領導者如何運用AI解決真實的商業問題

阿迪·伊格納修斯：我是阿迪·伊格納修斯。

艾莉森‧比爾德：我是艾莉森‧比爾德，這是《哈佛商業評論》 IdeaCast。

ADI IGNATIUS：艾莉森，我們經常談論人工智能。每個人都在談論人工智能，但我對你目前對人工智能的看法很感興趣。

艾莉森·比爾德：嗯，它所能完成的一些工作讓我感到非常驚嘆。但我認為大多數組織和領導者仍在摸索如何有效運用它，以推動業務發展。

ADI IGNATIUS：是的，我認為這點說得對。太多公司正在為AI而解決問題，他們到處推廣AI應用，而不是把AI視為能幫助他們解決實際問題的工具。今天的嘉賓是Josh Tyrangiel，他為《大西洋月刊》撰寫關於AI的文章。他深入探討了AI、其應用、潛力與陷阱，並為管理者提供如何讓AI為他們所用的建議。

他既不是AI的傳道者，也不是AI的末日預言家，而是一個欣賞這項技術，同時也意識到其局限與風險的人。泰蘭吉爾是新書《AI向善：普通人如何用人工智慧解決重要問題》的作者。以下是我們的對話內容。

所以，你看，你这些年一直沉浸在人工智能的世界里，为《华盛顿邮报》、《大西洋月刊》撰稿，现在又出了这本新书。谈谈你对人工智能的理解历程吧，也许说说你最初对它的看法，以及现在对人工智能及其潜力的认识。

喬許·泰蘭吉爾：是的。聽我說，我開始報導這個話題時，並沒有考慮它的潛力，甚至幾乎沒怎麼思考這項技術本身，因為在最初的幾個月裡，它的呈現方式相當兩極化。所以當我開始撰寫——我想是《華盛頓郵報》第一篇關於AI的專欄時——我去了矽谷，而大多數人想談論的，都是「沒錯，這東西簡直是魔法，每個人都看得出來，但我們意見分歧很大。」我訪談的人當中，有一半說：「我們必須推動它，因為這東西太驚人了，它會治癒癌症、緩解氣候變遷。」

而另一方面，悲观派则活像在说：“想活命就跟我来。”几个月后我才意识到，自己正陷入典型的循环漩涡，周围每个人都有些醉醺醺的。直到报道进行到第二个月，我才能深吸一口气，把注意力集中在技术本身。自那以后我的立场始终如一：没错，这确实令人目眩神迷。你可以对技术专家们品头论足，指责他们在公共场合的做派，但技术本身实在了不起。它并不完美，也不会自行铺展，但相比我们以往在软件领域所面对的，这已是重大飞跃。

ADI IGNATIUS：對於高階主管來說，如何在這種「天啊，我必須無所不知，但天啊，情況又反反覆覆、時而樂觀、時而悲觀」的劇本中行事，你有什麼建議？

喬許·泰蘭吉爾：我認為這又回到了那種醉醺醺的感覺，也就是我們被大量關於必須轉向人工智慧的行銷、廣告和報告所淹沒。如同所有炒作一樣，其中也夾雜著一波真實性。我去過許多地方，有些實施做得很好，有些則有缺陷。而成功實施的首要關鍵是：「嘿，你一開始知道自己想解決什麼問題嗎？你對如何解決它是否有合理的期望？」

我的意思是，如果你在星期天看足球賽時的廣告，會發現很多廣告都在試圖說服公司裡握有預算大權的人，讓他們相信人工智慧很神奇——你只要下單購買、取得授權，軟體就會自動部署到企業中，然後突然間你的生產力大幅提升、效率更高，甚至可能降低成本。但這根本不是事實。

這款軟體真的非常出色，但要理解你想解決的問題，需要像使用手術刀般精準。而且，它極其關鍵地需要人類——那種真正有天賦、且具備特定特質的人——既能配合你的系統（無論那是什麼系統），又能駕馭這款軟體。軟體工程師和開發者並不在乎你的問題。你其實需要深吸一口氣，回歸基本面，而這正是你在炒作循環中聽不到的重點。

