書名：智慧協作時代：一人即團隊的高生產力新商業模式

作者簡介

湯瑪斯．戴文波特（Thomas H. Davenport）

《財星》雜誌評為全球50強商學院教授、麻省理工學院數位經濟計畫訪問學者。
作為一位全球知名的管理學者、顧問，戴文波特曾任教麻省理工學院與哈佛商學院，專長於商業創新、數據分析和人工智慧在企業中的應用。他以其在商業數據管理和資訊技術方面的開創性研究而聞名，對於數位時代企業的運營模式具有深遠的影響。因此也被《諮詢》雜誌評為全球25位最佳顧問，並被《Ziff-Davis》雜誌評為科技業100名最具影響力人物之一。目前是貝伯森學院（Babson College）資訊科技與管理校聘傑出教授、勤業眾信（Deloitte）AI業務資深顧問。
因其在大數據、商業智慧和人工智慧擁有深厚的學術研究成果，並經常與業界合作，幫助他們運用最新的數據技術來改善業務流程，合作對象涵蓋金融、醫療、零售和製造等領域，因而累積豐厚的實戰經驗。
不僅如此，戴文波特撰寫、合著或編輯了共23本書，其最具影響力的著作之一是《競爭力分析》（Competing on Analytics），此書被認為是企業應用數據分析實現競爭優勢的權威指南，該書介紹如何透過數據分析來驅動企業的決策並優化運營。他的著作探討企業如何利用數據驅動決策，並透過技術創新來提升競爭力，讓他在學術界和商業界擁有強大的影響力。
他長期為《哈佛商業評論》、《史隆管理評論》、《加州管理評論》、《金融時報》撰稿，並曾擔任《華爾街日報》、《富比士》、《資訊週刊》和《CIO》的專欄作家。


斯蒂芬．米勒（Steven M. Miller）
新加坡管理大學資訊系統名譽教授，此前曾擔任計算與資訊系統學院創始院長，負責研究的副教務長。他是《機器人應用與社會影響》（Robotics Applications and Social Implications）的合著者。

譯者簡介

周群英
　　清大社會學研究所碩士，台大政治系學士，近年涉足身心靈書籍，深感受益良多，希望能盡一己之力介紹更多好書給讀者。譯作有《當下的力量牌卡》、《那一天，我放手愛自己》、《卓爾，謝謝你毀了我的人生》、《更豐盛：工作與財富的奇蹟課程》《巴菲特的對帳單　卷二》等書。

書籍目錄

寫於書前
前言　一人即團隊！智慧協作時代來臨

第一部　AI增強下的工作現況
1. 摩根士丹利：高效的財務顧問都在做什麼事？　
2. ChowNow：隨時提供符合市場需求的最佳銷售策略　
3. Stitch Fix：AI 輔助服裝造型師　
4. 阿肯色州立大學：用 Gravyty 募款　
5. 蝦皮：產品經理在 AI 電子商務裡的角色　
6. 港灣人壽和美國萬通保險：引進數位人壽保險核保人　
7. 雷帝斯金融集團：智慧抵押流程　
8. 星展銀行：以 AI 監控交易　
9. AI 診斷和治療紀錄編碼：讓人類真正發揮所長　
10. 電通：公民開發者的機器人流程自動化　
11. 84.51°和克羅格：自動化機器學習提高資料科學生產力　
12. 麥迪安網路安全公司：AI 輔助網路威脅歸因　
13. 印度星展行動銀行：用客戶科學優化客戶服務　
14. 直覺軟體公司：AI 輔助寫作，人負責提供規則　
15. Lilt：電腦輔助翻譯，使專業翻譯者產能提升160％　
16. 賽富時：倫理 AI 實踐的架構師　
17. Miiskin：AI 輔助皮膚成像，醫師更能專注於複雜案例　
18. 好醫生科技：實現家家戶戶都有好醫生　
19. 奧斯勒工作：法律服務的轉型現場　
20. 太平洋軸承公司：用於員工訓練的 AI 虛擬現實　
21. 希捷科技：AI 自動化視覺檢測技術，削減晶圓和晶圓廠損耗成本　
22. 史丹佛醫療中心：往無人藥局邁進　
23. 速食漢堡店：AI 助理炸薯條的同時還能服務客人　
24. FarmWise：耐曬、抗雨淋的數位除草系統　
25. 北卡羅來納州威明頓警察局：警務數位化　
26. 策安集團：AI同僚提升安管強度，同時照顧顧客　
27. 南加州愛迪生：預防現場事故的機器學習安全資料分析　
28. MBTA：AI 輔助柴油分析以利列車維修　
29. 新加坡陸路交通管理局：智慧城市裡的鐵路網管

