知識工作可以自動化？
一個月沒更新電子報，近況更新：換工作了，好忙！
在一間線上課程新創研究AI，從自己用AI工具，到開發工具給同事用，不再是自己用得爽就好，還需要有平台化、規模化的思維，例如要管控風險、做好備援機制，上線後的專案，AI修改前我一律請他一並把風險列出來評估，將意外機率降到最低。
久違火力全開工作，腦袋偶爾還是會轉不過來，不僅要識別各部門流程痛點，用AI自動化，身上還要背專案，看看這20天我做了什麼：
人資系統CLI
一頁式銷售網頁管理平台
搜集老闆偏好的編輯器
utm、sms平台API
自動進線上會議錄音、摘要、螢幕錄影並存到notion的bot
Line bot管理平台
五個Skills
新課程研究、提案
AI帶來的生產力，真的有點瘋狂。
以下正文：
難道只有我夢想著一覺醒來，工作就完成了的生活嗎？不可能吧。
這樣的夢幻系統已經被前 OpenAI 及Tesla 核心成員 Andrej Karpathy 設計出來了，他設計出 AutoResearch 框架，透過自動修改程式碼（或微調超參數），接著進行 5 分鐘的模型訓練，訓練完成後檢查指標，進行下一次的迭代，讓 AI 能24小時自主訓練模型。
聽起來令人興奮，但問題是我所在的知識產業，似乎是最不適合自動化系統的產業之一。
知識產業依賴主觀指標衡量結果，我之前嘗試 AI 寫長文時，因為指標主觀、模糊，所以難以測試，也因此無法將我的標準移植到 AI 上，產出的內容難以符合需求。我想到最好的策略就是「以量達質」，讓 AI 一次生成多篇草稿，再由人類評斷。美其名是 Human in the loop ，但此機制仍舊無法達成真正的自動化，人類瓶頸依然存在，無法讓 AI 自行進化產生最終成品。
延伸閱讀：AI 寫長文實驗
Andrej Karpathy 系統成功的三大先決條件：
1. 反饋迴圈要夠短：實驗必須能在幾分鐘或幾小時內獲得數據，這個循環速度決定了 AI 進化的效率。
2. 客觀的衡量指標：AI必須依據量化的數據迭代，例如流量、點擊率，而不是主觀的感受。這對一些文章或是課程品質來說都很困難，因為這常常都是「感覺」主導，老闆會用他的經驗與直覺來判斷說這個會不會「中」，經驗累積產生的直覺，很難複製。
3. 是否有API 實現閉環：包含取得數據的 API、上架內容的 API，這樣子系統才可以用程式來直接修改輸入端，否則 AI 只能給出建議，無法自主執行任務
自動化專家Nick Saraev，專門將各種自動化工具打造成可銷售的系統。他擅長陌生開發自動化，能在短時間內打造最高回覆率的陌生開發信。他將這套系統從自主訓練模型延伸到商業領域，用回覆率當指標，自主迭代陌生開發信的品質。
這給了我靈感，這種做法也能用在課程流程與文章上。由於文章或課程獲得反饋的速度太慢，例如一門課動輒三個月、半年製作期，完成後才上市看銷量，實在太久，不符合快速驗證條件。
因此，我們必須從先行指標下手。例如做課的關鍵步驟之一是撰寫課程論述，然而誰來判斷論述好壞？許多狀況下是老闆一人決定。若能將課程論述切角拆分成多則landing page，透過廣告投放，依據點擊率、轉換率快速判斷消費者對主題與論述的興趣，再讓 AI 收集數據、分析文案優劣並進一步優化，是否更有機會實現知識產業自動化？
再往前想一步，生產力的瓶頸始終是人類，我們要睡、要吃，容易分心還愛抱怨，但當我們不曾掙扎過，還能懂人性嗎，沒經歷過改稿地獄，不用改稿時會真的開心嗎？
如果人類不需被要求要有生產力，如果我們真的不用以工作換取金錢，也許有機會奪回那份被金錢獎勵所消弭熱情——做一件有趣的事的純粹。