ADI IGNATIUS：正如你所說，你看到有些公司將人工智慧當作工具來應用，我認為這是很好的建議。先弄清楚你想解決什麼問題，再把它當作工具來使用。我認為這樣確實能帶來一些底線上的改善。但還有更重要的事，我最近與一位生技公司執行長交談，他曾與山姆·奧特曼會面，奧特曼敦促他：「你絕對不想錯過這班船。」那位執行長聽完後說：「好吧，什麼船？」

部分問題在於，技術專家是否一定比我們其他人更了解人工智慧的潛在應用？他們知道AI非常強大，但就實際應用而言，他們對其潛力的見解是否一定比我們更深刻？

喬許·泰蘭吉爾：不。他們的想法顯然更糟。如果說這些實驗室有什麼擅長的事，那就是把自己塑造成智慧的擁有者。首先，他們自稱「實驗室」。據我所知，這些實驗室全都是營利企業，擁有龐大的利潤空間和成長潛力。用科學的語言來包裝自己，確實是個相當高明的把戲。

更糟的是，所有实验室都负债累累。他们从寄予厚望的投资者那里获得了巨额资金注入，而这些期望就是有朝一日——最好是不久的将来——他们能赚得盆满钵满。因此，推动这种行为的很大一部分原因……你提到的生物科技CEO的例子就很典型——是他们突然需要让人们相信，人工智能对其企业而言不可或缺、易于部署，并且能实现所有这些目标。

所有經營這些實驗室的人及其下屬都非常擅長一件困難的事，那就是建立模型、訓練並微調這些模型。但擅長這類工作的人，往往非常不擅長理解人類系統，也不擅長理解像客戶這樣的事物。那些科技界某種程度上貶低的所謂「軟技能」，其實對商業成功至關重要。

所以當你問，他們是不是知道一些我們不知道的事？嗯，對，他們確實知道一些我們不知道的事，關於實驗室、調校和模型。我不認為山姆·奧特曼比一位生技公司的執行長更懂生技工程。所以我覺得這個問題問得對。就像，是哪艘船？那是他們的船，別錯過了。那艘我們借了大筆貸款買下的船。你能不能上那艘船？因為我們得還他們錢。

ADI IGNATIUS：對人工智慧的抗拒也有點難以理解。一方面，有些人確實對AI感到擔憂，擔心其倫理影響，擔心自己或家人可能失去工作。我認為，執行長們有時會輕視這種負面情緒。

但話說回來，想想像艾瑞克·施密特這類人在畢業典禮演講提到AI時被喝倒彩的情況，我認為這不只是因為人們感到恐懼。這些是原生AI世代的人，他們實際使用過AI，知道這東西會產出大量垃圾內容。所以，我們將未來某種程度上與AI綁在一起的想法，不僅僅因為我列舉的那些理由而令人擔憂，更讓人不禁要問：我們到底在做什麼？

我想稍微剖析一下對AI的抗拒心態，因為這種抗拒或許有其道理，但在某些情況下也可能錯失良機。我想探討的是，這種抗拒在多大程度上是合理的，又在多大程度上只是「各位，現在才剛起步，過程中的問題請多包涵」？

喬許·泰蘭吉爾：我認為沒有什麼事是憑空發生的。因此，像艾瑞克·施密特被噓、以及人們對數據中心的敵意，我認為是這世紀前25年的產物。首先，我們迎來了網路能力的浪潮，當時大家都覺得很棒。2007年，我們把電腦放進口袋，大家也覺得很棒。而在社群媒體存在的大部分時間裡，別忘了人們對Facebook這類事物抱持的驚人樂觀。我年紀夠大，還記得當時人們多麼渴望收到Facebook的邀請，對吧？

