人工智慧採用的人性化一面：現場經驗教訓

沒有一天不過去 另一篇關於人工智慧如何擾亂我們商業或個人生活的另一個方面的文章正在發表。近年來，人工智慧的採用確實已經開始起飛。然而，如果你仔細觀察，你會發現一種二分法。

許多早期成功採用人工智慧的例子往往來自一小群高度數位化或支援技術的產業。通常的嫌疑犯包括銀行、金融服務、電子商務零售商等。然而，其他一些工業部門（其中許多對我們的經濟做出了巨大貢獻）在採用人工智慧方面並沒有表現出同樣程度的進展或熱情。

以建築、採礦或廢棄物管理等專業和基本服務業為例。其中一些公司是強勁經濟的一部分，但主要由幾十年前的遺留軟體驅動，一些流程仍然透過筆和紙進行。儘管人工智慧在這方面剛剛取得了初步進展，但其採用水準仍有很大的成長空間。

這些行業的領導者通常認為他們擁有穩定的流程，幾十年來一直為他們服務。是的，事情可能偶爾會出現問題，導致客戶服務中斷、團隊返工以及內部流程中斷。但後來，他們總是康復了。這些行業的人們可能會認為人工智慧是噱頭、工作量太大和/或不值得信任。

我花了 15 年多的時間幫助數十個產業擁抱人工智慧，我一直很想研究這兩類領導者的差異以及他們所達到的截然不同的人工智慧採用程度。而且，重要的是，我花了數年時間在實踐中嘗試有助於解決採用挑戰的技術。

在這裡，我將分享領導力挑戰的根源是什麼，以及對人工智慧持保守態度的產業領導者如何策劃有意義的變革。讓我們來看看一些關於人工智慧採用的紮實範例和重要提示。

為什麼人工智慧在某些產業的採用滯後

我在該領域的經驗指出了阻礙某些行業向前發展人工智慧的三個普遍因素。

1.人工智慧讓人感覺難以接近且可怕。

當你無法理解某件事時，你就會開始對它產生恐懼。當你周圍的每個人似乎都在談論這件事而你感到被拋在後面時，恐懼只會增加。當科技讓你感到侵入和不舒服時，你就會退回到自己的外殼裡。

對於私營和公共部門的大多數後期採用者來說，這正是人工智慧正在發生的情況。圍繞人工智慧的炒作和技術專家看似非理性的興奮只會疏遠謹慎公司中的人們。更糟的是，每當出現有關不知情的人工智慧投資適得其反或機器學習演算法失控的消息時，它都會強化這樣一種說法：人工智慧難以為大眾所接受，而且尚未為大眾做好準備。

貨運車輛中面向駕駛員的人工智慧攝影機就是一個很好的例子。對於卡車司機來說，駕駛室內的攝影機早在被視為安全或性能輔助工具之前就給人一種侵入性和紀律性的感覺。一個 美國交通研究所的報告 顯示卡車司機對面向駕駛員的攝影機的認可度往往較低：在整個行業的 650 名當前用戶中，以 0 到 10 的等級計算，平均只有 2.24。

2. 人工智慧看起來是很多可以避免的工作。

人工智慧經常被吹捧為使苦差事自動化的救世主。但負責讓人工智慧工具發揮作用並將其整合到工作流程中的現場人員可能會認為人工智慧正在創造 額外的 工作，而不是減輕他們的負擔。

由於勞力密集產業的第一線團隊經常感到壓力過大且支持不足，因此需要更多培訓或改變現有工作流程只會在增加任何價值之前增加摩擦。在許多後來採用的行業中，人工智慧直接與資本密集硬體和強制營運變革聯繫在一起。

組織的記憶常常被許多失敗或痛苦的技術部署所蒙蔽，這無濟於事——想想企業資源規劃系統、安全工具、遠端資訊處理系統等等。人們想知道這股人工智慧工具浪潮是否是另一個值得等待的時尚。當你深入觀察時，你會發現真正的障礙是改變疲勞，而不是對科技的厭惡。

3.人工智慧的好處似乎不值得付出痛苦。

大多數技術傳播者和領導者都犯了用錯誤的貨幣傳達人工智慧價值的錯誤。提高準確性或提高生產力對於第一線操作員來說意義不大，他們更關心客戶升級、返工或營運成本。

在 2025 年 德勤高階主管調查儘管 65% 的領導者表示人工智慧是他們企業策略的一部分，但許多人也承認投資報酬率既不是立竿見影的，也不是純粹的財務投資報酬率。從第一線員工的角度來看，學習和採用人工智慧等令人生畏的技術的成本是個人的，但好處是抽象的和客觀的。

當很難闡明人工智慧下一季的實際業務成果時，此類舉措很難獲得或維持贊助，而且很容易被忽視。每當人工智慧的實施未能實現模糊的目標時（這種情況很常見），信任赤字只會增加。

成功採用人工智慧的三大支柱

身為領導者，您如何應對這些挑戰並幫助您的組織成功？考慮這三個基本策略。

1. 使用日常類比來降低人工智慧的威脅性。

教育是有意義地採用人工智慧的先決條件。當你的最終用戶不明白為什麼他們應該使用或信任人工智慧時，這項計劃就已經失敗了。如何讓非數位原生受眾也能接觸到人工智慧？

我們已經不再處於人工智慧鮮有顯著用途的時期。有些人沒有意識到他們每天已經使用人工智慧數十次。我們不是用臉部辨識來解鎖手機嗎？甚至無品牌的智慧手錶也不能擅長偵測鍛鍊活動或標記不規則的心律嗎？有些人不喜歡透過 Facebook 或 Instagram 好友推薦來發現失散已久的同學嗎？

