越前瞻的人工智慧應用可能帶來越高的風險，除了資訊安全外，如何建立好的人工智慧治理機制也相當重要，其例如確保人工智慧和數據治理政策、標準化流程和協議、自動化流程（控制數據質量以減少手動輸入資料造成的錯誤）、測試模型的有效性，並隨著時間監控模型是否存在偏誤問題等。
企業具備資料現代化與數據服務顧問協助仍然不夠，許多企業雖然針對單一人工智慧（AI）專案制定投資報酬率指標，但投報率再高，若無法規模化也無法達到轉型效益，同時也因為能夠規模化，人工智慧才能創造新的數位營運模式、驅動企業的經濟價值。
人工智慧溫和發展 企業運用心態更成熟
根據麥肯錫近期發佈的年度人工智慧調查《The state of AI in 2022》報告指出，企業在人工智慧的發展可歸納成三項：
(一)自2017年以來，人工智慧採用率增加至少一倍，但使用人工智慧的企業比例主要成長期在2017年，約50%到60%之間，過去幾年速度趨緩。 (二)從人工智慧應用中獲得財務回報的業者持續領先同業，這些領導者的管理階層看到人工智慧的效益，因此增加對技術的投資，同時從企業內外部中不斷尋找新應用場景，這些場景又能進一步強化人工智慧的功能，形成正向循環。
(三)在人才方面，人工智慧團隊的成員多樣性還有很大的提升空間，其他分析也指出，具備多元化的團隊表現更為出色。
營運面仍為主要應用業者可逐漸轉向風險控制
從技術部署來看，機器人流程自動化、自然語言處理、電腦視覺等技術從2018年至2022年至少都有200%以上的成長。緊接著是虛擬助理、深度學習、知識圖譜，而生成對抗網路（Generative Adversarial Networks，GAN）與自然語言生成（Natural-language Generation，NLG）的成長率最低，與其技術複雜度與使用情境尚未成熟有關。
那企業在人工智慧上又以何種使用情境最多？事實上，在數位轉型喊了四五年後，企業的腳步相當務實，根據調查，24%的受訪者將人工智慧用於流程優化、20%的受訪者則是積極建立人工智慧數位產品∕服務，接著是客戶輪廓分析、客戶分群等行銷功能，反倒是在企業中台的風險控管、預測型服務比重較少，可看到營運優化與營收拓展仍為主力（圖1）。不過，企業也正在考慮風險控制的重要性，當前已非全球化紅利時代，各種從灰犀牛到黑天鵝事件正層出不窮地困擾業者，風險控管仍有相當大的潛在市場。
圖1 企業內部營運優化仍是2022年人工智慧應用重點。（資料來源：麥肯錫）
調查結果同時指出，許多採用人工智慧的企業正將相關功能整合到永續發展中，例如積極尋求使用人工智慧減少對環境影響的方法。43%的受訪者表示，他們的企業正在使用人工智慧來協助可持續發展專案，40%的人表示其組織正努力透過最大限度地運用人工智慧分析能源使用狀況，這些企業主要分布在大中華區，特別是中國的業者在政府「2030碳達峰」的政策下，許多公司正運用內外部豐沛的數據訓練人工智慧模型達到減碳效益。有趣的是，北美與歐洲的企業在這部分投入反而較少，美國的企業雖然明瞭減碳重要性，但目前政策並不明朗，而歐洲雖然具備強大的減碳意識、做法也行之有年，但採用人工智慧的比例仍有相當進步空間。
人工智慧企業領導者具備哪些成功要素？
麥肯錫指出，人工智慧企業領導者相較其他同業更能抓住在何處享受技術帶來的價值，例如制定完整的人工智慧策略，並連結業務、財務指標，同時更頻繁地參與能夠大規模開發和部署前瞻技術，發展人工智慧產業化。通常這些領導者具備完善基礎設施，例如模組化的數據架構、優質的數據、完整的DevOps團隊，以及強悍的資安措施，以快速適應新的應用程式開發。同時，這些業者也發展數據的流程自動化，這既可以提高模型的開發效率，又能透過更多高品質的數據倒入演算法，進一步提升開發的應用程式的數量。當然，越前瞻的人工智慧應用可能帶來越高的風險，除了資訊安全外，如何建立好的人工智慧治理機制也相當重要，例如確保人工智慧和資料治理政策、標準化流程和協議、自動化流程（控制資料品質以減少手動輸入資料造成的錯誤）、測試模型的有效性，並隨著時間監控模型是否存在偏誤問題等。
除了前瞻技術探索與治理機制外，技術投資金額與方式也帶來競爭差異，人工智慧企業領導者持續投資新科技，其支出超過其他同業。受訪者認為企業至少投入20%預算投入數位科技。此外，企業也設立如「研究院」、「創新研究中心」等場域，深耕人才與技術研發；同時加入人文、社會等未來人工智慧於實際應用時所面臨議題之研究，培養充足的AI人才（圖2）。
圖2 企業招募人工智慧相關人才種類排名。（資料來源：麥肯錫）
當然，這些投資不能僅限於企業力量，政府的措施也相當關鍵，例如英國設立資料倫理與創新中心——該中心向政府提供有關確保資料、技術安全，與創新所需的措施的建議；又或者像義大利的人工智慧國家博士學位取得，培養人才在資安、製造、農業等不同領域的技術應用。
另外，在人才招募上，軟體工程師成為主要招募對象，調查指出企業在2021年僱用最多軟體工程師，高於資料工程師和資料科學家，這顯示出這許多企業已在很大程度上從試驗人工智慧轉向積極轉型實際應用。而表現良好的業者在過去一年中聘請機器學習工程師數量是過去2021年的兩倍多——機器學習工程師專注於優化資料科學家構建的模型，以提高性能和可擴展性，以及自動化機器學習管道，從數據擷取到預測功能設計都是其工作範疇。不過，即便是名列前茅的業者也指出人才的供不應求，從2017年至今都是。在尋找人才時，50%受訪者指出，最實際的方法是現有員工再培訓。從頂尖大學招募以及來自其他業者挖角，也是常見的策略。
值得一提的是，對於新創業者來說，過去在人才招募上較為困難，但當前因景氣下行，大型科技業如Google、Amazon、Meta可能大量裁員，這些人才有機會朝向非科技業與新創公司移動，形成另類的循環。
＜本文作者：Howie Su現為產業分析師＞