ADI IGNATIUS：順便一提，我仍然喜歡我的MySpace帳號。

JOSH TYRANGIEL：你應該留著它。它正在捲土重來。盡量多開幾個帳號。我們曾經那麼樂觀，但我覺得我們太天真了。因此在過去這六、七年間，當我們看到錯誤資訊、注意力縮短、成癮問題，以及各種我們不希望在生活中出現的元素時，我們對科技公司感到極度憤怒，非常憤怒。

除此之外，許多引領AI發展的公司，正是當年帶給我們社交媒體的那些企業，而領導層也往往是同一批人。因此，當AI問世時，人們不可能天真地歡呼：「哦，太棒了！又是這些傢伙的偉大創意。」我認為，這種憤怒與不滿不僅合情合理，甚至正在產生積極作用。這種文化層面的問題，對於驅動人們對AI的抗拒與敵意，影響深遠。

ADI IGNATIUS：就在昨天，我收到一封讀者來信，對方讀了我們的通訊後說：「你們根本就是AI炒作機器，為什麼不多寫寫數據中心的生態成本之類的問題？」這確實是個很好的觀點。我不想讓自己變成科技狂熱的吹鼓手。我真正感興趣的是有趣的案例研究。如果企業要轉型為AI公司，這究竟意味著什麼？我們先暫時擱置道德議題，單純探討：有沒有可能用AI重塑公司，卻不必然導致工作流失——或者即使會，但能創造出更貼近消費者、在市場上產生更高價值的東西？讓我們把焦點轉向這裡。你目前看到這類案例了嗎？AI確實能改善財務表現，這點毋庸置疑。但你是否有觀察到AI真正創造出「階梯式」的價值躍升？

JOSH TYRANGIEL：我舉個例子，我在克里夫蘭診所待過一段時間，那裡由一位優秀的醫生兼執行長管理，名叫托米斯拉夫·米哈列維奇。當我與他坐下來開始採訪時，他察覺到我們會大量討論人工智慧。於是他一開始就打斷對話，說：「我想先跟你談談醫療保健、科技和人工智慧。」

我們這個行業的許多同事總是在尋找神奇的豆子，想要讓自己成為醫療保健領域的微軟。」他接著說：「我們不會成為醫療保健領域的微軟。我們嘗試過各種計畫和合作，但對我們來說行不通。我們這裡有兩個優先事項。第一是提供最好的照護，為我們的病患創造最好的治療結果。第二是提高效率，這樣我們就能投入更多資金，為病患創造最好的照護和最好的治療結果。

因此，克利夫兰诊所的每一项AI临床应用，都不是通过大规模合作或科技公司推销来实现的。每项AI试点项目都由一位产品经理负责，而这位产品经理本身就是医生或临床工作者。从一开始，科技在克利夫兰诊所就是为医疗服务的，而非相反。我当时说：“那就让我看看，看看这些人是谁，看看它是如何运作的。”接下来我举两个例子，一个涉及后台运作，另一个关乎健康本身。医学领域，尤其是医院，诊所的利润率大约只有2.2%。在座大多数听众如果自己的利润率只有2.2%，恐怕在这句话说完之前就已经想跳楼了。

在醫療保健領域，這是一個英雄式的利潤率。挑戰在於，當你仔細思考時，醫院基本上就是旅館。它們有許多員工、有客人、有房間、床鋪、床單、食物等等。差別在於醫院通常不知道這些客人何時會來或離開。所以你是在混亂的基礎上運作這種系統。因此在診所裡，有一位住院醫師，她是位出色的女性，她先當護士，後來成為醫生，現在是住院醫師。於是她和診所決定：「你知道嗎？讓我們看看能否用我們的數據來建立這個模型。」

他們所做的就是打電話給 Palantir。他們進來後，基本上建立了一個基礎的排程工具，可以告訴醫院團隊病人何時準備好出院。這聽起來很簡單，但如果你有一位正在進行心臟手術且情況嚴重的病人，從醫生的角度知道他們距離出院或轉院還有24小時是非常重要，因為突然間你就可以制定一個排程。

