創造力曾被認為是人類所特有的、無法被替代的能力之一。2022年11月30日，以ChatGPT為代表的生成式AI的釋出，標誌著人工智慧的重大正規化轉變，推動了其從弱人工智慧（Artificial Narrow Intelligence，ANI）向通用人工智慧（Artificial General Intelligence，AGI）的演進。傳統AI依賴於結構化資料建構模型和處理資訊，如神經網路、進化演算法、決策樹、隨機森林等，已經被廣泛應用於定價、庫存管理、物流最佳化、內容推薦等任務中。然而，其功能相對有限，且難以與使用者直接互動。生成式AI如ChatGPT等通用人工智慧，不再侷限於執行特定任務或適用有限場景，而展現出超越傳統AI的自主學習與創新能力，在知識密集型活動中表現出色，甚至在某些領域展現出超越人類的潛力。例如，ChatGPT-4通過了圖靈測試，並且在託倫斯創造性思維測試（TTCT）中獲得了前1%的得分，在流暢性、獨創性、靈活性等方面的創造力與人類相當甚至超過了人類。這意味著，人工智慧的迅猛崛起，正在逐漸湮沒曾被視為人類專屬的“創造力高峰”。

更重要的是，生成式AI推動了人機互動與協作模式的根本性變革。如ChatGPT可以基於自然語言與人類進行溝通，並且可以在情緒識別任務中達到普通人的平均水平，能夠理解和回應使用者的情感需求。其最新版本ChatGPT-4o（o是“omni”的簡寫，意為“全能”）能夠處理多模態輸入（文字、音訊、影像、影片）並在320毫秒的平均時間內做出響應，實現了更快速、自然的多模態互動，使得人機之間的對話更加流暢和貼近人類習慣。這種易用性和直接互動使得生成式AI具備成為工作場所“主體”或“合作伙伴”的潛力。

在過去，人們通常認為人工智慧無法參與創意過程，也不具備相關能力。在傳統的人機互動模式中，基於對任務的分解，人工智慧和人類有著明確分工，人工智慧取代人類完成大部分操作性、重複性等低價值的工作，人類勞動者則負責完成創造性、需要同理心的工作。然而，生成式AI已被廣泛驗證能夠直接進行一些創造性任務，並且能夠與人類知識工作者進行雙向、頻繁的資訊交流。透過“Human in the Loop”（HITL）的新型互動模式，人類在關鍵環節中持續參與和調整AI的輸出，實現基於人機合作的任務目標（見圖1）。生成式AI的角色從單純的工具或執行者轉變為參與決策和創意過程的協作者，這種人機互動模式的演變如圖1所示。

在此背景下，我們需要思考如何更好地與生成式AI合作，釋放人機協作創新潛能。接下來，我們將探討如何最大化人機合作的效能，推動企業在創新領域的突破和成長。

過去，AI主要在創新過程的分析環節中發揮輔助作用，如資料分析和資訊處理。生成式AI透過其自主生成多種型別內容的能力，為創意的開發探索了一條獨特的路徑。這種能力與人類的創造性解決問題的策略相契合，生成式AI的機率性特徵繞過了傳統事實核查的限制，透過改變或跳出常規思維模式，生成創造性的解決方案。隨著生成式AI在市場分析、產品設計、內容創作、科學研究等領域的深入應用，它顯著提升了創新效率，並降低了創新成本。

在創意過程中，通常包括創意生成、創意發展和創意評估三個核心階段。生成式AI在每個階段都能夠發揮重要作用。

在創意生成階段，生成式AI可以作為員工的“創意夥伴”，基於過往的專案資料、市場趨勢和使用者反饋，生成新的創意建議，並識別可能被人類忽視的模式和趨勢，加速頭腦風暴和初期創意開發。同時，生成式AI透過提供獨特視角和多樣化資訊源，識別跨領域的潛在聯絡，生成多樣化創意內容，激發人類創造性思維。這種人機合作的創新模式已廣泛應用於廣告創意、影片製作和遊戲設計等領域，大幅提升了創新效率和創意的廣度。

