文：阿杰・艾格拉瓦（Ajay Agrawal）、經濟I將交易約書亞・格恩斯（Joshua Gans）、略思理由阿維・高德法布（Avi Goldfarb）
AI時代的使人事業調整
約書亞（本書其中一位作者）不久前問一家處於早期階段的機器學習公司：「你們為什麼提供診斷給醫生？」這家公司正在創造一種AI工具，可以告訴醫生某些醫療狀況是資管轉否存在。這是性質一個簡單的二元輸出，一個診斷。人情問題是關係，要能夠達到目標，經濟I將交易公司必須取得監管單位的略思理由許可，而這又需要高成本的使人測試。為了管理這些測試，資管轉公司考慮是性質否要與有規模的製藥公司或醫療器材公司合作。
約書亞的人情疑問比較是策略性的問題，而不是關係醫療問題。為什麼公司要提供診斷？難道不能只提供預測？也就是經濟I將交易說，這項工具可以分析數據，然後告訴醫生：「病患有80％的機率是這種情況。」醫生接著就能準確探索導致這項結論的因素，並做出最終診斷，也就是做出「有生病或沒有生病」的結論。公司可以讓顧客（在這個例子是醫生）做更多事。
約書亞建議公司專注於預測上，而非診斷上。他們的業務範圍可能止於預測，這就避免監管單位許可的需求，因為醫生有許多工具可以做出診斷的結論，公司不需要早早與有規模的公司合作。最重要的是，他們也不需要研究並找出究竟如何將預測轉換成診斷。他們只需要推論出，做出有價值的預測需要什麼樣的準確度門檻。是70％、80％，還是99％？
哪裡是你的事業盡頭、別人的開端？公司的業務範圍究竟在哪裡？這個長期決策需要組織最高層細心關注。此外，新的萬用創新通常會帶來業務範圍問題的新解答。有些AI工具可能會徹底轉變你的業務範圍。預測機器會改變企業對資本設備、數據，到人員配置的一切想法。
保留與捨棄的兩難
不確定性會對企業的業務範圍產生影響。經濟學家希爾克． 富比世（Silke Forbes） 與瑪拉． 萊德曼（Mara Lederman）觀察世紀之交的美國航空業組織。大型航空公司，如聯合航空與美國航空，經營一些航線，而地區性合作夥伴，如美鷹航空（American Eagle）及西空航空（Sky West），經營其他航線。合作夥伴是獨立的企業，與大型航空公司簽約。在沒有其他考量因素下，地區性航空公司的營運成本通常比大型航空公司低，從薪資與較少的工作福利中省錢。比方說，有些研究顯示，大型航空公司的資深機師比地區性航空公司的資深機師薪資高出80％。
令人不解的是，既然合作夥伴可以用更低的成本提供服務，為何是由大型航空公司處理那麼多航線，而非地區性航空公司。富比世與萊德曼找出一個驅動因素：天氣，或者更具體地說，是天氣的不確定性。當天氣出現不尋常的狀況時，航班會延遲，而在網絡與起降航班密集的航空業，卻可能對整個系統產生漣漪效應。遇到天氣不佳、當大型航空公司不想為了快速調整而付出無法確定的成本時，它們不想要因為合作夥伴確認合約履行而陷入癱瘓。因此，對於可能有天氣相關因素延遲的航線，大型公司保留控制和營運權。
前一章強調的三個因素顯示，AI可能導致策略改變。第一，成本降低與控制權增加是核心的權衡。第二，權衡取捨是由不確定性從中調節，具體地說，就是對不確定的控制增加帶來的報酬。大型航空公司在成本較低與控制權更高之間尋找平衡，就是藉由充分利用自己活動的終點與合作夥伴的起點。如果預測機器可以克服這種不確定性，那麼第三個因素就會出現，而平衡也會轉變。航空公司可以和合作夥伴訂定更多契約。
