OpenAI 與 Thinking Machines 建立關鍵亞太地區合作夥伴關係

Thinking Machines Data Science 與 OpenAI 攜手合作，致力協助亞太地區更多企業將人工智慧轉化為具體的商業成果。此合作使 Thinking Machines 成為 OpenAI 在該地區的首家官方服務合作夥伴。

此聯盟正逢亞太地區加速採用人工智慧之際。根據IBM研究顯示，儘管61%企業已導入AI技術，多數企業仍難以突破試點階段並創造實質商業效益。思機與OpenAI將攜手填補此落差，提供ChatGPT企業版高階主管培訓、客製化AI應用開發支援，以及AI整合日常營運的指導方案。

Thinking Machines創辦人暨執行長Stephanie Sy強調此合作聚焦於能力建構：「我們的使命不僅是引進新技術，更致力為企業配備有效運用AI所需的核心技能、戰略框架與支援系統。我們將透過人機協作重塑未來工作模式，確保AI為亞太地區民眾創造實質價值。」

從AI試點到具體成果：Thinking Machines的實踐之道

在接受《AI News》專訪時，施蕊指出企業普遍面臨的障礙在於對AI導入的思維模式。許多組織將其視為單純的技術採購，而非根本性的業務轉型，導致試點專案停滯或無法擴展。

「核心問題在於企業常將AI視為技術採購而非業務轉型，」她指出，「這導致試點項目難以擴展，因為缺乏三大關鍵要素：領導層對預期價值的高度共識、為嵌入AI而重構的工作流程，以及對員工技能提升的投資。只要做好這三大支柱——願景、流程與人才——試點項目就能演變為廣泛影響。」

領導力核心

高管們往往仍將AI視為技術性計畫而非戰略要務。Sy強調董事會與高階管理層必須確立方向，釐清AI是成長驅動力抑或僅是待管控的風險。

「領導層定調至關重要：AI是戰略性增長槓桿，還是需管控的風險？其職責在於界定優先成果、確立風險承受度，並明確職責歸屬。」她指出。Thinking Machines常從高管工作坊切入，引導領導者探索ChatGPT等工具的價值創造點、治理方式及擴展時機。「這種自上而下的清晰定位，正是將AI從實驗轉化為核心企業能力的關鍵。」

人機協作實踐

Sy經常探討「透過人機協作重塑工作未來」。她將此實踐描述為「人類主導」模式：人類專注於判斷、決策與例外處理，AI則管理資料檢索、草擬或摘要等例行任務。

「人主導模式意味著重新設計工作流程，讓人類專注於判斷與例外處理，同時由人工智慧負責檢索、起草與例行步驟——所有過程皆透過稽核軌跡與來源連結確保透明度。」她解釋道。此模式的效益體現在節省時間與提升品質兩方面。

在Thinking Machines的工作坊中，使用ChatGPT的專業人士每日平均可節省一至兩小時。研究數據佐證此現象：Sy援引麻省理工學院研究指出，客服中心人員生產力提升14%，其中經驗較淺的員工獲益最顯著。「這明確證明AI能增強人類才能，而非取代人類。」她補充道。

內建防護機制的代理型人工智慧

Thinking Machines的另一核心技術是代理型人工智慧，其能管理超越單一查詢的多步驟流程。代理系統不僅能回答問題，更能協調研究、填寫表單、執行API呼叫，在保持人為掌控的前提下統籌完整工作流程。

「代理系統將工作從簡單問答提升至多步驟執行層級：協調研究、瀏覽、表單填寫與API呼叫，使團隊在人類監督下加速交付成果。」Sy解釋道。儘管承諾提升速度與生產力，風險依然存在。「人類監督與可稽核性原則仍是關鍵，以防缺乏適當防護機制。 我們的解決方案將企業級管控與可稽核性整合至智能代理功能中，確保所有操作在擴展前皆具備可追溯性、可逆轉性，並符合政策規範。」

