AI 轉型與治理的領導：一位人工智慧長的觀點

Tom Soderstrom：
歡迎收看由 AWS 為您帶來的領袖觀點播客。我叫 Tom Soderstrom。我是 AWS 的企業策略師。觀察當前的產業發展趨勢，核心趨勢之一便是生成式 AI 與雲端技術的興起。這兩者密不可分。若沒有雲端，就無法真正實現生成式 AI。

然而，技術本身若缺乏人才來推動與採用，其價值便無從體現。今天我們非常幸運地邀請到來自 Leidos 的人工智慧長 Ron Keesing，他將與我們一起探討這個新設職位及其意涵。Ron，非常感謝你的參與。

Ron Keesing：
謝謝，Tom。很高興能來這裡。

Tom Soderstrom：
能否先和我們簡單聊聊 Leidos 以及你個人的背景？ 之後我們再進一步探討你現階段的職責。

Ron Keesing：
沒問題。當然，Leidos 是...很多人對我們並不熟悉。我們雖非家喻戶曉的品牌，但確實是一家大型企業。我們是一家《財富》300 強企業，致力於解決世界上安全與健康領域最棘手的問題。

這個職位相當有意義，我目前負責領導 Leidos 的 AI 業務，因為我們的服務對象主要是美國政府，承辦的任務包括維護美國聯邦航空總署 (FAA) 空中交通管制系統的正常運作。也就是說，我們編寫了確保空中交通安全的軟體。此外，我們還為美國國防部 (DoD) 營運全球最大的電子健康記錄系統之一，實際上為超過 1,000 萬名使用者提供維護服務。我們處理的殘疾福利申請與鑑定案件的數量，超過美國境內的任何其他機構。這還只是我們在醫療領域的部分業務。

我們還運營著一些極為出彩的物流供應鏈，其中包括國際太空站的物流供應鏈。

Tom Soderstrom：
那真的很了不起。

Ron Keesing：
是啊，這的確很出色。我們還代表美國國防部運營全球第三大 IT 網路。

由此可見，我們的業務規模龐大，涉及大量以資料為核心的工作，而 AI 對這些工作至關重要。我接觸 AI 領域已有相當長的時間。之前我們曾交流過，談到你在 JPL 的經歷，而我當時參與了一項 NASA 任務，我們與 JPL 合作在 90 年代打造了第一代自主太空船。所以我在 AI 領域的資歷頗深。我在 Leidos 任職已超過 20 年，期間領導過眾多 AI 專案。

Tom Soderstrom：
如今人工智慧長這個職位逐漸興起，很多人會問：「這個職位的成功意味著什麼？ 對任職者有哪些期望？」 那我們就從這裡開始：你對這個角色的期望是什麼？

Ron Keesing：
我非常認同一項領導原則，我認為這也與 AWS 的價值觀相符，那就是「承擔責任」的重要性。我分析了 Leidos 當時的狀況。我們早已涉足 AI 領域，但即便制定了 AI 策略，始終沒有人真正承擔起執行的責任。於是我主動提出：「我們需要一個明確的職位，不僅從技術層面，更要從企業整體層面來負責 AI 策略。我們的 AI 策略是什麼？」

我全力推動定義人工智慧長這個職位，其核心職責就是帶領 Leidos 執行全面的 AI 策略。這也是我目前的工作重點。它整合了 AI 策略，同時負責定義企業的 AI 治理原則與具體執行方式。

Tom Soderstrom：
非常有意思。Amazon 的一個重要經驗教訓就是...若想推動某件事，需要有單一責任人，也就是每天醒來後，全心專注於這件事的人。在你的情況下，這件事就是 AI。這個職位的工作描述是你自己定義的嗎？

Ron Keesing：
是的，而且...