企業持續投入創新，特別是從經驗中學習的創新，創造類似的模式。差不多每五年就會有新的車款推出，而且因為牽涉到詳細的零件規格與設計工作，汽車製造商必須在上市之前知道零件從哪裡來。它們要自己製造零件還是委外生產？在整個漫長的開發過程中，汽車製造商對於新車款的效能就只知道那麼多。有些資訊只能在推出後蒐集，例如顧客回饋與其他長期表現的衡量。這是車款年年更新，卻不涉及汽車設計的重大改變、只做解決問題的零件改進並改善產品的關鍵原因。
經濟學家雪倫．諾瓦克（Sharon Novak）與史考特．史騰（Scott Stern）發現，自己製造零件的豪華汽車製造商，每個車款的新一年改進都比較快。他們使用《消費者報告》（Consumer Reports）的評等，從顧客端衡量改善程度。掌握控制權，意味著汽車製造商可以更迅速的針對顧客的回饋做出調整。相反地，那些零件委外的汽車製造商並未呈現相同的改善情況。不過，後者獲得不同的好處，它們的車款在一開始的品質會高於自行製造零件的汽車製造商。零件委外生產的汽車製造商，全新車款一出廠就比較好，因為零件供應商製造的零件更好。因此汽車製造商面臨的是選擇將製造委外，還是自己製造零件，自己掌握車款在生命週期內的創新，再隨時間經過改善狀況。同樣的，降低顧客需求不確定性的預測機器可能會使策略改變。
在每個例子中，短期與長期的表現取捨、例行常規與非例行常規的取捨，都可以透過組織的一個關鍵選擇來解決：對外部供應商的依賴程度多高。但這個選擇明顯與不確定性緊密相關。航空公司無法預先掌握的天氣狀況有多重要？怎樣的汽車才符合顧客真心想要的汽車呢？
AI對資本配置的影響
假設有個AI可以降低這種不確定性，所以具備第三個要素。預測非常便宜，將不確定性縮減到足以改變策略兩難的本質。這對航空公司及汽車製造商會有什麼影響？ AI或許可以讓機器在更複雜的環境中運作。因為兩個原因，AI可以使可靠的假設條件數量增加，減少企業擁有資本設備的數量。
第一，更多假設條件代表企業可以訂定契約，指明如果發生不尋常的狀況該怎麼做。假設AI不但可以預報天氣狀況給航空公司，還能產生預測，說明如何處理天氣相關干擾最好。這會增加大型航空公司的報酬，因為能在契約中更明確指定如何處理偶發狀況。它們可以在契約中指定更多假設條件。因此，大型航空公司不用透過所有權掌握航線，卻有預測能力可以更有把握地與區域性獨立運輸公司簽約，利用那些運輸業者較低的成本。它們需要的資本設備（例如飛機）較少，因為可以將更多航班外包給較小的區域性運輸業者。
第二，AI驅動的預測（可以一路預測到消費者滿意度），讓汽車製造商可以更有信心地預先設計產品，進而產生較高消費者滿意度與高性能的汽車，而且不需要後續大量的車款調整。因此，汽車製造商就能從獨立供應商中，為自己的車款挑選最好的零件，有信心因為較好的事先預測，消除合約重新協商的高成本需求。汽車製造商就比較不需要有自己的廠房提供零件。一般來說，預測給我們更多假設條件，可以用來清楚說明後續應對。
這樣的評估將航空網絡與汽車產品的複雜性視為固定，也可能是事先預測使航空公司與汽車製造商產生信心，容許更複雜的安排與產品。既然更好的預測會推動更多外包，而更高的複雜性通常又會減少外包，所以還不清楚對外包會有什麼的影響。這些因素哪些會占優勢，現階段還很難說。我們可以說，儘管可行而複雜的新流程或許會在企業內部完成，但先前許多在內部完成的簡單流程將會外包。
AI對勞力的影響
銀行推出的自動櫃員機是在1970年代間開發，1980年代廣為普及。這種可以節省人力的科技正如名稱代表的意思，目的是為了讓櫃員的工作自動化。