所以他們所做的就是連接到所有的健康數據。他們包含了醫生的語音筆記，這樣就能在轉錄稿中聽到「病人正在好轉」之類的各種資訊。他們能夠建立一種住院醫師系統，讓你像玩電玩遊戲一樣操作醫院。你可以讓人員進出。這家診所很大一部分收入來自國際轉診。突然間，他們就能看到內部實際發生的情況。機器學習和演算法預測是其中的重要組成部分。他們大幅提高了轉診率。他們將急診室等待時間縮短了90分鐘，並且能夠改善利潤。

所以他們用不算龐大的經費做到了這點。他們透過對自身問題的創造性思考來達成，然後找來一個技術合作夥伴專門針對這個問題進行合作，而不是找一堆供應商推銷各種需要後續調整的東西。這是一個改善利潤同時也改善照護品質的例子。

我在醫療保健領域看到的一個例子是，敗血症基本上是美國最大的殺手。它每年導致約35萬人死亡，比前列腺癌、乳癌和鴉片類藥物成癮的死亡人數加起來還多。敗血症是一種看似無害的感染。它是身體對感染的反應。如果你及早發現，用抗生素治療，就沒什麼大問題。如果你發現得晚，病人就會死亡。因此，這家醫院在2021年檢視了其敗血症死亡人數，並表示：「這太離譜了。我們是美國三大最佳醫療系統之一，每年卻損失三、四千人。這必須停止。」於是，從醫療保健領域外來的技術長認為這是一個完美的AI問題，因為我們有這麼多的雜訊，需要找到訊號。

他們找到了一家名為 Bayesian Health 的優秀供應商，這是一家預測軟體公司，專門標記敗血症的可能性。他們進駐後，整合了所有數據，並與 Epic 整合，這是一個非常複雜的醫療系統，基本上美國每家醫院都在使用。

他們所做的就是進行了相當不錯的首次嘗試，相當不錯的意思是它會產生三個標記，基本上就是「沒問題」、「黃燈」、「紅燈」。但醫生們不願意使用它。因為這個軟體實際上並未融入加護病房的文化。在加護病房裡，每台機器都在不斷發出嗶嗶聲，而且它們不斷標記出醫生和護士可能已經掌握的情況。

最重要的是，他們看著這三個標記，卻沒有任何解釋。當涉及生死關頭時，你不可能根據一個沒有解釋的機器來採取行動。於是他們逐漸為這三個標記加入了可解釋性，結果也隨之改善。在醫院裡，經過一年的時間，他們將死亡率降低了41%。也就是說，大約有1000人因為這個模型而存活下來。但他們無法做到的是完成最後一哩路。在加護病房大約10%的案例中，護士或醫生可以透過聞病人的氣味或觀察他們的膚色，就能說：「哦，他們是敗血症患者」，而機器卻不會標記。原因是人類，即使我們是模式識別的機器，我們也很瘋狂。

因此，即使在我們的疾病中，我們也能以機器無法做到、甚至可能永遠不擅長的方式來打破模式。對我來說，這兩個例子在許多其他行業都很有用，因為它們是具體的問題。有臨床醫生，也就是領域專家，他們的專業知識超越了技術專業知識，而且必須不斷調整，直到它們足夠穩定以產出結果，而這些結果是有意義的。這拯救了許多生命。減少等待時間並讓更多人進入醫院的能力，是醫院得以生存的關鍵。所以挑戰不在於技術不好。技術可以非常出色。挑戰在於相信它會自行運作。你需要絕對一流的、致力於解決你問題的人才來與AI合作。

ADI IGNATIUS：AI的對話實際上從關於技術轉變為關於管理。

JOSH TYRANGIEL：管理、人事、人才識別，還有客戶服務。我有一些朋友在紐約經營一家軟體公司。他們一直在抱怨Claude Code讓每個工程師都變成了帝國。工程師們會說：「不，不，不，這一切都是我做的。我設計了產品。我處理了產品描述。沒問題。」

當他們向我的朋友們展示這些應該要交付給客戶的產品時，我的朋友們會說：「這是我見過最醜的東西。」而且你還忽略了簡報中的六件事。原因當然是，他們太有能力在過去所需時間的10%內完成80%的軟體工作，以至於他們認為自己已經解決了問題。問題遠比編寫程式碼要複雜得多。

