工具協助人工作，系統改變工作方式
個人 AI 工具改善一項任務，共享系統則改變工作如何被記錄、審閱、交接和保存。
重點摘要
- AI 工具協助一個人更快完成任務，AI 系統則改變工作如何被記錄、檢查、交接和用作學習。
- 專業機構需要的不只是更多輸出，而是仍能承載判斷、證據、責任和記憶的工作。
- 困難的問題不是 AI 能否產生備忘錄、摘要或草稿，而是公司能否為整個產生過程負責。
AI 工具協助人工作。
AI 系統改變工作方式。
這個分別聽來整齊，實際上卻很重要。工具可以協助一個人更快起草、搜尋、摘要或比較文件。這些功能有用，既能節省時間，也能減少原本過度費力的起步工作。
但個別員工變快，不代表整間公司自然改變。
只有當公司改變了甚麼會被記錄、由誰檢查、證據存放在哪裏、工作如何交接、承諾如何被記住，以及如何避免重複犯錯，工作才真正改變。
這就是個人速度與共享實務的分別。
工具的角度
工具的角度很簡單。
讓員工使用 AI，提出問題、草擬筆記、概括通話、撰寫電郵、比較選項和準備第一輪資料。
這本身沒有問題。現有一項具代表性的職場生成式 AI 研究顯示，放在合適位置的助手能提高個人生產力，對經驗較少的員工尤其明顯。Brynjolfsson、Li 及 Raymond 研究一個大型客戶支援環境時，發現員工使用生成式 AI 助手後，生產力有顯著提升（Brynjolfsson、Li 及 Raymond1）。
因此，工具不是虛假價值。工具確實有用。
重點是工具主要改善一個個工作時刻。
一個人接到任務，工具協助完成，輸出其後回到公司的日常運作，包括電郵、資料夾、會議、個人判斷、不一致的審閱、責任不清，以及某個人的記憶。
當工具不認識工作時，使用者便要在提示內重建背景。他們要說明涉及哪名客戶或哪個項目、哪項來源才是現行版本、之前發生了甚麼、下一步由誰負責、語氣有何要求，以及系統獲准做甚麼。對範圍清楚的任務，這種做法可以非常有效。
但提示已經變成一個臨時營運層。使用者為一次對話重建足夠的機構背景，取得輸出後，再把結果帶回真正延續工作的系統。情境雖然有用，卻是即用即棄。另一個人，甚至同一個人在下星期，都要再次重建。
低風險工作或許到此已經足夠，但公司需要為答案負責時，這種做法並不足夠。
系統改變甚麼
系統不只是協助人產生一項成果。
它改變工作走過的路徑。
它提出以下問題：
- 使用了哪些來源？
- 還欠缺甚麼？
- 由誰審閱輸出？
- 審閱後改變了甚麼？
- 這項工作產生了甚麼承諾？
- 現在哪項紀錄需要更新？
- 下次應重用甚麼？
- 甚麼永遠不應自動化？
這些問題並不耀眼，卻正正構成一間公司。
專業服務機構售賣的不只是活動，而是有人願意承擔的判斷。律師備忘錄、會計師意見、建築師建議或顧問計劃，並非只因頁面上出現了文字而有價值。它有價值，是因為工作承載證據、責任和對具體情況的理解。
工具可以產生備忘錄。
系統則能顯示備忘錄從何而來、依賴甚麼、由誰檢查、仍有哪些風險、向客戶承諾了甚麼，以及公司從中學到甚麼。
追求更多輸出的陷阱
最容易講述的 AI 故事，是更多輸出。
更多草稿、選項、筆記、摘要、圖表、客戶更新和第一輪資料。
這可以令人感到更有生產力，也可能為下游每個人製造更多工作。
Dell'Acqua 及其研究團隊觀察顧問使用 GPT-4，提出了一項重要警告。AI 在模型能力範圍內的任務上提高速度和質素，但當人把它用於能力範圍以外的工作，正確程度可能下降（Dell'Acqua 等人2）。這就是 AI 能力的不規則邊界。它可以在一項任務表現很好，卻在另一項看來相似的任務上悄悄變弱。
若公司只增加工具，便可能得到更多輸出，卻沒有更好控制。
人其後要花時間清理看似肯定的草稿、核對欠缺支持的陳述、整合不同版本，並追問誰批准了甚麼。公司擁有更多材料，卻未必擁有更可靠的工作。
