CORE 沙盒：組織如何安全試驗生成式 AI

2. 研究問題

這篇文章真正要處理的，不是「企業要不要導入 GenAI」這種後設問題，而是更前一階段、更實務也更理論化的問題：在高度不確定、技術快速變動、風險與機會同時擴大的情況下，組織要怎麼有系統地學習 GenAI 對自己的影響。作者明確區分「探索 GenAI」與「正式部署 GenAI」不是同一件事，前者面臨的是不知道要學什麼、怎麼學、哪些風險會在本地情境裡浮現。核心研究問題因此被定義為：組織如何在高度不確定與快速變動條件下，系統性學習 GenAI 對組織的影響，並把這種學習轉化為後續導入與治理的依據。

3. 理論基礎

本文的理論基礎主要來自三條線。第一條是 organizational learning 文獻，特別是把學習視為經驗轉化、知識流動與集體 sensemaking 的觀點。第二條是 dynamic capabilities theory，作者借用 sensing, seizing, reconfiguring 的邏輯，說明組織不能只知道 GenAI 有哪些功能，還要把這些功能轉化成可辨識機會與可治理風險。第三條則是 social-practice 與 situated learning 的視角，也就是知識不只是外部下載進來，而是必須在特定工作脈絡裡透過實作、互動、反思與跨部門協商被建構出來。作者由此主張，傳統 OL 理論偏靜態、偏慢、偏抽象，已不足以處理 GenAI 帶來的互動性、速度性與脈絡依賴性。

4. 研究架構

作者提出一個名為 CORE 的學習框架，四個字母分別代表 Capabilities、Opportunities、Risks、Ecosystem。它不是單純列清單，而是把組織在探索 GenAI 時最重要的四類未知，整理成可反覆迭代的學習結構。配套方法則是「CORE-sandbox experiments」：用受控制但能真實接觸工作情境的 sandbox，讓組織一邊吸收外部知識（ex-situ learning），一邊在本地工作場景中做 in-situ learning。整個框架強調四件事：未知之間會互相牽動；外部學習與內部實驗要來回切換；個人學習需要被轉成組織層級的知識；探索過程本身也需要治理與反思。這使得文章不只是提出「要多學習」，而是提出「要用什麼結構學習」。

5. 假設邏輯

這篇不是傳統假設檢驗型研究，但它有非常清楚的推論邏輯。作者認為，當技術本身還在快速演化時，組織最缺的不是 adoption intention 這類後測指標，而是前期探索方法。若組織只靠一般市場資訊或抽象訓練，會知道一些通用能力，卻無法理解本公司的工作流程、倫理限制、部門差異與價值鏈後果。反過來，如果只做零散試用，又會缺少統整結構與跨案例可比性。因此作者推論，最合理的做法是把「學什麼」先收斂成 CORE 四類未知，再透過 sandbox 進行受控制、可回饋、可治理的循環式探索。這樣一來，能力探索可以帶出機會辨識，機會實驗又會暴露風險，而風險與法規、供應商更新、產業生態又會回頭改寫能力與機會的判讀。

6. 方法

研究採 18 個月的單一大型國際服務企業縱向個案，期間從 2023 年 2 月到 2024 年 6 月，在多個校區執行 8 個 sandbox。研究聚焦四類 job family：資訊系統開發、客戶關係、支援職能（如行銷、HR、法務）與主要營運部門。工具面涵蓋 MS365 Copilot、GitHub Copilot、ChatGPT 類工具、影像生成、CRM 視覺化與票務/知識搜尋等多種 GenAI package。資料蒐集採混合方法：10 週連續 weekly questionnaire、3 次 monthly questionnaire、一次公司級問卷（1786 份回覆）、60 場半結構式訪談、8 次沉浸式現場觀察，另有 18 位高階主管與工會代表訪談以界定 ecosystem 與治理脈絡。研究設計分成四步：scoping CORE unknowns、把未知放回公司 ecosystem contextualize、執行多個 sandbox、最後整合結果並回饋治理與擴散建議。

7. 結果

結果顯示，CORE 四類未知在真實組織裡確實都會出現，而且彼此持續互相推動。Capabilities 面向，員工很快發現 prompt engineering 只是起點，真正關鍵的是 task-specific、use-case-specific 的在地技能；GitHub Copilot 的 10 週追蹤中，平均感知生產力到第 8 週達高峰並維持高檔。Opportunities 面向，GenAI 最明顯的價值是卸載重複低價值工作、縮短搜尋與寫作時間、降低影像素材成本，但這些效益在不同工作族群之間差異很大，且工具「好用」不等於會被大規模採納。Risks 面向，研究抓到幾個非常關鍵的現象：47.8% 的受訪者擔心技能過時；20.8% 的棄用者把不信任與答案不可靠列為原因；64.4% 的非使用者擔心自己會把 hallucination 不自覺帶進工作。除此之外，還浮現過度依賴、繞過同事專業、社交隔離、IP 與倫理風險。Ecosystem 面向，模型與功能更新太快，會讓教程和累積經驗迅速過時，供應商鎖定、token / bandwidth / pricing 限制與法規差異，也都會直接影響組織怎麼學、能學到哪裡。

