由 Babic、Chen、Evgeniou、Fayard 共同撰寫。本章提出一個四階段框架，把 AI 上線視為像新進員工一樣的培訓過程——從助理逐步進化為夥伴，培養人機之間的信任。

為什麼需要「上線（onboard）」AI？#

2018 年 Workforce Institute 對 8 個工業國 3,000 名管理者的調查顯示：

• 多數人視 AI 為有價值的生產力工具
• 但同時擔心 AI 會搶走他們的工作（英國有 600 多萬勞工抱有此擔憂）

Accenture 前 CIO Andrew Wilson：「組織越專注於『人協助 AI、AI 協助人』，創造的價值越大。」

明確表達 AI 是要「幫助人而非取代人」的公司，在管理生產力的多數面向（速度、可擴展性、決策有效性）顯著超越目標模糊或不明的公司。

如同培訓新員工：給簡單任務累積經驗、指派導師、隨能力成長委以更大決策。AI 的上線也應如此。本章四階段（前三階段已有企業實踐，第四階段仍在「未來預測」階段，但技術上已可行）即據此設計。

Phase 1：The Assistant（助理）#

像訓練助理一樣：教幾條基本規則、把費時的基本任務（線上表單、文件摘要）交給 AI，讓自己聚焦更重要的事。

應用場景#

• 資料排序：1990 年代中期起的推薦系統（Amazon、Netflix）即屬此類
• 投資組合管理：MBAM 的 RAID 平台幫助投資組合經理篩選海量公司事件、新聞與股價資訊
• 使用者建模：如 Google 搜尋自動補完、手機預測輸入——把這套延伸到決策（判斷力 bootstrapping）

航空餐飲訂購案例：員工每趟航班都要決定餐飲量。少訂得罪客人、多訂浪費並增加油耗。

AI 可分析歷史選擇與規則，為每趟航班自動補完「建議訂單」，納入該航線的食物消耗、甚至該班乘客名單的歷史購買行為。但人類使用者永遠在駕駛座上，可隨時覆寫。AI 只是模仿或預測你的決策風格。

這對管理者並不陌生——線上表單的自動填入功能就是同樣道理。AI 助理還能在你實際依規則執行時，從你的行為中精煉這些規則——你不需特別「教」它。

Phase 2：The Monitor（監督員）#

讓 AI 提供即時回饋。當使用者準備做出與其過往決策模式不一致的選擇時，系統會標示出來——特別有助於高量決策時的疲勞與分心。

為什麼需要？#

行為經濟學與認知科學研究顯示：人類在統計與機率問題上推理能力有限。法律決策研究發現法官：

• 午餐前比午餐後更常批准政治庇護
• 當其支持的 NFL 球隊前一天獲勝，量刑較輕
• 當被告生日當天會比較寬容

AI 程式僅用基本法律變數即可在開案當天以約 80% 準確率預測庇護裁決。加上學習功能後，更能模擬個別法官的決策模式。

MBAM 的應用#

當投資組合經理（PM）的買賣決定可能提高整體投資組合風險（如增加對某個產業或地區的曝險），系統會在電腦化交易過程中彈出提醒，讓 PM 適度調整。PM 可在不違反公司風險上限下忽略提醒——但每次提醒都幫助 PM 反思自己的決策。

對話式而非取代式#

AI 並非總是「對的」。它常常無法考慮人類決策者掌握的可靠私人資訊。所以使用方式應像對話：

• 演算法：根據它擁有的資料給出推力（nudge）
• 人類：透過解釋為何覆寫某項推力，反過來教導 AI

這既提升 AI 用處，又保留人類的自主權。

許多 AI 系統卻設計成篡奪自主權——一旦演算法標記某筆銀行交易為可疑詐欺，員工常無法在不上報主管或外部稽核者下批准；要撤銷機器選擇近乎不可能，這對顧客與客服都是長期挫折來源。

隱私與規則#

• 工程團隊與管理層之間應有「牆」——員工才能放心與系統互動而不用擔心錯誤被秋後算帳
• 公司應為 AI 設計與互動制定規則：什麼準確度才能呈現推力、什麼條件下員工該遵循 AI、什麼時候應上報而非接受或拒絕

