管理者在引入人工智能時常犯的五個錯誤及如何修正——《華爾街日報》

要讓員工接受人工智能，首先將其應用於他們最不喜歡的任務上。更大的變革將隨之而來。插圖：Kathleen Fu人工智能有潛力徹底改變企業決策——增加收入、降低成本並提升質量。

前提是員工願意接納它。

AI工具通過算法做出長期以來專屬於人類的決策。但它們正面臨一個巨大障礙：那些原本做決策的人類。讓員工真正使用這些技術，將與確保系統正常運行同等重要。

要理解這些人為挑戰的難度及解決之道，研究我們兩人長期深耕的時尚產業頗具啓發性。算法能預測新潮流、管理供應鏈、制定最優定價策略並減少浪費。但最根本的問題是，這些技術常與行業基石——設計師、買手、策劃師、工廠工匠和一線商品專員——的傳統經驗產生衝突。

然而我們的研究表明，這種衝突並非不可調和。以下是時尚行業管理者常犯的五個錯誤——以及如何避免它們。

錯誤一：過度關注算法影響最大的領域

急於讓AI投資快速見效的心態可以理解。如果管理者認為算法能改變業務，何必等待？

某零售企業的領導者曾希望引入算法系統，用於業務中最關鍵的環節：幫助服裝買手更精準預測下一季流行款式。

但問題在於，這個系統可能剝奪買手們最熱愛的工作——挑選新款的創意過程。這正是他們成為時尚買手的初衷：他們享受飛赴全球時裝週T台挑選最新單品、與設計師會面、搭配造型、觸摸面料，將時尚嗅覺與商業頭腦結合，豪賭下一季爆款的成就感。

因此，項目負責人轉而詢問買手們最不喜歡的工作環節。結果發現是將審美構想轉化為具體採購計劃的繁瑣流程。於是團隊用自動化系統處理這些機械工作，反而激發了買手的使用意願。

隨着買手們逐漸適應系統，項目組發現他們最終願意更廣泛地使用該系統——包括最初抵制的環節。例如，當系統開始自動計算採購計劃的財務預測、生成訂單後，買手們甚至開始將其用於創意工作，如下季度的款式篩選。

第一課：首先聚焦於員工最不喜歡的工作。更大的改變將隨之而來。

錯誤2：當管理者引入算法技術時，他們主要解決技術摩擦與創新恐懼

在關注技術和情感挑戰時，管理者可能忽略了同樣重要的一點：算法如何改變員工對自我的認知。具體而言，員工認為算法會把他們變成缺乏靈感的極客。

最成功的人工智能應用會推動身份轉變。例如，當互聯網技術顛覆圖書管理員的核心工作時，他們將身份從“搜索專家”轉變為“人與信息的連接者”。

同樣，在我們研究的零售公司中，即使時尚買手開始使用新算法系統挑選新款，項目負責人注意到他們傾向於推翻一些更具戰略性的建議——比如大量囤積某些經過充分驗證的款式。

為什麼？因為系統將買手的角色從“精明的賭徒”轉變為“利潤優化者”：系統不再讓他們押注單一系列，而是要求嘗試多種風格組合以發現最可能盈利的組合。買手們抗拒這種優化者的新角色。直到管理者注意到有些買手自稱為“遠見者”，情況才有所改變。

當管理者們提出新系統能幫助採購員“構想新系列”，並讓他們成為“戰略家”時，採購員的牴觸情緒逐漸消退。他們開始採納更多之前被自己否決的建議。例如，過去他們不接受那些不符合傳統採購方式的推薦方案。但當他們開始以“戰略家”自居後，便遵循系統建議大量儲備經市場驗證的款式（如特定類型的深色水洗牛仔褲），同時減少高風險款式（如麂皮運動褲）的採購量。

經驗二：切勿忽視自我認同的作用，即便這種認同看似只是語義層面的改變。

誤區三：僅強調算法如何實現收益和利潤最大化

向員工説明算法能提升利潤本無可厚非——畢竟員工也希望為公司創收，尤其當這關乎他們的職業保障和薪資水平時。

但僅憑這點可能不足以説服員工克服維持現狀的慣性，去冒險改變已建立的模式。

零售商品經理開發定價優化算法時，最初着重強調算法如何實現最優價格下的銷量最大化。但當管理者轉而突出算法能幫助採購員規避失誤（而非單純提高利潤）時，推行效果顯著提升。這與行為金融學的發現不謀而合：心理上，損失帶來的痛苦感約是獲得收益快感的兩倍。通過讓商户相信定價算法能減少降價清倉（這往往意味着決策失誤）帶來的心理折磨，新系統的採納率大幅提高。

第三課：算法能幫助員工避免失敗的承諾，比增加利潤的潛力更具説服力。

錯誤四：利用算法技術為員工提供即時績效反饋

除了部署算法預測工具進行趨勢預測外，企業還利用這些技術以最快速度將產品推向市場。

例如，為滿足快時尚需求，服裝廠經理引入了追蹤技術，即時持續反饋車間工人生產特定產品的速度及是否達標。這種技術確實加速了生產——某種程度上。在某家服裝廠，製作男褲的工人歡迎這項技術，稱其將枯燥工作變成了遊戲。許多人因挑戰個人最佳紀錄而提高了產量。

但製作更復雜夾克的工人表示，該技術無法準確衡量其工藝水平。即時計分反而挫傷了積極性，導致生產率下降。

第四課：追蹤技術並非萬能藥，企業需因地制宜使用。

錯誤五：過度解釋算法原理

由於機器學習算法如同黑箱，不揭示其建議依據，終端用户常對與其直覺相悖的建議猶豫不決。計算機科學家試圖解釋系統決策邏輯以消除員工顧慮。

但這可能適得其反。這種解釋可能恰好提供了足夠的信息讓他們拒絕接受建議。實際上，他們真正想了解的是，像他們這樣的人——擁有相似知識背景和經驗、值得信賴的人——參與了這些建議制定方式和原因的過程，並對算法性能進行了嚴格測試。

例如，在時尚界，配貨員每週決定將每種款式和尺碼的商品分配多少到每家門店，以最大化銷量並最小化缺貨情況。關鍵的是，在我們研究的公司中，部分配貨員參與了算法系統的設計和開發。因此，當系統推出時，配貨員表示他們願意信任新系統的建議，儘管他們並不理解每個建議背後的具體邏輯。他們在使用時並不需要解釋建議的原因，因為他們知道一些同行在開發過程中與開發者大量合作，確保模型的準確性。

經驗五：讓受尊重的利益相關者參與技術如何生成建議以及測試其性能的過程，對最終用户來説，可能比解釋技術為何做出特定建議更為重要。

凱洛格博士是麻省理工學院斯隆管理學院的管理與創新教授，並擔任工作與組織研究系主任。瓦倫丁博士是斯坦福大學副教授，同時也是斯坦福大學 以人為本人工智能研究所的教職研究員。聯繫方式：[email protected]。