AI為什麼不好使？只需兩招，讓它高效上崗

通用人工智能工具通常無法幫助用戶完成獨特工作流程中所需的特定任務，因為它們過於通用。即使人工智能工具針對金融或人力資源等特定領域進行了定製，它們也未能增加足夠的價值，因為它們仍然不夠專業。那麼，如何讓人工智能工具在實際工作中創造更大的價值？

在一家財富500強零售公司，領導層為負責起草供應商談判合約的團隊提供了一款人工智能工具，旨在簡化他們的工作。該工具由一款廣泛使用的大語言模型（LLM）驅動，領導層期望它能通過總結文檔、回答內容問題、比較合約等方式，加快團隊的工作進度。

然而，儘管期望很高，該團隊的產出卻沒有變化。雖然該工具可以生成通用文本，例如合約初稿，但團隊隨後必須針對每個供應商對文本進行定製。對於每份合約，他們仍然必須手動將諸如供應商信息、條款、訂單歷史和其他細節等關鍵內容納入合約。因此，該工具對減輕團隊工作量的作用微乎其微。

這個故事反映了人工智能工具未能兌現承諾的一種常見模式。在我們最近對30家跨行業公司（包括上述合約團隊）進行的一項調查中，受訪者表示，通用人工智能工具通常無法幫助用戶完成獨特工作流程中所需的特定任務，因為它們過於通用。即使人工智能工具針對金融或人力資源等特定領域進行了定製，它們也未能增加足夠的價值，因為它們仍然不夠專業——它們無法轉化為組織、團隊或流程的特定需求和規範。因此，用戶表示他們經常發現人工智能工具和模型「不起作用」或「過於通用」。

通用人工智能的能力與團隊特定且不斷變化的需求之間的這種差距，指向了一個更深層次的挑戰：當今的工具並非為理解工作實際如何完成而設計。在本文中，我們提出兩個關鍵概念，有助於彌合這一差距：工作圖譜（團隊工作方式的數字地圖）和逆向情境貼合法（根據團隊定製人工智能模型）。這些理念有助於解釋傳統人工智能為何常常不盡如人意，以及組織如何設計出適應真實工作流程、真實用戶和真實環境的人工智能系統。

為何人工智能工具未創造價值

結合合約團隊執行的特定流程來考慮這個問題。傳統上，為供應商起草新合約時，團隊會：

1. 登錄多個系統。

2. 檢索、分析並審核供應商詳細信息。

3. 審查供應商的報價以及類似（或相關）供應商的談判條款。

4. 查看供應商的任何相關訂單歷史。

5. 手動起草一份包含所有這些要素的合約。

合約團隊最初採用人工智能工具時，他們的流程從生成一份基本的標準合約開始。從那之後，他們花費大量時間手動完善它。人工智能工具的輸出很大程度上基於互聯網上公開可用的內容，缺乏合約所需的細緻入微、針對特定情境的見解。雖然團隊覺得人工智能工具很有趣，但他們很難看到在減少工作量方面有實際效果。

這就是人工智能「生產力悖論」的一個實例：令人驚歎的技術，如果沒有深入的情境適配，就無法轉化為切實的生產力提升——這種現象讓人想起經濟學家羅伯特·索洛的觀察：「你可以在任何地方看到計算機時代的影子，但在生產力統計數據中卻看不到。」

強大的人工智能模型之所以出色，是因為它們在海量通用數據集上進行訓練，但它們的通用性是一把雙刃劍。雖然這些模型可以執行廣泛的任務，但它們常常忽略特定工作流程和團隊要求的獨特情境，從而導致錯失提高生產力的機會。

情境決定一切

人工智能失敗的原因與新員工可能難以立即做出貢獻的原因相同：它不知道團隊是如何完成工作的，在哪裡可以找到信息，或者確切地說，該如何處理這些信息。它缺乏真正做出貢獻所需的適當情境。