第二部　AI賦能下的職場大未來
30. 用 AI 改變工作，需舉全村之力　
31. 人人都是技術人員，或至少有混合角色　
32. 讓 AI 發揮作用的平臺　
33. 智慧案件管理系統　
34. 新鮮人的就業機會將愈來愈少?　
35. 遠距獨立工作　
36. 機器（還）不能做什麼　

第三部　AI賦能時代下的關鍵結論
37. 智慧協作的未來

注釋

推薦序/導讀/自序

前言　一人即團隊！智慧協作時代來臨

人工智慧將對人類的工作帶來什麼影響，這類作品已經汗牛充棟，我們很容易找到大量相關的預測、方法或責難。然而，想找到人們如何使用智慧機器從事日常工作的說明，卻並不容易。
起碼到目前為止是這樣。本書的核心是針對工作和工作環境提出二十九個詳細的案例，說明人類已經在這些工作和工作環境裡，採用人工智慧系統和自動化進行日常工作。我們把人工智慧定義成能夠完成以前需要靠人腦，或者需要人腦和身體一起才能完成的任務的技術。我們每一個研究案例，都包含這類技術。
這些人機協作的例子，以及我們相關的見解和結論都很非常重要，因為長期以來由機器驅動的自動化，對人類工作的影響，一直都是人們猜測和關注的主題。至少從一五○○年代末以來，伊麗莎白一世女王拒絕了威廉．李（William Lee）提出絲襪自動針織機的專利申請，因為這種機器可能會讓針織工人變成窮人，人們一直擔心使用智慧機器會導致大規模失業。
如今，人類依然關心自己的職涯命運。最近相關的調查和分析焦點，是人工智慧和相關自動化技術是否會大量取代人類的工作。有一些分析這類問題的分析師，明確預測出我們即將失去（或增加）的工作比例和數量。我們不會在這裡回顧這些分析，但那些數字各不相同。從預測人們將失去二十億個工作機會（至二○三○年為止），到認為工作機會將淨增加數千萬個的預測都有。失業的比例則從50％到5％不等。有些預測比其他預測更嚴格，但預測結果的落差不表示人們對此有任何共識。
沒有人確切知道人工智慧會導致多少失業或就業問題，但這並不妨礙人們不斷發表各種書籍和文章來預測。在這段時期裡，最早期的書對人類的就業前景顯得相當消極。馬丁．福特（Martin Ford）的《被科技威脅的未來》（Rise of the Robots），以及傑瑞．卡普蘭（Jerry Kaplan）的《用不到人》（Humans Need Not Apply）都是這種類型。他們談到自動駕駛汽車和漢堡機器人隨時可能出現，並預測這些會為許多人類勞工帶來可怕的後果，以及更大的不平等。然而，到目前為止，自動駕駛汽車和大規模使用的漢堡機器人都尚未出現，也沒有為司機和速食店員工帶來可怕的後果。
這類主題的第二代書籍，則比較樂觀。末日預言家在二○一六年出書後僅僅一年，湯姆和茱麗亞．柯比（Julia Kirby）合寫了一本叫做《下一個工作在這裡！》（Only Humans Need Apply）的書。二○一八年，他的前同事吉姆．威爾森（Jim Wilson）與保羅．道格爾提（Paul Daugherty）合著《人機合作》（Human+Machine，暫譯）。這兩本書都聚焦在增強技術，或者說人類工作者與智慧機器刻意合作，有時被稱為「人機迴圈」（human in the loop）的工作環境。這些書裡仍然會警告人工智慧對工作的影響，但重點已經從人工智慧接管人類的工作，轉向人類和人工智慧的合作模式。就像談到未來的書籍中常出現的狀況一樣，這些論點沒有以大量數據佐證，但確實談到工作裡的增強技術。我們兩人都堅信，人工智慧的主要影響是增強人類的能力。我們希望有更多證據和文件可以佐證，而非只有那兩本早期書籍裡提到的初步例子。
我們也堅信，未來一兩年內，因人工智慧而流失的工作比例，將比較接近專家估計的下限。有一個預測非常有啟發性：二○一五年，麥肯錫全球研究所（McKinsey Global Institute）將工作分解成任務，預測透過目前的人工智慧技術，美國將可能有45％的工作可以用自動化處理。然而兩年後，麥肯錫研究人員指出，有幾個因素，包括自動化的成本、勞動力不足、經濟效益和法規，將對自動化的速度和普及程度產生重大影響。他們把估計下調到可能不到5％的工作適合「完全自動化」。

