KeyFrame內部研究專用

Your AI Isn't the Advantage. Your Judgment Is - Sid Pednekar

AI Engineer英文
觀看原始影片

三句話摘要

在 AI 普及的時代,企業的競爭優勢不在於擁有 AI 工具,而在於如何設計正確的問題、建立共享能力,以及讓系統效益複利。 企業的AI競爭優勢不在工具擁有,而在於集中判斷力設計正確問題、建立跨部門共享能力、以及讓系統效益複利的組織能力。 判斷力成為稀缺資源:在AI降低智慧成本的時代,真正稀缺的不是答案而是判斷力——即選擇什麼重要、在無明確答案時如何行動的能力。領先企業的競爭優勢在於知道把有限的判斷力資源投入何處。

重點整理

  1. 判斷力成為稀缺資源:在AI降低智慧成本的時代,真正稀缺的不是答案而是判斷力——即選擇什麼重要、在無明確答案時如何行動的能力。領先企業的競爭優勢在於知道把有限的判斷力資源投入何處。

  2. 設計正確問題勝於快速自動化:領先企業不從工具開始,而從業務問題出發,例如問「為什麼關鍵信號遲到?」進而重新設計工作流。研究顯示75%的高表現企業實際重新設計了工作流,對比其他企業的25%,而且在更少、更高品質的決策上投注注意力。

  3. 集中投資於高價值工作流而非多個試驗:領先企業將超過80%投資集中在轉型關鍵業務功能或創建新服務的端對端工作流,而非分散在多個小規模AI試驗中,避免陷入「創新劇場」或「生產力劇場」。

  4. 打破部門分隔,建立跨部門共享能力:企業需要讓工程師、產品經理與業務專業人士協作,標準化核心流程與資料集,建立語義層與最佳實踐資源庫,使新人才能站在前人肩膀上。71%大型企業正現代化核心基礎設施,23%投入年收入的6-10%。

實用技巧與重點

  • 37% 企業AI投資對EBIT有正面貢獻
  • 6% 企業被列為高表現者(約5%對EBIT的貢獻)
  • 66% 企業報告生產力提升,但僅40%看到成本削減、20%看到營收成長
  • 領先企業在高價值工作流上投資超過 80%
  • 高表現企業 75% 實際重新設計工作流,對比非高表現企業的 25%
  • 71% 大型企業正現代化核心基礎設施以支持AI
  • 23% 企業投資年收入的 6-10% 用於核心系統現代化
  • 三種團隊代理類型:專家代理(主題專家)、工作流代理(跨流程自動化如Slack bot)、首席幕僚代理(監控組織狀態)

結論

企業的AI競爭優勢不在工具擁有,而在於集中判斷力設計正確問題、建立跨部門共享能力、以及讓系統效益複利的組織能力。

完整解析

看似所有企業都擁有 AI 工具和模型,但根據研究,真正從 AI 獲得正面商業影響的企業僅37%,能被列為高表現者的更少於6%。這引出了核心問題:既然所有人都有 AI,競爭優勢從何而來?

講者提出判斷力是答案所在。AI 已大幅降低了生成軟體、分析、報告等的成本,造就了智慧的充裕。然而,更多的答案並不自動轉化為更多的價值。真正稀缺的是判斷力——選擇什麼重要、在無明確答案時如何行動、探索哪些可能性值得探索的能力。判斷力是有限的資源,分佈在組織的各層級,從執行管理層、軟體工程師到投資組合經理皆然。領先企業的關鍵優勢在於知道在哪裡集中投入這些寶貴的判斷力。

為此,講者提出三大支柱。首先是設計正確的問題。領先企業不是從工具開始問「我們如何在現有工作中添加 AI?」,而從業務問題出發問「為什麼我們的關鍵信號遲到?」或「瓶頸在哪?」以此徹底重新思考工作的設計。以資產管理公司的分析師為例,常見做法是加速獲得收益電話稿摘要,但這會因資訊壓縮而遺失內容。領先做法則讓分析師定義投資論題,同時系統持續監控與蒐集支持或反駁該論題的證據。研究顯示領先企業在更少、更高品質的決策上投注注意力,而高表現企業中75%實際上重新設計了工作流。

其次是建立共享能力。這需要打破技術與業務之間的組織分隔,使工程師、產品經理與投資組合經理等業務專業人士協力。同時企業需要標準化核心、個性化邊緣——建立共享的資料集、語義層和最佳實踐庫,讓新人才能站在前人肩膀上而非從零開始。71%大型企業正現代化基礎設施以支持 AI,其中23%投入年收入的6-10%。此外,企業應構建不同層級的代理——專家代理、工作流代理與首席幕僚代理——以跨越傳統應用邊界賦能知識工作。

最後是讓系統效益複利。領先企業不僅關注成功如何系統化,更重視失敗帶來的邊際收穫。每當遇到需要糾正的情況時,相關知識必須被反饋回組織,形成新工具或決策背景,並保留證據供未來參考。如此一來,個人的學習逐漸變成系統的學習,累積成組織的持久競爭優勢。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。