科技與分析 【1月號搶先看】為生成式AI安排「到職實驗」
【1月號搶先看】為生成式AI安排「到職實驗」
A Systematic Approach to Experimenting with Gen AI
關於本文藝術作品：攝影師貴格．懷特（Greg White）在他的系列作品〈基本量〉（Base Quantities）中，不靠後製，單憑攝影手法，趣味十足地拍下各種物理學原理。
生成式AI不但席捲軟體產業，也大舉進軍其他產業。但這些產業的公司卻不知如何將這項技術融入自己的作業流程。要讓生成式AI成為得力助手，公司可以先進行「組織實驗」，確認它的效果，接著再全面推廣，創造策略優勢。
生成式AI熱潮席捲軟體產業之後，如今正進軍更廣大的產業領域，製造業也不例外。在這些領域中，生成式AI正協助控管不可預測性，並支援即時決策。由於生成式AI能夠將組織的專業知識系統化、自動化、以及擴散傳播，最後可能會重塑整個工作結構，從生產現場到長字輩層級都將深受影響。有一些公司已經利用生成式AI來分析工廠產生的海量數據，並且預測問題、模擬複雜情境、即時將流程最佳化。生成式AI能夠處理各種類型的製造業資料，包括保養手冊、機器自動化程式碼、複雜圖表、3D繪圖與製程數據等，未來也就有潛力為人機協作建立新的模式。
然而誰會從這些變革中受益、以及多快就會受益？這個問題並不容易回答。就像電力與印刷機，生成式AI也是一種通用型技術；歷史告訴我們，這類技術的採用過程通常不會是直線進行。企業主管往往無法體認新技術的真正經濟潛能，也就很難重新調整任務、技能與工作流程來配合這些技術。結果就是績效提升多半會落後於技術擴散，形成所謂的「生產力J曲線」（productivity J curve）：組織在適應新技術的同時，生產力會先下滑，但配套投資奏效之後會持續提升。近期有關生成式AI的數據也符合這種模式：例如2025......