▎樂見增強
「全自動」這個詞非常重要。全自動常見的替代方案是部份自動化，或者透過智慧機器增強人類的工作，反之亦然。這也是我們在本書關注的重點。人工智慧－－至少是二○二○年代初期可以用的那種－－非常適合強化大多數現實世界的工作環境。
在辦公室、工廠和現場環境等廣大的真實使用場景裡，增強的例子比完全自動化的例子多很多，而且這種狀況預計將在可預見的未來持續下去。自動駕駛汽車技術就是一個例子。幾十年來，有些人說自動駕駛汽車和卡車已經「指日可待」，但實際上仍然遙不可及。現在，我們擁有的並非完全的自動駕駛汽車，而是各種駕駛和導航輔助設備，讓汽車駕駛起來更容易、更安全，而不是完全的自動駕駛。儘管這類系統的供應商做了很多宣傳和承諾，但一些觀察家如今質疑，我們這些活在今天的人，是否能在有生之年看到在所有駕駛環境裡，都達到完全自動駕駛的結果。
同樣的模式也適用於人工智慧的其他領域。人工智慧可以執行小任務，而不是整個工作或整個業務流程。人工智慧能夠幫助業務人員優先考量潛在客戶，並指導他們在銷售對話時使用最有效的語言，但人類銷售人員仍然發揮著重要作用。即使聊天機器人和對話式人工智慧技術，已廣泛應用在客服領域，明智的組織也永遠不會完全撤除人類客服人員。相反的，人工智慧系統可以處理客戶的最常重複和結構化的問題，而人類則會接管其餘部份，或者當人工智慧系統無法處理客戶的問題時，人類人工智慧就可以出面。
根據製造業機構的一些證據顯示，機器人確實取代了人類工人：每一個就定位的機器人，平均大約可以勝任三份人類的工作。但是，我們過去十年曾和數百家公司以及其他類型的組織談過，它們絕大多數在做的是增強人類，而不是大規模自動化。這些公司和組織要嘛正在成長，這是人工智慧早期採用者可能會遇到的情況，它們不必解僱任何員工；要嘛它們把人力調派去執行更複雜的任務。在新冠肺炎流行期間，一些企業確實解僱了過工，但大多數企業並沒有用機器取代他們。
世界上還是會有一些高度結構化的工作環境，人工智慧可以在這種環境裡，以經濟又安全的方式達成全自動化。還有一些非常特殊的非商業應用，例如軍事和情報，人們將不惜一切代價在這些領域部署完全自主的人工智慧機器。長期以來，在工廠和其他高度結構化和可控的工作環境裡，各種形式的實體自動化，包括機器人，已經取代了人類工人。9在電子電路板上置入晶片、在汽車裝配廠焊接和噴漆汽車和卡車的車身，以及大規模的化學加工，都是常見的例子。在人工智慧自動化機器和機器人的推動下，這種趨勢顯然會持續下去，這些機器和機器人的能力越來越強，並逐漸變得更有能力和環境互動。儘管如此，我們預計即使在工廠的環境下，增強的狀況也會比大規模自動化更常見。
當然，這種情況可能出現改變。隨著技術變得更加成熟，以及公司逐漸將人工智慧和自動化整合到其業務流程之中，公司可能傾向使用機器而不是人力。二○一八年德勤曾對美國高階主管做一項調查，其中63％熟悉人工智慧的高階主管表示，他們將「盡可能讓更多工作自動化，以削減成本」。但該研究也顯示，談到採用人工智慧技術的原因時，高階管理層最少提到的一個原因就是為了直接減少員工人數。使用人工智慧最常被被提到的原因，是強化現有產品、優化內部營運、做出更好的決策，以及讓員工發揮更大的創造力。兩年後，德勤在二○二○年的調查報告，發現了非常相似的狀況。事實上，裁員不僅是企業使用人工智慧最少提到的原因，而且提到的頻率比二○一八年更低。這些調查結果符合我們在研究個案裡觀察到的結果。簡言之，根據我們和其他人的研究，眼前並沒有大規模自動化和相應大規模人力被取代的狀況。事實上，經歷過幾年的疫情後，許多公司正在苦苦尋找人類員工，而人口減少的長期趨勢，讓眼前的問題變得更加複雜。在二○二○年代剩下的時間和未來的幾十年裡，在世界十二大經濟體之中，除了其中一個國家之外，所有國家的出生率都將遠低於人口替代的水準。事實上，早期證據顯示，世界上幾個最大經濟體的人口老化和工人退休，已經促使企業更加密集使用自動化，以維持其經濟產出。