以常見的創意任務為例，如開發一款“新型健康飲食應用”，員工可以直接利用ChatGPT-4生成創意，並透過指定背景、使用者群體或使用者需求以明確創意的具體要求（見表1）。透過人機持續互動，發散形成多樣化的創意點或收斂形成完整的創意方案。此外，根據管理學領域頂級期刊《市場科學》（Marketing Science）的最新研究，大語言模型（Large Language Model，LLM）在市場研究中展現出替代人類參與者的潛力，尤其在品牌感知和產品屬性評價方面，LLM的生成結果與人類田野調查的匹配率超過75%，這意味著企業能夠利用生成式AI模擬消費者進行訪談和需求分析，從而加深市場洞察並降低市場研究成本。

在創意發展階段，生成式AI作為創意迭代和測評者的角色，能夠顯著加快初步創意向成熟方案的轉化。生成式AI憑藉快速分析大量資料並提供創意改進的建議，已在多個領域展露出色的價值。例如，在醫療領域，生成式AI用於改進診斷流程、制定個性化治療方案；在藥物研發中，生成式AI透過生成和測試大量化合物模型，最佳化篩選和測試流程，大幅縮短新藥的研發週期。此外，生成式AI還可以透過虛擬測試和自主分析減少物理原型製作的成本和時間，推動創意從概念轉化為實際應用，促進各行業突破性發展。

在“新型健康飲食應用”的開發案例中，人類可以在創意發展階段與生成式AI合作，對“健康積分系統”等具體創意方案進行完善。透過提出問題，如“如何構建高效的健康積分系統”，生成式AI能夠提供系統性建議，包括設計、功能模組以及如何提升使用者參與度等。在此過程中，生成式AI的互動通常包括髮散和收斂兩種模式。前者可廣泛收集各類創意建議，提出多個創新方向或解決方案，如“除了積分系統外，還有哪些創新方式可以提升使用者參與度”；後者的互動側重於細化、最佳化和選擇最有潛力的方案，如“在積分系統中，可以設計哪些積分獲取、使用途徑”，這種互動可以聚焦於將最具價值的創意轉化為可行的具體方案。

創意工作者還可以進一步藉助AI的技術優勢實現設計與開發。在此過程中，生成式AI能夠提供即時的設計建議，幫助完善介面元素佈局、顏色搭配和使用者互動設計等細節。例如，Uizard是一款專門為非設計師和開發者設計的工具，我們將ChatGPT-4生成的Prompt輸入Uizard，就能將創意方案快速轉化為UI設計，從而快速迭代和驗證設計想法。這種方式大大縮短了從概念到產品的開發週期，使創意工作者能夠更專注於創意本身，而非技術細節。

在創意評估階段，生成式AI能夠直接作為創意評估者，對創意方案（如文稿、設計、程式碼）進行初步評估，判斷其新穎性和實用性，為創意團隊節省時間並提供即時反饋，實現快速迭代。更重要的是，生成式AI透過採用標準化的演算法和規則，顯著減少了人為偏見，確保了評估過程的客觀性和科學性。此外，生成式AI可以生成關於創意方案的市場潛力、可行性和風險評估報告，並透過模擬不同決策情境，幫助決策者更清晰地理解各方案的優劣，為決策者提供有力的決策支援。

近期研究展現了生成式AI在評估任務中的顯著潛力。尤其是大語言模型，如ChatGPT-4，在組織任務績效評估方面，其評分不僅展現出高度的客觀性和一致性，且與眾多人類評估者的結果顯示出顯著的正相關性。在應對主觀和複雜的評估任務時，生成式AI的可靠性和穩定性有時甚至超越了單個人類評估者。這種高度一致性和穩定性證明了ChatGPT能夠作為評估創新成果的可信工具。此外，生成式AI被認為具有較弱的意圖，既缺乏自私意圖，也缺乏善意意圖，這種特徵使其在提供負面反饋時具有顯著優勢，有助於提高人們對於負面反饋的接受度。“好訊息由人來講，壞訊息讓AI傳達”的策略，進一步凸顯了AI作為評估者角色時相較於人類的獨特優勢。