在公司試用這款人工智能的同時，它也在致力於解決情境問題，通過部署工具來繪製其流程並創建一個「工作圖譜」：一個關於團隊如何跨系統執行工作流程的實時、動態視圖。這些圖譜不僅記錄了任務，還揭示了決策是如何做出的、參考了哪些數據以及涉及哪些系統。這一點至關重要，因為儘管兩個團隊可能使用相同的工具，但他們的工作方式往往大不相同。

起草每份合約所需的數據既不集中也不是靜態的，它因供應商而異，分散在多個系統中。團隊成員必須定位、解讀、核實並整合這些信息，以生成準確的合約。當他們這樣做時，他們的行為——瀏覽系統、查看數據、做出決策——會自動以彙總形式記錄在工作圖譜中。

真正的機會就在這裏出現：工作圖譜包含了經過審核且內容豐富的兩個月的活動數據，然後可以用來訓練人工智能工具。因為它記錄了團隊認為重要的所有內容，為人工智能工具提供了經過人工驗證的實時情境，使該工具能夠以與團隊實際工作方式一致的方式開始工作。有了這些輸入，人工智能工具能夠生成一份完整得多的初稿，減少了反復修改的次數，加快了生成最終可用合約的進程。這種方法將團隊起草每份合約的手動工作量減少了一半以上。雖然他們仍然會審核和核實人工智能生成的輸出，但所需的反復修改次數大大減少，返工量也少得多。結果，團隊在生成合約方面的整體產出提高了近30%。

然而，要實現這一點，不僅需要正確的數據，還需要正確的方法。傳統自動化通常旨在取代人類工作，而這裏的目標是根據團隊的運作方式定製人工智能，使其更好地為團隊服務。為此，我們採用了一種稱為「逆向情境貼合法」（RML）的方法。

為深入理解人工智能的運作原理，人們通常會從人類視角對其展開逆向工程分析。然而，逆向情境貼合法卻顛覆了這一思路：它針對人類的工作方式進行逆向剖析——深度探究團隊的實際工作流程、決策過程以及所處情境——並借助這些分析成果對人工智能進行定製，從而使其能更出色地為團隊服務。這是一種協作模式，而非替代模式。

你可以將逆向情境貼合法看作是人工智能所做的定製化工作，就像為軟件平台所做的定製化一樣。但是，定製軟件通常意味著改變用戶所看到的內容，而逆向情境貼合法改變的是人工智能所理解的內容。它更深入、更貼合情境，最終也更強大。

實施逆向情境貼合法，涉及以下步驟：

1. 繪製工作圖譜

我們從記錄合約團隊成員在工作中採取的每一步以及人機交互開始：他們如何檢索供應商信息，如何進行交叉核對，如何手動將不同來源的數據整合到Excel文件中。所有這些步驟既記錄了明確的行動（例如，閱讀供應商資料），也記錄了支撐工作流程的隱性決策模式（例如，檢查供應商是否信用評級不佳）。這種細緻入微、高保真的數據是團隊本地情境的核心——他們所依賴的線索、認為最重要的信息，以及他們在不同場景下的適應方式。

在所有組織中，這些數據都提供了團隊實際工作方式的詳細信息。當將這些豐富的信息輸入人工智能工具時，就能將一個通用模型轉化為一個高度專業化的工具，使其理解工作中的本地「語言」。因此，領導者必須考慮投資收集這些數據，並將其用作進一步轉化的來源，包括為人工智能模型提供情境信息。

2. 根據工作圖譜進行微調

一旦我們繪製出合約團隊的工作圖譜，就會將其詳細的見解作為情境信息，並用於微調驅動人工智能工具的模型。這需要向模型（人工智能工具背後的模型）輸入工作模式和數據（例如供應商信息）。這是關鍵步驟——將團隊的本地情境整合到人工智能工具中。通過整合團隊日常運營中的特定工作模式和情境線索，人工智能工具生成的合約初稿會包含供應商的一些詳細信息、其信用評級的細微差別等。因此，這是一份更完整的初稿。

