當生成式AI讓寫程式碼的專業性降低,我們似乎迎來「公民開發」的時代。使用者能夠自行開發符合需求的程式,專業人員也能撥出時間專注於複雜的系統研發;然而,相關的數據治理難題也應運而生……
插畫/布雷克.凱爾(BLAKE CALE)
2022年,傑森.艾倫(Jason Allen)抱回美國科羅拉多州博覽會(Colorado State Fair)的新興數位藝術家首獎,當時他得到的遠遠不只是一條藍絲帶和一張300美元的支票。艾倫是遊戲公司「化身遊戲」(Incarnate Games)的總裁,使用稱作「Midjourney」的生成式人工智慧(generative AI)工具,創作他的作品「空間歌劇院」(Théâtre d'Opéra Spatial)。
本文觀念精粹
問題:不曾有編寫程式碼背景的員工,日益使用生成式AI和其他易於使用的軟體工具,來建構商業流程應用程式。
關切:技術專家擔心公民開發人員會引進品質低劣的系統,IT團隊不得不加以修復,或者生成式AI工具會完全取代IT部門。
解決方案:企業應該主動招募、培訓和賦權給公民開發人員,讓他們能和IT部門、其他的事業部並肩合作,而不是互相對抗。
他給系統一個文字提示,軟體幾秒鐘內就設計出作品,不過他說自己花了兩個星期來完善這個作品。(他沒有公開透露那個提示的確切內容。)藝術家和評論家在《大西洋月刊》(Atlantic)、《紐約時報》(New York Times)和其他的媒體上,對艾倫的勝出表達不悅。他們提醒各界注意ChatGPT、DALL-E和Bard等新近推出的生成式AI工具帶來的影響,因為有了它們,技術(和藝術)新手就能以自動化和近乎即時的方式,生成引人入勝的文字、照片和影片。但是,不僅藝術家關切這些工具在他們所處的領域代表什麼意義。資訊科技(IT)的專業人員也注意到這一點。生成式AI可以幫助沒有編寫程式碼背景的員工,搖身成為熟練的程式設計師,或者我們所稱的「公民開發者」(citizen developer)。非技術員工只要在提示中簡單地描述自己想要什麼,就能和生成式AI工具協作,建構整個應用程式(app),而先前這個過程一直需要用到高階的程式設計能力,直到最近才改觀。
積極而謹慎地執行公民開發,可以改變員工和組織之間的關係。IT領域歷來都包括建構者(IT專業人員)及使用者(其他所有的員工),而使用者是相對弱勢的技術操作者。這常常導致IT專業人員難以及時滿足使用者的需求,並導致技術專家、業務領導人和app使用者之間在溝通上產生問題。公民開發啟動了一個新時代,讓員工不僅能改善或簡化本身的各項流程和任務,還可以完全自動化地執行這些流程和任務。
由於不需要IT專業人員來設計和建構新的app,使用生成式AI開發的系統,將更有可能符合使用者的特定需求,從而提高app可能的效用。IT專業人員將能騰出時間,專注於真正需要他們專業知識的複雜系統和技術。
儘管如此,和我們談過的許多IT員工都反對公民開發。他們擔心,這麼做會產生品質低劣的系統,IT團隊必須去修復,或者生成式AI工具將完全取代IT。最終,組織裡的系統可能會和員工一樣多。組織依賴的公民開發系統,可能只有少數員工知道,或者當初開發的人員早已離開公司。整個企業中的「灰色IT」像這樣爆炸性增加,以及後續重新修復損壞技術系統的成本,是重要的議題。若沒有適當的控制和防護,廣泛的公民開發可能會造成一片混亂。
這些關切不無道理,但公民開發者的需求是顯而易見的。軟體供應商已經開始在自家產品裡添加生成式AI介面,協助以聊天或語音的方式,發出交易、數據和分析等方面的請求。我們預期,大多數的商業軟體很快就會透過類似的系統而開發出來,或者彼此互動。廣泛的公民開發可能引進更廣泛、更快速的方法來從事以技術為基礎的創新,包括數位化、自動化和數據分析等領域的創新。AT&T、安智銀行(ING)、嬌生(Johnson & Johnson)、PwC、德勤(Deloitte)和其他大公司,正在實驗推動公民開發計畫。(資訊揭露:本文作者之一戴文波特是德勤的顧問,也在嬌生公司舉辦的活動上發表收費演說。)這些公司正在了解應該讓哪些員工加入公民開發專案、這些人應該扮演什麼角色、應該如何訓練他們,以及如何營造同儕學習和協作的文化。
公民開發引發一個關鍵問題,那就是IT組織最後將何去何從。它們要如何促進和保障公民開發,又不會對其製造太多的阻礙?排拒公民開發的好處是不切實際的,但如果不能謹慎管理,結果可能更糟。本文作者包括一位學者、一位顧問,還有一位實務工作者,在AI和分析領域合計有數十年的經驗,我們將分享一套步驟,可對員工成功引進公民開發的做法。我們為了擴展對公民開發的了解,於是訪談8家公司的經理人,檢視這個主題的線上討論,並和幾家供應商討論以公民為導向的工具。(戴文波特曾經與人合著文章刊登在《哈佛商業評論》,探討公民數據科學和先前的公民開發工具組,稱為低程式碼/無程式碼。)
“公民開發引發一個關鍵問題,那就是IT組織最後將何去何從。它們要如何促進和保障公民開發,又不會對其製造太多的阻礙?