根據美國勞工統計局（Bureau of Labor Statistics） 的數據，銀行櫃員並未因為自動化而失業（見圖16-1）。不過，他們因為自動化而擺脫銀行的存匯任務。櫃員最後成為銀行產品的行銷與客服人員，跳出處理現金存匯的工作。現金存匯工作由機器處理比人類更安全可靠。銀行想開設更多分行的一個原因，正是安全問題，以及花時間在處理存匯等銀行交易的人力成本。擺脫那些限制，銀行分行迅速擴增（都市地區多了43％），型態與規模也更多，而那些分行的員工則不合時宜地稱為「銀行櫃員」。
引進自動櫃員機產生重大的組織變革。新的櫃員需要更大量的主觀判斷。原本定義的櫃員任務固定，而且容易機械化。但新的任務是要與顧客談論金融需求、對貸款提出建議，並設計信用卡選項，這些都是更為複雜的工作。過程中，要評估新的櫃員是否表現良好就變得比較困難了。
當績效衡量從客觀（讓排隊辦事的人潮變少嗎？）變得主觀（有銷售適當的產品嗎？），人力資源管理變得更複雜。經濟學家會告訴你，工作職責必然會變得比較不明確，而且更講究人際關係。你會根據主觀流程來評估及獎勵員工，例如考績審核納入任務的複雜性與員工的優缺點。這種作業流程很難執行，因為要仰賴這個流程來創造誘因，產生良好績效，需要大量的信任。畢竟，一家公司根據主觀審核來否決你的紅利獎金、加薪或升遷，要比客觀績效衡量容易。不過，若是在複雜環境中進行客觀的績效衡量，可能會產生重大的錯誤，就像富國銀行（Wells Fargo）許多分行經理偽造客戶資料的誇張例子。
這個經濟邏輯的直接含意，就是AI將使人力資源管理由交易性質轉向人情關係。這有雙重原因。第一，會利用有價值的人類判斷，是因為難以將這種判斷寫成程式讓機器執行。獲得的報酬要不是不穩定，就是不得而知，或者需要人類經驗來執行。第二，隨著機器預測增加，人類判斷變得更加重要，這種判斷必然牽涉到主觀的績效評估方法。如果有客觀方法，也許機器可以做這樣的判斷，根本不需要人力資源管理。因此，人類對於目標主觀的決策至關重要。基於這個理由，管理這樣的人才可能更要靠人情關係。
因此，AI對勞力的影響與對資本的影響不同。判斷的重要性意味著勞動契約必須更為主觀。影響資本設備的力量也會影響勞力。如果人類勞力的關鍵產出是數據、預測或行動，那麼使用AI就意味著會有更多外包契約工，就像AI代表更多設備與用品外包。與資本一樣，更好的預測會提供更多假設條件，讓我們可以在委外契約中清楚說明後續應對。
不過，對勞力更重要的影響是人類判斷的重要性更高。預測與判斷是互補品，因此更好的預測會增加判斷的需求，代表員工的主要角色將是在決策中發揮判斷。而就定義來說，這不可能在合約中明確說明。這時候，預測機器增加策略兩難的不確定性，因為評估判斷的品質有困難，因此契約委外有風險。和我們的直覺相反的是，更好的預測會增加你對員工工作表現品質的不確定性：你必須在內部保留報酬函數工程師，以及其他負責做出判斷的員工。
AI對數據的影響
另一個關鍵的策略問題是數據的所有權與控制權。就像員工必然會與預測及判斷間的互補性有關一樣，預測與數據的關係也產生這樣的權衡取捨。數據會讓預測更好。這裡，我們考慮到組織業務範圍的相關取捨。你應該使用其他人的數據，還是擁有自己的數據？（下一章我們探討的議題關係到投資在數據蒐集上的策略重要性。）
對AI新創公司來說，擁有可以讓它們學習的數據尤其重要。否則，它們就無法逐步改善產品。機器學習新創公司Ada Support協助其他公司與顧客互動。Ada有機會將產品整合到既有的大型聊天供應商系統。如果可行，要獲取支持並建立大量的基礎用戶就容易多了。這是很吸引人的方向。
不過，問題在於互動的回饋數據是既有規模的公司擁有。沒有那些數據，Ada無法根據實際運作時真正發生的情況改善自己的產品。Ada大膽重新考慮這項作法而不加以整合，直到它們確定自己擁有產生的數據。這樣做讓它們在現在與未來有源源不絕的數據管道，得以用來持續學習。