Tom Soderstrom：
非常好。

Ron Keesing：
沒錯，這過程很順利，而且我得到了 Leidos 高階管理層與董事會的大力支持，得以真正定義這個職位並予以落實。因為我們公司在過去一年，其實一直在進行所謂的「深度戰略思考年」。我們深入思考企業的未來，也思考客戶的未來。就像我說的，我們的業務主要是協助美國政府執行各項重要任務。

在這個過程中，我們意識到 AI 對 Leidos 自身及客戶的策略而言，都至關重要。而為這項全面的 AI 策略設定一個明確的執行核心，不僅是 AI 策略的基礎，更是企業整體戰略的基礎，因為我們的許多業務都依賴於資料，需要打造能處理海量資料的大型複雜系統。對這類任務來說，AI 就是未來的方向。

Tom Soderstrom：
的確，AI 已成為企業經營的「基本要求」，而新興的生成式 AI 更是備受關注的焦點。在之前我們同台時，我聽到你的執行長提到：「第一優先的就是速度。」 那麼，作為 Leidos 負責 AI 的「單一負責人」，你將如何執行這項任務？

Ron Keesing：
我認為這項任務的核心目標，是真正將 AI 融入 Leidos 的「DNA」，滲透到企業的每一個層級。我來解釋一下這句話的具體含義。

Tom Soderstrom：
請你說明。這樣太好了。

Ron Keesing：
事實上，Leidos 涉足 AI 領域已有相當長的時間，過去 20 年間，我們參與了許多開創性的 AI 專案。例如在 2004 年，我們就參與了首屆 DARPA 大挑戰賽，見證了自駕車技術的示範。我們還為美國海軍研發了第一代自主海上船隻。多年來，我們一直在美國政府的許多令人興奮的自動化與 AI 創新領域處於領先地位。也就是說，我們公司其實具備 AI 技術能力，但這些 AI 舉措向來都是「聚焦的個別專案」，而非融入所有業務的常態化工作。

我們現在面臨的挑戰是：如何運用既有的 AI 專業知識，例如體現在我們稱為「AI 加速器」的團隊中，那裡匯聚了我們頂尖人才，可說是貨真價實的火箭科學家級人才。但我們要如何運用這些人才，開始發展更多的中心輻射模式，讓 AI 優勢滲透到組織的每一個層級？事實上，要實現規模化發展，抓住生成式 AI 帶來的機遇，僅靠集中式團隊已經不夠。你實際上必須讓 AI 能力擴展到整個組織。

我甚至認為這還不夠深入。當我們思考未來勞動力的發展方向時，重點不只是如何擁有優秀的 AI 科學家和工程師， 實際上更要思考如何培育能與 AI 協同工作、完成日常任務的整體團隊。

我意識到，要做好這份工作，我不能試圖掌控公司所有的 AI 資源。我的職責反而應該是整合組織各部門的工作。我安排自己工作的方法，同樣獲得了公司上下的大力支持，就是透過一系列的倡議，將把公司各部門正在進行的所有工作匯聚在一起，並以統一的方式執行。​

也就是說，我的角色較少涉及「承擔責任」，更多是提供「願景」，為現有的各項工作提供明確且穩定的統籌與協同運作。如你所說，現在大家對生成式 AI 充滿熱情，紛紛展開實驗與試點。這一切都不錯。但到了某個階段，必須決定：哪些專案值得投入資源？哪些領域需要全力發展以達到世界級水準？哪些方向能創造真正的價值？

我認為我的職責是協調公司各部門的工作，確保大家步調一致；明確企業的發展願景與方向，引導所有人共同朝這個目標前進，以便快速抵達目標。​

Tom Soderstrom：
我很認同這個思路。我想提出一個可能有爭議的觀點，請你發表看法：現在很多企業都會成立「卓越中心」（COE），並認為 COE 就是推動專業化的核心。你需要的是一個出色的小型團隊。但如果成立所謂的 COE，裡面的人會個個自認優秀，招致其他人的反感，繼而各自成立自己的 COE，最後就會出現「影子 COE」與「影子 IT」。與其如此，不如成立「協作中心」，打造一股能帶動所有團隊都跟上的浪潮。而在我看來，你正在做的正是這件事。你是反對，還是贊同我的說法呢？

Ron Keesing：
嗯，我完全贊同這個想法，這也正是我們思考的方向。事實上，我們正在將「AI 加速器」團隊中培養出來的核心領導者，派駐到公司其他部門去建立這類中心，從而形成連結紐帶。

