資料科學工作的觀點：工藝與機械合作

在2023年的《加州管理評論》（California Management Review）上，德國班貝格大學（University of Bamberg）的資深研究員康斯坦丁·霍普夫博士等人發表了一篇題為〈人工智慧的組織導入：工藝與機械工作〉（Organizational Implementation of AI: Craft and Mechanical Work）的文章。在這篇文章中，霍普夫博士開頭以一個有趣的場景引出話題。

請大家想像一家公司正在開發一項尖端AI應用的場景。在這幅畫面中，我們可能會想像出一個充滿創造性，同時又具有高效率的工作環境。這裡有一群積極主動、訓練有素的資料科學家，他們設計、開發，並實現AI應用程序流程自動化。他們使用標準化軟體進行機器學習，依賴大量高品質資料，並遵從結構化的工作執行方式。在這個場景中，AI應用程式會在短期內持續發布和升級。

然而，這樣的場景距離大多數公司現實的狀況相去甚遠。在實際執行的過程中，AI應用程式的開發更像是一種不斷學習的工藝過程，而非結構化或可預測的機械工作。就像藝術家在創作過程中不斷嘗試與修正，資料科學家們也需要通過實踐和學習，不斷地改進他們的作品。這種工藝性的開發過程，使得AI應用程式更具靈活性和創造力，能夠適應不斷變化的需求和挑戰。

該文章深入分析了55個組織中AI導入的研究，研究結果發現，管理階層通常傾向將AI專案視為機械工作的實施（即擁有可規劃、結構化等特性），這種觀點與資料科學家的工藝觀點形成強烈的對比。霍普夫博士簡單說明以下兩種觀點的不同：

1.工藝觀點（Craftwork Perspective）

工藝依賴於精湛且難以取得的技能，並體現出對美學的理解。工匠對工作具有深厚的個人承諾、願意嘗試、即興創作並持續學習。他們建立自身的職業身份，並與行業內的同行建立聯繫。

2.機械工作觀點（Mechanical Work Perspective）

機械工作具有計劃性，是受控、高結構化和可預測的形式。機械工作的技能容易取得，工作範圍狹窄且特定，並支持極端的分工。在態度上，這種觀點傾向於功利主義，對工作場域的互動秉持交易性態度，較缺乏職業認同。這種工作透過精心計劃活動，建立既定結構並減少不確定性。

圖1 工藝觀點 vs 機械工作觀點

雖然AI應用程式本身擁有機械工作的特性，但其構建過程更具有工藝特徵。霍普夫博士指出，資料科學家不僅是分析師，還是溝通者和可信賴的顧問。他們對工作有著高度的奉獻精神，深入研究數據，並與企業的其他部門建立緊密聯繫。社群參與對他們來說非常重要。

值得一提的是，機械工作觀點並非毫無價值。一些演算法的自動化開發工具，例如AutoML，促使資料科學技能更具可利用性。自動化減少了資料科學家在資料準備和模型部署方面的時間與專業技能需求，使他們能更專注於數據分析的其他關鍵層面。

最後，該研究結果有助於減少高階主管在管理資料科學家時所產生的迷思，以結合兩種觀點，實現AI在組織中的最大價值。

羅凱揚（台科大兼任助理教授）、黃揚博（政大企管碩士、識商創辦人）

Hopf, K., Müller, O., Shollo, A., & Thiess, T. (2023). Organizational Implementation of AI: Craft and Mechanical Work. California Management Review, 66(1), 23–47. https://doi-org.ezproxy.lib.ntust.edu.tw/10.1177/00081256231197445

—

✨ 歡迎追蹤，獲取更多相關資訊

► 識商IG：
https://www.instagram.com/bizsense2023/

► Line交流社群：
https://line.me/ti/g2/a2QRj--XfM3FRZBOZpB4rdJGravtdpVOeSLBpQ?utm_source=invitation&utm_medium=link_copy&utm_campaign=default

—

✨ 最新活動：AI商業策略讀書會

詳細活動頁面 👉 https://bizsense-read.com/ai%E8%BD%89%E5%9E%8B/