▎我們的貢獻：紀錄當前的實踐
本書描述的研究有一個明確的發現，那也是我們開始這個計畫時的猜測，那就是人類和人工智慧的合作不是未來式，而是現在式。這種合作雖然並非俯拾即是，但起碼對許多組織和員工來說確實如此。我們很容易就找到許多這類現象的例子。事實上，如果不是由於本書篇幅和出版截止日期等限制，我們本可涵蓋更多案例。今天，很多人每天都和人工智慧打交道，我們發現這類情況在大公司、小公司、辦公室、工廠、農場，以及廣泛的知識型和行政工作裡上演。
可以說，和人工智慧合作並不是什麼新現象。在金融服務等產業裡，人們使用人工智慧系統已經有四十年之久。現在，幾乎所有其他產業的公司，都看到人工智慧的能力也在影響他們的工作和職業，雖然這種影響是漸進的。這些技術包含多個以規則為主的「若則」（if-then）判斷系統、機器學習和神經網路模型（根據標記結果的資料加以訓練，以預測未知的結果），以及一些用於和客戶互動的自然語言處理系統。人工智慧包括透過機器人流程自動化達到辦公室工作自動化，以及透過實體機器人達到工廠自動化。這些人工智慧系統可以執行多種不同的功能：

 根據過去的資料模式來預測（通常是機器學習功能）；
 建議如何進行工作或任務的下一步（有時候稱為「推薦引擎」或「下一步最佳行動」系統），並利用規則和╱或機器學習；
 針對可能的活動項目排定優先順序，例如按照最有可能購買某物品來排列的潛在銷售客戶清單。這叫做「傾向建模」（propensity modeling），以機器學習為根據；
 使用自然語言處理技術和客戶或員工對話，稱為「對話式人工智慧」；
 從信件或合約等文件擷取重要資料；以及
 自動化流程裡的關鍵步驟，並利用這個流程裡使用的資訊做決策（和機器學習混用時，最常被稱為「機器人流程自動化」或「智慧流程自動化」）。

毫無疑問，人工智慧正變得越來越普及和強大，能支援越來越多的任務和任務類型。已經在日常工作使用人工智慧的產業和工作種類，其規模非常龐大，而且成長迅速。這就是為什麼我們分享這些研究案例和相關洞見十分重要。這些內容為私部門和公部門組織提供了有用的範例和指引，促進它們在工作場所裡將人類和機器能力結合的過程。我們的例子也反駁了人工智慧主要會衝擊人類就業的悲觀觀點。人工智慧確實正在改變工作，但不會摧毀人類的就業。
我們用來記錄當前實務的方法，有利於人們了解人工智慧影響工作的方式。首先，沒有必要猜測未來，因為我們對於人工智慧輔助工作所描述的一切內容，實際上都已經在發生。對於每個研究案例，我們都能夠觀察到智慧機器的工作環境。這一點幫助我們了解它們如何在多個面向上影響工作環境，例如人機協作的性質、專業知識需求變化的本質、其他員工或供應商如何參與公司在流程裡部署的人工智慧職務生態系，以及在職員工對自己的工作有什麼感受。
也許，本書案例最重要的貢獻，在於它們針對增強現象提供了豐富的觀點。在任何官方的統計數據裡，我們都相對難以找到人工智慧增強人類工作的情況，反之亦然。人工智慧不會帶來失業。當人類和機器以增強的方式一起工作時，人類會執行工作裡的某些任務，而人工智慧系統則執行其他任務。在某些情況下，人類可能會完成80％的工作，而機器只完成一小部份；在其他情況下，情況恰恰相反，機器會完成大部份工作，人類則檢查輸出，並處理更複雜或不常見的情況，同時擔任其他支援性的角色。我們需要對工作環境有深入的了解，才能詳細理解增強現象，而這只能透過我們在本書介紹的各種研究案例才能做到。
我們的研究方法
在我們所有的研究案例裡，所有公司裡至少有一些員工每天都在工作時使用人工智慧。我們的主要目標，是至少採訪一位在組織裡第一線實際使用人工智慧的人，然而在大多數情況下，我們也會採訪該第一線使用者的生態系統裡，其他的利害關係人，包括：

