生成式 AI 的使用，是來幫助人類提高工作效率而非取代人類。秉持著這樣的想法，便能在科技領域中獲益，而不會迷失於其中而自找麻煩。
文／Mary Branscombe‧譯／蘇燕屏
像是 Midjourney、 ChatGPT、Bing AI Chat，以及其他許多的 AI 工具，使得我們更易於使用生成式 AI（generative AI，GenAI），並觸發了大量的想法、實驗及創造力。然而，如果想在企業組織中運用 AI 工具，那麼問題仍舊在於從何處運用 AI，以及如何不觸犯道德規範、侵權，或是非事實運用的錯誤。
一個適當運用 AI 工具的開始，便是使用它來幫助已經在其領域的專家們。如此一來，不但可以節省時間，也同時提高工作效率。 事實上，還有許多其他地方能讓我們快速地開始使用生成式 AI，而且你的企業組織可能已經把這些生成式 AI 整合到原本已經在使用的工具與平台之中。因此，制定出指導策略，以及如何試驗並採用這些工具便成為需要著手考慮的方向。以下五點提供了一些值得考慮使用生成式 AI 的地方，以及尋找其他合適場景的指導方向。
一、 提高開發人員的生產力知識
程式開發廣泛被認為介於藝術與科學之間，但在程式撰寫的過程中有很多是固定且重複的。雲端平台和模組儲存庫的興起，意味著撰寫現代化應用程式以將元件和 API 黏合在一起、重建現有程式碼、優化環境及編排管道一樣，皆與提出數學演算法一樣重要。 雖然自動化及 AI 輔助的許多工作已經達到成熟的階段，但同樣地，你需要知道如何以及在何處使用這些工具來監控其影響與有效性。你可以從一次性工具開始著手，用其加速一些特定、常見的工作事項。
之後，再轉向全面的程式撰寫輔助工具。 相關開發文件既重要卻又經常被忽視：現在你不僅可以利用生成式 AI 來記錄程式庫，還可以在文件中建立一個訊息界面。當中，開發人員可以在詢問它的工作原理和使用方式，或者單純替換掉原本使用的內容搜尋框。
這便將其轉變成為對話式的程式撰寫。譬如說，AI 可以在對話式程式撰寫中取得你的資料並展示如何編寫查詢。 測試是另一個容易被忽視的領域，因此自動生成單元測試將幫助你獲得更廣泛的測試範圍。Commit bots 還可以幫助開發人員編寫訊息，這些訊息包含對用戶以及其他開發人員十分有用的訊息。同樣地，生成式 AI 可以為 IT 人員記錄升級和系統重啟。 另一個同樣關鍵的，是透過告訴 AI 你想要什麼來生成後端邏輯和其他模版文件。這樣一來，開發人員就可以專注於應用程式中更有趣和更有創意的部分。你還應該使用生成式 AI 來編寫你自己的程式模組（在大型程式庫中自動執行重複、耗時的任務腳本），抑或是請它幫助修復更適合內部風格的（模擬人類的）聲音及語氣。
像 GitHub Copilot 及 IDE 這類在建構大型語言模型（LLM）中的程式助手可以完成所有這些，甚或更多的工作，但它們不應該取代開發人員；他們需要理解和評估開發人員們尚未編寫的程式（以及它執行的環境），以防萬一其中隱藏了安全漏洞或性能瓶頸、遺漏、錯誤的決定，或僅僅是一些簡單的錯誤，因其為從資料庫中學習而生成的程式，可能有任何、一些或所有這些問題。試著思考如何在你的企業組織中追蹤 AI 生成的程式，以便對其進行審核並評估它的用處。開發人員報告中指出，使用 GitHub Copilot 時效率更高，挫敗感更少。
而微軟指出，Copilot 用戶注入的程式中，有 40% 是 AI 生成且未經修改的。目前，一旦開發人員離開他們的 IDE 會話，這些出處就會丟失而無法溯源。因此，應該考慮去開發內部指南，並以此保存 AI 工具的使用紀錄。
二、 升級 low code 和 no code 商業用戶
儘管商業用戶不具備評估 AI 助手生成的程式專業知識，但低程式碼及無程式碼環境受到高度限制，其整合生成式 AI 工具的地方出現問題的可能性要小得多。 低程式碼應用程式經常需要索取及篩選資料。另外，低程式碼平台已經添加了生成式 AI 功能，可以生成資料查詢的尋找功能或清理返回的資料，比方說編寫程式來加入丟失的郵遞區號。
這允許沒有資料庫專業知識的商業用戶能夠更進一步處理事務，而無需非得使用預先建構的元件，或等待專業開發人員為其建立查詢字串。開源工具像是 Census GPT 便使得查詢大型公共資料集變得更加容易。 程式助手也不僅僅適用於專業開發人員。
