由 Davenport 與 Ronanki 所撰，奠基於對 152 個 AI 專案的研究。作者建議從「商業能力」而非「技術」的角度看 AI，並歸納出 AI 能支援的三大商業需求：流程自動化（process automation）、認知洞察（cognitive insight）、認知互動（cognitive engagement）。

1. 流程自動化（Process Automation）#

**機器人流程自動化（robotic process automation, RPA）**讓「機器人」（伺服器上的程式碼）像人一樣在多個 IT 系統間輸入與讀取資料，自動化數位與實體任務，多用於後勤與財務。

典型任務#

  • 從電子郵件與客服系統把資料轉入主系統（如更新顧客地址或服務項目）
  • 補發遺失的信用卡或提款卡——跨多系統更新紀錄並處理顧客通訊
  • 跨多份不同格式的文件比對計費系統的漏收項目
  • 用自然語言處理（natural language processing, NLP）「閱讀」法律與合約文件，萃取條款

特徵#

  • 在所有認知技術中最便宜、最易部署
  • 投資回報快、回報率高
  • 最不「聰明」——RPA 應用本身不會自我學習與改進（雖然開發者正逐步加入學習能力）
  • 特別適合跨多個後端系統運作

NASA 的案例：成本壓力下，NASA 在應付帳款、應收帳款、IT 支出與 HR 啟動四個 RPA 試點，全由共享服務中心管理。HR 應用中有 86% 的交易無需人工介入即可完成，現已推廣至全機構。

是否會大規模取代行政人員？作者檢視的 71 個 RPA 專案中，裁員既非主要目標、也非常見結果。少數案例確實減少了人力，但多半原本已外包。長期而言，可外包的工作多半也可自動化——對離岸 BPO 產業壓力最大。

2. 認知洞察（Cognitive Insight）#

用演算法從大量資料中偵測模式並詮釋意義，可視為「類固醇版的分析」。典型應用包含：

  • 預測特定顧客的購買傾向
  • 即時辨識信用卡盜刷與保險詐欺
  • 分析保固資料以發現汽車與其他製品的安全或品質問題
  • 自動化個人化的數位廣告投放
  • 為保險公司提供更精準、細緻的精算模型

與傳統分析的三大差異#

  • 通常資料密度更高、細節更深
  • 模型先在部分資料上訓練
  • 模型會隨新資料持續進步

**深度學習（deep learning）**模仿人腦活動以辨識模式，能完成影像與語音辨識等過去難以企及的任務。它也讓資料整理更有效率——能跨資料庫辨識「同一人或同一公司但格式略異」的機率匹配。

一家大型銀行用此技術從供應商合約萃取條款，與發票編號比對，找出數千萬美元未實際提供卻已付款的商品與服務。

認知洞察主要強化只有機器能做的工作（高速、大量、自動化的程式化廣告購買等），因此對人類就業威脅較小。

3. 認知互動（Cognitive Engagement）#

利用 NLP 聊天機器人、智慧代理（intelligent agents）與機器學習與員工和顧客互動。在此次研究中是最少見的類型。範圍包含：

  • 24 小時不間斷、能用顧客自然語言處理從密碼重設到技術支援的智慧代理
  • 員工內部問答平台（IT、員工福利、HR 政策）
  • 包含豐富語言或圖像的零售商產品/服務推薦系統
  • 醫療治療建議系統，能依據病患健康狀況與既往治療給出客製化方案

典型案例：

  • Vanguard 用智慧代理協助客服回答常見問題，計畫未來讓顧客直接與 AI 對話
  • 瑞典 SEB 銀行與美國醫療大廠 Becton, Dickinson 用擬真智慧代理 Amelia 作為內部 IT 支援；SEB 已開放 Amelia 為顧客提供有限服務以測試表現
  • 某義大利保險公司在 IT 部門打造「認知服務台」，結合三種 AI 類型：用深度學習搜尋常見問題與案例、智慧路由（流程自動化）將最複雜問題轉給人類、用 NLP 支援義大利語對話

多數研究專案的目標不是裁員，而是在不增加人手下處理日益增加的互動。許多組織同時把客服人員轉到更複雜的工作：升級處理、長對話、主動接觸潛在問題顧客。

理解這些技術，才能正確投資#

不同技術在能力與限制上各有權衡：

  • **規則式專家系統（rule-based expert systems）**與 RPA：運作透明，但無法學習或自我改進
  • 深度學習：擅長從大量已標註資料學習，但幾乎無法理解它如何建模——這個「黑箱（black-box）」問題在金融服務等高度監管產業特別棘手

作者觀察到，多家組織因選錯技術而浪費時間與金錢。理解各技術的特性，是判斷需求、選擇供應商與規劃時程的前提。

給管理者的建議#

  • 持續投資於 IT 或創新部門對這些技術的研究與教育
  • 仰賴具備統計與大數據能力的關鍵人才（如資料科學家），由他們深入掌握技術細節
  • 重視學習意願——讓樂於擁抱新工具的員工佔多數
  • 若內部缺乏資料科學能力，短期需建立外部供應商生態系；若預期長期推進，則要招募內部專家
  • 鑒於人才稀缺，可在 IT 或策略部門設立集中資源池，跨組織支援高優先專案

每家大企業都應該開始探索認知技術。過程必有挫折，且必須認真面對人力替代與機器倫理議題。但若規劃與發展得當，這些技術能開啟一個生產力、工作滿意度與繁榮的黃金時代。