因此，系統很重要。它讓輸出有一條清楚去路，把審閱變成工作的一部分，而不是事後補救，也讓缺口在變成錯誤前顯現。
提供使用權不等於改變工作
向所有人提供軟件授權，不等於改變工作。
一項涵蓋數千名知識工作者的實地實驗發現，使用生成式 AI 減少了處理電郵的時間，卻沒有明顯改變工作組成（Dillon 等人3）。這是一項低調但重要的結果。工具提供了幫助，工作模式卻大致維持不變。
這並不意外。機構本來已有強烈形狀，包括會議、習慣、職能、審閱路徑、誘因、檔案、範本、例外和沿用多年的做事方法。
AI 進入這個形狀，卻不會自動重新設計它。
較早期的資訊科技研究也提出相同觀點。Brynjolfsson 和 Hitt 指出，資訊科技的價值很大程度取決於相應的組織變革，而不只是科技本身（Brynjolfsson 及 Hitt4）。這個教訓今天仍然適用。機器可能是新的，組織問題卻不是。
工作實際在哪裏改變
當 AI 進入機構本來用來形成判斷的地方，工作才會改變。
例如：
- 案件接收；
- 研究審閱；
- 審計規劃；
- 建議書準備；
- 客戶跟進；
- 設計評議；
- 每星期項目審閱；
- 定價審閱；
- 團隊之間的交接；
- 項目完成後的學習。
這些不是一般提高生產力的時刻，而是工作需要承擔責任的節點。
在這些節點，有用的 AI 輸出往往不是完成答案，而是一場準備更充分的審閱，包括已收集的來源、已比較的選項、清楚列明的欠缺事實、攤開的假設，以及明確的下一步。
這與要求工具「寫一些東西」不同。
系統的作用，是協助公司把工作看得足夠清楚，從而作出決定。
應該提出的問題
實用問題不是：
「我們應該買哪款 AI 工具？」
更好的問題是：
「哪部分工作需要變得更容易檢查？」
這個問題較難，卻更誠實。
它指向公司內過度依賴個人記憶、零散檔案、反覆解釋或臨時重組資料的地方，也指向那些由一位能幹同事以人手勉強維繫太多事情的位置。
AI 通常能在這些地方提供協助，但前提是系統圍繞真實工作路徑設計。這裏所談的是工具與系統的類別分別，而不是實施計劃。可以理解的工作則展示共享系統如何開始成形。
從一個例子看兩者分別
設想一次困難項目後的客戶會議。
工具可以概括通話內容，指出客戶對時間安排不滿、希望得到更清楚的更新，並期待下星期收到選項。
這份摘要有用，但仍很單薄。
系統會進一步問，這份摘要現在改變了甚麼。項目紀錄是否要加入新風險？是否有人承諾每星期提供更新？誰負責準備選項？下一封客戶電郵是否要經合夥人或負責人審閱？相同疑慮是否已是第三次出現？這項經驗是否應帶入下一份建議書？
真正有用的改變，不是會議多了一份摘要。
而是公司不容易忘記這場會議所代表的意義。
工具可以概括會議。
系統可以把會議連到客戶、項目、案件、過往承諾、待決事項、來源檔案、負責人、限期和審閱路徑。
工具可以草擬電郵。
系統可以顯示電郵屬於內部還是對外通訊、哪些事實支持其內容、甚麼語氣適合相關客戶關係、由誰批准，以及發送後會否形成一項承諾。
工具可以比較文件。
系統可以說明哪份文件具權威性、哪些變動重要、哪位審閱者負責決定，以及下一步應進行甚麼。
差別不在模型本身有多聰明，而在模型周圍的工作形狀。
一項簡單測試
有一項簡單測試，可以判斷 AI 是作為工具使用，還是已成為系統的一部分。
產生輸出後，公司能否回答：
- 為何得出這項答案？
- 資料來自哪些來源？
- 由誰檢查？
- 用於哪裏？
- 改變了甚麼？
- 如何被保存？
若答案是否定，公司可能仍擁有一項有用工具，但尚未擁有可靠系統。
這可以是起點，卻不是終點。
資料來源
/ 開始
從一個業務成果開始，再逐步擴展。
先選定一個明確的檢視週期、工作流程或團隊，找出更完整的營運脈絡可立即提升前期準備和專業判斷質素的地方。