自生成式AI模型變得成功以來，我們大約2年半前開始積極進行幾項工作。首先，我們開發能夠幫助客戶的工具和產品。其次，我們進行了許多內部嘗試，目的是讓員工，尤其是非技術背景的員工，能運用AI來提高生產力和效率。
通常當我們構思一個新產品或專案時，我們會從黑客松（Hackathon）開始。也就是說，我們會將不同部門的員工聚集，從產品經理、專業服務部門，再到研發部門，共同合作，在短短1周內完成1個原型。在這個階段，我們會找到關鍵人員，讓他們告訴我們想解決的問題及他們需要的數據。
然而，經過多次黑客松後，我發現有些專案最終能成功、廣泛部署給客戶或內部使用，產生實質價值；但也有專案幾乎沒後續發展，以失敗告終。這讓我開始思考問題出在哪裡。
第1個問題是，在黑客松結束後，誰來繼續推動專案，將其發展成一個完整產品並擴展？這個負責人是否是成功關鍵。 最近，微軟又裁員，但多數裁掉的都是專案經理或產品經理。那麼，這是否意味著這些角色是問題所在？或者說，他們無法有效解決問題？從這個理論角度來看，這也許是對的。
因為如果我們要發展1個生成式AI代理人，當這個代理人與客戶或用戶進行對話時，將會產生大量數據。例如，這些對話可能無法真正滿足客戶需求，或產品未達到客戶預期，客戶可能會要求其他功能，或是界面設計不夠友好，讓客戶感到困惑。
如果這些對話和數據能被快速記錄並由AI分析，產品經理的工作將會減少，因為他們不用調查或分析就能即時了解客戶的痛點。同時，AI代理人也能迅速調整應對並解決問題。
從長遠來看，這或許會使得產品經理的工作逐漸減少。 但我們觀察後發現，產品經理對市場的宏觀定位政策仍非常重要，加上如果能快速利用AI進行分析和調整，說服團隊成員同步調整方向，也同樣至關重要。 但即使擁有優秀的產品經理，這也不保證專案的高採納率。
收斂宏大願景，4項變因決定成敗
那麼，還有哪些關鍵因素能決定專案的成功或失敗呢？
一、數據：我們發現數據質量極為重要。 若沒有穩定、乾淨且結構化的數據作基礎，例如將數據轉換為標準化的模型上下文協定（Model Context Protocol，MCP）服務，生成式AI難以達到良好效果。同時，數據的隱私規範也須優先解決，因為如果這些問題未妥善處理，將面臨數據外洩或用戶困境等挑戰。
二、投資回報率（ROI）： 曾經，我們推出一個專案，列出了所需成本，包括GPU、Token大小和預算。結果上線前，我們IT副總裁發信問我：「這裡的商業模式是什麼？投資回報率是多少？預算從哪裡來？」經過一番忙碌後，我們提供了一個回覆，連我自己都不滿意。
但這讓我意識到每次啟動AI專案時，我們都需要清楚傳達專案的價值，無論是節省成本、提高效率、增加收益，還是提升客戶滿意度。只有有明確的成本效益分析，專案才有可能成功。否則，這將成為浪費時間和金錢的行為。
三、宏大願景與聚焦小範圍的策略： 在我們公司裡，擁有許多優秀的工程師。當他們看到生成式AI的無限潛力時，往往希望打造一個偉大的平台，讓更多人使用，發揮更大的價值。然而，我們發現這樣的平台通常難以成功，因為它們設計得過於通用，無法真正解決每個使用者的具體問題，結果用戶的採納率反而較低。
相反地，另一個團隊的成功經驗告訴我們， 從一開始就明確鎖定使用案例和服務對象，可提升專案成功率。 像是專注於解決業務中的緊迫問題，如幫銷售人員提高客戶轉化率，或提供更精確的數據分析。這些問題雖複雜，但如果團隊從小範圍的試點開始優化，並設立可實現的目標，當規模擴展到整個銷售團隊時，成功率將大大提高。
** 四、員工AI素養與不斷進步的學習能力：** 無論進行任何專案，最重要的因素始終是人。我們發現，成功的專案團隊成員通常有強烈的求知欲，且能不斷提升自己。由於生成式AI過去2年取得飛速的發展，以2023年為例，當時最熱門的職位是提示工程師（prompt engineer）。然而，隨著大型語言模型的迅速演進和推理能力的提升，這已經成為每位員工應該具備的基本技能。
因此，確保員工掌握、理解這些技術並持續學習，對專案的成功至關重要。尤其對非技術背景的員工，我們需要提供相應的AI素養培訓，讓他們能在自己的專業領域中運用AI創造價值，這才是確保專案成功的關鍵。許多企業高層雖有意實施AI，但並不完全理解所需的資源與努力，因此這篇自我反思的文章或許能解釋一些迷思。
責任編輯：蘇柔瑋