3. 持續優化

組織在不斷髮展。流程會發生變化，新技術會引入，情況和優先級也會改變（例如，團隊開始與新地區的新供應商合作）。因此，公司需要不斷更新工作圖譜，並將新出現的模式反饋到模型中，以使人工智能工具與時俱進。

例如，合約團隊會定期就運用逆向情境貼合法生成的合約質量提出反饋（例如，合約沒有準確反映供應商信用評級不佳所產生的影響）。這種反饋被稱為基於人類反饋的強化學習（RLHF），用於進一步微調並優化人工智能工具中的模型。因此，人工智能工具會持續適應團隊的需求，確保長期保持較高的準確性。

企業團隊依靠內部經驗知識運作——即每個團隊如何執行工作以及在工作中遇到挑戰時的具體解決方案等隱性知識。通過挖掘這些知識並根據這些信息微調模型，我們可以生成更準確、更貼合情境的模型，從而更精準地為團隊服務。

人工智能模型的一個令人興奮的應用是讓它們充當「代理」，即自主運行以執行工作模式。然而，挑戰在於，由於這些模型由強大的通用模型驅動，它們可能會遇到同樣的通用性問題。為了使智能代理取得成功，它們需要在團隊的情境中精確地運行和執行。因此，逆向情境貼合法對於賦能智能代理向團隊學習，並借此更精準地為團隊提供服務而言，具有至關重要的意義。

CXO們能做些什麼？

通用模型雖然涵蓋面令人印象深刻，但往往無法捕捉到推動真正效率和準確性的細緻入微的本地情境。CXO們必須認識到，人工智能不是一種「設置好就不用管」的技術。相反，當系統與組織的特定工作模式和決策過程保持一致時，其價值才能得以釋放。

通過投資量身定製的方法，公司可以顯著降低錯誤率，削減運營成本，並最終從人工智能計劃中獲得更高的投資回報率。在當今競爭激烈的環境中，忽視整合這一層情境洞察力，就意味著錯失機會——以及戰略優勢。

簡而言之，如果你的人工智能戰略僅依賴現成的解決方案，你就有可能錯過推動真正生產力提升和風險降低的轉型。因此，一個完整的人工智能戰略必須包括通過本地化洞察進行持續優化，以確保技術投資能夠帶來即時和長期的價值。

關鍵詞：#AI

羅翰·納拉也納·摩亞蒂（Rohan Narayana Murty）、拉維·庫馬爾·S（Ravi Kumar S）、赫曼特·亞米查拉（Hemanth Yamijala）、佐治·尼奇斯（George Nychis）| 文

羅翰·納拉也納·摩亞蒂是WorkFabric AI和Soroco的創始人。在Soroco，他領導開發工作圖譜背後的技術——一種新的數據架構，可揭示企業內團隊如何完成工作。他還擔任WorkFabric的產品負責人，該公司致力於構建為企業人工智能模型提供情境化的技術。羅翰擁有哈佛大學計算機科學博士學位。拉維·庫馬爾·S是Cognizant的首席執行官。Cognizant與全球企業合作，通過在行業與技術的交彙處提供創新解決方案，幫助它們在快速變化的世界中實現轉型並引領潮流。拉維是多個董事會的成員，早期職業生涯曾在印度巴巴原子研究中心擔任核科學家。赫曼特·亞米查拉是Soroco的工程高級總監。他在Soroco領導人工智能模型開發工作。佐治·尼奇斯是WorkFabric AI和Soroco的聯合創始人。他在WorkFabric領導研發工作。佐治擁有卡內基梅隆大學計算機科學博士學位。

豆包 | 譯  周強 | 編校

本文來自微信公眾號「哈佛商業評論」（ID：hbrchinese），作者：HBR-China，36氪經授權發佈。