通用人工智能工具通常無法幫助用戶完成獨(dú)特工作流程中所需的特定任務(wù)，因?yàn)樗鼈冞^于通用。即使人工智能工具針對(duì)金融或人力資源等特定領(lǐng)域進(jìn)行了定制，它們也未能增加足夠的價(jià)值，因?yàn)樗鼈內(nèi)匀徊粔驅(qū)I(yè)。那么，如何讓人工智能工具在實(shí)際工作中創(chuàng)造更大的價(jià)值？

在一家財(cái)富500強(qiáng)零售公司，領(lǐng)導(dǎo)層為負(fù)責(zé)起草供應(yīng)商談判合同的團(tuán)隊(duì)提供了一款人工智能工具，旨在簡化他們的工作。該工具由一款廣泛使用的大語言模型（LLM）驅(qū)動(dòng)，領(lǐng)導(dǎo)層期望它能通過總結(jié)文檔、回答內(nèi)容問題、比較合同等方式，加快團(tuán)隊(duì)的工作進(jìn)度。

然而，盡管期望很高，該團(tuán)隊(duì)的產(chǎn)出卻沒有變化。雖然該工具可以生成通用文本，例如合同初稿，但團(tuán)隊(duì)隨后必須針對(duì)每個(gè)供應(yīng)商對(duì)文本進(jìn)行定制。對(duì)于每份合同，他們?nèi)匀槐仨毷謩?dòng)將諸如供應(yīng)商信息、條款、訂單歷史和其他細(xì)節(jié)等關(guān)鍵內(nèi)容納入合同。因此，該工具對(duì)減輕團(tuán)隊(duì)工作量的作用微乎其微。

這個(gè)故事反映了人工智能工具未能兌現(xiàn)承諾的一種常見模式。在我們最近對(duì)30家跨行業(yè)公司（包括上述合同團(tuán)隊(duì)）進(jìn)行的一項(xiàng)調(diào)查中，受訪者表示，通用人工智能工具通常無法幫助用戶完成獨(dú)特工作流程中所需的特定任務(wù)，因?yàn)樗鼈冞^于通用。即使人工智能工具針對(duì)金融或人力資源等特定領(lǐng)域進(jìn)行了定制，它們也未能增加足夠的價(jià)值，因?yàn)樗鼈內(nèi)匀徊粔驅(qū)I(yè)——它們無法轉(zhuǎn)化為組織、團(tuán)隊(duì)或流程的特定需求和規(guī)范。因此，用戶表示他們經(jīng)常發(fā)現(xiàn)人工智能工具和模型“不起作用”或“過于通用”。

通用人工智能的能力與團(tuán)隊(duì)特定且不斷變化的需求之間的這種差距，指向了一個(gè)更深層次的挑戰(zhàn)：當(dāng)今的工具并非為理解工作實(shí)際如何完成而設(shè)計(jì)。在本文中，我們提出兩個(gè)關(guān)鍵概念，有助于彌合這一差距：工作圖譜（團(tuán)隊(duì)工作方式的數(shù)字地圖）和逆向情境貼合法（根據(jù)團(tuán)隊(duì)定制人工智能模型）。這些理念有助于解釋傳統(tǒng)人工智能為何常常不盡如人意，以及組織如何設(shè)計(jì)出適應(yīng)真實(shí)工作流程、真實(shí)用戶和真實(shí)環(huán)境的人工智能系統(tǒng)。

為何人工智能工具未創(chuàng)造價(jià)值

結(jié)合合同團(tuán)隊(duì)執(zhí)行的特定流程來考慮這個(gè)問題。傳統(tǒng)上，為供應(yīng)商起草新合同時(shí)，團(tuán)隊(duì)會(huì)：

1. 登錄多個(gè)系統(tǒng)。

2. 檢索、分析并審核供應(yīng)商詳細(xì)信息。

3. 審查供應(yīng)商的報(bào)價(jià)以及類似（或相關(guān)）供應(yīng)商的談判條款。

4. 查看供應(yīng)商的任何相關(guān)訂單歷史。

5. 手動(dòng)起草一份包含所有這些要素的合同。

合同團(tuán)隊(duì)最初采用人工智能工具時(shí)，他們的流程從生成一份基本的標(biāo)準(zhǔn)合同開始。從那之后，他們花費(fèi)大量時(shí)間手動(dòng)完善它。人工智能工具的輸出很大程度上基于互聯(lián)網(wǎng)上公開可用的內(nèi)容，缺乏合同所需的細(xì)致入微、針對(duì)特定情境的見解。雖然團(tuán)隊(duì)覺得人工智能工具很有趣，但他們很難看到在減少工作量方面有實(shí)際效果。