我們已經看到這個情況，我相信你在這個播客中也聽過，大公司推出了機器人驅動的客戶服務，而訊息框中輸入最多的內容是什麼？「給我找個人來」。

ADI IGNATIUS：給我找個人，沒錯。

所以你提到了人才，關於人才有幾種顯而易見的方法。一種是僱用市場上最優秀、最聰明的人。但現在最優秀、最聰明的人才成本高得驚人。中小型企業很難與之競爭。因此，替代方案就是培訓。我對你多年來深入研究AI的經歷很感興趣。你有見過有效的AI培訓嗎？AI培訓有效嗎？如果有效，哪種方法有效？

JOSH TYRANGIEL：我們說的是廣泛的再培訓還是提升培訓？因為這是兩回事。在我剛才提到的例子中，克里夫蘭診所並沒有進行培訓。他們只是有一些非常關心某個問題、並具備某種基本技術專業知識的醫生，但基本上他們就是一群非常關心、並願意為了解決問題而更加努力工作的人。這是一種不同於工作再培訓的人才識別方式，後者基本上是帶一個人過來說：「我要你以完全不同的方式處理一系列不同的問題。」在美國，再培訓是我們最著名的被遺棄的政策。大約40年來，聯邦政府有一個工作再培訓計畫。它相當有效。大約有500萬人接受了再培訓，主要集中在中西部的汽車零件和汽車製造業。

這個計畫在2022年終止了。沒有任何努力要讓它復甦。再培訓在某種程度上，再次涉及到個人技能與軟體的融合，而不是「嘿，這是軟體，這是它的功能，這是現在你需要做的事。」我認為最有效的版本將是一種協作，而不是這種從上而下的實施。但市場上有很多勞動力，是高度熟練、靈巧的勞動力，在很長一段時間內，甚至可能永遠都不會被機器人取代。對於電工來說，擁有多模態AI來拍攝某樣東西的照片，獲得更快的診斷、更快地了解安全問題，可以非常有幫助。所以我認為再培訓更多是關於整合，而不是強加。

ADI IGNATIUS：所以，如果你是一位正在收聽的執行長，我認為克里夫蘭診所的例子很棒。正如你所說，它們在某種程度上具有廣泛的適用性，但人們也很容易說：「那是醫院。我不知道這跟我有什麼關係。我是一家普通的公司。」所以請談談規則，管理者現在應該如何看待這項技術，包括如何進行實驗以及可能為未來重新配置。

JOSH TYRANGIEL：我認為首先，在你的組織內部，停止將人工智慧視為單一事物可能是健康的。它實際上是由許多不同科學技術組成的複雜集合。所以如果你對你的員工說：「好了，我們都要為AI做準備。」他們會想的是：「嗯，我在家用Claude。你是什麼意思？」你需要更深入地探討細節，對人們更具體說明，因為這將減輕一些擔憂，並將他們引導到你試圖解決的問題上。

我交談過的許多執行長並非技術背景出身，所以他們有點不願意這麼做。因此，這始於投資，有些執行長花很多時間與他們的技術長相處，而另一些則是在行事曆上看到它，然後說——

ADI IGNATIUS：我可以取消那個會議嗎？

JOSH TYRANGIEL：對，也許我們把它挪開。不，你實際上必須發展更深入的關係，讓你們能夠說對方的語言，因為你必須向你的員工傳達你真正想做的事。我認為這是起點。第二點，我會以最透明的方式讓所有人參與進來。我知道有些人討厭說：「嘿，我們即將使用AI，因為它最初是……」你會遇到的第一個問題會是：「這會取代我的工作嗎？」

