Credit：Canva
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。
這篇文章揭示了霍普夫博士及其團隊的研究，他們從55個AI專案中發現，管理人員（機械工作）和資料科學家（工藝）之間存在著對工作看法的緊張關係。這種緊張關係在整個AI專案生命週期中特別顯著，並出現了五項挑戰：
1.在範圍定義階段，管理階層的期望過高。
2.在規劃階段，AI專案通常被當作傳統IT專案看待。
3.在執行階段，出現了系統連結缺失和資料問題。
4.在討論初步結果時，核心問題集中在「為什麼」。
5.動態環境使得將AI模型部署到營運中變得困難。
本文專注於探討該研究中所提到的第一項挑戰，即管理階層期望過高的問題，並提供因應策略。之後將陸續探討後續四項挑戰。
首先，該研究顯示，許多投資者和董事會成員期望企業引入AI，然而這些期望常常不切實際。有些人誤以為AI應用程式可以輕鬆地由可購買或開源的軟體組件而成。這種觀念在某程度上受到創新技術如AutoML的影響，進而導致管理階層的期望過高。
該研究引述了一位全球製藥公司的資料科學家的抱怨：「這個領域最困難的部分不是開發機器學習演算法和模型，而是資料科學家和專案經理之間的溝通。這讓我感到非常沮喪……。」
該研究還指出，管理階層經常尋求宏偉的AI專案，卻對於資料科學家實際執行的細節一無所知。這種不切實際的期望可能導致對AI試點計畫的投資回報感到失望。反之，這種失望也可能促使過早放棄對AI的投資，從而妨礙商業價值的實現。
對於資料科學工作的誤解，使得管理階層的期望持續攀升。為了因應這些挑戰，霍普夫博士的研究團隊提出以下策略：
1.建立AI驗證工具：
資料科學家開發出適用的工具和評估清單，用以快速驗證管理階層提出的AI構想是否可行。這使得管理階層能夠了解AI的實際潛力和限制。
2.從小開始進行迭代：
資料科學家應與領域專家密切合作，逐步改進業務流程。從「容易實現的成果」專案開始，逐步迭代，比直接進行顛覆性的專案更佳有效。
3.與外部專家進行合作：
與經驗豐富的AI專家進行合作，透過他們的協助，使管理階層能夠更深入了解AI的應用範圍。這些外部專家擁有豐富的AI專業知識和產業經驗，甚至可以協助企業外包不屬於核心業務的AI任務，避免資料科學家分散精力。
上述策略有助於資料科學家有效地管理管理階層的期望，使得AI專案更具可行性和商業價值。
—
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）
資料來源：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/
✨ 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/