這就是人工智能“生產(chǎn)力悖論”的一個(gè)實(shí)例：令人驚嘆的技術(shù)，如果沒有深入的情境適配，就無法轉(zhuǎn)化為切實(shí)的生產(chǎn)力提升——這種現(xiàn)象讓人想起經(jīng)濟(jì)學(xué)家羅伯特·索洛的觀察：“你可以在任何地方看到計(jì)算機(jī)時(shí)代的影子，但在生產(chǎn)力統(tǒng)計(jì)數(shù)據(jù)中卻看不到。”

強(qiáng)大的人工智能模型之所以出色，是因?yàn)樗鼈冊(cè)诤Ａ客ㄓ脭?shù)據(jù)集上進(jìn)行訓(xùn)練，但它們的通用性是一把雙刃劍。雖然這些模型可以執(zhí)行廣泛的任務(wù)，但它們常常忽略特定工作流程和團(tuán)隊(duì)要求的獨(dú)特情境，從而導(dǎo)致錯(cuò)失提高生產(chǎn)力的機(jī)會(huì)。

情境決定一切

人工智能失敗的原因與新員工可能難以立即做出貢獻(xiàn)的原因相同：它不知道團(tuán)隊(duì)是如何完成工作的，在哪里可以找到信息，或者確切地說，該如何處理這些信息。它缺乏真正做出貢獻(xiàn)所需的適當(dāng)情境。

在公司試用這款人工智能的同時(shí)，它也在致力于解決情境問題，通過部署工具來繪制其流程并創(chuàng)建一個(gè)“工作圖譜”：一個(gè)關(guān)于團(tuán)隊(duì)如何跨系統(tǒng)執(zhí)行工作流程的實(shí)時(shí)、動(dòng)態(tài)視圖。這些圖譜不僅記錄了任務(wù)，還揭示了決策是如何做出的、參考了哪些數(shù)據(jù)以及涉及哪些系統(tǒng)。這一點(diǎn)至關(guān)重要，因?yàn)楸M管兩個(gè)團(tuán)隊(duì)可能使用相同的工具，但他們的工作方式往往大不相同。

起草每份合同所需的數(shù)據(jù)既不集中也不是靜態(tài)的，它因供應(yīng)商而異，分散在多個(gè)系統(tǒng)中。團(tuán)隊(duì)成員必須定位、解讀、核實(shí)并整合這些信息，以生成準(zhǔn)確的合同。當(dāng)他們這樣做時(shí)，他們的行為——瀏覽系統(tǒng)、查看數(shù)據(jù)、做出決策——會(huì)自動(dòng)以匯總形式記錄在工作圖譜中。

真正的機(jī)會(huì)就在這里出現(xiàn)：工作圖譜包含了經(jīng)過審核且內(nèi)容豐富的兩個(gè)月的活動(dòng)數(shù)據(jù)，然后可以用來訓(xùn)練人工智能工具。因?yàn)樗涗浟藞F(tuán)隊(duì)認(rèn)為重要的所有內(nèi)容，為人工智能工具提供了經(jīng)過人工驗(yàn)證的實(shí)時(shí)情境，使該工具能夠以與團(tuán)隊(duì)實(shí)際工作方式一致的方式開始工作。有了這些輸入，人工智能工具能夠生成一份完整得多的初稿，減少了反復(fù)修改的次數(shù)，加快了生成最終可用合同的進(jìn)程。這種方法將團(tuán)隊(duì)起草每份合同的手動(dòng)工作量減少了一半以上。雖然他們?nèi)匀粫?huì)審核和核實(shí)人工智能生成的輸出，但所需的反復(fù)修改次數(shù)大大減少，返工量也少得多。結(jié)果，團(tuán)隊(duì)在生成合同方面的整體產(chǎn)出提高了近30%。

然而，要實(shí)現(xiàn)這一點(diǎn)，不僅需要正確的數(shù)據(jù)，還需要正確的方法。傳統(tǒng)自動(dòng)化通常旨在取代人類工作，而這里的目標(biāo)是根據(jù)團(tuán)隊(duì)的運(yùn)作方式定制人工智能，使其更好地為團(tuán)隊(duì)服務(wù)。為此，我們采用了一種稱為“逆向情境貼合法”（RML）的方法。