在“新型健康飲食應用”開發的案例中，對於團隊提出的多個創意方案，我們利用ChatGPT-4o對其進行評估，並提供反饋。例如，“你將作為資深的市場研究專家，對以下3個‘新型健康飲食應用’開發方案進行評估，並從市場潛力、使用者需求契合度、創新性、技術可行性和商業模式的可持續性五個方面給予詳細分析，指出每個方案的優缺點，並提出改進建議。”同時，我們還可以藉助生成式AI促進評估結果的視覺化，提示ChatGPT-4o“透過仔細對比，給出3個方案在這5個維度的評分，每個維度滿分20分，並給出綜合評分，滿分為100分，請將結果輸出為3個顏色的柱狀圖並提供具體的評分依據”（見圖2）。進一步地，在對多個方案的優缺點評估的基礎上，我們還可以結合一些具體的市場資料，讓AI將當前多個方案進行最佳化與整合。

雖然生成式AI在創意過程的各個階段顯著提升了效率和效果，但在企業實踐中，人機合作的創新模式仍面臨一系列重大挑戰。

首先，人機合作創新模式中的角色和任務分配是一個難題。如何在創造性任務中合理確定生成式AI和人類的角色與分工，使雙方充分發揮各自優勢？為此，企業可能需要建立更有效的溝通機制，或為團隊成員提供專門的培訓和支援，幫助其理解和應用生成式AI的輸出，以保障合作的順暢進行。

其次，隨著生成式AI承擔越來越多的創意任務，一方面，如何確保員工的創造力和批判性思維不被削弱，是企業必須正視的問題。企業需要在利用生成式AI提升效率的同時，避免員工對生成式AI的過度依賴。如何監控和評估生成式AI對員工技能和創造力的長期影響，並採取有效措施減輕這些影響，是企業必須面對的挑戰。另一方面，當生成式AI逐漸承擔更多創意任務，如何確保人類不感到被取代或邊緣化？團隊成員需要調整工作方式，與生成式AI更高效地協作，實現自身的成長。企業如何有效管理這些變化，確保每個成員能夠適應新的角色，並透過生成式AI實現個性化學習，是未來成功的關鍵所在。

此外，人機合作創新中的責任劃分和成果評估也充滿了複雜性。企業應該如何制定新的指標和標準以評估生成式AI和人類協作成果的質量，並明確生成式AI在創新過程中的具體貢獻？在生成式AI參與決策和創意生成時，如何確保對人機合作創意成果評估結果的客觀性和公正性？當基於生成式AI的建議或決策導致錯誤或失敗時，企業又應如何明確生成式AI系統開發者、操作人員和管理層的責任界限？這些問題不僅涉及技術的應用，還涉及到管理和倫理層面的深層思考。解決這些挑戰對於實現人機合作創新的價值最大化，確保生成式AI與人類在創新過程中和諧共存、共同進步至關重要。

1951年，心理學家保羅·菲茨提出了Fitts Lists方法，該方法指出：人類和機器在任務執行中各有不同的強項和弱項，透過合理分配任務，可以讓各方都在自己擅長的領域中發揮作用，以最大化合作效益。這一方法最初廣泛應用於製造業的自動化任務分配，隨著AI技術的快速發展，Fitts Lists的基本理念已被擴充套件到更復雜的應用場景，如手術機器人與醫生的協作、醫學影像分析以及自動駕駛等——得益於AI的精準度、強大效能和不知疲倦的工作能力，這些技術在例行和複雜任務中表現出色。然而，我們仍需認識到，儘管生成式AI已經證明了其作為“創意合作伙伴”的巨大潛力，人與AI的合作互補性依舊建立在它們各自的不足與優勢之上。為實現最佳人機合作模式，企業必須深入理解並平衡生成式AI和人類的各自優勢與侷限。