公民開發者的兩難
以生成式AI建構app的過程,通常在一開始是由使用者詢問聊天機器人(或者那套系統使用的任何介面),要如何完成某件事。例如:「你要怎麼建構用於顧客服務的iPhone app?」系統會描述建構這個app的理想步驟。接著,使用者可以要求系統描述每個步驟,詳細程度取決於使用者的技術能力,但無論描述得多麼精細或基本,系統都會引導使用者進行這整個過程的每一步。使用者如果遇到困難,或發現所生成的程式碼無法運作,可以告訴工具他們看到什麼,工具會幫助他們找出問題並排除。這個過程很可能需要反覆試錯,但每個人都能獲得力量產生出程式碼和app。
設在阿姆斯特丹、在40個國家營運的安智銀行,在需要開發更多的機器學習(machine learning)模型投入運作時,就使用類似的流程。安智在有營運的許多國家都缺少專業的數據科學人才,於是開始探索公民數據科學的能力。這間銀行正致力於向公民開發者提供技術專業知識,並找出自動化機器學習可以投入的使用案例(本文作者之一的托馬克不久前是這家銀行的全球分析長)。安智的員工無疑能夠創建一些機器學習模型,例如,預測顧客點擊app訊息,或回覆電子郵件宣傳活動的機率。這麼做,可以讓數據科學專業人員不再從事簡單的重複性數據管理和分析任務。但是,這家銀行裡希望一展身手的公民開發者,需要適當的培訓和實務經驗才能成功做到。安智員工建置的機器學習模型,也需要擺脫嚴格的法規束縛,但可能還是需要繳交一些文件。最後,IT部門仍必須部署和管理一些用於支援自動化機器學習開發與使用的工具及平台。
這些只是安智在制定公民開發政策時,當下正在處理的一些問題。
很少有組織已經開始考慮和公民開發相關的挑戰。舉例來說,如果某個部門已經依賴某個由公民開發的app,而開發那個app的員工跳槽到另一家公司,那會怎麼樣?其他的挑戰和是否有充分的技術專業知識有關。例如,有些數據科學組織認為,缺乏專業數據科學背景的人,對模型發展的了解不夠多,無法有效地開發出模型,即使有自動化機器學習能力協助也做不到。他們擔心公民開發的演算法會做出對組織有害的決策。另有一些公司指出,即使是專業的數據科學家,創建的模型也難免出現偏見或漂移(drift,指隨著時間過去而預測效果變差),如果連他們也會在數據科學方面出錯,新手要如何避免犯更多的錯誤?但是,我們沒有看到造成長期損害的證據。
我們確實知道一些公民開發計畫暫時走偏的例子。例如,一家歐洲電信公司很早就實施機器人流程自動化(robotic process automation,RPA)計畫,依循嚴格的商業邏輯和輸入資料,自動執行各項任務。這家公司的RPA團隊由業務人員組成,而非IT員工,而且還沒有做好充分準備,或是說在更廣大的組織中尚未被充分了解。第一個問題是,當程式碼投入運作時,沒有刪除程式碼自動化編寫中用於測試目的的一個環路。結果,大量免費的iPhone被誤送給顧客。第二個問題,RPA機器人的程式設計不正確,因而將信用額度算進顧客的帳戶,引起公司的審計和法令遵循團隊發現情況不對勁。一名公民開發者差點遭到解僱。
員工可能濫用RPA,將本身的任務自動化,以便接另一家公司的額外工作。擔憂這種情況的高階主管,設想員工會在RPA或生成式AI的協助下,暗中保有兩、三份全職工作;而我們在線上討論中,發現有這類「超額受雇」的人描述自己的經歷。公司可以透過獎勵員工的創新,來緩解這個問題,也就是提供更高薪酬或更多責任,給能夠以自動化方式執行自身工作的員工。
現在公民開發最重要的問題,也許不是任何特定的程式碼編寫混亂、治理缺口,或暗中使用自動化來賺取多份薪水。問題在於,許多組織沒有正視公民主導的創新所可能產生的巨大衝擊。它們不曉得這方面的機會和好處、因為IT部門抗拒而打退堂鼓,或者無法制定必要的支持和治理機制。
個案研究:PwC