最糟糕的情況莫過於：你投入大量資源建立了集中式能力，最後大家卻各自為政。如此一來，不僅無法實現規模化，也無法確保一致性。

Tom Soderstrom：
這根本就是在浪費所有資源。

Ron Keesing：
就是這樣。因此，如何維繫這種「連結紐帶」，對我的規劃、執行方式，以及在全公司建立更分散的 AI 能力至關重要。好消息是，公司內已有許多資深員工準備好迎接下一階段的挑戰。這對他們來說也是個寶貴的機會：既能拓展職涯，深入不同的部門，還能發揮領導力，推動擴展，協助這些部門共同成長。

Tom Soderstrom：
這太妙了。接下來要問一個難題。身為人工智慧長，你以什麼方式衡量自己所取得的成績？ 所有想成為人工智慧長的人都會想：「拜託，告訴我方法。給我一套標準流程。」 你是如何衡量的？ 成功的定義又是什麼？

Ron Keesing：
對於制定這些解決方案並衡量其成效，很大一部分取決於「透過 AI 實際影響了多少業務管線」。

我們對這點有非常明確的衡量方式。我們追蹤所有參與的專案。例如前述的各項 AI 舉措。我們會明確追蹤「管線中的哪些方面運用了這些舉措開發的技術」，以及「它們帶來了哪些影響」。 最終，我們甚至會進一步追蹤：這類貢獻幫助我們贏得多少新業務？ 例如，在我們因提案獲選的過程中，這些是否被列為優勢？ 這大致就是業務管線層面的衡量指標。

現在，公司另一項想衡量的重要指標，我認為大家對人工智慧長這個職位也有此預期，就是你如何協助組織提升生產力？ 你如何協助組織提高效率？ 這是個很有意思的議題，因為當前 AI 應用面臨一個實際挑戰：我們知道如何運用生成式 AI 提升特定工作流程的效率，但如何將這些效率轉化為業務成果，目前還不明確。​​我指的是什麼呢？ 以使用 AI 作為編碼助理為例。

若編碼助理使用得當，它的確是項出色的技術。但這是否意味著，若軟體開發人員的效率提升 30% 至 40%，你就可以減少 30% 至 40% 的開發人員？ 還是說，會用提升的效率來開發更安全的軟體？ 或是會用來償還從前無暇顧及的「技術負債」？

如果考慮到這一點，有些組織想衡量的是「金錢上的影響」。但這只有在裁員時才容易計算，而多數組織恐怕不會走這條路。我認為，當人與 AI 建立良好的協作關係後，企業會承接更多工作，或解決從前未能妥善處理的問題。但坦白說，這類影響的衡量難度更高。我會衡量「潛在節省的人工時數」，但這些時數最終如何被業務部門運用，則由他們自行決定。

Tom Soderstrom：
真有趣。

Tom Soderstrom：
你所處的行業與我從前一樣，都受嚴格法規監管,若未通過合規審查，你就無法推進專案。「通過審查」本身就是一項指標，而非僅看金錢。

Ron Keesing：
沒問題。

Tom Soderstrom：
常見的問題是，合規審查往往在專案完成後才進行，這會導致專案長時間擱置。我想請你對此發表看法：生成式 AI 與編碼助理是否能改善這種狀況？例如，我們發現，在使用生成式 AI 開發的解決方案中，有 27% 能順利通過審查，並投入生產，無論是為內部開發還是為客戶提供。若能將安全性與合規要求「內嵌到程式碼中」，就能縮短合規週期，順利通過審查，這不僅省錢，而且可衡量。你怎麼看這件事？

Ron Keesing：
我完全同意這個觀點。事實上，提升程式碼安全性與交付效率，正是將技術轉化為實際業務價值的方式之一。你剛提到了「價值實現時間」這個概念。這是目前相當值得探討的領域，因為現今所有軟體都面臨一個現實：任何開發完成的軟體，在六個月到一年內就會面臨淘汰。若將一套軟體擱置六個月，其價值其實已經折損了一半。交付速度與部署速度至關重要，你提到的這點很有意思。

很多人認為 AI 程式碼工具的價值在於「協助撰寫程式碼」。但根據我們的經驗，其最大價值其實體現在整個 DevOps 生命週期中.如何加速所有合規審查？ 如何提升品質以儘快完成部署？ 我非常認同，尤其從軟體層面來看，AI 的價值很大程度上取決於「部署速度」與「達成合規的速度」。完全同意。