 決定採用人工智慧系統的經理或主管；
 監督系統使用者的主管；
 系統的開發者；
 將其部份人工智慧能力賣給使用人工智慧的組織的供應商；以及
 使用該系統的一個或多個外部企業客戶。

我們透過多種方式找到我們的研究對象，包括它們發表過的文章、人工智慧供應商發布的新聞稿或行銷資料、以前和我們任何一位作者的關係，或透過同事推薦。在我們接觸過的公司裡，大約80％都成為我們的研究案例，也就是說就我們接觸過的公司來說，公司拒絕我們和其員工訪談的比例相對較低。
由於我們要訪談的對象是在公司當員工的個人，所以我們必須透過公司才能接觸到他們。因此，我們訪談的對象在談到工作上使用智慧系統時，可能不願意談到他們擔心或害怕這類系統，能否保障他們的工作的話題。
我們寫的內容都必須經過公司的審查和批准。有些人可能認為，這些公司會刪除我們部份的研究，或甚至刪掉全部的重要主題。然而，我們知道我們交給公司審核的研究案例的草稿內容，也知道公司在審核的過程中修改了哪些內容。在我們研究的每一個裡，這些公司都沒有刪除任何「不方便透露的事實」。
整體而言，我們很驚訝這些公司竟然這麼願意和我們合作，讓我們彙整出這些研究案例，並且大方地讓我們直接接觸他們的員工。在訪談過程中，公司員工和經理與我們討論了他們的人工智慧部署現況，以及他們的工作性質如何改變。儘管我們事先和公司聯絡人就訪談的一般目的和性質加以討論，但我們沒有事先讓它們看過訪綱，公司也沒有「預先安排」員工應該如何回答我們。
因為我們的目標是說明已經被人工智慧增強的工作，所以我們只看公司內部已經成功使用人工智慧系統的案例。我們沒有和這些公司討論它們是否有過其他失敗的嘗試。我們的研究案例，無法說明其他成功地在日常生產活動部署人工智慧的專案比例。
書中有許多研究案例都以某種形式，以湯姆的名義在線上版的《富比士》專欄發表。在史帝夫的協助下，湯姆是其中二十一個案例的主要作者。在湯姆的協助下，史蒂夫是其中八個案例的主要作者。史蒂夫所做的一些案例，之所以用湯姆的名義在《富比士》發表，是因為該網站不允許共同作者。有一部份以前發表過的案例，經修改或更新後也在本書發表。我們的研究案例從二○一九年十月，到二○二一年六月期間完成。每一個案例在完成時，都經過事實查核。從那時起至今，有一些事實可能已經改變。
對我們來說，重要的是承認我們的探索、質化和描述性的研究方法，有其局限和缺點。我們提出的論述，無法超出我們樣本的範圍。從我們收集的有限案例裡，我們無法知道這種類型的人工智慧協作，在整個經濟體裡的普及程度。我們有意嘗試描述各種產業環境的多種工作型態，但我們沒有嘗試使用嚴格的抽樣方法，以取得適用於更廣泛人群的統計推論。我們將這類型的分析，留給許多高專業的經濟學家和政策分析師，他們專門研究實證方法、學科知識，以及從政府和其他來源取得產業等級的經濟數據，這些數據是獲得這類推論所需的材料。
關於工作的未來與人工智慧對工作的影響，有很多有趣的書籍。但據我們所知，我們的作法獨一無二。
理論和預測都很棒，但我們認為最好還是盡可能描述當前的現實。這本書描述了許多工作和工作環境，它們都是領先指標，告訴我們大多數工作在不久的將來會如何發展。如果你是經理，正在考慮哪些類型的人工智慧增強工作對你可能有幫助，那麼你應該讀這本書。如果你是顧問或策略家，正在思考如何設計未來十年的工作，那麼你應該讀這本書。如果你是學生，正在思考如何為職場做好準備並找到自己的位置，那麼你應該讀這本書。