Wix Artificial Design Intelligence（ADI）可以為你建構一個完整的網站，混合程式碼生成與生成式設計；Uizard 對網站及應用程式原型也是如此；Fronty 將圖像轉換為 HTML 和 CSS，而 Microsoft Power Apps 中的 Express design 將手繪草圖或 Figma 檔案轉換為帶有後端，可執行的應用程式。 大多數企業組織都會感興趣的生成式 AI ，是可以在低程式碼自動化工作流程中調用的模組。因此，員工便可以根據他們的特定需求來使用這些生成式 AI 模組。
另外，許多平台已經像任何其他的元件一樣提供 ChatGPT 和其他 OpenAI API。但是，一定要確保生成的文字或圖像，在低程式碼環境中正確地附帶了警告或指導，最好能有提供反饋的方式，並且確保工作人員知道你的政策，明白是否可以直接向客戶展示這些圖文而無需員工先行審查。
三、 看懂文件和資料
將客製版本的 ChatGPT 與 Bing 相結合，為微軟的搜尋引擎帶來了數百萬的新用戶。但是，LLM 的工作方式意味著必然發生錯誤與「幻覺」，因為它們在本質上是自動完成句子與段落，以生成根據查詢提示所產生的文件。如果你想要的訊息沒有提供進去，該模型仍會嘗試建立一些合理的訊息。即使提供的訊息是正確的，並且符合該領域大多數專家所說，其生成的文件也可能不完整、不正確。此時如果你並非此領域的專家，很可能你不會知道遺漏了什麼。這些情況對於企業搜尋及網路來說都會是很嚴重的問題；即將推出的 Microsoft 365 Copilot 工具將嘗試透過 Microsoft Graph 以文件與實體的資料查詢為基礎，來提供參考並解決此問題，但它可能仍然會遺漏一些重要之處，而這些地方便需要你去補充。
所以，我們必須開始利用這些機會，使用 LLM 來總結分析文字檔，或者在更受限的場景中生成文字來解釋概念。在這些場景中，訊息由具有專業知識的人員做好內部審查，而非直接顯示給你的用戶或其他終端用戶。 另外，生成知識圖譜以視覺化不同實體之間的相互關係，以幫助你了解企劃、社群或生態系統。
Excel 中的 Copilot 工具承諾以一種交互式方法，在不會更改破壞原本資料的沙盒中提出有關資料的問題及獲取意見。因此，就算在沙盒裡有了任何的錯誤而導致錯誤百出，也不會影響到原始訊息。而所有蒐集到的資料都將用於之後的分析。
看資料說故事是傳達關鍵趨勢與 AI 動力分析的另一種有效方式。像 Power BI 的 Smart Narratives，它可以用圖表和自動生成的描述來解釋其所察覺到的任何異常及影響因素。這可以避免 LLM 在數學方面會遇到的問題，因為透過 LLM 所得到的理解是由線性回歸等 AI 模型得出的，之後由語言模型描述。因此，這類型的整合方式可能會因而變得更為普遍。 同樣地，網路安全工具也慢慢開始使用語言生成來解釋一些所謂威脅、異常，以及 AI 所能檢測到的任何可能出現的違規或洩漏等證據，並使用清晰、客製化的語言告訴你這意味著什麼以及如何應對。
未來，希望可以做到向這些 AI 工具提出問題並讓其解釋所提出之建議。 傳統訓練聊天機器人的方法，無非是輸入關鍵字或單純給予一些制式反應。如今，透過使用聽起來更自然的反應，或是在原本的知識庫更新時能自動包含新訊息等等，可以讓現有的聊天機器人更加聰明、更加靈活。不過，雖然使用生成式 AI 聊天機器人直接與用戶交流來增加用戶滿意度並減少成本的方法似乎很吸引人，但是這方法相較於只在組織內部使用它們風險會更大 ─ 譬如，要求聊天機器人在關於福利與人事等問題方面，顯示有用的資訊。此外，雖然一個伶牙俐嘴的聊天機器人可能適合某些品牌，但你應該不希望因為看到某個用戶收到聊天機器人某項危險的建議或被聊天機器人羞辱而上了頭條新聞。總而言之，使用生成式 AI 提供內部的代理協助可以在降低風險的要件下提高工作效率。
四、 加快商業用戶工作流程
會議本應是做出商業決策與知識共享之處，但似乎有太多的會議價值永遠只止於會議裡。 Microsoft Teams Premium、Dynamics 365 Copilot 和適用於 Slack 的 ChatGPT 應用程式等 AI 工具建立摘要並記錄下具體任務事項。這些任務事項包括分配任務給與會者，以及不在此虛擬會議室內的非與會者，而這些非與會者可能因為沒有在此虛擬會議室中與會而並不清楚自己是這些任務的一份子。另外，像這樣將生成式 AI 工具納入虛擬會議，也有助於避免發生一些類似誰被要求做會議紀錄，或是被要求做其他 「辦公室家務」 的權力遊戲。 能夠每天看上一次 Slack 也可以提高生產力及工作與生活的平衡，但制定計劃與決策的人應該負責確保 AI 能做好摘要總結、任務事項，和時間表的準確性等等的工作。
