導入人工智慧的五項組織挑戰—管理階層期望過高

在2023年的《加州管理評論》(California Management Review)上,德國班貝格大學(University of Bamberg)的資深研究員康斯坦丁·霍普夫博士等人發表了一篇題為〈人工智慧的組織導入:工藝與機械工作〉(Organizational Implementation of AI: Craft and Mechanical Work)的文章。

這篇文章揭示了霍普夫博士及其團隊的研究,他們從55個AI專案中發現,管理人員(機械工作)和資料科學家(工藝)之間存在著對工作看法的緊張關係。

這種緊張關係在整個AI專案生命週期中特別顯著,並出現了五項挑戰:

1.在範圍定義階段,管理階層的期望過高。

2.在規劃階段,AI專案通常被當作傳統IT專案看待。

3.在執行階段,出現了系統連結缺失和資料問題。

4.在討論初步結果時,核心問題集中在「為什麼」。

5.動態環境使得將AI模型部署到營運中變得困難。

本文專注於探討該研究中所提到的第一項挑戰,即管理階層期望過高的問題,並提供因應策略。之後將陸續探討後續四項挑戰。

首先,該研究顯示,許多投資者和董事會成員期望企業引入AI,然而這些期望常常不切實際。有些人誤以為AI應用程式可以輕鬆地由可購買或開源的軟體組件而成。這種觀念在某程度上受到創新技術如AutoML的影響,進而導致管理階層的期望過高。

該研究引述了一位全球製藥公司的資料科學家的抱怨:「這個領域最困難的部分不是開發機器學習演算法和模型,而是資料科學家和專案經理之間的溝通。這讓我感到非常沮喪……。」

該研究還指出,管理階層經常尋求宏偉的AI專案,卻對於資料科學家實際執行的細節一無所知。這種不切實際的期望可能導致對AI試點計畫的投資回報感到失望。反之,這種失望也可能促使過早放棄對AI的投資,從而妨礙商業價值的實現。

對於資料科學工作的誤解,使得管理階層的期望持續攀升。為了因應這些挑戰,霍普夫博士的研究團隊提出以下策略:

1.建立AI驗證工具:

資料科學家開發出適用的工具和評估清單,用以快速驗證管理階層提出的AI構想是否可行。這使得管理階層能夠了解AI的實際潛力和限制。

2.從小開始進行迭代:

資料科學家應與領域專家密切合作,逐步改進業務流程。從「容易實現的成果」專案開始,逐步迭代,比直接進行顛覆性的專案更佳有效。

3.與外部專家進行合作:

與經驗豐富的AI專家進行合作,透過他們的協助,使管理階層能夠更深入了解AI的應用範圍。這些外部專家擁有豐富的AI專業知識和產業經驗,甚至可以協助企業外包不屬於核心業務的AI任務,避免資料科學家分散精力。

上述策略有助於資料科學家有效地管理管理階層的期望,使得AI專案更具可行性和商業價值。

羅凱揚(台科大企管博士)、黃揚博(政大企管碩士、識商創辦人)

資料來源:Hopf, K., Müller, O., Shollo, A., & Thiess, T. (2023). Organizational Implementation of AI: Craft and Mechanical Work. California Management Review, 66(1), 23–47. https://doi-org.ezproxy.lib.ntust.edu.tw/10.1177/00081256231197445

更多商普好文推薦

用系統觀解決問題

用系統觀解決問題 生活中往往有許多大大小小的問題有待解決,但不曉得您有沒有發現,有些問題即便您已出手,卻根本無法解決(必須一再出手);或者出

閱讀更多 »
回到頂端