▎本書結構
介紹過本書內容後，下一個部份是研究案例。這些案例會按照三大應用環境來排序：服務業環境、製造和其他生產營運環境，以及公共安全和基礎設施營運現場的工作環境。在每個研究案例的結尾，我們提供了一組簡短的學習要點，從該特定案例中提取重要的經驗課題，並提供可能有助於人們在任何特定環境下，組織規劃和部署人工智慧應用程式的觀察結果。幾乎每個人都可以從所有這些研究案例和學習要點裡，汲取有用的收獲，而不會只侷限在和你的特定產業或應用相關的案例和要點。
談完研究案例後，我們會用七章來提出洞見。每一章都強調一個重要的跨領域主題，該主題和我們研究案例裡的大多數或所有案例都相關。洞見章節分為三組：工作職務和技能生態系統、技術生態系統、對使用智慧機器的人員的影響。
在結論那一章，我們提出了我們對未來十年內，在職場裡使用人工智慧應用程式、增強技術，以及和洞見那幾章提出的主題相關的趨勢看法。我們也為高階管理層、員工和政策制定者提供一些建議。
身為讀者的你，要如何瀏覽這本書完全由你決定。不同的讀者可能根據自身的產業、職能或使用的技術，可能會發現某些研究案例比其他案例，與他們的擔憂更攸戚相關。在閱讀其他內容之前，你可以選擇先閱讀所有案例。或者，你可以先閱讀一些案例，瀏覽所有學習要點，然後跳到洞見部份和結論。你可以按照最適合你需求的順序閱讀本書。

文章試閱

蝦皮：產品經理在AI 電子商務裡的角色

蝦皮（Shopee）是東南亞六大經濟體─印尼、馬來西亞、菲律賓、新加坡、泰國和越南，以及台灣的領先電子商務平臺。2015 年，它在這些市場上線，目的是連結這些地區的消費者、賣家和企業。蝦皮之所以獲得成長和成功，是因為該公司的策略是以行動為中心（mobilecentric），並受益於其數據、分析和AI 能力。超過95％的蝦皮訂單，是透過行動應用程式下單。該公司在每個市場，會針對內容和電子商務流程進行高度本地化，並結合社群互動和電子商務，帶來社群購物的體驗。蝦皮是冬海集團（Sea Limited）旗下的公司，冬海集團是一家全球消費性網路公司，該公司還有遊戲和社群娛樂公司競舞娛樂（Garena），以及數位金融服務公SeaMoney。

