讀《哈佛商業評論》談 AI 與策略決策：Representation 不等於 Participation，用知識參與重新安排誰在什麼時候進場
摘要
如果 AI 已經可以模擬 100 個利害關係人，我們為什麼還需要找真人來共創？這篇從《哈佛商業評論》一篇談 AI 與策略決策的文章出發，談幾件事：為什麼 SWOT、BCG 矩陣、五力分析這些框架，其實是為「人腦的極限」而生；AI 在搜尋、表徵、整合這三件事上，能把共創擴張到什麼程度；以及為什麼「AI 扮演過病人」，不等於「病人參與過」。
最後回到我這幾年一直在談的知識參與——AI 時代共創的設計問題，不再是「這場工作坊要邀請誰來」，而是「這個決策需要哪些知識、哪些可以由 AI 擴張、哪些必須由真人提供、哪些判斷必須由受到影響的人親自參與、最後又是誰必須承擔決策」。
- 1為什麼共創工具長成現在這樣便利貼、親和圖、2×2 矩陣，有一部分是為了人腦的處理極限而生
- 2AI 能幫共創擴張的三件事搜尋更多可能性、建立更高解析度的表徵、整合不同觀點
- 3Representation 不等於 Participation把一個人的觀點表徵出來，和讓這個人參與，是兩件事
- 4知識參與的四種角色分工一般參與者、專業者、決策者，再加上負責擴張的 AI
- 5重新設計共創的 5 個提問從「要邀請誰來」，改成「這個決策需要哪些知識」
最近讀《哈佛商業評論》一篇談 AI 與策略決策的文章，我看到一個很有意思的未來。
想像下一次策略會議。會議開始以前，AI 已經掃描了數百種可能的策略，幫你篩選出最值得討論的幾個。牆上不是半年前做好的市場分析，而是一套持續更新的市場模型。
更有意思的是，你甚至不用真的把所有利害關係人找進會議室。你可以讓一個 AI 扮演顧客，一個扮演競爭者，一個扮演監管機構，再安排另一個專門唱反調。它們不會累、不怕得罪主管，也不會因為剩下 20 分鐘，就急著達成共識。
這讓我想到一個問題：
如果 AI 已經可以模擬 100 個利害關係人，我們為什麼還需要找真人來共創？
很多策略工具，其實是為「人腦的極限」而生
這篇文章有一個我很喜歡的觀察。
為什麼 SWOT 是四格？為什麼 BCG 矩陣是 2×2？為什麼波特的競爭分析剛好是五力？
不一定是因為真實世界恰好可以被切成四格、四象限、五種力量。而是因為我們需要一套簡單到「人可以處理」的方法。
一群人進入會議室，只有幾個小時。我們能閱讀的資料有限，能提出的方案有限，能消化的觀點也有限。所以，我們發展出各種框架，把複雜的世界壓縮成一張人腦可以理解的圖。
讀到這裡，我第一個想到的其實不是策略。而是共創。
便利貼、親和圖、旅程圖、2×2 矩陣、點點貼投票……我們熟悉的共創工具，會不會也有一部分是為了同樣的限制而產生？
→
→
→
這些方法沒有錯。
但 AI 出現之後，我們第一次有機會問：如果人的認知處理能力不再是最大的限制，共創還需要長成現在這個樣子嗎？
AI 最強的，也許不是給答案，而是擴張我們「看得見的世界」
這篇文章把 AI 對策略的影響分成三件事：搜尋、表徵、整合。
- 1搜尋更多可能性以前團隊可能想出 10 個方案，再選出 3 個討論。AI 可以先產生幾百個，再協助篩選。
- 2建立更高解析度的表徵以前我們用幾個變數描述顧客、競爭者、市場。現在可以把大量資料放進持續更新的模型，讓原本看不見的差異浮現。
- 3整合不同觀點讓 AI 扮演顧客、競爭者、監管者、批評者，從不同位置攻擊同一個方案。
這三件事都非常適合進入共創。
AI 可以先讀完幾百份訪談。可以整理上千則意見。可以找出彼此矛盾的需求。可以一次生成 50 種服務概念。甚至可以在工作坊以前，就讓「支持者 AI」和「反對者 AI」先吵過幾輪。
於是人的時間，可以留給真正困難的問題。
這件事對我來說並不完全陌生。
我這幾年在談「知識參與」的時候，講的其實是同一個缺口的另一面：良好的參與能讓人們表達意見、貢獻經驗，對後續的理解、採納與行動至關重要；但即使把參與設計得很好，讓每個人都有機會說話，也不代表群體就能得到更好的答案。
參與是必要條件，卻不是充分條件。尤其當資訊不足，或每個人只能看見問題的一小部分時，群體參與可能只是讓既有認知被說得更多、更完整，卻沒有讓理解真正向前推進。
過去要補上這個缺口，靠的是顧問與研究團隊在工作坊之前，花大量時間把研究、資料與經驗，整理成群體可理解、可質疑、可補充的共創材料。AI 的搜尋、表徵、整合，正好落在這一段工作上。它不是取代參與，而是讓參與者手上拿得到更好的材料。