建立信任的治理機制

當AI應用加速推進時，治理機制往往滯後。Sy警告，若將治理視為形式主義而非融入日常運作，必將導致治理失效。

「我們堅持由人主導，並在日常運作中實踐可視化治理：使用核准資料來源、實施基於角色的存取控制、維護稽核軌跡，並要求敏感操作須經人工核准。」她進一步說明。Thinking Machines同時採用「控制+可靠性」框架，限制檢索範圍僅限可信內容，並提供附引用來源的解答。工作流程更會因應金融、政府及醫療等領域的在地法規進行調整。

對Sy而言，成功的衡量標準不在政策數量，而在可稽核性與低例外率。「有效的治理實際上能加速採用，因為團隊信任他們所部署的內容。」她表示。

在地脈絡，區域規模

亞太地區的文化與語言多樣性，為人工智慧擴展帶來獨特挑戰。通用模型往往行不通。Sy強調，經實證的策略是先在地化建構解決方案，再審慎擴展規模。

「全球化模板若忽視在地工作流程便會失敗。正確策略是在地化建構並審慎擴展：將AI客製化以適應當地語言、表單、政策及升級路徑；再將易於推廣的元素標準化，例如治理框架、數據連接器及影響力指標。」她如此闡述。

Thinking Machines在新加坡、菲律賓及泰國採用此策略——先透過在地團隊展現價值，再區域擴展。目標並非打造統一聊天機器人，而是建立可靠可複製的模式，在尊重在地情境的同時確保可擴展性。

技能重於工具

當被問及人工智慧工作場所最重要的技能時，Sy強調可持續擴展源於技能而非僅靠軟體。她歸納出三大關鍵類別：

• 高階主管素養：領導者定義成果、建立防護機制，並掌握AI擴展時機與場域的能力。
• 工作流程設計：重塑人機協作交接點，釐清起草者、審核者及例外情況的升級機制。
• 實作技能：掌握有效提示、評估及從可信來源檢索資訊的能力，確保答案具備可驗證性而非僅是合理推論。

「當領導者與團隊共享此基礎認知，採用模式便能從實驗階段躍升至可重複的生產級成果。」她強調。在思考機器公司的培訓計畫中，眾多專業人士反映僅經一日工作坊，每日便能節省一至兩小時工時。迄今已有逾萬名不同職能人員受訓，並形成一致模式：「技能＋治理方能實現規模化。」

產業轉型在即

展望未來五年，Sy預見人工智慧將從草稿輔助工具進化為全面執行關鍵業務功能的系統。她預期軟體開發、行銷、服務營運及供應鏈管理領域將迎來重大突破。

「下一波浪潮將呈現三大具體模式：金融領域的政策感知助理、製造業的供應鏈協同駕駛員，以及零售業的個人化合規客戶體驗——每項系統皆設有人工審核點與可驗證來源，讓領導者能安心擴展規模。」她如此預測。

實例可參照Thinking Machines與菲律賓島銀行合作的BEAi系統。此檢索增強生成系統支援英語、菲律賓語及塔利語，能提供附頁碼來源的解答，並理解政策更新，將複雜文件轉化為實用員工指引。「這正是『AI原生』在實踐中的樣貌。」Sy如此強調。

Thinking Machines 拓展亞太區人工智慧佈局

與OpenAI的合作將首先透過Thinking Machines在新加坡、菲律賓和泰國的三個辦事處啟動，隨後擴展至整個亞太地區。未來計劃包括為金融、零售和製造等行業量身定制服務，在這些領域中，人工智慧能解決特定挑戰並開拓新機遇。

對Sy而言，目標明確：「導入AI不僅是嘗試新工具，更在於建立願景、流程與技能，使組織能從試點階段邁向持久影響。當領導層、團隊與技術達成共識時，AI方能創造長遠價值。」

另請參閱：X與xAI控告蘋果與OpenAI涉嫌人工智慧壟斷

想向產業領袖學習人工智慧與大數據？歡迎參與於阿姆斯特丹、加州及倫敦舉辦的「人工智慧與大數據博覽會」。此綜合性活動與TechEx旗下其他頂尖科技盛會同期舉行，點擊此處獲取更多資訊。

AI News由TechForge Media提供技術支援。探索其他即將舉辦的企業科技活動與線上研討會請點此。