▎產品經理，與數據和AI 相關的產品和服務
克里斯．陳（Chris Chan）是新加坡人，2019 年加入蝦皮位於新加坡的公司總部，擔任產品經理。他一開始負責監督建立和部署新功能，讓賣家更方便使用蝦皮平臺刊登和推廣他們的商品。他的下一個產品管理任務是通知服務，例如電子郵件、平臺內聊天、外部社群媒體聊天，以及監督蝦皮在買賣雙方於購買前、購買中、購買後的整個溝通生命週期，改善所有發送通知的方式。同時是負強化所有聊天通訊功能的產品經理。
蝦皮主要有三個團隊直接參與創造並帶來營收。商家團隊（business owner teams）負責成長，重點是在蝦皮所有市場裡，不斷提高營收、市占、獲利能力、用戶人數和其他關鍵的業務指標。他們負責業務策略和整體業務的成果。技術團隊（engineering teams）有多個不同的資料科學和AI 團隊，打造工具和模型，為蝦皮內部進行廣泛分析以及為AI 工作提供支持，以便為買家和賣家設計新產品、改進產品功能並支援營運和管理。技術團隊裡有一些團隊，著重於資料工程與支援所有資訊科技基礎設施。產品管理團隊（product management teams）運作於商家團隊與技術團隊之間，扮演它們的橋梁。
克里斯．陳和其團隊會根據他們的通知服務，以及所有其他聊天服務組合裡買家和賣家提供的具體特徵、功能、使用者體驗和效能，進行產品管理決策。他們要確保產品和服務具有經濟可行性，確定產品何時準備好可以從開發模式、邁向持續的支援和改善；並做出決策以平衡客戶和業務不斷變化的需求，以及持續開發或額外改善的所需成本。
誠如克里斯．陳所強調：「我和我的產品管理團隊是協調者、合作者和整合者。我們和技術團隊、當地國家團隊、業務團隊以及內部支援團隊合作，有時也和客戶或其他外部合作。我們要確保負責的新服務產品或平臺功能，實現必要的一致性、協調性和跨功能協作。我們透過開發、試點部署、多國推出和拓展，來實現這個目標。」他還負責根據技術團隊的資料評估，試點和現場試驗的使用者數據，以及實際性能的結果與業務目標，來評估產品開發的進度。並負責監督產品每周和每月的定期審查會議，參加會議者包括商家團隊、相關產品的管理團隊、資料科學和AI 團隊，以及其他技術團隊。他協調並推動決策，確定任務裡的新AI 開發工作，做到什麼程度才算「夠好」，可達封閉測試的試點部署階段；模型性能什麼時候改善到足以在第一個國家全面生產使用；以及什麼時候可以把模型擴大使用到其他多個國家。
克里斯．陳表示，身為產品經理，他和資料科學與AI 團隊的合作尤其密切，他們會一起開發、測試和部署AI 分析模型。事實上，蝦皮所做的一切，都是透過分析和AI 達成的。他在資料科學團隊裡的主要窗口，是資料科學產品經理，該經理在AI 的方法、實施與業務問題上，擁有專業知識。公司把他安插在資料科學團隊，並且向蝦皮產品管理組織報告。

▎資料科學產品經理
2019 年克里斯．陳加入蝦皮幾個月後，阿爾伯特．何（Albert Ho）也加入了新加坡的蝦皮。他之前曾在中國最大的電子商務平臺AI 實驗室工作。阿爾伯特．何解釋：「身為資料科學產品經理，我有能力理解AI 演算法的技術細節，並且了解蝦皮嘗試打造以客戶為中心的所有應用程式裡，應何時以及如何應用這些演算法的業務考量。」他詳細說明：「資料科學的產品經理，和一般業務的產品經理合作，支援端到端（end-to-end）的產品開發工作，但我們有更多技術能量了解和指導資料科學相關的功能。「他們更了解演算法的本質及其功能。」阿爾伯特．何觀察到，融入資料科學團隊的一個優勢是：「公司裡沒有其他團隊能像我們一樣，可以觀察所有蝦皮用戶的行為，並了解他們的個人資料。雖然，企業主團隊和產品管理團隊有自己的資料分析師，可以匯總內部和客戶資料，但他們在複雜性、規模、粒度（granularity）和速度上，可能無法做到像我們資料科學團隊這樣。」自從加入蝦皮以來，他表示：「我一直提倡資料科學團隊，確認我們的AI 能力可以為業務帶來什麼貢獻，發揮更積極的作用。我們也已經開始向產品管理和業務團隊提出新想法。」他指出，「我們已經開始提出這類產品功能的要求，但業務部門沒有提出這些要求，因為他們對我們的AI 能力缺乏深入了解。」

