工作者的AI共智模式

工作者的AI共智模式
讓AI成為第二專長，加速專業升級，重塑競爭優勢
CH3-高效協作：應用AI的四個底層邏輯

▷人類天生傾向於維持現狀；就算改變可能有好處，人類還是會忍不住避免改變。

如果要克服這種「維持現狀的偏誤」(status quo bias)，可以思考會因為沒行動而失去什麼。

CH4-掌握邊界：精準定位AI的強項與弱點

▷有一個常見的誤解容易讓人很難理解AI：

我們以為既然AI是軟體構成的，其表現也應該會像其他的軟體。

這有點像是說，人類是由生化系統組成，理應有如其他生化系統。

LLM雖然是驚人的軟體工程成就，AI卻極不擅長做到像傳統軟體那樣。

▷傳統軟體的特性包括可預測、可靠，遵守一套嚴格的規則，只要經過妥善的組建與除錯，每次都能產出相同的結果。AI則很難用相同的形容詞來描述。AI能想出意想不到的新穎解決方案，但也會突然忘掉自己會什麼、生成唬人的錯誤答案。正是因為如此不可預期又不盡可靠，AI才能引人入勝的互動。

▷AI擅長執行非常有人味的任務，可以寫作、 分析、寫程式與聊天。

AI能變扮演行銷人員或顧問的角色，把日常事務交給它能增加生產力。

不過，機器一般擅長的事，AI卻很難做到，例如用一致的方式重複流程，或是在沒人協助的情況下執行複雜的計算。

CH5-創意自動化：利用AI突破思考慣性

▷LLM的原理是依據訓練資料中的統計模型，按照你給的提示詞，預測接下來最可能出現的子句。

LLM不在乎那些字句講的事情是不事真的、有沒有意義或原創性，只想要生成貌似合理的連貫本文，讓你開心就好。

▷AI創造力的矛盾之處就在這：導致LLM不可靠、有風險、不適合執行與事實有關的任務性質，正好能讓LLM發會創意。因此我們真正訪問的是如何讓AI揚長避短。

▷由於自動化過去的歷史，許多人預測AI率先擅長的事，將是無聊、重複性高與分析性的任務。

然而，這次的情形卻不是如此。LLM擅長寫作，但背後的Transformer技術也是關鍵，帶來一整套全新的應用，包括能創作藝術、音樂與影片的AI。研究人員因此主張，最容易被新的AI浪潮影響的工作，反而是有最多創意任務的工作，而不是重複性最高的那類。

▷這點容易讓我們感到不安：畢竟AI是機器，怎麼能生成有創意的新東西?

問題出在我們經常誤把新奇當成具有原創性。新點子不會憑空出現，而是以既有的概念為基礎。

研究創新的學者很早就指出，透過重新組合來想出的點子的重要性。突破通常發生在人們串起看似風馬牛不相及的事物。

▷LLM是連結機器。有的token讓人類感到沒關聯，卻代表著某種更深層的意義，而LLM接受的訓練正是產生token之間的關係。再加上AI的產出帶有隨機性，你就有了強大的創新工具。

不論前面的字有多麼莫名其妙，AI仍會找到下一個可能的token，嘗試生成序列中的下一個字，也難怪AI能輕鬆想出新鮮的概念。

CH6-第二專長：領域專業Ｘ AI專業＝最強競爭力

✶一份工作(job)由多種任務(task)組成，而工作又隸屬於體系(system)之下。

如果沒考慮體系與任務的概念，就無法真正了解AI對工作產生的影響。

▷交出部分的任務，不代表整份工作消失，道理如同電動工具沒讓木匠失業，反而提升他們的效率。

電子試算表讓會計人員更快完成工作，但會計人員並沒有因此消失。

AI有可能讓日常事務自動化，讓我們有更多時間從事有獨特人類特質的事物，例如發揮創意與批判性思考，或是我們大概會變成管理、安排AI的創意輸出。

▷我們需要從任務的角度，思考哪些事AI做得好、哪些做不好。不過，我們也需要考慮自己哪些事做得好、哪些任務必須繼續交給人類：也就是「非我莫屬的任務」(Just Me Tasks)。

▷組織試圖回應新技術的常見方法，全都不適合AI。那些方法都度過中央集權，速度太慢。

IT部門無法輕鬆在內部打造AI模型，也很難拚得過前沿模型。

顧問與系統整合商不具備特殊知識，無法替公司客製化AI，甚至不清楚整體而言最佳AI使用法。

組織內部的創新小組與策略委員會可以指定策略，但任何組織的企業領袖都不是神仙，沒有辦法知道AI能如何協助特定員工完成特定的任務。事實上，領袖八成很不擅長找出AI的最佳使用案例。

唯有實際執行工作的員工，才會明顯感受到工作遇上哪些問題，並實驗各種方法，想辦法解決。

個人工作者更可能找到有效的特定用法。

▷假設早期的研究說對了，各種高價值的專業任務生產力的確會因為AI提升2~8成，恐怕許多管理者的自然反應是「砍人省成本」。然而，事情不必這樣發展。基於許多原因，公司不該因為效率增加，趁機減少雇用人數或砍成本。

當其他同業只想縮減人力，讓AI出現後的產出水準等同於AI出現之前，公司如果能找出方法運用新獲得的高生產力勞動力，將能打敗這些同業。

▷你把工作最糟的部分交給AI，就能專注於有趣的部分。