作者：黃品瑄｜政治大學科技管理與智慧財產研究所 113屆科管組研究生。
研究興趣：金融科技、數位服務、服務創新
“What AI can do is never the wonder;
the wonder lies in where we choose to place it.
Set loose in the world, it learns like the world;
situated in your story, it grows into yours.
Advantage is never in the code but in the care—
in how we teach it to see, to guard, and to dare.”
AI 都很聰明，為什麼公司沒有跟著變聰明？
這幾年，管理學界和產業界形成了一種心照不宣的默契：只要在簡報上寫上「AI＋轉型＋競爭優勢」，現場空氣就會凝固成一種莊嚴感，彷彿股價和獲利會從投影片裡自己長出來。顧問強調 AI 能提升效率、開創新產品、降低成本，財務長點頭，預算通過，系統上線，媒體報導熱烈，股價短暫一波亮眼，然後，一切回到日常。流程有變快一點，報表好看一些，但你若誠實問一句：「這家公司，真的比競爭對手更難被追上嗎？」答案常常說不上來。
Kemp (2024)就是在這個尷尬時刻按下暫停鍵。他直接問：如果 AI 是通用技術，模型到處都買得到、方法很快就外流，而且常常只盯著眼前任務，那麼企業憑什麼相信「導入 AI」就會自動帶來競爭優勢？當大家都變得更快、更準，你只是在更擁擠的賽道上狂奔，未必真的拉開差距。於是他提出「Situated AI」這個想法，把 AI 想成一位聰明卻生澀的新同事：會學習、反應快、工具多，但完全不懂你們公司的歷史、禁忌與潛規則。問題不在 AI 多厲害，而在企業怎麼安排它的位置，怎麼讓它長成「你家的人」，而不是一個移動速度很快的外包。
三種情境化 AI：別讓 AI 變成沒靈魂的外援
情境化 AI 其實就是三種安排方式的總和：你讓它跟誰學、你替它畫什麼邊界、你願不願意為它重新調整流程。這三件事，分別對應 Grounding、Bounding 和 Recasting。說抽象很抽象，但一旦把 AI 當成新進員工，一切就變得好懂許多。
第一個情境是 Grounding，也就是選擇 AI 的學習經驗。很多公司把能撈到的資料通通倒進模型裡，彷彿餵得愈多愈營養，最後訓練出來的，卻是一個對「市場平均」很熟悉、對自家脾氣很陌生的機器。它知道一般旅客怎麼訂房，卻不知道你們那群忠誠老客戶最在意的是靠窗、靠海，還是靠咖啡機。
Grounding 做的事，其實是把資料當教材來挑。Booking.com 不直接問客人喜歡什麼，而是精心設計不同的價格與優惠組合，觀察誰點進來、誰離開，用實驗「養出」自己要的行為樣本。這樣 AI 學到的，不只是市場的常態，而是企業刻意鋪陳給它的世界。你可以把 Grounding 想成訓練警犬：如果你希望牠擅長找松露，就不能每天帶牠去熟食區聞麵包，而是要一再讓牠接觸你在意的氣味。當企業把內部工單、研發筆記、客服對話、前線人員的備註整理進去，AI 才會開始長出一種帶點偏見的眼光——那是你們獨有的偏見，也是未來有可能變成優勢的地方。
第二個情境是 Bounding，也就是防止能力外溢。AI 有一個尷尬之處：它學到的東西很容易被複製。模型可以被下載，資料可以被抄走，員工可以帶著專屬知識跳槽，供應商可以拿你的訓練資料當範本，另行開張。你以為辛苦養出來的是自家秘方，結果不過是替整個產業寫了一份共同教材。Bounding 的思維，有點像法務和策略一起坐下來討論：哪些資料需要加密，哪些合作要簽排他條款，哪些權限只給少數人，哪些雲端服務必須掌握主控權。
當 AI 開始模仿歌手聲音，做出一首首「假 Taylor Swift」時，環球唱片採取的行動不是去寫一個更炫的模型，而是要求串流平台限制 AI 擷取旗下歌曲作訓練。這種畫界線的動作，看似保守，其實是在說：我們知道你很會學，但這片地是我們種田的地方，不是公共練習場。對企業來說，Bounding 決定的是一個關鍵問題：你投入在 AI 身上的時間與金錢，最後是長在自己身上，還是順著各種外流管道變成產業平均值。