ADI IGNATIUS：順便說一句，答案必須是「也許吧。我們不知道。」

JOSH TYRANGIEL：但我們的工作是以最好、最有效的方式為客戶解決問題，我們需要你成為這項努力的一部分。所以我認為這始於溝通和清晰度。然後你必須以研發的精神去做，而不是以確定的精神，因為你會在過程中學到一些東西。我向你保證，至今還沒有一個完美無缺的AI部署。就是沒有。我不在乎實驗室怎麼說。所以你必須以研發的精神來對待它。我們將在X時間內找出會發生什麼事。你想參與嗎？你想成為試點計畫的一部分嗎？你想主導試點計畫嗎？你必須讓人們參與進來，以揭開你實際在做的事情的神秘面紗。

而且，如果你坐在高層辦公室裡，如果你圍繞這項技術賦予他們權力，你將從他們那裡獲得更好、更值得信賴的資訊。我也認為，為你將要做的事情設定預算是完全合理的。過去的一年有點像賭場裡那種瘋狂的狀態，特別是在顧問公司之類的地方，人們被放任自由，像是「把它餵給Claude，看看Claude怎麼說，看看Claude Code會用它做什麼。」然後突然間帳單就爆了。你不會對其他任何東西這麼做。為什麼要對AI這麼做？

所以，正如我所說，我認為這個世界有點AI醉醺醺了。我會說，首要的是保持清醒。稍微有點微醺是可以的，因為有些技術確實那麼好，但要回歸基本面，但你無法逃避它。你就是無法逃避，因為我認為恐懼在於，嗯，我們的競爭對手正在使用它，他們用它來加快速度。也許是真的。與此同時，你不能把所有雞蛋都放在這個籃子裡，並期望它會完美無缺。這是個乏味、不迷人的建議。你必須領導、執行和溝通，並真正設定關於你想做什麼的參數。

ADI IGNATIUS：如果你經營的是一家傳統公司，不是科技公司，也不是醫療公司，那麼領導者應該考慮的一個他們可能還沒想到的AI機會是什麼？

JOSH TYRANGIEL：那麼，看看你的公司，問問自己，我們的程式碼在哪裡？我說的既是軟體，也包括其他東西。所以法律是一種程式碼。它裡面包含了所有這些「如果……那麼……」的結構。數學，也是一種程式碼。AI本質上是程式碼，而且天生擅長在不同程式碼之間進行轉換。所以如果你的業務是基於這些結構，AI很可能會非常擅長處理它。還有，我們的數據在哪裡？我們的數據品質如何？因為要獲得有效的AI需要多個步驟。如果你的數據很糟糕，並且採用羅馬道路式的方法，即糟糕的數據疊加糟糕的數據，加上骯髒的數據管道，你將一事無成。所有這些東西都需要清理。你面前有一個龐大的基礎設施專案。

所以你需要真正了解自己所處的位置。但AI真正擅長的地方是，比如說，好吧，我們有所有這些政策手冊。假設你是一家洗碗機製造商。我們希望人們透過ChatGPT與我們的產品互動，還是希望他們在這裡互動？我們想教他們我們在做什麼嗎？所有這些東西都只是程式碼。所以我認為第一步是識別哪裡存在同類事物，以及AI，特別是大型語言模型，可以在哪裡對你有用。

ADI IGNATIUS：Josh，這太棒了。感謝你參與這次—— IdeaCast。

JOSH TYRANGIEL: 謝謝邀請，Adi。

ADI IGNATIUS: 這位是 Josh Tyrangiel，《大西洋月刊》特約撰稿人，也是《AI for Good: How Real People are Using Artificial Intelligence to Fix Things that Matter》一書的作者。

如果你覺得這集有幫助，請在 Apple Podcasts、Spotify 或你收聽的任何平台上分享並給我們評分。如果你想幫助領導者推動世界前進，請考慮前往 hbr.org/subscribe 訂閱，以獲得 HBR 手機應用程式、每週獨家內部通訊以及 HBR 線上內容的無限存取權限。

感謝我們的團隊：資深製作人 Mary Dooe 和資深製作編輯 Kristin Murphy Romano。也感謝你收聽 HBR。 IdeaCast。 我們將於週二帶著新劇集回來。我是阿迪·伊格內修斯。