PwC建立了一個廣泛的公民開發流程,稱為「數位加速器」計畫。這個計畫在2017年啟動,起初包含3個部分:數據科學、自動化、數據管理。最近修訂後,加進了低程式碼/無程式碼的解決方案,以及生產力的改善。公司宣布一些計畫,打算教導65,000名員工學習AI技能,包括生成式AI。PwC從員工中招募公民開發者,他們自願參加相關技術的線上課程。獲得認證後,他們可以在工作上抽出時間,開發與PwC的客戶服務或內部行政管理有關的app。員工如果開發出非常實用的app,會得到為數不多不少的酬勞。籌備這項計畫的產品和技術小組,原本預期會有500名員工自願參加,結果最後有2,000人報名。
這項計畫為PwC帶來許多好處。過去每個事業單位(審計、稅務、諮詢)內部,各個技術開發小組各自為政,但公民開發者會促進跨單位的共享和整合。有些專案已經嵌入企業的能力之中;另外一些專案(例如新的視覺化方法)則用於與客戶互動。公民開發者返回自己所屬的事業單位時,通常身懷以前缺乏的技術能力。
數位加速器人員艾米麗.唐納修(Emily Donoghue)來自稅務事業部,在這個單位裡被要求執行一些繁瑣的任務,因而感到沮喪。她和她的團隊編寫了一套程式,把從不同的電子試算表中提取數據的工作流程自動化。這套程式節省了40個小時的審計工作時間,最後成為PwC內部數據庫的標準數位資產,公司中的任何人都能取用。
其他組織如果想要像PwC一樣在公民開發方面取得成功,就必須完成幾項任務。所有的任務都必須執行,但不一定要按照以下的順序執行,而且如果要更改或改善某項任務,通常不必大幅改變其他的任務。
任務01:招募公民開發者並加以分類
正式或半正式的招募工作,可能會吸引大量員工來參與建構技術性app。許多職能和單位都有人員在試驗進行公民開發,因此若在全公司徵求自願人士,可能會有很多人響應。IT團隊和自動化或數據科學卓越中心的經理人,也許很清楚潛在的興趣。推廣相關技術的課程,可能也有助於人員的招募。
“許多職能和單位都有人員在試驗進行公民開發,因此若在全公司徵求自願人士,可能會有很多人響應。
一些公司在為這些計畫招募員工時,會尋求具備某些特質的員工。例如,嬌生公司表示,它要找的是具有邏輯思維、技術能力、喜歡學習,以及有過依照規則工作經驗的人。一些人的學習動機是幫助自己同時處理多項任務,或者有更多的自由時間。有些人的動機則是出於達成企業的目標,希望獲得錄取、培訓和(有時)得到獎勵,以自動化、分析和優化自己所執行的工作。他們的目標可能是爭取認可,或者紓解繁瑣工作的無聊感,但他們的努力,受益的終究主要是雇主。還有些人的動機可能是造福社會;他們可能自願使用一些工具和程序,來蒐集、分析與記錄資訊,以協助進行健康照護或環境方面的研究。私部門的公司可能希望將推廣招募作業,當做促進員工成長或公益慈善成就的途徑。
公民開發者的種類會因他們的職務而有所不同。其中有「偵察員」,負責找出改善和改變的機會;「設計師/建築師」負責開發新的、更好的工作方法;「開發人員/自動化人員」負責建構app來改善這些流程;「數據科學家/分析師」則負責研究、分析和報告新舊流程的狀態。
德勤的AI學院(AI Academy)為AI領導人、策略人員、公民開發者、專案領導人和研究人員,創建不同的內部「AI熟練」課程。有些課程需要在上完之後取得認證;其他課程比較非正式。有些屬全職,有些屬兼職。不同的員工需要和渴望擁有不同程度的技術專業知識水準。
任務02:培訓和認證開發人員
公民開發確實需要一些培訓,但不必很多。我們訪談過的公司,平均提供40到80小時的培訓,指導如何學會成功所需的技術和技巧。全球性的廣告和行銷公司電通(Dentsu)等一些公司,會舉辦黑客松(hackathon)創意程式競賽,讓新培訓的公民開發者發表他們建構的app。培訓要求的條件各有不同,取決於公民開發者可能要接受多少專業監督。例如,如果他們開發的所有模型在投入運作之前,都必須經過專業數據科學家的審查,那就可能需要較少的正式培訓。