▎蝦皮產品經理職務的未來
在預測自己的工作職務將如何隨著時間變化時，克里斯．陳反思：「即使是像我這種以業務為中心的產品經
理，也需要更了解資料科學的能力，要知道預測模型和推薦演算法可以做什麼，以及不能做什麼。我們要做的，不只是根據資料科學團隊告訴我們的資訊來了解模型準確度，並將它和我們的關鍵績效指標（KPI）的準確度進行比較。他指出：
到目前為止，在蝦皮平臺上決定並推動產品需求與確認所需功能的決策者，是企業主團隊和產品經理團隊。然後，我們將這些需求交給資料科學團隊，他們運用可用的資料建構模型，滿足這些業務需求。未來，我預計我們的資料科學團隊，將提供更多業務和產品功能的建議。資料科學團隊可以看到我們所有資料裡的模式和趨勢，因此能夠提出企業主和產品經理團隊可能沒想到的業務和產品建議。
阿爾伯特．何同意這個看法。「我們所有產品經理，最後都應該是以資料科學為導向的產品經理。未來的產品經理，應該更了解AI 的方法，知道AI 可以做什麼，以及想要做到這些事會牽涉到什麼。」他補充說：「我們已經擺脫傳統模式，也就是只有由上而下，從企業主到產品管理，再到資料科學和技術的產品和功能需求流程。我們同時正朝著由下而上的流程邁進，資料科學團隊根據他們對AI 能力的了解，提出產品和功能的建議，並向上級提出這些建議，以供審查。」為了提高由上而下、由下而上流程的產品和功能需求的品質，阿爾伯特．何說：「我們需要進入教育心態階段，讓蝦皮裡的每個人，而不只是資料科學團隊，都有豐富的概念知道AI 可以做什麼，以及如何在我們的電子商務平臺環境裡使用它。」克里斯．陳已經看到一些方法，可以利用現有和嶄新的AI 能力，將公司目前產品經理工作的某些特定任務加以自動化。例如他指出，他和團隊為了遵循蝦皮內部或特定國家的相關法律、規則和程序，所做的檢查和確認工作，未來是否可以自動化。隨著公司不斷改進內部資料管理與技術平臺的基礎設施，從不同國家團隊和產品線蒐集資料的過程，將變得更容易和自動化。隨著機器學習的方法不斷改善，開發新方法所需要用來標記資料的人力會更少，選擇演算法和訓練模型的工作會大大簡化。
但克里斯．陳預測，未來幾年內，蝦皮仍需要人類產品經理，原因如下：

1. 產品經理要協調利害關係人。當我們啟動一個專案打造新產品和服務，或者改進現有產品時，最具挑戰的地方在於，公司內部各種企業主團隊、技術和工程團隊，以及各國特定的支援人員之間，要達成一致和整合。在此同時，參與我們業務和產品生態系統的外部買家、賣家和供應鏈夥伴之間，也要達成一致。想確保這些利害關係人之間保持協調，需要不斷地進行複雜的交涉。在可預見的未來，實現這個目標所需的決策和承諾管理任務，將由人們負責。
2. 產品經理要為資料科學團隊，提供其工作上所需支援和回饋。就任何一個新產品或服務的專案來說，它需要的蝦皮內部資料，分布在多個國家團隊和企業主之間。此外，我們可能需要公司其他部門支援，例如客服部可能要協助標記資料，並測試和評估資料科學模型的結果，以確認預測或推薦模型是否好用到足以試點，或更大規模的採用。人們必須管理和協調這些支援任務，資料科學團隊才能完成工作。我們不希望資料科學家，把他們寶貴的時間花在這類問題上。
3. 產品經理必須管理評估和選擇，有關試點和拓展的新AI 產品。談到要在哪裡和如何試點新產品時，必須針對目標國家和客戶提出許多戰略和實際的選擇，而且必須得到批准才能繼續進行這些選擇。須根據現場試驗，以及後來大規模部署工作的速度、規模和性質，做出許多業務上的權衡決策。這類業務權衡決策，有一部分可以量化、建模和自動化，但重要的決策需要全面且高度脈絡化的評估和判斷，這些評估和判斷必須和公司快速發展的業務策略保持一致，而且我們的核心企業價值無法自動化。
4. 產品經理要促進公司內部和外部所有利害關係人之間的溝通。所有利害關係人，都希望別人能用他們自己能夠輕鬆了解的商業術語，來了解AI 演算法背後的邏輯，而不是把AI 當成神奇的黑盒子。對蝦皮內部和外部利害關係人，解釋我們的AI 產品功能，如何能夠以他們容易理解和信任的方式運作，是以人為中心又耗時的過程。克里斯．陳和阿爾伯特．何都預計，更多牽涉AI 系統的產品開發、強化和部署工作，只會讓他們更需要產品經理以及他們的團隊支援。

我們從這個案例學到的課題
• 在確保資料和完成並推出AI 產品上，產品經理的角色愈來愈重要。
• 在資料驅動、以數位為中心的業務裡，所有產品經理都要熟悉AI 功能。
• 在資料科學團隊裡，經過AI 訓練的新一代產品經理，他們提出的產品功能建議，能夠超越其他業務團隊無法意識到的可行程度。
• 由於各種業務、技術和客戶利益相關者之間，需要動態和多方面的調校、談判、決策和解釋，因此AI 產品經理的角色，有許多方面都無法由AI 自動化處理。