表2詳細列舉了人類與生成式AI的優勢和短板。企業在實施人機合作策略時，應認真考察這些因素，以推進AI和人類在各自的優勢領域協同工作，努力實現生產力的最優模式。

當AI在認知能力、理性推理等方面與人類相當甚至超越人類時，我們面臨的現實是：過去定義“人類獨特性”的標準正受到嚴峻挑戰。這不僅僅是技術革新問題，更是對“何以為人”的重新思考。通用人工智慧的出現迫使我們重新審視人類身份的核心要素：如果AI能發展出匹敵人類的認知和決策能力，那麼什麼是AI無法企及的真正的人類特質？人類是否存在某種獨特而不可替代的屬性？在推進人機合作的同時，我們不僅要最佳化協作效益，更要思考如何維護人類的獨特價值。未來的挑戰在於，我們不僅要透過技術手段增強效率和創新，更要透過審視人類特質，為人機合作奠定更具人性化和可持續的基礎。

例如，創造力通常需要對情境和文化有深刻理解，這對生成式AI來說尚難以完全掌握。生成式AI的能力受限於其訓練資料的質量，可能延續歷史偏見、簡化解決方案，忽視對創新至關重要的細微的人類行為洞察，導致創意的同質化、平均化。人類專家擅長捕捉細微線索，進行創新性聯想，並運用實踐積累的隱性知識，這對於形成與消費者和其他利益相關者共鳴的創意方案至關重要。因此工業設計師和工程師必須持續監督創意設計結果，確保考慮到產品使用的各個方面，包括美學、人體工程學、可用性等等。這意味著雖然生成式AI能夠提供有價值的資料驅動見解，但人類的參與對於將這些見解轉化為文化、情境和倫理上適宜的設計極為關鍵。

此外，創造性思維還涉及識別看似不相關概念之間的聯絡，並創造出新穎的解決方案。這一過程不僅需要系統性探索，還需要重新定義基本假設的能力。人類專家能夠從廣泛的經驗和情境知識中汲取靈感，進行生成式AI難以模擬的直覺性躍遷。企業應充分利用生成式AI在資料處理和模式識別上的優勢，同時以人類專家為主體，做出戰略決策。由此，確保由生成式AI增強的決策不僅高效、資訊充分，還能夠適應複雜的現實世界場景，進而實現最佳的業務創新成果。

在探索如何更有效地與生成式AI合作以推動創新的過程中，我們必須首先理解人類思維的兩個核心系統：系統1和系統2。這兩個系統在決策和創新過程中扮演著互補的角色。丹尼爾·卡尼曼在《思考，快與慢》一書中提出了雙過程決策理論，區分了這兩種截然不同但相互關聯的推理系統：系統1是自動化、快速且無意識的思考模式，依賴模式識別和啟發式捷徑快速產生反應，但易受到情感和固有認知的影響。系統2是深思熟慮、緩慢且有意識的推理方式，以邏輯分析和抽象思維為特徵，需要更多的認知資源支援，在決策過程中更精準全面。

在需要快速響應的現實場景中，系統1的速度優勢往往以犧牲系統2的廣度和深度為代價。生成式AI的出現為我們提供了一個獨特的機會，以增強這兩種思維方式的協同效應。前述新型的人機互動模式（HITL）在此起到了關鍵作用。該模式透過讓人類在創意生成的關鍵節點介入和監督，使生成式AI與人類形成一個持續的反饋、互動、調整、迭代的迴圈，以使AI生成的創意與人類的洞察和價值觀保持動態一致。這一過程一方面有助於降低人類基於系統1的直覺判斷的不穩定性和不可靠性，另一方面也激發人類專家進行更深入的思考和反思，從而提升系統2的思維廣度和深度。生成式AI作為創新的協作者，增強人類認知能力，推動創新過程更加全面系統且富有洞察力，實現了創新效率與新穎性、可行性的平衡。