Tom Soderstrom：
那你如何衡量員工是否願意採用並使用 AI 程式碼工具呢？

Ron Keesing：
我們觀察開發人員使用 AI 程式碼工具與編碼助理的行為模式時，發現了一些有趣的現象。一般人以為，有了 AI 編碼助理，開發人員花在撰寫程式碼上的時間就會減少，AI 會幫忙完成。但實際上，在規模化應用後，我們發現開發人員花在撰寫程式碼上的時間反而增加了。減少的是撰寫套件、驗收標準、單元測試與技術文件的時間。

AI 編碼助理能在這些環節提供協助。

Tom Soderstrom：
就是這樣。

Ron Keesing：
員工就會非常樂意接受它。若它還能稍微協助提升程式碼品質，那就更完美了。但如果你試圖剝奪軟體開發人員編碼的核心工作」，他們就會強烈抗拒。

Tom Soderstrom：
沒錯。我從前也是軟體開發人員，若有人這麼做，我肯定會不高興。

Ron Keesing：
就是這樣。但換個角度想，不如思考如何將編碼助理融入他們的整體工作中，協助他們理解程式碼的脈絡。尤其在我們的領域，多數開發人員面對的是龐大的舊有程式碼庫，有些甚至已有數十年歷史。他們的大部分時間都花在「試圖理解這些程式碼的功能」。若 AI 編碼助理能協助他們快速熟悉並有效操作這些舊有程式碼庫，他們自然會喜歡使用，對吧？ 這其實不僅減輕了工作負擔，還省去了他們討厭的環節。

Tom Soderstrom：
我同意。另一個有趣的議題是「技術負債」。技術負債是真實存在的問題。且很難爭取到經費來解決。你認為該如何消除？ 我覺得 AI 可以提供協助。例如透過雲端技術，你可以使用「基礎設施即程式碼」，這代表你能夠以程式化的方式描述如何部署伺服器。突然間，你就可以將那些舊伺服器從資料中心移除，這些伺服器原本是某個團隊必須持續維護的存貨。

這是硬體部分的處理至於軟體層面的舊有程式碼,該如何處理？ 開發人員通常也想做些其他工作，但舊有程式碼的維護又至關重要。如你所說，生成式 AI 與編碼助理可以協助理解這些舊有程式碼，甚至協助轉譯程式碼並移轉至雲端。這樣一來，開發人員就能騰出時間處理其他任務。這是我們的期望，你覺得呢？ 你認為這可行嗎？

Ron Keesing：
在某些方面絕對可行。但我必須說，至少就目前我們看到的情形，AI 並非萬靈丹，不過確實有許多優秀案例證明它為我們帶來了非常好的成果。你提到的「基礎設施即程式碼」就是個很好的範例。有些人非常擅長這項技術，大家都很依賴並重視他們。但多數人並不具備這項能力。實際上，我們發現，優質的 AI 編碼助理能大幅協助非專家完成基礎設施即程式碼的相關工作。

例如，我們內部最大規模採用 AI 編碼助理的部門之一，就是資訊長 (CIO) 辦公室，他們運用生成式 AI 編碼助理撰寫大量新的「基礎設施即程式碼」，正好呼應你剛才說的，對吧？ 透過這種方式，我們能開始處理部分技術負債，減少手動設定系統的時間，將工作重心轉向如何移轉至雲端，以更現代化的方式運營，並騰出資源來推動 IT 系統的真正現代化與轉型，提升整體效率。

Tom Soderstrom：
這是個很棒的範例。你還有其他案例能證明 AI，尤其是生成式 AI，已為企業帶來實際收益嗎？

Ron Keesing：
這是個很好的問題，因為現在大家都對 AI 充滿熱情。我們都試過 ChatGPT 或其他生成式 AI 系統，直覺上認為它們能創造巨大價值，對吧？ 但實際上，要找到「持續帶來商業價值」的案例，其實困難得多。​

不過，有一個領域我們確實看到了價值，那就是「一般 IT 服務提供流程的轉型」。在傳統上，這是個高度依賴人工的流程。如前所述，Leidos 為美國政府管理龐大的網路系統，擁有龐大的服務台與傳統的支援基礎設施。但事實上，沒有人願意在 IT 系統出問題時「打電話求助」。

