與我們聯繫

微軟的 AI 轉型啟示：AI 用量增加，為什麼工作成效未必提升？

約一個月前，微軟分享了自身的 AI 轉型經驗。他們發現，即使工具已授權給超過 20 萬人，早期業務團隊仍在廣泛部署後遇到使用停滯、預期成效未出現的情況。這也帶到企業推動 AI 時經常問的一個問題：員工取得 AI 工具後，究竟改善了什麼？

本篇 Aiworks 將從微軟的經驗談起，說明為什麼 AI 成效評估應該從商業成果出發，不同指標的要求會如何影響員工行為與 AI 的使用情境，以及這樣的評估能為企業帶來什麼好處。

採用率與用量，無法解釋工作改善了什麼

採用率、活躍人數與用量，是比較容易取得的數值，也方便比較不同團隊之間的差異。它們能呈現誰開始使用 AI、消耗多少 token，以及哪些單位還沒建立穩定的使用習慣。這些資訊可以幫助負責人掌握推動進度，不過，使用增加了多少和工作改善，是兩回事。

就像今年 4 月發生的 Tokenmaxxing 現象：Meta 員工建立了 Claudeonomics 排行榜，以 token 用量排名。當用量成為競賽目標，員工的注意力就可能偏向刻意讓數字變高。極端一點，甚至可能讓 Agent 不斷重複執行沒有實際用途的任務，只為了增加 token 消耗。

如果企業只在意 AI 用量，完成更多任務和請 AI 反覆重寫同一份文件，在數字上都可能被看成進步。這也是微軟強調從商業成果出發的原因：企業需要分辨，增加的 AI 使用究竟帶來更多可用成果，還是只是花掉更多費用。

從商業成果出發，如何影響員工選擇 AI 的用法？

微軟調整早期業務團隊的做法時，把評估焦點放回客戶價值、成交與員工的工作體驗，再盤點客戶經理的工作，選擇適合的 AI 情境。這些指標也傳達了企業期待員工用 AI 改善什麼。

假設企業鼓勵員工多用 AI，員工容易先想：「我的工作哪裡可以用 AI？」以業務為例，可能會請 AI 草擬客戶邀約信，增加使用次數與 token 用量，符合企業觀察的指標。

如果目標改為在相同工時內聯繫更多客戶，業務就需要思考：「如何用 AI 改善客戶聯繫與待辦處理？」這個問題會引導業務檢視流程卡在哪裡，找出能減少等待與來回處理的 AI 介入點。

例如，業務經常在拜訪前花大量時間翻找紀錄，就可以讓 AI 協助會後整理，彙整重點與待辦事項，減少查找資料的時間，把時間留給客戶溝通。

以客戶聯繫成果為目標，有機會找到能改善多次準備工作的 AI 用法。 （圖片來源：使用 OpenAI ImageGen 生成，Aiworks 製作）
以客戶聯繫成果為目標，有機會找到能改善多次準備工作的 AI 用法。
（圖片來源：使用 OpenAI ImageGen 生成，Aiworks 製作）

從商業成果設定指標，能引導員工找到對工作成效影響更大的 AI 介入點。企業也能據此判斷，AI 導入是否幫助團隊解決更多工作問題、在相同時間內創造更多價值，作為是否持續投入的依據。

從工作成果評估 AI，具體可以看哪些指標？

第一步可以回到各職能想改善的工作。內容團隊希望加快交付，業務希望更有效地管理客戶，客服希望在一定時間內回答更多問題，適合的指標自然不同。微軟的成效衡量指引也提到，應將 AI 場景連接到企業在意的價值。

以下是幾個依工作目的選擇指標的例子：

想改善的工作成果可以觀察的指標
內容：維持品質、加快交付每篇合格文章的完整工時、重寫次數
業務：改善客戶管理與聯繫客戶資料準備時間、客戶待辦事項的完成率，後續再看成交率
客服：在相同時間內解決更多問題每小時解決問題數，搭配解決品質與客戶評價

即使同樣從工作成果出發，每項成果對應的指標也不同。團隊需要花時間設計，釐清想改善什麼、如何衡量，以及多久能看出變化，才能讓評估反映實際工作。

從初期磨合到持續改善，AI 成效需要時間驗證

要讓 AI 改善工作，企業還需要協助員工把工具能力用到自己的任務上。微軟在另一篇內部導入經驗中提到，培訓需要配合員工的職能，讓他們了解模型的能力與限制，再透過日常情境學習應用。這些學習與調整，都會增加導入初期的成本。

除了工具導入成本外，相關的 AI 治理機制也需要同步建立，例如制定資料使用規範、安排權限與審核責任。在擴大應用範圍前，也需要釐清 AI 與人的分工，包括哪些環節需要人工驗證，以及誰負責後續處理。這些治理與團隊管理工作，同樣需要資源。

因此，短期評估可能會看到額外工時，甚至出現一段調整的陣痛。而微軟所談的 Learning Loop，則說明這些投入如何在實踐中累積。員工逐漸學會如何使用 AI、判斷產出，也透過回饋與調整，讓 AI 的產出更符合公司的情境與要求。人的協作經驗與 AI 的運用方式會互相影響，每一輪實踐都可能為下一輪調整提供更好的基礎。

實際工作的結果與回饋，會成為下一輪調整的依據。 （圖片來源：使用 OpenAI ImageGen 生成，Aiworks 製作）
實際工作的結果與回饋，會成為下一輪調整的依據。
（圖片來源：使用 OpenAI ImageGen 生成，Aiworks 製作）

當應用穩定、能持續協助處理重複任務，前期投入就有機會逐步發揮效益。例如，假設客服團隊花一整個工作天整理案件分類與處理要求、測試分流，後續若能每天穩定省下一小時，整體來看效益仍非常龐大。

因此，企業評估 AI 導入時，需要把前期準備與後續成果放在一起看。倘若其他同事也能沿用這些經驗，累積的價值還可能持續擴展到更多部門。

Aiworks 觀點：從小範圍試點，培養企業面對下一階段的應用能力

MIT Sloan 對生產力 J 曲線的介紹也提供了理解前期投入的角度：新技術需要搭配技能與流程等投入，這些準備的效益可能較晚才顯現。放到企業 AI 應用來看，值得追蹤的是工具導入之後，工作是否逐漸改善，以及有效用法能否持續運作。

Aiworks 認為，企業可以先透過小範圍試點，選一項希望改善的實際任務，讓員工在操作中累積 AI 協作經驗。這個過程也能幫助團隊發現培訓還缺什麼、哪裡需要人工判斷，並逐步建立同事之間可沿用的做法。即使一開始的成果有限，這些經驗也能為後續應用提供具體依據。

如果未來工具更容易使用、模型能力提升，或使用成本下降，企業就可能有更多值得嘗試的場景。已經擁有實務經驗的團隊，也會更有依據地判斷新工具能用在哪裡，並安排合適的分工。現階段以商業成果為方向，透過試點培養能在實際工作中運用 AI 的人才，企業就能一邊驗證當前效益，一邊為下一階段的應用做好準備。

📩 想為你的組織打造 AI 協作能力？

Aiworks 提供企業內訓、客製化培訓與實作工作坊，協助各產業團隊規劃生成式 AI 的導入與應用策略。

▼ 聯絡我們｜規劃你的 AI 實戰課程，讓轉型真正落地 ▼

（若表單未正常顯示，請點擊此連結進入表單填寫頁面）

參考來源