十項提升AI專案效益的建議（上）

credit Canva Pro

許多企業嘗試以試探性方式引入人工智慧（AI），但由於規模過小，最終無法實現經濟價值的門檻。根據2019年麻省理工學院斯隆管理評論（MIT Sloan）和波士頓諮詢集團（Boston Consulting Group）的調查，有七成受訪的企業聲稱引入AI後僅帶來微不足道的業務效益。

美國貝伯森學院（Babson College）戴文波特（Thomas H. Davenport）教授與德勤負責人尼挺．米塔爾（Nitin Mittal）合作，在2023年1月的《哈佛商業評論》發表了一篇名為《停止對人工智慧進行摸索》（Stop Tinkering With AI）的文章，總結了30家沒有技術優勢卻成功透過AI部署實現效益的企業和政府機構的經驗，並提出了10項成功應用AI的建議。

1.定義目標

研究建議，不論企業採用AI的原因為何，應事先明確制定整體目標，將其視為未來實施的指導方針。

例如，當德勤審計與鑑證團隊（Audit and Assurance）開發AI平台Omnia時，著重於標準化不同國家和公司資訊，以因應監管數據差異。

2.合作開發

研究強調，僅仰賴內部技術開發不僅成本高昂，開發週期也較長。透過與其他合作夥伴合作，整合各方專業技術，構建完善的AI生態系統，有助於企業更迅速實現AI的成功應用。

例如，Omnia與聊天盒實驗室（Chatterbox Labs）合作，共同開發技術模組，用於評估AI模型的偏見問題。

3.精通分析

任何機器學習技術的基礎都是數據分析，進而用以預測或生成目標結果。企業必須擁有大量高品質的數據，以提高模型的預測能力，從而優化AI在業務流程中的預期效益。

舉例而言，全球最大的硬碟驅動器製造商希捷科技公司（Seagate Technology），運用大量感測器數據自動化檢測晶圓缺陷，將檢測精確度從50%提升至超過90%，避免了廢品的產生，同時節省了數百萬的人工檢查成本。

4.靈活架構

研究建議企業需要建立模組化、靈活的資訊科技架構，確保足夠的擴展性和彈性，以便跨組織使用數據和技術。

舉例來說，例如，將數據和應用程式遷移至雲端，能有效降低儲存成本、方便整合多源數據，同時充分利用雲端內建的機器學習工具和平台，積極累積客戶的數位足跡。

5.納入流程

在整合AI到業務流程之前，企業必須首先明確哪些工作可以受益於AI的應用。高階管理人員需要深入瞭解這些流程，從第一線員工的角度來看待，以確定如何運用AI來改進這些流程。

例如，美國政府退伍軍人事務部在Covid-19大流行時使用AI聊天機器人來協助評估確診病例的嚴重程度，並確定可能的入院地點。

總結而言，上述五項內容強調企業需要明確目標、尋找合作夥伴協同開發，確保擁有完善的數據及靈活架構，並審視流程中可優化之處。

黃揚博（政大企研碩士、識商創辦人）、羅凱揚（台科大企管博士）

資料來源：Davenport, T. H., & Mittal, N. (2023). Stop Tinkering with AI. Harvard Business Review, 101(1), 116–127.