企業推動AI策略的核心原則（郭德偉）
本文作者郭德偉（Andy Kwok），為數據及人工智能素養協會 (DALA)資深創會會員 兼 OpenCertHub 創辦人及行政總裁 ，為《EJTech》撰寫專欄
人工智能技術正在改寫人類文明的發展軌跡，從ChatGPT面世到 Deep Seek 的瞬間爆發，全球掀起了AI革命浪潮，相關話題從未簡斷，商業世界尤其熾熱。不少企業管理層都希望藉此為公司帶來新機遇，優化流程節省成本甚或提升盈利能力。不過仍有不少決策者在AI的策略上頗為重視技術的追求，希望尋求最佳的演算法模型，而往往忽略了一些核心原則去構建AI策略配合組織的發展目標。
人與數據成為雙核心驅動力
要制定可行及持續性發展的AI策略，以下三個原則定必清楚了解：
- 數據質量決定人工智能高度 （AI is as good as its data）
從事數據工作的人都經常會說「Garbage in, garbage out」，這個諷刺性講法確實是個不爭的事實，數據質量遠比數量有決定性作用。例如醫療影像AI診斷系統的訓練數據若缺乏罕見病案例，就會成為”選擇性失明”的專家。又或是金融風險管理模型若忽略新興詐騙模式的特徵數據，將淪為紙板守衞。數據質量不僅關乎技術表現，更直接影響AI系統的價值導向。因此培養數據素養（Data Literacy）對AI 使用者甚為重要。
- 懂得提問正確問題 (Ask the right questions)
人工智能年代，你認為最廉價的東西是什麼？答案是「答案」(Answer is cheap)。只要你提出問題，不論質素如何，任何一個AI工具都可給你答案。相比以前沒有AI的協助，我們需要花大量時間蒐集資料，處理數據後再有系統地將結果呈現出來。既然答案垂手可得，我們更加需要懂得問有質素的問題及問啱問題。尤其GenAI擁有豐富的創作力，有使用的朋友定必明白。正因如此，AI用家更需要具備數據及人工智能思維 (Data and AI Mindset)。 懂得去挑戰AI所提供的答案，辨別內容真偽。避免被帶有偏頗數據 (Biased Data) 的AI模型誤導而作出錯誤決定。
- 人機融合協作（Keep human in the loop）
構建有效的人機協作框架需要突破三個認知誤區：（一）破除「完全自動化」迷思，在決策鏈關鍵節點保留人類介入機制；（二）避免「黑箱化」陷阱，建立AI決策的可解釋界面（Explainable AI）；（三）超越「工具」局限，將AI系統定位為智能認知夥伴。例如有些銀行的智能風險管理系統採用「雙軌決策」設計，AI模型給出風險評分的同時，專業分析師可通過可視化界面追蹤決策依據，必要時啟動人工覆核流程，以減低錯判風險。
培養人工智能素養及思維成關鍵
人工智能技術正經歷革命性突破，其價值已從單純的技術迭代轉向應用端的戰略性創新。在智能工具效能跳躍式發展的當下，從業者的創新與解難能力（Innovation and Problem-Solving Competencies）已成為人機協同的核心競爭力。「做咗件事」同「做好件事」是兩碼子的事，那些僅將AI視作勞動力替代工具、缺乏價值重塑意識的從業員，其角色定位將不可逆轉地流向低價值的AI操作員（AI Operator）範疇，絕大機會成為首批被智能系統取代的群體。
要有效鼓勵AI應用而避免這種尷尬現象在組織中出現，一些企業的人力資源部門率先採取有效對策，透過提升員工數據及人工智能素養（Data and AI Literacy）的培訓，幫助同事及早建立數據及人工智能思維（Data and AI Mindset），給予正面導向接受人工智能的應用，減低對新科技帶來的不安感，配合組織推動的AI策略達致工作上的優化。由於本地AI人才供不應求，企業透過重新學習及提升技術的培訓（Reskill and Upskill Training）將現有員工的能力差距收窄，幫助有潛力的同事升級轉型。這亦有助企業進行數字化轉型的過程中帶來新力量。
站在智能革命的轉折點，企業需要認識到人工智能素養的本質是數字時代的新型領導力，人工智能思維的核心是技術與人類的融合創新。當組織成員既能讀懂數據語言（Data Language），又善於提出關鍵問題，更懂得在恰當環節注入人類智慧時，就能將AI技術轉化為真正的競爭力。這種能力不會隨演算法迭代而貶值，反而會在技術進步中持續增值，成為驅動企業基業長青的永續能源。
更多郭德偉文章：
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