Tom Soderstrom：
就是如此。

Ron Keesing：
首先，大家希望 IT 系統能「自我修復」，若無法自我修復，也希望能透過某種「聊天式助理」即時解決問題。

我們目前運用生成式 AI 聊天機器人提供「客製化 IT 服務支援」，成效非常好，使用者滿意度大幅提升。我自己每週至少要聯絡 IT 支援兩三次。但 Leidos 內部使用的這款 AI 聊天機器人非常強大，成效顯著，現在我們正將它推廣給許多政府客戶。

Ron Keesing：
在眾多領域中，我最期待看到生成式 AI 帶來變革的領域，是數位工程、設計與系統工程領域，AI 能夠承擔大量傳統上高度依賴人工的流程。不過我認為，這方面的成果還有待觀察。​

Tom Soderstrom：
這對我來說很合理，因為當前面臨的挑戰是「規模化」：業務規模不斷擴大，但規模越大，難度越高。以非常複雜的系統工程任務為例，有太多細節需要掌握。而 AI 最擅長的就是「處理海量細節」。

Tom Soderstrom：
那你認為 AI 的未來會是怎樣的？

Ron Keesing：
好吧，現在輪到我提出一個可能有爭議的觀點。

Tom Soderstrom：
不錯。請你說明。

Ron Keesing：
當前 AI 領域正處於一個非常有趣的階段：若你觀察現今的工作模式，會發現所有流程都建立在「文字生成與文字消費」的基礎上。也就是人類產生文字，再由人類閱讀文字。但我們即將進入一個新時代：AI 將越來越多地成為文字的最終產生者。而最終在另一端消費這些文字的，也將是 AI。

讓我舉個例子，說明這在我所處的世界中可能會如何發展，也就是我們為爭取美國政府的專案而撰寫提案的過程。好吧，我們正像每個人一樣使用 AI。現在大家都在嘗試用 AI 簡化並改善提案撰寫流程。當然，AI 生成的只是初稿，後續仍需人工反覆修改。我預期 AI 在這方面的能力會隨著時間越來越強。而我們的客戶現在面臨的情況是：他們要審閱的提案越來越多，但能處理這些提案的人卻越來越少；所以他們也開始思考，要如何運用 AI 來閱讀這些提案。

Tom Soderstrom：
這點非常有意思。

Ron Keesing：
對吧？

Tom Soderstrom：
是。

Ron Keesing：
如果思考極端的情況，我們未來可能會建立一套「知識模組」，然後將這些片段輸入一個 AI 系統，由 AI 生成一份漂亮的書面提案。而客戶方則會用 AI 系統閱讀這份提案，提取出其中的知識模組，再透過某種方式比較這些模組，最後決定選哪一家。雙方都會將「生產力大幅提升」歸功於這些 AI 系統，但事實上，這些 AI 可能並未創造任何核心價值，因為「文字的編碼與解碼過程」根本沒有得到真正利用。

這點很值得深思：無論是組織內部還是組織間，我們現有的許多工作流程都以「文字作為知識傳遞的主要媒介」。大家都很興奮能透過 AI 轉變這種工作方式，但除非我們重新思考「這些流程的本質」，並意識到「文字可能不再是如今我們認知中的核心傳遞媒介」，否則無法創造真正的最終價值。

Tom Soderstrom：
非常有意思。你我都寫過大量大型提案，最後提交的版本往往只是一開始撰寫內容的一小部分。這意味著浪費了大量時間。

Ron Keesing：
沒問題。

Tom Soderstrom：
那麼，你能不能重用那些內容片段，或許 AI 可以幫上忙。這點非常有趣。

Ron Keesing：
要知道，以我們現有的系統來說，要做到這點還有很長的路要走。但歸根究底，現在已經能看到這類情況了，如今我親眼見到有人會先用 AI 生成幾個要點，再讓 AI 把這些要點擴寫成郵件；而郵件的接收方，又會請 AI 幫自己讀這封郵件，並將內容濃縮成核心重點。也就是說，這類工作流程其實已經開始萌芽。我認為，日後我們會越來越需要思考：我們真正想要的工作模式究竟是怎樣的？

