Ethan Mollick 拿到一個還沒公開的新 AI 模型，丟給它一句話，它自己跑了九個半小時，交回一套完整的資料分析軟體。中間它自己叫了一堆小 AI 去查資料、自己寫程式、又自己派另一批 AI 互相檢查。Mollick 全程只做兩件事，最後看一眼結果、挑幾個錯。他講了一句很值得停下來想的話：他不再是那個施法的巫師，比較像出錢的贊助人，描述想要什麼、付錢、然後驗收成品。至於東西怎麼做出來的，他看不到，也沒有投票權。

這個處境，你其實很熟。你早就在委託別人做事，你委託廠長、委託品保、委託那個做了二十年的老師傅。差別在哪？差別在你委託人的時候，你知道怎麼判斷他做得好不好，因為那些事你自己做過，至少你看得懂他怎麼做。AI 把這個前提抽走了。它把活幹完了，但它怎麼幹的，藏在幾百個你沒參與的小決定裡。

我們這行有個說法，老師傅驗貨不是看報告，是摸一下、聽一下、看一眼。一個老鉗工摸過工件表面就知道這批熱處理夠不夠，一個老技師聽機台的聲音就知道軸承快不行了。那種判斷不是事後對結果打分，是他腦袋裡裝著整個製程，他知道每一步該長什麼樣。這叫過程內建的判斷。

現在 AI 給你的是另一種東西。一塊全綠的儀表板，所有指標都達標，所有測試都通過。但綠燈是結果的代理指標，不是對過程的理解。你的現場最貴的一課就是這個：這批是良品，不代表製程穩定，可能只是這次運氣好。整套 SPC 管制圖的哲學，就是逼你不要只看結果，要盯著過程有沒有在控制內。AI 把過程收進黑箱，等於把你拉回 SPC 發明之前的年代，只驗得到成品，驗不到製程。

這不是危言聳聽，數字攤開來看。麥肯錫有一組很值得玩味的對照，四成的企業認為「講不清楚 AI 為什麼這樣判斷」是導入生成式 AI 的關鍵風險，但只有一成七真的在著手處理它。看見危險的人，是動手的人的兩倍多。大家都看到黑箱了，多數人選擇先用了再說。

所以問題不是要不要用 AI，是你拿什麼來驗收它。麥肯錫同一份報告裡有個分水嶺，表現好的公司有六成五明確設計過「人在迴圈裡」的驗證流程，落後的公司只有兩成三。差距不在用不用 AI，在驗收的方式有沒有跟著換。

我們會建議用一個很簡單的問題去測自己：當 AI 交給你一個結果，你說得出它為什麼對嗎？如果你能重現它的判斷，你是真的在驗收。如果只能抽幾個點來查，你在抽樣。如果你只能看它的結論對不對，那你不是在驗收，你是在簽名。三種狀態沒有對錯，但你得知道自己站在哪一種，尤其當這個簽名要為一條產線、一批貨、一個客戶負責。

Mollick 那句話還有後半段。他說最不安的不是 AI 做得不好，是它做得太好，好到他幾乎沒事做，也幾乎看不見它在做什麼。製造業會比任何行業更早撞上這件事，因為你們的簽名後面是真的會出事的東西，不是一份可以重來的報告。AI 會把愈來愈多的活幹完，這條路擋不住。值得現在就想的是另一件事：當你要為一個自己沒參與的過程簽名，你打算用什麼，換回那份本來長在老師傅腦袋裡的判斷？這個問題，比要不要導入 AI 重要得多。

來源