由 H. James Wilson 與 Paul Daugherty 所撰（《Human + Machine》與《Radically Human》作者）。基於對 1,500 家公司的研究：把 AI 當成取代人力的工具，只能換來短期生產力；真正卓越的績效，來自人機協作（collaborative intelligence）。

為什麼協作勝過取代？#

AI 在許多「人類工作」（診斷疾病、翻譯、客戶服務）上越來越強，但 AI 真正的長遠影響在於互補與強化人類能力，而非取代。

在 1,500 家公司的研究中發現：人機合作時，績效改善最顯著。

• 人類強項：領導、團隊、創意、社交
• 機器強項：速度、可擴展性、量化能力

對人來說自然的事（講笑話）對機器很難；對機器簡單的事（分析 GB 級資料）對人幾乎不可能。商業同時需要兩者。

人類協助機器的三種角色#

1. 訓練（Training）#

機器學習演算法必須被教才會做事。需要龐大的訓練資料集教翻譯軟體理解慣用語、教醫療軟體偵測疾病、教推薦引擎做財務決策；同時 AI 也須被訓練如何最好地與人互動。

典型案例：

• Microsoft Cortana：為打造「自信、關懷、有助益但不專橫」的個性，由詩人、小說家、劇作家組成的團隊投入無數時間
• Apple Siri：刻意帶點俏皮，呼應 Apple 品牌
• Koko（MIT Media Lab 衍生）：訓練 AI 表達同理心。當使用者心情不好，不會回應「I’m sorry to hear that」這類罐頭話，而是追問細節後給予「把壓力視為能轉化為行動的正面情緒」這類建議

2. 解釋（Explaining）#

當 AI 透過不透明流程做出結論（黑箱問題），需要領域專家向非專家用戶解釋其行為。

在以下產業特別關鍵：

• 法律與醫學：執業者必須理解 AI 如何權衡輸入產出量刑或醫療建議
• 保險與執法：理解自駕車為何採取或未採取避免事故的行動
• 受規管產業：歐盟 GDPR 賦予消費者「對任何演算法決策獲得解釋的權利」（如信用卡或房貸利率）——專家估計企業必須創造約 75,000 個新職位來執行 GDPR 要求

3. 維繫（Sustaining）#

確保 AI 系統正確、安全、負責任地運作：

• 安全工程師：預測並預防 AI 可能造成的傷害（如協作機器人辨識周邊人類）
• 倫理經理：當信用核准 AI 對特定族群造成歧視時，負責調查與修正
• 資料合規長：確保餵入 AI 的資料符合 GDPR 等規範
• 資料使用治理：例如 Apple 的「差分隱私（differential privacy）團隊」確保 AI 在統計層次盡量學習，同時保護個人隱私

機器協助人類的三種方式#

1. 放大（Amplifying）#

提供對的資訊在對的時間，強化人類的分析、決策與創造力。

Autodesk Dreamcatcher：設計師輸入條件（椅子要承重 300 磅、座面離地 18 吋、材料成本 75 美元以下），AI 產出數千個符合條件的設計，常激發設計師原本想不到的點子。設計師再回饋哪些喜歡哪些不喜歡。

AI 處理大量計算，設計師專注於「人類獨有的專業判斷與美感」。

2. 互動（Interacting）#

人機協作讓企業能用新方式與員工、顧客互動，且天生具備可擴展性。

瑞典 SEB 銀行的 Aida：能進行自然語言對話、回答開戶或跨境匯款等常見問題、追問細節以解決問題、分析來電者語氣（沮喪 vs. 感謝）。

約 30% 無法解決的案例會轉給真人客服，並監聽以學習如何處理類似問題。Aida 處理基本需求，真人專注於需要更多情感支持的複雜問題。

3. 體現（Embodying）#

AI 嵌入機器人，與人類員工一起在工廠、倉庫、實驗室工作。

• 協作機器人（cobots）：機器手臂處理重複的重物搬運，人類負責需要靈巧與判斷的工作（如組裝齒輪馬達）
• Hyundai 外骨骼：可穿戴機器設備依使用者與位置即時調整，讓工業工人擁有超人耐力與力量

重新想像你的業務流程#

從 AI 取得最大價值，需要重新設計營運。三個步驟：

1. 發現（Discovery）#

找出可改善的營運區塊：可能是棘手的內部流程（HR 招募太慢），也可能是過去無解但現在可解的問題（跨族群快速辨識藥物副作用）。

2. 共創（Co-creation）#

讓利害關係人想像如何與 AI 系統協作改善流程。

大型農業公司案例：原本想建 AI 預測未來作物產量，但與農民討論後發現農民真正要的是即時建議——種什麼、種在哪、施多少氮肥。公司據此設計 AI，初期成果亮眼。

3. 規模化與維繫#

例如 SEB 把 Aida 從 15,000 名行員擴展到 100 萬名顧客。

五種要重新設計的流程特性#

從數百家公司的研究中歸納出五大流程特性：

• 彈性（Flexibility）：Mercedes-Benz 用協作機器人取代部分傳統機器人，讓 S 級轎車可即時依經銷商選項客製化——同條產線出來沒有兩台車一樣
• 速度（Speed）：HSBC 用 AI 辨識信用卡盜刷；Danske Bank 用 AI 把詐欺偵測率提升 50%、誤報率降低 60%
• 規模（Scale）：Unilever 結合線上遊戲評估、AI 影片分析、真人面試，年申請者翻倍至 30,000、代表大學數從 840 增至 2,600、招聘週期從 4 個月縮到 4 週、招聘人員審件時間下降 75%
• 決策（Decision-making）：GE 的 Predix 為渦輪建立數位雙生（digital twin），預測零件故障，附上信心水準與成本／效益分析
• 個人化（Personalization）：Pandora 為數百萬用戶生成個人化播放清單；Starbucks 經客戶許可用 AI 辨識手機並調出歷史訂單；Carnival 用 Ocean Medallion 穿戴裝置串接全船感測器，提供量身行程與餐飲建議

對工作未來的五種觀點#

Mark Knickrehm 的整理：

• 反烏托邦派：機器將贏得達爾文式競爭，造成大規模失業與經濟動盪
• 烏托邦派：智慧機器接管工作後將創造前所未有的財富，未來甚至可達「奇點（singularity）」
• 科技樂觀派：生產力大躍進已開始，但分配不均，許多工作將被取代
• 生產力懷疑派：即使技術強大，國家生產力增長仍將很低，加上人口老化、不平等、氣候因素，先進經濟體成長將近零
• 樂觀的現實派：智慧機器的生產力提升可比擬過往技術浪潮，但會加劇對中階技能勞工的需求下滑

新角色與新人才#

重新想像業務流程不只是部署 AI 技術，更需要培養**「融合技能（fusion skills）」**——能在人機介面有效工作的能力：

• 學會把任務委派給新技術（醫師信任電腦判讀 X 光、MRI）
• 知道如何結合獨特的人類技能與機器能力（機器人輔助手術）
• 能教導智慧代理新技能、接受訓練以在 AI 強化的流程中工作
• 確保 AI 系統不被用於非法或不道德的目的

AT&T 已開始這項轉型——把約 2,000 個職稱整併為一組以技能類別為核心的廣泛分類，重新訓練 100,000 名員工。未來企業將圍繞「技能類型」而非僵硬職稱組織。

結論#

僅僅用機器取代人力的組織，永遠無法釋放 AI 的全部潛能——這策略從一開始就走偏了。

明天的領導者，會擁抱協作智能，徹底轉型他們的營運、市場、產業，以及——同樣重要的——他們的人力。