第三個情境是 Recasting，也就是重新安排 AI 在流程中的位置。這一招最難，因為它牽涉到組織願不願意改變自己的舊習慣。AI 擅長把一件事做到極致，卻看不見整條價值鏈。它可以把訂房率推到最高，卻不知道客服正在為退訂潮疲於奔命；它可以預測誰可能離職，卻不懂那一行標籤貼上去之後，團隊氛圍會變成什麼樣子。
Recasting 要問的，是一連串讓人不太舒服的問題：哪一些決策適合交給 AI 做底稿，由人來做最後判斷？哪一段流程可以改成由 AI 接手，讓人把時間用在前端關係經營？過去我們習慣追的那幾個績效指標，會不會反而逼著 AI 朝錯的方向努力？微軟把 GPT 放進 Bing 搜尋，不是單純多加一個「更聰明的搜尋框」，而是把整個搜尋旅程拆成兩條路：一條維持傳統列表，一條改用對話整理資訊，讓「找資料」與「理解內容」變成兩個分開的環節。使用者在兩種路徑之間切換，AI 也就從旁門配角，變成情境中的另一種入口。這就像同一群演員換了一位導演，舞臺沒有大改，但進場順序、重心場景、台詞輕重都重新安排，故事因此有了不同走向。
情境化 AI 與資源巧謀：從匱乏到過剩，都是同一種功夫
談到這裡，其實可以看出 Kemp 的思路，與「資源巧謀」研究有著有趣的呼應。資源巧謀常從一個熟悉的場景出發：資源不足、條件不利、外部期待壓在頭上，卻又不能原地放棄。於是行動者開始動腦筋，把看似普通甚至多餘的東西，轉成支持行動的材料。Kemp 的想法剛好相反：AI 看起來「過於強大」，工具很多、模型成熟、資料滿天飛，問題不再是沒有資源，而是資源太多、太通用、太容易被別人用走。表面一個是缺，一個是溢，背後卻是一樣的提問：在這樣的條件下，有沒有可能用不同的方式運用資源，讓自己走出別條路。
AI 的三個特性——通用、容易外流、視野狹窄——其實就是另一種形式的限制。通用，代表你的技術起跑點與別人差距不大；容易外流，代表你很難用一個模型就鎖住成果；視野狹窄，代表它無法自動照顧整個系統。資源巧謀者面對的是資源太少，Situated AI 面對的是資源太像、太散。前者要在缺之中找方法，後者要在過之中抓重點。
從這個角度看，Grounding、Bounding、Recasting 其實就是數位時代的三種巧謀。Grounding 是把看起來人人都能用的資料，重新當成專屬教材，只讓 AI 在你的生活世界裡長大，像是把一般木材雕成只屬於這個劇團的舞台道具。Bounding 是用關係與規則守住創意，不讓辛苦練出來的身段被隔壁劇團輕易搬走。Recasting 則是在既有舞台條件不變的情況下，改變演出的次序與角色分配，讓原本難以運用的資源變得派得上用場。資源巧謀強調的是，不靠資源的多寡取勝，而靠「怎麼用」來走出路；Situated AI 也是同一種邏輯，不是模型越大越好，而是看企業怎麼安排它的學習經驗、邊界與位置。
Insight：AI 放大的是習慣，不是救贖
如果要用一句話收束這些討論，可以這樣說：AI 不會替一間公司長出靈魂，它只會放大那家公司原本的習慣。你決定讓它跟誰學，就暴露你在乎的是什麼經驗；你怎麼畫邊界，就看得出你對長期優勢有多在意；你願不願意改流程，則說明你到底把 AI 當成裝飾，還是當成夥伴。
情境化 AI 之所以重要，不在於又多了一個新名詞，而在於它提醒我們：技術永遠只是起點，優勢永遠來自那些看起來不那麼光鮮的選擇——整理資料的耐心、談判界線的堅持、調整分工的勇氣。資源巧謀在匱乏中練出變通的能力，Situated AI 在過剩中練出取捨的能力。一個從沒有開始，一個從太多開始，卻都在回答同一個問題：我們怎麼在自己的條件裡，活出一種不容易被複製的用法。
參考文獻
Kemp, A. 2024. Competitive Advantage Through Artificial Intelligence: Toward a Theory of Situated AI. Academy of Management Review, 49(3): 618-635.
沒有留言:
張貼留言