这些例子都是人工智能在工作中的一个实例。在与领导者的对话中，当我将这些作为公众使用复杂人工智能的例子分享时，他们每次都会感到惊讶。一旦以這種方式重新建構技術，人們的討論就會開始從對人工智慧的恐懼轉變為對人工智慧可能發揮作用的其他領域的好奇。当你通过熟悉的经验而不是技术讲座来揭开人工智能的神秘面纱时，你就取得了真正的进步。

這個框架也使得人們能夠更誠實地討論人工智慧的潛力和對就業的威脅。在許多職業中，人們開始意識到，他們更有可能失去的機會不是人工智慧本身，而是其他知道如何更好地使用人工智慧的人。這強化了人工智慧作為輔助工具的定位，以及人工智慧工具的使用作為另一種需要掌握的技能。

以人工智慧平台 Hey Bubba 為例，該平台專為貨運業主營運商和小型貨運公司設計。該系統不使用儀表板或複雜的工作流程，而是完全透過語音進行操作。在人工智慧的幫助下，司機可以透過自然對話搜尋和預訂貨運、與經紀人談判、尋找停車位以及預訂飯店。這項服務之所以有效，是因為它建立在人們熟悉的人工智慧助理（例如 Siri 和 Alexa）的基礎上，因此感覺很自然。

2. 將人工智慧整合到人們已經使用的系統中。

翻新一間房子，還是要求人們搬進一間房間、規則和慣例都不熟悉的全新房子，哪個比較容易？隨著人工智慧的採用，您需要採取革新方法。嘗試用大爆炸的方法將人工智慧引入組織是一個錯誤。

始終從對現有工作流程和軟體進行增量變更開始。請記住，您的團隊已經使用了數十種軟體工具。這些是領導者可以注入人工智慧並溫和地推動用戶採用的最佳起點。

例如，大多數第一線團隊已經使用軟體，例如計費系統、客戶關係管理系統、調度工具、維護軟體或安全日誌。其中一些系統可能很笨重，但它們被大量使用並且基本上是不可避免的。這些系統中的痛點可以作為引入人工智慧的完美切入點——用戶可以看到其中的價值並張開雙臂歡迎這一舉措。當人工智慧遇到人們已經工作的地方時，好奇心取代了阻力。

以車隊維護為例。大多數技術人員和主管已經在電腦化維護管理系統中度過了一天。工單記錄在那裡。檢查記錄在那裡。在那裡調查故障。

例如，引入可以預測車輛故障的人工智慧的有效方法是將人工智慧直接嵌入到使用者已經信任的維護系統中。人工智慧可以標記重複出現的故障碼，突出顯示故障風險不斷上升的資產，或建議在故障發生之前優先考慮某些工作訂單。

3. 使用人們已經追蹤的指標來量化人工智慧的影響。

一旦你讓人工智慧變得可用並確定了注入它的熟悉途徑，獲得認可的最快方法就是透過它所釋放的業務成果來引領。

首先將人工智慧價值錨定到利害關係人真正關心和評判的結果上。通常有兩種觀點：創造上行空間（成長或吞吐量）或防止下行空間（收入損失或降低風險）。上行指標的範例是勝率或資產利用率，而下行指標包括成本洩漏或服務中斷。請記住：新的 KPI 總是會引發爭論並延遲行動，而熟悉的指標會加速協調。

接下來，選擇短期影響和長期預測的組合。僅僅堅持滯後指標可能會讓利害關係人失望，他們需要看到更快的勢頭來保持對人工智慧的信心和興奮。例如，客戶投訴的減少是驗證短期進展的領先指標的一個例子，而來自回頭客的增量收入是一個滯後指標，可能需要幾個季度才能開始實現。

考慮 工業材料分銷商的範例 專注於加速成長。該公司努力系統性地識別新的商機並採取行動。現場銷售人員依靠手動、耗時的方法，例如開車穿過城市來直觀地發現新的建築項目。過程不一致、緩慢且難以擴展。

該公司建立了一個人工智慧引擎，將內部銷售數據與外部訊號結合，對潛在機會進行評分和優先排序，並推薦相關產品。然後，應用生成式人工智慧從非結構化公共資料（例如施工許可證）中提取見解，以確定即將推出的資本項目。

這些見解被嵌入現有的銷售工作流程中，以大規模個人化推廣。該方法在第一年就釋放了新的機會，顯著擴大了銷售管道並提高了電子郵件外展的成功率——這兩者都是利益相關者已經關心的現有銷售指標。

人工智慧應用的真正輸贏在哪裡

在後來採用的行業中，人工智慧不會因為技術不足而失敗。人工智慧經常失敗，因為領導者低估了引入人工智慧工具的人員和營運環境。我們必須記住，前線的懷疑主義並不是對進步的阻力——它只是人類的理性反應，當戰略性地解決時，這種反應會受到影響。

行動最快的組織遵循明顯的進程。他們透過促進人們之間的理解來揭開人工智慧的神秘面紗；在強制實施新工作流程之前將人工智慧嵌入現有工作流程中；並使用已經用於獎勵或懲罰人們的指標來證明人工智慧的價值。當這些條件得到滿足時，採用就成為拉動因素，而不是硬推動因素。

後發產業的前進之路不是模仿技術優先的產業，而是以自己的方式採用人工智慧。成功的領導者將人工智慧視為一種可以逐步融入日常工作的能力，而不是突然推出的系統。在這些環境中，最終決定人工智慧是否兌現其承諾的是使用者的舒適度和信任，而不是演算法。