插畫／Ricardo Tomás
為何AI導入後，仍無法提升團隊效率？本文以一家《財星》500大企業為例，揭示通用型AI難以貼合實務流程的原因，並提出解方：「工作圖譜」與「逆向機械式在地化」（RML），協助AI學習實際脈絡、提升契合度。這種量身打造的方式，讓AI真正發揮助力，提升準確性與產出效率，並帶來更高的投資報酬。
在一家名列《財星》500大企業的零售公司，領導階層為負責草擬供應商談判合約的團隊提供一項AI工具，希望簡化他們的工作。這個工具以廣泛使用的大型語言模型（large language model, LLM）為基礎，領導階層原先預期，AI能藉由摘要文件、回答內容問題、比較合約內容等功能，加快團隊的工作進度。
儘管公司寄予厚望，團隊的產出卻沒有變化。這項AI工具能夠生成合約草案等一般性的文字，然而團隊還是必須針對每一家供應商客製化調整內容。處理每一份合約的時候，團隊都必須手動增補重要的細節，包括供應商資訊、合約條款、訂單紀錄等等。因此，這項AI工具對於減輕團隊工作量的助益極小。
這個案例反映出AI工具經常無法兌現承諾的現象。我們最近對30家各行各業的公司（包括上述的零售公司）進行一項調查，回覆者表示，通用型（generic）AI工具往往難以協助使用者完成獨特工作流程中必要的特定任務，原因正是在於其「通用」的性質。就算針對財務、人資等特定領域來客製化這些AI工具，它們還是無法貢獻顯著的價值，因為它們特製的程度還不夠，無法貼近特定組織、團隊或流程的特定需求和運作規範。因此，使用者表示經常發現AI工具...