總結與用戶對話的 AI 工具可以幫助經理監督和培訓員工。這對於財務顧問和客服中心工作人員來說可能同樣有用，但監控員工生產力的工具需要以同理心的方式使用，以避免對工作場所監控可能引發的擔憂。雖然用戶反饋和對產品的評價是十分有助益的，但其數量可能會大到讓人吃不消，許多有用的訊息可能因此被埋藏在某個深處。 生成式 AI 可以對用戶反應進行辨識、總結與分類，來給出更易於吸收的匯總反饋。長遠來看，不難想像一個私人購物助理可以建議你想要購買的商品並回答有關它們的問題，而不需要自己去瀏覽一頁又一頁的用戶評論。
但同樣地，企業在引入可能會引起攻擊性或誹謗性意見的工具時需要十分謹慎，也要小心過於熱衷於過濾掉負面反應的工具。生成式 AI 工具可以閱讀和總結長篇的文件，並以此為基礎撰寫新文件。已經有像 Docugami 這樣的工具承諾從合同中提取到期日及可交付成果，而國際律師事務所 Allen & Overy 正在試用一個平台來幫助進行合同分析和監管合規。生成合作備忘錄、合約、或工作說明等半結構性文件可能會加快商業流程並幫助你利用程式編寫標準化一些商業用語，但預計需要很大的靈活性及監督。
五、 克服寫作障礙，美化設計
你不必僅僅為了要 AI 來幫助你執行腦力激盪、文案撰寫、或是創造圖像設計等等，而將整個撰寫過程交給 AI。 Office 365 和 Google Docs 在不久的未來，很快地就能讓你可以要求生成式 AI 製作文件、電子郵件及簡報。所以，你需要制定一些相關政策，決定在與任何人共享這些內容之前，如何審查其正確性。再次強調，這要從更多可監控的受限任務與內部使用開始。
生成式 AI 可以直接在你的電子郵件，或在 Salesforce、Zoho 或 Dynamics 365 等 CRM 中作為平台的一部分或透過第三方工具當中，建議在發給用戶的電子郵件、感謝訊息或物流問題警告裡寫些什麼。另外，人們對使用 AI 來推動行銷也很感興趣，不過這也存在著品牌風險。應當將這些選項僅僅視為運用生成式 AI 的開始，而非點擊「送出」前的最終版本。
AI 生成的文字也許並不完美，但如果你有很多空白需要填補，有總比沒有好。舉例來說，Shopify Magic 可以從基本的產品詳細資料中，為線上店面編寫連貫一致的、經過 SEO 調整的產品描述，之後一旦你有了一些新的資訊或想法，你就可以對其進行改進。另外，Reddit 和 LinkedIn 使用 Azure Vision Services 為圖像加上標題和替代文字，以在會員沒有設定這些內容時幫助會員提高點閱性。如果你有一個大型的培訓影片資料庫，自動生成的摘要可能可以幫助員工充分利用他們的時間。
從文字生成圖像這個功能是非常強大的，像新的 Microsoft Designer app 這樣的工具便能將圖像傳播模型直接交到商業用戶手裡（這些商業用戶不願使用 Discord 伺服器去連結 Midjourney ，也不具備使用 Photoshop 中的 Stable Diffusion 外掛的專業能力）。然而， AI 生成的圖像也存在爭議，爭議範圍從深度造假（deepfakes）及恐怖谷（uncanny valley）效應，到用於訓練的資料來源，以及無償使用知名藝術家作品的道德規範等等。
企業組織將會希望在對於使用生成的圖像方面，有一個非常明確的政策，以避免更多越趨明顯的隱患。
尋找自己的用途
如你所見，從生成式 AI 中獲益的機會並不少 ─ 從顧客支援與零售，到物流與法律服務，在任何你想要與可靠的訊息來源進行交互的地方。 要負責任地使用生成式 AI，得從自然語言處理實例開始，比如從非面向用戶場景的分類、摘要和文字生成開始。在這些場景中，由具有發現並糾正錯誤與假訊息的專業人員（人類）審查，並尋找一個界面，使這些過程簡單自然，而不僅僅是接受建議。
跳過人工參與來節省時間和金錢雖然很誘人，但如果生成的內容不正確、不負責任或具有攻擊性，那麼對你的商業所造成的損害將十分巨大。 許多企業組織擔心將資料洩露到可能有助於競爭對手的模型中。Google、微軟和 OpenAI 已經發布了資料使用政策，聲稱一家公司使用的資料和提示將僅用於訓練該公司的模型，而非提供給每個用戶的核心模型。但你還是要制定一套指南，指導員工哪些訊息可以被複製到公共生成式 AI 工具裡。
供應商並且表示，用戶會同時擁有模型的輸入和輸出。這在理論上是個好事，但卻可能無法反映生成式 AI 的版權與剽竊問題的複雜程度，而且像 ChatGPT 這樣的模型並不包含「引用」，所以你無法得知其所提供的回答是否正確，是否是從其他人那裡複製的。釋義不完全是剽竊，但盜用他人的原創想法或見解對任何企業來說都不是一件好事。 對於企業組織而言，培養 AI 素質並讓員工熟悉使用評估生成式 AI 的輸出也十分重要。由小處著手，從成效中學習。