應不應該擁有數據或取得數據不只是新創公司的問題。就以為了協助廣告商鎖定潛在顧客的數據為例。在媒體上創造現代廣告結構的先驅約翰．沃納梅克（John Wanamaker）曾說：「我花在廣告的錢有一半浪費了，問題是我不知道浪費的是哪一半。」
這是廣告業的根本問題。在網站投放廣告，所有造訪網站的人都看得到廣告，而你為每次的曝光付費。如果只有其中一小部分是潛在顧客，那你為每次曝光的付費意願就相對低落。那對身為廣告主的你，以及企圖靠廣告賺錢的網站都是問題。
一個解決辦法就是專注在建立吸引特定興趣（體育、金融等等）人群的網站，對某些類型的廣告主來說，這樣的網站有高比例的潛在顧客。在網路興起之前，這是廣告的核心特徵，導致雜誌、有線電視頻道與報紙的汽車、流行時尚、不動產與投資版面激增。但並非所有媒體通路都能這樣客製化內容。
不過，拜網路瀏覽器的創新之賜（主要是cookie），廣告主可以在一段時間裡在各網站追蹤使用者，接著就有辦法精準鎖定廣告目標。cookie記錄網站訪客的資訊，但最重要的是記錄訪客時常造訪的網站類型資訊，包括購物網站。因為這種追蹤科技，當你造訪網站尋找新褲子，你可能發現接下來看到的廣告中，褲子廣告高得不成比例，包括在完全不相關的網站。
所有網站都可以設置cookie，但cookie對網站卻未必有太多價值。反倒是網站會兜售cookie 交換廣告（或者有時直接賣給廣告主），以便更精準鎖定廣告。網站會銷售訪客的數據給投放廣告的公司。
企業購買數據是因為沒有辦法自己蒐集數據。毫不意外，它們購買可以幫忙找出高價值顧客的數據，也可能購買數據來避免對低價值顧客打廣告。兩種數據都有價值，因為能讓公司將廣告支出專注在高價值顧客。
許多AI領導業者，包括Google、臉書與微軟，都建立或購買自己的廣告網絡，以便能擁有這些珍貴的數據。它們認定值得花錢收購這種數據。對其他業者來說，廣告數據比較沒那麼關鍵，所以它們捨棄數據的控制權，避免負擔自行蒐集數據的高成本，廣告數據因而仍留在那些公司的業務範圍之外。
需不需要自己產生預測？
Google、臉書、微軟與一些公司擁有網路上消費者偏好的有用數據。它們不但有銷售數據，還更進一步幫廣告主做預測。舉例來說，Google透過搜尋、YouTube與廣告業務來獲得豐富的使用者需求數據。Google沒有銷售數據，但實際上卻是將數據產生的預測當成套裝服務的一部份，銷售給廣告主。如果你透過Google下廣告，你的廣告會展示給網絡中預測最可能受廣告影響的使用者。透過臉書或微軟下廣告也會產生類似的效果。廣告主不是直接取得數據，而是購買預測。
獨一無二的數據對創造策略優勢很重要。如果數據並非獨一無二，就很難用預測機器來建立事業。如果沒有數據，就沒有實際的學習路徑，因此AI並非你的策略核心。就像廣告網絡的例子，預測可能還是很有用。預測可以讓廣告主鎖定最高價值的顧客。因此，更好的預測或許對組織有幫助，即使數據和預測可能並非策略優勢的來源。數據和預測都在組織的業務範圍之外，但還是可以使用預測。
這裡主要的意涵是，數據和預測機器是互補品。因此，獲取或發展一個AI工具的價值有限，除非你有數據可以投入。如果那些數據屬於其他人，你就需要一套策略去取得數據。如果數據屬於唯一或獨占的供給者，那你可能會發現自己的AI整體價值有被供給者占用的風險。如果數據屬於競爭對手，可能沒有策略值得從他們那裡取得數據。如果數據屬於消費者，那應該可以用更好的產品或更高品質的服務交換過來。