公民開發的系統通常會連接到或改變現有的一些交易系統,或者提取和分析來自現有系統的數據,所以一般來說,開發人員也需要了解企業的IT架構和防護機制,以便安全地存取及使用數據。但同樣地,如果這些系統經過IT或其他專業人員的認證,可能就不見得一定要提供培訓。至少,組織中應該要有人清楚知道哪些app被開發出來、誰開發它們、用於什麼目的,以及是否被認證為企業級。
有些公司認為應該先改善流程,再實施流程自動化,所以公民開發者應該接受漸進式流程改善技術方面的訓練,例如六標準差(Six Sigma)和精實(Lean)。另一種方法是集中設立由流程改善專家組成的團隊,在自動化之前快速分析。
有些公司不要求公民開發者獲得認證。有些則要求內部考試和認證。還有一些公司找第三方進行認證。需要認證到什麼程度,可能取決於特定業務領域的重要程度,或者受到多少外部法規的規範。
任務03:建立公民開發基礎設施
為了協助公民開發者取得成功,公司應該提供他們標準的工具並建立基礎設施,讓app的開發更為容易。無論所用的工具是生成式AI系統、RPA工具、低程式碼/無程式碼產品,還是自動化機器學習系統,企業都應該提供相關的訓練,並且鼓勵共享部分或完整的解決方案。許多供應商現在提供專為公民開發者使用而設計、標準軟體的較容易使用版本,而且是低程式碼或無程式碼版本。供應商也開發中樞(hub)、市集和入口網站,讓公民開發者共享可再使用、經過認證的數據集,以及完整的app或其中的一些組成部分,並且設立「功能庫」(可再使用的變數的儲存庫),以協助公民開發者建構機器學習模型。
提高公民開發者影響力的一項重要條件,是將解決方案連結到事業單位擁有的運作環境。尤其是自動化機器學習等更為複雜的工具,公司必須確保模型準確且穩健。
任務04:賦權進行社群學習
公民開發者需要互相學習如何以最好的方式,運用技術去解決商業問題。促進這種同儕學習的一種方法,是開辦定期的課程、解決方案展示、請外部人士來演說。公民開發者既不是典型的業務人員,也不是典型的技術人員,因此當挑戰出現時,社群能夠提供一點團體治療,也有助於防止人們放棄開發。它們也為主管們提供回饋機制,以創建適當的職涯和升遷途徑,尤其是針對想成為專業自動化人員、數據科學家或全職IT工作者的員工。
任務05:做好準備去管理自動化創造出來的價值
如果企業不衡量公民開發創造出來的價值,一些觀察家可能會質疑這方面的投資是否值得。公民開發產生的見解,通常難以評估它們的貨幣價值(雖然一些中央分析團隊確實會計算使用案例組合的價值)。最簡單的方法,是衡量以前由人力執行的任務,因為公民開發者而改以自動化執行所節省的時間。我們觀察或合作過的幾家公司,已經累積這麼做所釋出的數百萬分鐘。到了某個時點,詢問員工利用那些節省下來的時間做什麼事,是合理的提問。就像持懷疑態度的一位財務長說的:「時間不能當飯吃。」
一家大型製藥公司認為,使用AI和自動化技術來改造和優化一些關鍵商業流程,可望帶來巨大的機會。這家公司有一支中央數據科學小組,但為機器人流程自動化專案聘請外部顧問。它認為顧問費用太高,並得出結論認為,公司可以培訓IT以外部門的員工來協助完成自動化工作。於是企業服務事業部和IT部門合作,為公民開發者制定技術標準和提供訓練。計畫推展順利,許多流程大幅改善。公司提前達成節省價值5億美元員工時間的目標。
但是這項行動方案的領導人,對於最後會走向何處心存疑慮。一位經理人告訴我們:「在業務持續性和變革管理方面,治理是我們日益關切的問題。我們是否準備好讓30%的財務作業在公民開發的app上運作?我們曉得一個轉折點即將到來,但不確定是否已具備適當的控制措施。我們沒這個把握。」