例如，在篩選投標廠商的場景中，這種情況可能如何運作。或許我們會逐漸轉向一種機制：採用口頭簡報的形式，讓相關人員與提出方案的團隊直接面對面交流。畢竟現今那些長達 500 頁的書面提案，在技術層面已不再具備太多實質意義。

我覺得你剛才這番話，說不定已經激發了外面一大堆新創公司的想法，讓他們心想「對啊，這件事我也能做」。 我認為這種情況的確會發生。目前 AI 領域仍處於萌芽階段。這是個令人興奮的時代。現在有很多人在觀望，並想擔任人工智慧長這樣職位。你會給他們哪些建議？ 若讓你提出三點建議，當然也可以多提，你會告訴那些想成為人工智慧長的人什麼？

Ron Keesing：
或許我會結合我們現階段所處的情境，來提出這些建議。

Tom Soderstrom：
沒錯。

Ron Keesing：
如果你正試圖協助組織在當前的 AI 浪潮中前進，我的第一點建議是：專注於你的資料。大多數組織對 AI 的應用抱有極高期待，但他們的資料並未處於「可直接應用 AI」的狀態。這意味著他們根本無法用 AI 解決想要解決的問題。

要知道，任何試圖優化資料的工作，都很容易淪為耗時十年的漫長過程，或是毫無進展的苦差事。因此，你必須明確自己該如何推動這項工作。你需要思考的是：如何建構一個「AI 資料產品基礎層」，這個基礎層必須能體現組織的核心業務流程，進而釋放 AI 的潛力，推動工作模式轉型。

第二點建議是：「思考 AI 與人的協作關係，將其視為一種夥伴關係」。現今關於 AI 的討論，太多都偏離正軌，變成「AI 是否會搶走人類的工作？ 是否會導致裁員？」

我們都聽過，也看過這類討論。但事實上，像你我這樣在 AI 領域深耕多年的人都清楚：成功的 AI 專案幾乎都是將人類的優勢與機器的優勢相結合的結果。建構真正具協同效應的夥伴關係，並將 AI 的運作模式定位為人類與 AI 系統間的協同夥伴關係，才是成功的關鍵。

事實上，你用來優化 AI 系統運作方式的絕大部分關鍵資料，都來自人類與 AI 系統的實際互動。對於所有思考如何自建 AI 解決方案的人，我強烈建議他們將「人機夥伴關係」做為核心框架。

第三點建議，我想從治理的角度來談。我認識的大多數組織都開始面臨這樣的挑戰：如何治理 AI？如何在創新的同時兼顧治理？ 在我看來，要找到這個平衡點，關鍵在於「明確理解 AI 風險的本質、來源與管理方式」。

不要將治理重心與治理資源放在低風險的 AI 使用案例上。要允許大家嘗試、快速推進、摸索有效的方法，並將本就有限的治理資源集中在那些真正存在業務風險的事務上。此外，請將 AI 治理實務與企業整體的風險管理機制相連結，使其能扎根於真實的業務原則之上。

Tom Soderstrom：
我非常認同這個觀點。你聽過 Amazon 的「單向門決策」與「雙向門決策」原則嗎？

Ron Keesing：
事實上，我沒聽過這個原則。

Tom Soderstrom：
所謂「單向門決策」，指的是只有最高階主管才能做出的重大決策。例如我們要開拓新的區域市場，可能需要投入數十億美元。這類就是重大決策。而大多數決策都屬於「雙向門決策」：也就是說，即使做了這個決策，日後也能調整方向。你之前描述的內容，其實非常符合這個原則。讓風險專家負責處理重大風險事務，而允許團隊在低風險領域自由實驗。若能降低大多數事務的風險，推進速度就能大幅加快。

Ron Keesing：
沒錯，確實如此。

Tom Soderstrom：
這確實是很棒的建議。不過，我真的很感謝你帶來這場極具啟發性的對談，也期待未來能有更多交流。未來我們如何衡量 AI 領域的成功，一定會是個值得關注的議題。畢竟這個領域仍處於萌芽階段。

Ron Keesing：
完全同意。

Tom Soderstrom：
如果你是 AI 領域的從業者，想了解人工智慧長的工作日常，歡迎聯絡 Ron。

Ron Keesing：
是。

Tom Soderstrom：
非常感謝。

Ron Keesing：
謝謝，Tom。

立即收聽

立即收聽

立即收聽