8. 理論貢獻

這篇的理論價值很高，因為它把 organizational learning 從「採用後學習」往前推到「採用前探索學習」。第一，它提出 CORE 作為 GenAI 時代的中層學習結構，把能力、機會、風險與 ecosystem 的未知整合起來，而不是只談 adoption 或 performance。第二，它把 ex-situ learning 與 in-situ learning 的互補關係講清楚，指出外部知識提供起點與邊界，但只有在地實驗才能揭露情境性風險、工作重組與知識轉移問題。第三，它展示了 GenAI 探索不只產生 first-loop learning，也會進入 double-loop 與 triple-loop learning，因為組織最後會修改的不只是操作技巧，還包括規則、倫理程序、審查流程與治理結構。換句話說，這篇把 GenAI 探索從工具學習提升成制度與知識生成問題。

9. 實務意涵

對企業來說，這篇最直接的訊息是：不要把 GenAI 試用做成零散 demo，也不要太早把導入決策建立在供應商簡報或市場 hype 上。更務實的做法，是建立一套有治理、有限度、能留痕的 sandbox 機制，讓不同 job family 在真實工作裡探索。第二個實務訊息是，管理者不能只訓練 prompt 技巧，還要設計任務脈絡中的 use case、驗證方式與風險檢查點，否則員工只會學到表面操作。第三，風險治理要跟著實驗一起長，不是等全面部署後才補規範。文中公司就是在 sandbox 過程中逐步形成 AI charter、風險評估、資料禁用規則與影像生成邊界。最後，若組織真的想把 GenAI 轉成 business value，就必須有機制把個人摸索轉成共享知識，否則學習只會停在少數 enthusiastic users 身上。

10. 研究限制

這篇研究限制也很清楚。首先，它是單一大型歐洲服務企業個案，雖然深度很強，但外推到製造業、SME、平台企業或公共部門時要保守。第二，sandbox 的參與包含志願參與與管理層分配 license，樣本本身可能帶有選擇偏誤，較積極或較有數位能力的人更可能被觀察到。第三，文章強調的是探索學習與治理形成，較少給出標準化、可跨組織直接比較的績效指標，因此比較像建立框架與機制，不是提供普遍效益大小。第四，生態系統變動太快，某些發現本身會有時效性，例如某些 prompt 技巧、供應商差異或特定工具限制，這也意味著框架可能比具體做法更可遷移。

11. 對我研究的啟發

這篇對我特別重要，因為它幫我把 Human-GenAI collaboration、knowledge creation、cognition 這條線，從個體互動層級拉到組織學習層級。我前面讀的幾篇文多半在問人跟 GenAI 一起創意、一起解題、一起做知識創造時，認知機制怎麼運作；這篇則補上更上游的問題：組織要怎麼設計一個環境，讓這些人機互動可以被安全地觀察、比較、放大、制度化。對我未來研究，至少有三個可直接延伸的方向。第一，我可以把 CORE 轉譯成 knowledge creation 的組織版架構，例如能力未知對應 epistemic affordances，機會未知對應新知應用場景，風險未知對應 trust、error、deskilling 問題，ecosystem 未知則對應平台依賴與制度壓力。第二，這篇很適合跟我關心的 cognitive style 文獻結合，去問不同認知風格的員工是否在 sandbox 裡學得不同、信任不同、過度依賴風險不同。第三，它提供了一個很好的 bridge，讓我未來不只研究「人怎麼跟 GenAI 合作」，而是研究「組織如何設計條件，讓這種合作變成可持續的知識創造機制」。

12. 整體評價

我認為這篇是 backlog 裡非常值得優先讀的理論型實證文，而且它的價值不只在題目新，而在它真的抓到目前多數 GenAI 組織研究最缺的一塊：探索期的方法論。很多文章不是停在 adoption intentions，就是直接談 implementation outcomes，中間這段「企業到底怎麼摸清楚自己該不該、怎麼樣、在哪裡用 GenAI」常常被跳過。這篇的強項是同時有框架、有實地 longitudinal data、也有對治理與高階學習層次的清楚連結。它不是最精準估計效果大小的文章，但非常適合當成我未來討論 organizational learning、dynamic capabilities、human-GenAI collaboration 與 knowledge creation 之間關係的橋梁文獻。若要挑缺點，就是它的單一個案限制仍在，且部分 findings 偏管理報告式而非嚴格比較設計；但即便如此，作為概念框架加深描個案，它仍然很強。