員工可能更相信看不懂的AI

過去的研究顯示，員工通常對生成式人工智慧所提出的建議持有懷疑態度，這導致企業在建立了昂貴的AI系統後，卻無法充分發揮其效用。

這種現象與我們的直覺認知相符。由於機器學習和深度學習算法的複雜性，人們難以了解AI在產生結果之前的處理過程，這使得他們對AI的可信度產生極大的疑慮。

然而，在2023年9月的《哈佛商業評論》的一篇文章中，提到喬治城大學副教授提摩西·德斯帝法諾（Timothy DeStefano）等人與Coach母公司泰佩思琦（Tapestry）合作的研究中，得出了截然不同的結論。

泰佩思琦擁有近1500家全球門店，最初使用的是基於特定規則（Rule-based）的演算法，用於協助庫存分配決策。這種演算法基於固定規則推斷結果，易於理解（例如每當下雨時，進貨量減少50%）。為了提高準確性，泰佩思琦決定開始研究並引入更為複雜的機器學習模型。

圖1 Rule-based vs AI

在為期三週的實驗中，德斯帝法諾教授隨機指派了規則式模型（Rule-based model）或人工智慧模型（AI model）來提供庫存分配建議，分配者有權根據模型建議調整運送數量，也可以自行做出決策。

圖2 分配實驗

根據實驗結果顯示，分配者更願意相信AI模型的建議。這一改變最終使總體營收增加了20％，同時也降低了缺貨問題的發生率。

至於AI模型會勝出的原因，主要在於，相對於簡單模型，人們更容易接受機器學習的「黑盒子」，德斯帝法諾教授總結了以下三點：

1.過度自信

當面對簡單的模型時，分配者常認為自身對實際情況了解更深，因此會憑直覺或經驗調整簡單模型的結果。

舉例來說，當產品銷量再次飆升時，分配者可能會錯誤地歸因於國家美式足球聯盟（NFL）選秀，進而過於自信地修改了模型建議的數量。

2.對開發的信任

儘管難以理解模型的推論過程，分配者仍然相信同事在開發過程中進行了多次驗證測試，因此對模型的準確性充滿信心。

例如，分配者提到：「我們信任的並不僅僅是模型提供的每一個建議，更在於我們的同仁參與了模型的開發過程，因此我們對這個模型有信心。」

3.巨大的不確定性

隨著決策的後果愈發重大，決策者內心的不確定感也隨之增加，特別是庫存分配對營收產生極大影響。因此，在面對簡單模型時，分配者傾向於深入研究並質疑其中的推論規則。

最後，該如何提高員工對於模型的接受度？

德斯帝法諾教授指出，企業必須持續評估員工對模型的信任程度。當AI提出與員工經驗不符的結論時，員工可能會懷疑模型的可靠性。在這種情況下，需要分析員工懷疑的原因，並有針對性地提供教育訓練。此外，讓模型的使用者參與模型的開發過程，可以建立信任感，並提高對模型的接受度。

黃揚博（政大企管碩士，識商創辦人）、羅凱揚（台科大兼任助理教授）

資料來源：Stefano, D. (2023). People May Be More Trusting of AI When They Can’t See How It Works. Harvard Business Review, 101(5), 30–31.

--

識商IG：https://www.instagram.com/bizsense2023/
識商Line交流社群：
https://line.me/ti/g2/a2QRj--XfM3FRZBOZpB4rdJGravtdpVOeSLBpQ?utm_source=invitation&utm_medium=link_copy&utm_campaign=default