AI長鞭效應

想像你在經營一家餐廳。如果菜單上有酪梨醬，你就需要酪梨。你每週訂購100磅。有時100磅太多了，就得扔掉多餘的；有時100磅不夠，就錯過了銷售機會。

後來你採用了AI進行需求預測，並且真的奏效。現在某些週間你只需訂購30磅，有些週間你需要300磅。減少浪費，銷售得更多，獲利也增加了。

當地的供應商原本習慣於每週你會購買100磅。現在因為你而面臨更多不確定性。他們的其他客戶也在使用AI進行需求預測，需求開始大幅波動。

因此，供應商決定採用AI進行自己的需求預測。他們過去每週訂購二萬五千磅。現在的訂單則在五千磅到五萬磅之間波動。他們的供應商也需要採用AI，訂單一樣開始會波動。如此往復，一直上溯到需要提前一年或更長時間決定作物規模的種植者。

我們將這種效應稱「AI長鞭效應」，是指實施AI提高了某一決策的品質，但因降低其他決策的可靠性，對系統中的其他部分造成了損害。就像長鞭一樣，一個地方的小變化可能在別處造成巨大衝擊。

我們面臨著一個悖論。AI的價值在於透過將你的行動與可能不確定的因素相配對，以做出更好的決策，但也因此讓你的決策對其他人來說變得不那麼可靠。你可能會把不確定性問題推給別人，這意味著，與其使用AI適應不確定性，不如堅持使用一個更可靠的系統。

有兩種方法可以透過打造AI系統解決方案解決這個問題：增加協調性或增加模組化。

協調的價值

餐廳的AI能夠預測需求。餐廳經理則能做出其他決策，例如提供什麼菜單。如果AI長鞭效應導致種植者無法提供足夠的酪梨，那麼餐廳就需要更改菜單。但只有在知道酪梨供應不及時才能做到，這需要協調。

這種協同作用意味著需要考慮如何讓多個決策者之間達成協議，管理變化和調整，而不是進行轉變和改變的過程。

為了理解這一點，你可以想想八人賽艇隊的運作。有兩個因素會決定隊伍在比賽中的表現。首先，他們是否同步划行。其次，在比賽進行中他們可以調整划行速度，確保在比賽結束前不會有划手耗盡全部精力。坐在船尾的舵手是負責第二個功能的關鍵人物，但就第一個功能而言並非如此。

這可能看起來很奇怪，因為舵手喊著「划，划，划」，負責讓所有划手保持相同節奏。但這並不需要特別由一個人負責。在沒有舵手的比賽中，其中一名划手也可以做到這一點。

但是，要在比賽中監測戰略和獲取個別划手狀況的資訊，亦即收集資訊並進行匯整時，舵手是相當關鍵的。他可以評估是否需要改變節奏，因此調整傳達給划手的資訊。同樣地，如果整場比賽使用單一的划行速率，就不需要這個功能。舵手的存在正是因為隊伍需要對資訊做出反應，但又必須確保他們以協調的方式進行調整。

對於這類同步問題，組織設計會以協同需求為基礎，因此模組化無法解決問題。經濟學家保羅．米格羅姆和約翰．羅伯玆（John Roberts）稱之為分配問題，也需要針對獲得的資訊做出同樣類型的協調回應。這類問題涉及將資源分配給某個活動，但你知道只需要一定數量的資源；多餘的會浪費，而不足的會不夠。考慮一下救護車調度問題。如果發生緊急醫療情況，有輛救護車到場是很重要的事，但有兩輛前往現場則是種浪費。為了確保只有一輛救護車出動，你需要一位中央調度員，無論是人還是軟體都好，負責接聽緊急電話（即資訊），然後指派一輛救護車出動。

與其劃分決策權，並保護組織的其他部分不受某部分基於AI預測所做決策的影響，不如為通訊系統（communication system）提供資源和努力，以確保不會出現單點解決方案帶來的不良結果，亦即缺乏同步或資源分配不當。透過有效的通信和系統設計，潛在的不良後果就能降到最低，更能夠讓關鍵決策回應AI預測。預測與協調的結合就是系統解決方案。每個決策都會因為響應預測而得到改善，而不會影響可靠性。

模組化的價值

模組化就是在AI預測的決策周圍建構屏障的方法，以避免該決策與組織中其他決策之間缺乏一致性，所帶來的成本。模組化降低了協調的成本，但其代價可能是犧牲協同效益（Synergies），也是就AI預測推動某一決策的同時，允許其他決策朝相似方向發展而達到的綜效。在無法協調時，模組化能使一些決策因AI而受益，同時保護其他決策免受可靠性降低的影響。

