首先，核心的觀點是 AI Agent 比人類更會使用工具。在這種情況下，人類需要更好地扮演「甲方」的角色。一個好的甲方需要具備「驗收」和「招標」的能力。
關於「驗收」：
- 這牽涉到需要驗收的次數、自動化測試的可能性以及人類是否有能力進行驗收。
- AI 的輸出可能存在隨機性，例如將截圖轉換為表格，成功率只有 50%。
- 根據貝氏定律，假設一次任務成功，下一次成功的機率會提高。要達到 99% 的成功率，可能需要連續驗證 100 次。
- 自動化測試是一種驗收方式，可以讓 AI 出題並自行檢查，形成一個閉環。
- 也可以透過並行處理，讓多個 AI 生成結果，再從中選擇最好的。這方面已有相關的研究。
- 人類需要有能力定義驗收標準，例如根據任務的目的、資料來源、時效性或語言來判斷結果的正確性。檢查 AI 執行步驟中的關鍵點 (checkpoint) 並評估其績效和正確性也很重要。並非所有情況都有標準答案，也不需要讓產品符合學術上的基準測試.
關於「招標」：
- 這包含「重度使用者的超能力」、「人機協作的現實與想像」、「把話說清楚」以及「甲方的策略」。
- 「重度使用者的超能力」指具有領域內的獨特觀點，知道正確的關鍵字及其代表的意義，懂得運用語言（包括請 AI 用當地語言搜尋），以及了解專業領域和 AI 能力的交集（即任務的範圍和可以達到的專業度）。
- 「把話說清楚」很重要，可以請 AI 幫忙重寫提示詞 (prompt)，或者先請 AI 提問以釐清需求，甚至與 AI 討論需求後再請它重寫指令。
- 「甲方的策略」可能包括將任務同時交給多個人 (AI) 完成，然後選擇最好的結果。如果良率太低，也可能選擇不做。在 AI 的世界裡，更多的是「等待」其進步，而非「教育」它（例如向 LLM 公司提 issue）。
在團隊協作與工作流程方面：
- 「人機協作」是未來的重要模式。
- 在軟體開發領域，AI 可以協助編寫簡單的程式碼和除錯。具備一定的程式基礎知識有助於利用 AI 進行修改。然而，某些複雜或需要實際操作的任務（如 App 送審、Xcode 基本操作、特定原因導致的 Github push 失敗）目前 AI 仍難以取代人類工程師。
- AI Agent 被視為每個角色（如產品負責人 PO、使用者體驗設計師 UX、測試工程師 QA、研發工程師 RD）的「助手」，與人類共同工作。這使得團隊規模得以擴大，且成本相對較低。
- 有一種應用模式是將 AI 融入產品開發流程中，例如使用 AI 協助撰寫人類和 AI 都能理解的 PRD (產品需求文件)。產品負責人可以利用 NotebookLM 和 Claude 等工具與 AI 互動，初步產生 PRD。技術負責人則可以利用 AI 補充非功能性需求 (NFRs)，例如性能、可用性、安全性等。這種人機協作產生的 PRD 能使後續的開發工作（如生成 Story、編寫程式碼、進行測試）更順暢且準確率更高。
- 未來的軟體開發模式可能從以人為中心的敏捷開發轉向類似製造業的「軟體工業化」，由 AI 主導生產，人類負責監控和管理。這代表著協作模式可能從人與人之間的緊密互動，轉變為人監督 AI 進行自動化生產。
- 將 AI 自然地融入現有的工作流程至關重要，目標是創造「無感體驗」，讓人們在不改變習慣或開啟額外工具的情況下就能使用 AI 協助。這需要良好的「體驗設計」，在正確的時間、介面和語言讓 AI 出現。
- 成功的整合案例包括在 Slack 中使用 emoji 觸發 AI 生成腳本建議，以及一鍵生成影片字卡等工具，這些都將 AI 功能整合到現有工具中，減少切換工具的麻煩。
- 團隊需要協作來找出最適合 AI 介入的環節，例如經常被詢問、容易卡關、溝通不清或判斷變慢的部分。同時也要共同解決自動化背後的技術挑戰，如權限申請、流程設定、bug 處理、資料安全以及維護更新等。
- 對於非工程師（「麻瓜」），AI 可以透過討論開發決策、解釋專有名詞等方式，教導他們工程師的策略和思維，讓他們更能參與到開發討論中，提升在專案中的主導權。與 AI 共同建立開發文件，記錄開發原則、目的、步驟、檔案結構和程式設計決策，有助於日後持續協作，避免 AI「失憶」的問題。
總而言之，生成式 AI 的發展正推動工作模式從以人為主的執行轉向人與 AI 的深度協作與管理。人類的角色將更側重於定義需求、驗收成果、策略規劃，並透過良好的體驗設計將 AI 無縫融入工作流程，而非單純執行任務。團隊協作也將包含與 AI Agent 的互動，並可能朝向 AI 主導生產、人類監督的工業化模式發展。
沒有留言:
張貼留言