我們已在前文指出，應警惕在利用AI便利性的同時，陷入“AI依賴陷阱”。研究顯示，隨著生成式AI的廣泛應用，人們在某些認知技能上可能會逐漸退化，特別是需要動用高階認知功能的技能，如解決問題、規劃和抽象推理方面。這部分源自人類的“最小認知努力原則”和“認知吝嗇”傾向，即人們天然傾向於依賴快速、直觀的思維模式（系統1），而非主動深化認知投入。在與生成式AI的協作中，人們可能越來越依賴AI來主導創意過程，將複雜思考的任務外包給AI，以此提高效率。然而，這種外包減少了對自身認知能力的鍛鍊，人類認知能力存在退化的風險。

在人機合作創新的征途上，確保人類的主體和主導地位對於創新的質量和深度至關重要。為此，我們必須對生成式AI的使用進行細緻的管理和引導。首要的是，員工在使用生成式AI時應當被激勵去積極參與關鍵環節，如問題的理解、方案的構思和計劃的制定，而非單純依賴生成式AI輸出。此外，即時的認知評估和反饋機制也是關鍵，以幫助使用者意識到自己在與生成式AI互動時的認知投入，並據此調整自己的行為模式。例如，生成式AI可以監測和記錄使用者的互動行為，包括輸入提示的頻率、對生成式AI生成內容的修改次數以及完成任務所花費的時間，以此作為衡量使用者參與度和投入度的指標。透過這些策略，可以有效減少對生成式AI的過度依賴，避免認知能力退化，從而在受益於生成式AI帶來的便利性的同時，保持“人”的認知優勢。

在當前企業的實際應用中，提升人機合作創新質量是一項系統性工程，不僅涉及到引入先進的AI工具，更需要系統性的策略和措施以激勵團隊成員與AI協同創新、提升人機合作創新能力，從而推動創新質量的持續提升。

在推動人機合作創新時，僅僅確保團隊成員能夠獲取生成式AI資源是遠遠不夠的。領導者在此過程中扮演著至關重要的角色，他們應當親自示範如何將生成式AI融入創意工作，透過實際案例展示生成式AI的有效性，以此激勵團隊成員積極採用和探索新技術。領導者的公開認可和獎勵對於鼓勵員工有效利用生成式AI至關重要，這可以透過定期的培訓、創意工作坊或專家講座來實現，以使團隊成員在創新過程中得到持續支援和指導。需要注意的是，團隊如何看待AI也將影響人機合作的動力與質量。如果領導能夠引導團隊將生成式AI視為“創意夥伴”而非簡單的工具，雙方的互動與協作就會更加流暢，激發出更多的創造性火花。

此外，企業應建立一個允許試錯的環境，鼓勵團隊成員大膽嘗試和創新。引入如AI挑戰賽和AI使用積分排名等遊戲化機制，可以讓創意過程變得更加有趣，併為團隊帶來適度的競爭和激勵，提升整體參與度和創新動力。在這一過程中，需要明確生成式AI的角色是作為創意的助力者而非替代者，讓團隊成員感受到他們在創意過程中的不可替代性，從而藉助生成式AI產出更高水平的創意成果。將生成式AI引入創意共創的文化中，賦予每個員工與AI合作的空間和自由，鼓勵員工大膽使用AI生成創意、探索不同的解決方案，而不僅僅是完成特定任務。此外，企業應促進跨職能團隊合作，整合不同領域的專業知識與生成式AI的創意能力，以提升整體的創新效果，這將為企業發展創新能力奠定堅實基礎。

生成式AI在企業任務中的深度介入，使員工的角色和職責也隨之發生變化。因此，績效考核體系必須反映這些變化，使評估標準與員工的新角色相匹配。這意味著，評估標準應從單純的任務執行轉向更多地考慮創意指導、AI監督和決策最佳化等方面的貢獻。此外，需要考慮採用新的評估標準更全面地衡量人機合作創新的質量，這些標準既要考慮AI在創新過程中的貢獻，也要反映人類對創意的深度再加工和整合。