為深入理解人工智能的運(yùn)作原理，人們通常會(huì)從人類視角對(duì)其展開逆向工程分析。然而，逆向情境貼合法卻顛覆了這一思路：它針對(duì)人類的工作方式進(jìn)行逆向剖析——深度探究團(tuán)隊(duì)的實(shí)際工作流程、決策過程以及所處情境——并借助這些分析成果對(duì)人工智能進(jìn)行定制，從而使其能更出色地為團(tuán)隊(duì)服務(wù)。這是一種協(xié)作模式，而非替代模式。

你可以將逆向情境貼合法看作是人工智能所做的定制化工作，就像為軟件平臺(tái)所做的定制化一樣。但是，定制軟件通常意味著改變用戶所看到的內(nèi)容，而逆向情境貼合法改變的是人工智能所理解的內(nèi)容。它更深入、更貼合情境，最終也更強(qiáng)大。

實(shí)施逆向情境貼合法，涉及以下步驟：

1. 繪制工作圖譜

我們從記錄合同團(tuán)隊(duì)成員在工作中采取的每一步以及人機(jī)交互開始：他們?nèi)绾螜z索供應(yīng)商信息，如何進(jìn)行交叉核對(duì)，如何手動(dòng)將不同來源的數(shù)據(jù)整合到Excel文件中。所有這些步驟既記錄了明確的行動(dòng)（例如，閱讀供應(yīng)商資料），也記錄了支撐工作流程的隱性決策模式（例如，檢查供應(yīng)商是否信用評(píng)級(jí)不佳）。這種細(xì)致入微、高保真的數(shù)據(jù)是團(tuán)隊(duì)本地情境的核心——他們所依賴的線索、認(rèn)為最重要的信息，以及他們?cè)诓煌瑘鼍跋碌倪m應(yīng)方式。

在所有組織中，這些數(shù)據(jù)都提供了團(tuán)隊(duì)實(shí)際工作方式的詳細(xì)信息。當(dāng)將這些豐富的信息輸入人工智能工具時(shí)，就能將一個(gè)通用模型轉(zhuǎn)化為一個(gè)高度專業(yè)化的工具，使其理解工作中的本地“語言”。因此，領(lǐng)導(dǎo)者必須考慮投資收集這些數(shù)據(jù)，并將其用作進(jìn)一步轉(zhuǎn)化的來源，包括為人工智能模型提供情境信息。

2. 根據(jù)工作圖譜進(jìn)行微調(diào)

一旦我們繪制出合同團(tuán)隊(duì)的工作圖譜，就會(huì)將其詳細(xì)的見解作為情境信息，并用于微調(diào)驅(qū)動(dòng)人工智能工具的模型。這需要向模型（人工智能工具背后的模型）輸入工作模式和數(shù)據(jù)（例如供應(yīng)商信息）。這是關(guān)鍵步驟——將團(tuán)隊(duì)的本地情境整合到人工智能工具中。通過整合團(tuán)隊(duì)日常運(yùn)營中的特定工作模式和情境線索，人工智能工具生成的合同初稿會(huì)包含供應(yīng)商的一些詳細(xì)信息、其信用評(píng)級(jí)的細(xì)微差別等。因此，這是一份更完整的初稿。

3. 持續(xù)優(yōu)化

組織在不斷發(fā)展。流程會(huì)發(fā)生變化，新技術(shù)會(huì)引入，情況和優(yōu)先級(jí)也會(huì)改變（例如，團(tuán)隊(duì)開始與新地區(qū)的新供應(yīng)商合作）。因此，公司需要不斷更新工作圖譜，并將新出現(xiàn)的模式反饋到模型中，以使人工智能工具與時(shí)俱進(jìn)。

例如，合同團(tuán)隊(duì)會(huì)定期就運(yùn)用逆向情境貼合法生成的合同質(zhì)量提出反饋（例如，合同沒有準(zhǔn)確反映供應(yīng)商信用評(píng)級(jí)不佳所產(chǎn)生的影響）。這種反饋被稱為基于人類反饋的強(qiáng)化學(xué)習(xí)（RLHF），用于進(jìn)一步微調(diào)并優(yōu)化人工智能工具中的模型。因此，人工智能工具會(huì)持續(xù)適應(yīng)團(tuán)隊(duì)的需求，確保長期保持較高的準(zhǔn)確性。