赫伯特．賽蒙，是唯一身兼諾貝爾經濟學獎和電腦科學圖靈獎的得主，他曾提出一個關於組織如何應對更複雜情況的寓言。在這個寓言中，有兩個製錶師傅都能製造高品質的鐘錶。兩人都很受歡迎，不斷有新客戶洽詢。但後來一人生意興隆，另一人卻生意慘澹。為什麼呢？

手錶是由一千個零件組成。一種方法是一次組裝整支手錶，如此一來，就能做出更高品質的成品。但如果過程中製錶師被打斷（例如被另一位客戶打斷），他就必須從頭開始重新組裝。另一種方法是將手錶分成小部分組裝，每部分包含十個左右的零件。接著再把這些部分組裝起來，雖然會稍微花費更多時間，最終結果可能不那麼完美。但這種方法的優點是，如果過程有中斷，失去的只是小部分。最終，這種製程比較快，能讓製錶師傅製造更多手錶。第二種方法，被稱為模組化，更具韌性和可擴展性，對於較複雜的產品來說更是如此。

設計的價值

如果決策不必與系統其他部分的決策一致，那麼採用AI做出某一決策會容易得多。這是程度上的問題。當然，就觀念上而言，整個系統能夠作為一個整體運作會更好。問題在於，如果這種情況無法實現，是否能夠在不產生過多成本的情況下，獲得AI的好處。

為了理解這一點，讓我們看看亞馬遜的運作方式。亞馬遜在全球供應數百萬種產品。他們採購產品，存儲在倉庫中，接收客戶訂單並將產品運送給客戶，但同時涉及先幫客戶決定要買什麼，也就是向他們提供推薦。

就觀念上而言，亞馬遜面臨著與餐廳類似的問題。他們希望在客戶需要時供應他們想要的產品，但產品不會神奇地出現。一條供應鏈跨越數千公里和數月時間。因此，如果無法取得推薦給客戶的產品時，那該怎麼辦？

我們很容易認為解決方案就是：不要這麼做。如果你沒有可銷售的產品，就不要向客戶推薦。但這種方法有個問題：如何知道客戶真正想要卻沒有庫存的產品是什麼？如果你只推薦現有的產品，就會錯失成長和擴展機會。

這就是為什麼亞馬遜會推薦缺貨商品，或可能需要更長時間才能送達客戶端的產品。這些決策在某種程度上是協調的，因為亞馬遜會將可能延遲的情形告知客戶。客戶可能會選擇有貨的產品，但偶爾不會。這樣一來，亞馬遜就能了解需要投入多少努力來維持這些產品的庫存。

實現這種平衡需要精心設計。亞馬遜擁有模組化的機構，使其能夠將更好的AI預測置入到推薦系統中，進而將對組織其他部分的影響降到最低。但如果做得過頭，就太過分了。因此，他們在庫存和訂購上的選擇，不能完全無視推薦AI的運作，因為正是客戶的選擇和反應，產生了物流部門需要溝通和採取行動的訊息。

AI的採用往往涉及系統解決方案，找到模組化和協調的最佳平衡。模組化使決策不受AI帶來的變化影響，減少了對可靠性的依賴。相較之下，協調則直接創造了可靠性。成功的AI系統會在可能的情況下達到協調，在必要的情況下進行模組化。（本文摘錄整理自《AI顛覆經濟學》，啟動文化提供）

圖片來源_啟動文化

 書名  AI顛覆經濟學（Power and Prediction: The Disruptive Economics of Artificial Intelligence）

Ajay Agrawal, Joshua Gans, Avi Goldfarb／著；游懿萱／譯

啟動文化出版

定價：580元

 作者簡介 

阿杰・艾格拉瓦（Ajay Agrawal）

多倫多大學羅特曼管理學院策略管理學教授、美國全國經濟研究所（National Bureau of Economic Research）研究員。同時是創意破壞實驗室（Creative Destruction Lab）創辦人、NEXT Canada共同創辦人。圖片來源_多倫多大學

約書亞・格恩斯（Joshua Gans）

多倫多大學羅特曼管理學院策略管理學教授、多倫多大學創意破壞實驗室的首席經濟學家、美國全國經濟研究所研究員。圖片來源_多倫多大學

阿維・高德法布（Avi Goldfarb）

多倫多大學羅特曼管理學院的人工智慧與醫療講座教授，也是該學院的行銷學教授。他是創意破壞實驗室的首席資料科學家、美國全國經濟研究所研究員。圖片來源_多倫多大學