人機合作創新的質量受到多種因素的影響，如任務特徵、技術能力、專家/新手的創新能力以及人機互動能力等多個方面，其中，人機互動能力至為重要。最新的研究揭示了人機合作過程中的一個關鍵概念——人工智慧商數（Artificial Intelligence Quotient，AIQ），是指個體在利用AI技術處理多樣化任務時所展現的穩定能力差異。AIQ作為一個獨立且關鍵的指標，不僅與個人的智力商數（IQ）和情緒商數（EQ）相區別，還超越了單純的計算機使用能力。這種能力包括識別AI的優勢和劣勢，適時調整互動策略，以最大化合作效益。高AIQ的員工能夠有效識別和應用AI的優勢，同時彌補AI的不足，這種能力在未來的職場中將成為一種新型的競爭優勢。因此，企業應重視員工的AIQ，並透過系統性的方法培養員工的人機合作能力，以獲得更好的創新成果。

首先，員工與AI的互動技巧是人機合作能力的核心。透過系統培訓，員工可以學習如何構建和最佳化提示詞，使AI更準確地理解任務需求並生成高質量的輸出。這不僅包括設計準確的提示詞，還涉及明確任務目標和互動期望，避免使用模糊或不完整的指令。此外，培養員工的批判性評估能力至關重要，這使其在接受AI建議時能夠保持審慎，識別輸出中的潛在問題並提出改進建議，逐步最佳化與AI的互動效果。

其次，理解生成式AI的優勢和侷限性是開展有效的人機合作的基礎。透過持續學習與實踐，員工可以熟悉生成式AI工具的強項和弱點，瞭解生成式AI在哪些場景中表現最佳以及何時需要人類的判斷力。例如，生成式AI有時會生成看似不合常規的創意或“錯誤”，但這些意外可能包含著新的機會。員工可以透過“逆向合作”，將AI生成的意外作為新的起點，利用這些非傳統的創意進行再開發，挖掘潛在的創新方向。員工使用生成式AI的系統培訓應包括對AI工具的實操演練、案例分析以及對生成式AI生成內容的應用策略。企業還應透過資料驅動的反饋機制，定期收集生成式AI互動的資料和員工的使用反饋，分析互動的有效性，及時調整和最佳化AI的使用策略，推動合作效果的持續提升。圖3展示了某大模型公司內部研發團隊對生成式AI輔助程式碼開發的定期評估，涵蓋了對不同生成式AI在速度、準確性和易用性方面的評分，以及對其優勢和劣勢的分析，為進一步提升員工與生成式AI的協作質量提供了重要參考。

最後，在人機合作中，始終以人為中心至關重要。企業應注重員工的成長與發展，合理設定AI期望管理，避免對AI的過度依賴。特別是，AI被設計為輔助工具，通常會“迎合”員工的觀點而非提出反駁，在創新合作過程中，提示AI扮演“建設性挑戰者”的角色能夠激發員工進行反思，幫助其突破思維侷限。此外，生成式AI在教育領域展現了巨大潛力，能夠促進教育的規模化、個性化和公平化發展。作為教育的一個應用場景，一個典型的例子是AI智慧陪練系統——透過採用1V1智慧對練模式，即時反饋使用者的表現，並根據使用者的具體需求和技能水平，提供針對性的訓練內容和建議。透過分析歷史資料和學習進度，該系統可以為不同的使用者量身定製學習方案，幫助他們在最短的時間內掌握關鍵知識和技能。這一系統可以廣泛應用於各類培訓場景，如銷售技巧強化、客戶服務培訓、新員工入職培訓等。企業應充分挖掘生成式AI在個性化學習方面的應用，將生成式AI作為個性化學習的工具，為員工提供量身定製的學習和發展路徑，幫助員工在與AI協作的過程中實現技能的快速迭代和提升。