不過在一些情況下，你和其他人擁有的數據可能有共同的價值，因此，交換數據是有可能的。在其他情況下，數據可能屬於多個供給者，這時候你可能需要一些複雜的安排，去購買各種數據與預測。
究竟是要自己蒐集數據並做預測，還是向別人購買，取決於預測機器對公司的重要性。如果預測機器是可現成買到的生產要素，只要AI不是公司的策略核心，那就可以像多數公司對待能源一樣，從市場中買進。相反地，如果預測機器是公司策略的核心，那就需要控制數據來改善機器，而數據和預測機器都必須留在內部。
本章一開始我們建議原本瞄準提供醫療診斷的機器學習新創公司改瞄準銷售預測。醫生為什麼願意購買預測而不是完整的診斷？以及醫生為什麼不想擁有預測機器和數據？答案就在我們討論過的相關取捨。醫生的職責有個重要部分，就是診斷，因此購買預測並非核心策略決定。醫生繼續做以前做的事，只是額外多了資訊。如果那不是關鍵的策略決定，那就可以購買預測，不需要擁有數據或預測。相反地，新創公司的根本是AI，而預測是提供價值給顧客。因此只要擁有數據和預測機器，就不需要負責診斷。在新創公司與醫生業務範圍交界的地方，AI不再做策略判斷，只是在不同流程中的生產要素。
相關書摘 ▶《AI經濟的策略思維》：「完全自動化」 後如何避免機器傷害人類？
書籍介紹
本文摘錄自《AI經濟的策略思維：善用人工智慧的預測威力，做出最佳商業決策》，天下雜誌出版
＊透過以上連結購書，《關鍵評論網》由此所得將全數捐贈兒福聯盟。
作者：阿杰・艾格拉瓦（Ajay Agrawal）、約書亞・格恩斯（Joshua Gans）、阿維・高德法布（Avi Goldfarb）
譯者：林奕伶
第一本專為經理人與策略專家寫的AI評估指南
到底該如何應用AI、找出創造新價值的機會？
了解人工智慧最強大的力量，就在預測，
用經濟學的分析架構，設計出最佳的策略選擇！
「AI對你的企業有什麼意義？看這本書就知道。」——Google首席經濟學家哈爾．韋瑞安
自動駕駛、物體辨識、語言翻譯、詐騙偵測……
AI的應用正快速滲入每一個領域，人工智慧大普及的時代即將來臨。但是，能夠利用AI脫穎而出的企業屈指可數。AI科技對企業到底有什麼影響？
備受科技界與決策領導人推崇的多倫多大學羅特曼管理學院的三位教授艾格拉瓦、格恩斯、高德法布，是專門研究科技影響的經濟學家。在本書中，他們解答經理人該如何思考AI影響的各種問題。
- 對企業來說，AI到底是什麼？AI是預測的科技，而預測是決策的生產要素。
- AI的關鍵影響是什麼？AI的重大經濟意義，就是使得預測變得更便宜。可以被人工智慧預測取代的都會貶值；與人工智慧預測互補的都會升值。未來無可取代的就是資料與判斷。
- 當預測便宜到人人可以負擔，企業的工作流程、事業規模與範圍、商業模式、策略選擇全都會改變。三位教授發展出一套評量AI策略的AICanvas，用輸入、預測、訓練、判斷、行動、結果、回饋這七個面向，幫助企業回答：
- 什麼樣的預測對你的事業很重要？AI的發展會如何改變你倚重的預測？
- 如何重新配置工作，AI與人類該如何合作？
- 在工作流程中，哪些AI工具的投資報酬率最高？
- 如何判斷推出AI產品的時機與對企業的衝擊？
每一個選擇，都是社會資源重分配的取捨。在本書中，艾格拉瓦等三位教授也探討大家普遍對AI的擔憂，包括：人類工作即將終結嗎？貧富不均是否將更惡化？幾家超級企業將贏者通吃？
AI是這個世代最具變革力的科技。了解AI的本質與經濟意涵，才能準確評估AI的潛力，真正善用AI的預測能力，做出最好的決策。
Photo Credit: 天下雜誌出版責任編輯：潘柏翰
核稿編輯：翁世航