一些公司在克服IT專業人員抗拒公民開發者的活動方面,已取得進展。一個絕佳的例子是克羅格公司(Kroger)的數據科學事業單位。這個單位的領導人知道公民開發的潛力,也知道這家日用品連鎖店有許多能幹的業務分析師。為了爭取支持這些「見解科學家」,公司請專業的數據科學家教他們自動化機器學習工具、審視他們的模型,並且和他們合作以便更加了解這個單位的業務。
個案研究:AT&T
AT&T非常重視公民開發。公司訂有完善的促進方法,也執行了上述討論過的許多任務。在數百名專業數據科學家和自動化專家,以及數千名公民開發者的協助下,它正試著將AI和自動化置於業務的核心。
AT&T已經嘗試協助員工利用機器學習模型來分析數據。目標是支持機器學習工作流程的所有層面,包括取得適當的數據、處理數據以創建所需的功能、建構模型、部署模型、監控和完善模型的長期表現,以及有效地治理。公司已經建立一座功能庫,包含常用的數據,以減少耗時卻非做不可的數據整理工作;數據整理可能占用數據科學家80%的時間。它的公民開發者能從26,000多個模型建構功能中選擇。數據科學家和公民開發者都覺得這座功能庫極為實用。
AT&T也已將3,000多個機器人投入運作。其中最早的一些是用於業務營運領域,例如提供新電路給顧客。公司有一座自動化卓越中心,雇用20名全職員工和一些約聘人員。這個中心從2015年創立以來,如果沒有公民自動化人員的參與,不可能擴展得如此快。這座中心追蹤所有的機器人流程自動化專案,並計算出其中92%是在中心之外執行。採用機器人每年節省約1,700萬分鐘的人工時間,一年產生數億美元的報酬,並取得20倍的投資報酬率。
AT&T開發了一個技術基礎設施,用以支援專業人員和公民開發人員。基礎設施包括競賽、協調開發工作流程中所有活動的操作工具、整合RPA和機器學習的策略,以及常用數據和功能的搜尋工具。公司也維護一座「機器人市集」,裡面有先前開發的解決方案,而且如果有必要,可以獲得卓越中心的配置協助。每個月有大約75個可再使用的app組成部分加進這個市集。AT&T正在探索如何使用生成式AI,來創建機器學習模型和自動化機器人。
AT&T透過社群建構活動,來支持進行公民開發和自動化。對於數據科學,它設立了一座「AI民主化論壇」,每個星期都有虛擬直播的展示,向員工介紹特定的課題或AT&T曾開發的新功能。每個星期約有200名員工參與,其中很少是專業的數據科學家。公司提供介紹數據科學各個層面的線上訓練教材和575門課程,並發給供應商工具的使用認證。想成為公民開發者的任何員工,公司提供40小時的培訓計畫。此外,卓越中心也為公司內部的各個群體,主辦一年一度的「自動化高峰會」,報告和分享它們的專案。
不可迴避的浪潮
數位轉型是幾乎每個組織都需要做的事,而執行這件事的合格專業人員會持續短缺。最後有可能是公民開發者挑起大樑。我們很容易想像:在不久的將來,一些公司能把所有的技術開發活動交給他們,也許請外部供應商提供一些IT基礎設施。或者,企業IT保留的職能,可能演變為促進、評估和認證非技術員工的工作。
隨著程式設計更加自動化和以AI為基礎,技術開發會繼續變得更加容易。生成式AI無疑會隨著時間的推移而不斷改進,讓每個人都成為潛在的程式設計師。目前,系統的治理可能是公民開發運動面臨的主要挑戰。然而,治理本身似乎可能日益自動化。機器學習作業系統已經為機器學習模型建構了持續性的治理和演算法準確性,而我們可能會看到針對其他種類的公民開發技術所建置的相關系統。
“目前,系統的治理可能是公民開發運動面臨的主要挑戰。然而,治理本身似乎可能日益自動化。
一家低程式碼工具供應商打廣告說,使用者可以「化(他們的)構想為行動」。公民開發運動,是技術和數據所驅動的商業變革新時代的一部分。
文章來源:哈佛商業評論 9月號