓員工發揮更大的創造力。兩年後，德勤在二○二○年的調查報告，發現了非常相似的狀況。事實上，裁員不僅是企業使用人工智慧最少提到的原因，而且提到的頻率比二○一八年更低。這些調查結果符合我們在研究個案裡觀察到的結果。簡言之，根據我們和其他人的研究，眼前並沒有大規模自動化和相應大規模人力被取代的狀況。事實上，經歷過幾年的疫情後，許多公司正在苦苦尋找人類員工，而人口減少的長期趨勢，讓眼前的問題變得更加複雜。在二○二○年代剩下的時間和未來的幾十年裡，在世界十二大經濟體之中，除了其中一個國家之外，所有國家的出生率都將遠低於人口替代的水準。事實上，早期證據顯示，世界上幾個最大經濟體的人口老化和工人退休，已經促使企業更加密集使用自動化，以維持其經濟產出。

　　▎我們的貢獻：紀錄當前的實踐
　　本書描述的研究有一個明確的發現，那也是我們開始這個計畫時的猜測，那就是人類和人工智慧的合作不是未來式，而是現在式。這種合作雖然並非俯拾即是，但起碼對許多組織和員工來說確實如此。我們很容易就找到許多這類現象的例子。事實上，如果不是由於本書篇幅和出版截止日期等限制，我們本可涵蓋更多案例。今天，很多人每天都和人工智慧打交道，我們發現這類情況在大公司、小公司、辦公室、工廠、農場，以及廣泛的知識型和行政工作裡上演。

　　可以說，和人工智慧合作並不是什麼新現象。在金融服務等產業裡，人們使用人工智慧系統已經有四十年之久。現在，幾乎所有其他產業的公司，都看到人工智慧的能力也在影響他們的工作和職業，雖然這種影響是漸進的。這些技術包含多個以規則為主的「若則」（if-then）判斷系統、機器學習和神經網路模型（根據標記結果的資料加以訓練，以預測未知的結果），以及一些用於和客戶互動的自然語言處理系統。人工智慧包括透過機器人流程自動化達到辦公室工作自動化，以及透過實體機器人達到工廠自動化。這些人工智慧系統可以執行多種不同的功能：

　　＊根據過去的資料模式來預測（通常是機器學習功能）；
　　＊建議如何進行工作或任務的下一步（有時候稱為「推薦引擎」或「下一步最佳行動」系統），並利用規則和／或機器學習；
　　＊針對可能的活動項目排定優先順序，例如按照最有可能購買某物品來排列的潛在銷售客戶清單。這叫做「傾向建模」（propensity modeling），以機器學習為根據；
　　＊使用自然語言處理技術和客戶或員工對話，稱為「對話式人工智慧」；
　　＊從信件或合約等文件擷取重要資料；以及
　　＊自動化流程裡的關鍵步驟，並利用這個流程裡使用的資訊做決策（和機器學習混用時，最常被稱為「機器人流程自動化」或「智慧流程自動化」）。

　　毫無疑問，人工智慧正變得越來越普及和強大，能支援越來越多的任務和任務類型。已經在日常工作使用人工智慧的產業和工作種類，其規模非常龐大，而且成長迅速。這就是為什麼我們分享這些研究案例和相關洞見十分重要。這些內容為私部門和公部門組織提供了有用的範例和指引，促進它們在工作場所裡將人類和機器能力結合的過程。我們的例子也反駁了人工智慧主要會衝擊人類就業的悲觀觀點。人工智慧確實正在改變工作，但不會摧毀人類的就業。

　　我們用來記錄當前實務的方法，有利於人們了解人工智慧影響工作的方式。首先，沒有必要猜測未來，因為我們對於人工智慧輔助工作所描述的一切內容，實際上都已經在發生。對於每個研究案例，我們都能夠觀察到智慧機器的工作環境。這一點幫助我們了解它們如何在多個面向上影響工作環境，例如人機協作的性質、專業知識需求變化的本質、其他員工或供應商如何參與公司在流程裡部署的人工智慧職務生態系，以及在職員工對自己的工作有什麼感受。

　　也許，本書案例最重要的貢獻，在於它們針對增強現象提供了豐富的觀點。在任何官方的統計數據裡，我們都相對難以找到人工智慧增強人類工作的情況，反之亦然。人工智慧不會帶來失業。當人類和機器以增強的方式一起工作時，人類會執行工作裡的某些任務，而人工智慧系統則執行其他任務。在某些情況下，人類可能會完成80％的工作，而機器只完成一小部份；在其他情況下，情況恰恰相反，機器會完成大部份工作，人類則檢查輸出，並處理更複雜或不常見的情況，同時擔任其他支援性的角色。我們需要對工作環境有深入的了解，才能詳細理解增強現象，而這只能透過我們在本書介紹的各種研究案例才能做到。
(未完)