（想了解更多此議題，請點這篇文章：〈人找對了，就能共創出好成果嗎？運用知識參與提升共創工作坊品質的 9 種設計策略〉）
但問題也從這裡開始。
AI 扮演過病人，不代表病人參與過
假設今天我們正在重新設計一套醫療服務。我們餵給 AI 大量病人訪談、滿意度調查、客服紀錄與研究資料。接著要求它：
請扮演一位 65 歲、罹患慢性病、數位能力不高的病人，告訴我們這套服務有哪些問題。
它可能真的能提出很多好問題。甚至比我們找 5 位病人來參加兩小時工作坊，列出的問題還多。
那麼，我們是不是可以不找病人了？
我覺得這裡必須區分兩件很容易被混在一起的事：
Representation，不等於 Participation。「把一個人的觀點表徵出來」，和「讓這個人參與」，是兩件事。
如果我們只是想知道「病人可能在意什麼？」，AI 可以成為非常強大的工具。
但如果我們真正想問的是：
- 1在這些彼此衝突的需求裡，什麼對你最重要？
- 2這個代價，你願不願意承擔？
- 3這是不是你想要的服務？
- 4如果真的這樣改，你願不願意一起往下走？
這時候，我們需要的就不只是資訊。而是人。
因為真人參與共創的價值，從來不只是「提供觀點」。他也是受到決策影響的人。也是最後必須使用、接受、執行，甚至承擔這個決策的人。
（想了解更多此議題，請點這篇文章：〈AI 能快速給答案，但會打到客戶心裡的洞察，是你看見資料裡缺少的東西〉）
所以 AI 時代，共創的問題可能不是「誰都要參與」
這也是我這幾年一直在思考「知識參與」的原因。
我們很容易把共創理解成：找很多不同的人進來，然後讓大家一起做同一件事。一起貼便利貼。一起發想。一起投票。一起做決定。
但不同的人，本來就擁有不同的知識，也承擔不同的責任。
這正是我在談知識參與時，會把參與者分成三種、把活動目的也分成三種的原因。三種參與者是：有相關經驗的一般參與者、具專業知識或技能的參與者、具專業且有決策權者；三種目的是：蒐集經驗與知識、發想點子與方案、形成共識與決策。兩者相乘之後會得到九種共創情境，每一種情境要準備的知識與材料都不一樣——它決定了參與者能不能「說得出來、想得下去、做得了判斷」。
現在，我覺得也許還要再加上一個新的角色：AI。
AI 最適合做的，不一定是取代其中任何一種人。而是負責擴張。擴張我們能搜尋的方案。擴張我們能處理的資料。擴張我們能看見的關係。擴張我們能預演的反對意見。
這樣一來，共創的設計問題就完全不同了。
我們不再問：「這場工作坊要邀請誰來？」
而是開始問：
- 1這個決策需要哪些知識？
- 2哪些可以由 AI 擴張？
- 3哪些必須由真人提供？
- 4哪些判斷必須由受到影響的人親自參與？
- 5最後又是誰必須承擔決策？
（想了解更多此議題，請點這篇文章：〈有長官在場，大家不敢說？平等交流不是多鼓勵發言，而是讓角色清楚、衝突被接住、意見被看見〉）
AI 愈強，人反而愈不需要浪費時間假裝一起做所有事
這可能是我讀完這篇文章最大的感受。
AI 並不一定讓共創變得不重要。它反而可能逼我們第一次認真回答：人到底為什麼要參與？
如果只是為了大量產生點子，AI 可能比我們有效率。如果只是為了整理訪談，AI 也可能比我們快。如果只是為了模擬不同觀點，它甚至可以一次扮演 20 個角色。
那麼真人最珍貴的時間，就不應該繼續花在 AI 已經可以大量完成的認知工作上。
我們應該把人的參與留給那些不能外包的事情：
- 1真實經驗
- 2價值判斷
- 3利益衝突
- 4取捨
- 5承諾
- 6責任
所以，AI 時代真正過時的，可能不是共創。而是我們以為：把所有人叫進同一個房間，一起貼便利貼，就叫做共創。
下一代的共創，也許不會有更多人一起工作。反而會更精準地安排：
- 1什麼時候讓 AI 擴張可能性
- 2什麼時候讓專業者判斷可行性
- 3什麼時候必須讓真正受到影響的人進來
- 4什麼時候，決策者不能再躲在「大家共同決定」後面，而必須承擔選擇
（想了解更多此議題，請點這篇文章：〈專案推不動，可能不是進度問題：從場域設計重新安排人、流程與決策〉）
AI 可以幫我們想得更多、看得更廣、模擬得更完整。
但最後仍然有一些問題，只能由人回答：
我們真正重視什麼？我們願意犧牲什麼？誰有權決定？以及——這個決定，我們願不願意一起承擔？