保留控制感的關鍵：讓員工參與系統設計——以專家身分定義資料、決定 ground truth、熟悉模型開發、在部署時提供訓練與互動。

Phase 3：The Coach（教練）#

近期 PwC 調查中近 60% 受訪者希望每天或每週收到績效回饋。Peter Drucker 在《Managing Oneself》中指出：人通常不知道自己擅長什麼，自以為知道時也常常錯。

問題是：發現優勢與改進機會需要對關鍵決策仔細分析——記錄結果預期、9–12 個月後對照實際發生。回饋通常來自上級的年度考核，時機與形式都不由收件人選擇。

NYU 的 Tessa West 神經科學研究發現：自主感越強、越能掌控對話節奏（包含選擇何時收到回饋）的人，對回饋的反應越好。

MBAM 的「交易強化」#

PM 從資料分析系統收到個人層級的投資決策回饋，能揭露：

• 有些 PM 較規避損失，把表現不佳的投資抱太久
• 有些 PM 過度自信，可能在某項投資中部位過大

系統像教練一樣提供個人化回饋，標示行為隨時間的變化、建議改進方向。是否採納完全由 PM 決定。MBAM 領導層認為這項「交易強化」正成為核心差異化能力，既培養 PM、也讓組織更具吸引力。

教練 AI 也會學習#

好的導師會從學員身上學習，coachbot 也是。當 PM 不同意系統建議（例如因為近期公司事件而決定不交易某檔股票），可向系統提供解釋——這成為新的資料，會改變 AI 的隱含模型。

設計原則#

• 員工會比 Phase 2 更擔心被剝奪能力、隱私、被當作 HR 提款機
• 介面個人化（如 MBAM 的視覺化工具反映 PM 偏好）有助於降低戒心
• 持續讓員工參與設計

Matt Beane 在 Learning to Work with Intelligent Machines（HBR, Sep–Oct 2019）警告：AI 部署可能讓員工失去動手學習與師徒指導的機會——既損失入門級職位，也可能損害未來決策者的獨立思考能力。

但這非命中註定——企業可用 AI 創造不同且更好的學習機會，並透過提升透明度與員工控制感來改善系統。

Phase 4：The Teammate（隊友）#

奠基於認知人類學家 Edwin Hutchins 的「分散式認知（distributed cognition）」理論——他研究航海發現認知是水手、海圖、尺、羅盤、繪圖工具的組合；以及「延伸心智（extended mind）」概念——外部工具可成為認知處理的一部分，形成耦合系統（coupled system）。

這個階段（據作者所知尚無組織完全採納）將形成一個人機耦合網路，雙方都貢獻專業。隨著 AI 透過與用戶互動而改進，分析甚至模擬專家用戶的決策行為，組織內會自然出現專家社群。

例如：採購經理在做決策那一刻按一鍵，就能看到「別人會給出什麼價格」——受惠於一個量身的專家集合體。

信任的兩大挑戰#

• 必須避免內建新舊偏見
• 必須尊重隱私顧慮，使人能像信任夥伴一樣信任 AI

Carnegie Mellon 的 David Danks 等人研究顯示：信任源於理解。我信任你，是因為我理解你的價值、欲望與意圖，並看到你以我的最佳利益為念。

**反事實解釋（counterfactual explanation）**是打開機器學習黑箱的方法之一：列出促成某項決策的特徵，並說明若這些特徵不同（counter to the fact）系統會如何決定。

Evgeniou 也在研究人們認為「好解釋」是什麼——是「特徵的邏輯組合」（這筆交易因為 XYZ 特徵而被批准）還是「對照其他決定」（這筆交易與其他被批准的交易類似，這裡是供你比較）？

結論#

採納新技術從來都是大挑戰，AI 因影響深遠而被認為特別困難。但若用心進行——尤其在透明度、決策自主權、隱私上負責任地設計——上線可以相對順利。

在四個階段中，人類始終決定遊戲規則。負責任的設計能讓 AI 成為職場中真正的夥伴：快速一致地處理大量多元資料以強化人類直覺與創造力，而人反過來持續教導機器。