企業(yè)團(tuán)隊(duì)依靠內(nèi)部經(jīng)驗(yàn)知識(shí)運(yùn)作——即每個(gè)團(tuán)隊(duì)如何執(zhí)行工作以及在工作中遇到挑戰(zhàn)時(shí)的具體解決方案等隱性知識(shí)。通過挖掘這些知識(shí)并根據(jù)這些信息微調(diào)模型，我們可以生成更準(zhǔn)確、更貼合情境的模型，從而更精準(zhǔn)地為團(tuán)隊(duì)服務(wù)。

人工智能模型的一個(gè)令人興奮的應(yīng)用是讓它們充當(dāng)“代理”，即自主運(yùn)行以執(zhí)行工作模式。然而，挑戰(zhàn)在于，由于這些模型由強(qiáng)大的通用模型驅(qū)動(dòng)，它們可能會(huì)遇到同樣的通用性問題。為了使智能代理取得成功，它們需要在團(tuán)隊(duì)的情境中精確地運(yùn)行和執(zhí)行。因此，逆向情境貼合法對(duì)于賦能智能代理向團(tuán)隊(duì)學(xué)習(xí)，并借此更精準(zhǔn)地為團(tuán)隊(duì)提供服務(wù)而言，具有至關(guān)重要的意義。

CXO們能做些什么？

通用模型雖然涵蓋面令人印象深刻，但往往無法捕捉到推動(dòng)真正效率和準(zhǔn)確性的細(xì)致入微的本地情境。CXO們必須認(rèn)識(shí)到，人工智能不是一種“設(shè)置好就不用管”的技術(shù)。相反，當(dāng)系統(tǒng)與組織的特定工作模式和決策過程保持一致時(shí)，其價(jià)值才能得以釋放。

通過投資量身定制的方法，公司可以顯著降低錯(cuò)誤率，削減運(yùn)營成本，并最終從人工智能計(jì)劃中獲得更高的投資回報(bào)率。在當(dāng)今競爭激烈的環(huán)境中，忽視整合這一層情境洞察力，就意味著錯(cuò)失機(jī)會(huì)——以及戰(zhàn)略優(yōu)勢(shì)。

簡而言之，如果你的人工智能戰(zhàn)略僅依賴現(xiàn)成的解決方案，你就有可能錯(cuò)過推動(dòng)真正生產(chǎn)力提升和風(fēng)險(xiǎn)降低的轉(zhuǎn)型。因此，一個(gè)完整的人工智能戰(zhàn)略必須包括通過本地化洞察進(jìn)行持續(xù)優(yōu)化，以確保技術(shù)投資能夠帶來即時(shí)和長期的價(jià)值。

關(guān)鍵詞：

羅翰·納拉亞納·穆爾蒂（Rohan Narayana Murty）、拉維·庫馬爾·S（Ravi Kumar S）、赫曼特·亞米賈拉（Hemanth Yamijala）、喬治·尼奇斯（George Nychis）| 文

羅翰·納拉亞納·穆爾蒂是WorkFabric AI和Soroco的創(chuàng)始人。在Soroco，他領(lǐng)導(dǎo)開發(fā)工作圖譜背后的技術(shù)——一種新的數(shù)據(jù)架構(gòu)，可揭示企業(yè)內(nèi)團(tuán)隊(duì)如何完成工作。他還擔(dān)任WorkFabric的產(chǎn)品負(fù)責(zé)人，該公司致力于構(gòu)建為企業(yè)人工智能模型提供情境化的技術(shù)。羅翰擁有哈佛大學(xué)計(jì)算機(jī)科學(xué)博士學(xué)位。拉維·庫馬爾·S是Cognizant的首席執(zhí)行官。Cognizant與全球企業(yè)合作，通過在行業(yè)與技術(shù)的交匯處提供創(chuàng)新解決方案，幫助它們?cè)诳焖僮兓氖澜缰袑?shí)現(xiàn)轉(zhuǎn)型并引領(lǐng)潮流。拉維是多個(gè)董事會(huì)的成員，早期職業(yè)生涯曾在印度巴巴原子研究中心擔(dān)任核科學(xué)家。赫曼特·亞米賈拉是Soroco的工程高級(jí)總監(jiān)。他在Soroco領(lǐng)導(dǎo)人工智能模型開發(fā)工作。喬治·尼奇斯是WorkFabric AI和Soroco的聯(lián)合創(chuàng)始人。他在WorkFabric領(lǐng)導(dǎo)研發(fā)工作。喬治擁有卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)科學(xué)博士學(xué)位。

豆包 | 譯 周強(qiáng) | 編校

《哈佛商業(yè)評(píng)論》中文版 聯(lián)系方式

投稿、廣告、內(nèi)容和商務(wù)合作

newmedia@hbrchina.org