企業導入 AI，最容易卡住的地方通常不是模型能力，而是流程能不能真的改變：AI 是否接得到正確資料、輸出是否進得了既有系統、誰對 KPI 負責、權限與風險是否可控。一篇整理 McKinsey 全球調查的報導指出，88% 的組織已在至少一個業務功能使用 AI，但近三分之二仍停留在實驗或早期 pilot 階段[5]。換句話說，企業不缺 AI 嘗試，缺的是把試點變成穩定營運能力的方法。
先選流程，不要先選模型
企業 AI 的正確起點不是「我們要不要上 AI」，而是「哪一個流程值得先被重做」。第一批場景不一定要最大，但要夠常發生、資料來源清楚、可衡量，且錯誤能由人覆核。
適合優先導入的流程通常有幾個特徵：
- 部門每天或每週反覆處理同一類任務。
- 所需資料已存在於文件庫、CRM、ERP、工單系統、資料倉儲或內部知識庫。
- 現有流程有明確痛點，例如查找時間太長、人工複製貼上太多、回覆不一致或返工率高。
- AI 輸出可以被人工覆核、抽查、修正，必要時能轉人工處理。
- 有業務 owner 願意改流程，並對成效負責。
如果這些條件不存在，先採購工具或模型，很容易只得到一次漂亮 demo，而不是可持續的營運成效。
5 步流程：把 PoC 變成可落地能力
1. 把需求寫成可衡量的商業問題
不要把專案題目寫成「導入 AI」。更好的寫法是：在某個流程中，哪一群使用者反覆做什麼事，今天卡在哪裡，AI 介入後要改善哪個指標。
可以用這個句型開始：
在流程 A 中，角色 B 每週花大量時間處理任務 C；我們希望用 AI 把指標 D 從目前基準改善到目標值，並由業務 owner E 負責流程調整與成效驗收。
啟動前至少要回答 5 個問題：
- 誰會每天使用這個 AI 功能？
- AI 會插入哪一個工作步驟，而不是獨立存在？
- 今天的基準是多少，例如處理時間、錯誤率、轉換率、客訴率或人工工時？
- 成功 KPI 是效率、品質、收入、成本、風險，還是員工體驗？
- 誰有權決定流程要怎麼改，並承擔結果？
沒有業務 owner 和基準值，PoC 很難判斷是否成功，也很難說服組織擴大。
2. 挑 1–3 個高頻、重複、資料已存在的場景
第一批場景不必追求最大範圍，反而應該挑高頻、重複、資料來源明確、錯誤成本可控的任務。常見起手式如下：
| 候選場景 | 為什麼適合先試 | 第一個 KPI 可怎麼設 |
|---|---|---|
| 客服知識檢索 | 答案通常來自 FAQ、產品文件、工單紀錄或內部知識庫 | 平均處理時間、一次解決率、抽樣正確率、客訴率 |
| 內部文件問答 | 員工常花時間找制度、流程、產品或技術文件 | 查找時間、人工轉問次數、答案採納率 |
| 報表與會議摘要 | 資料格式相對固定，重複閱讀需求高 | 報告產出時間、摘要採納率、修訂次數 |
| 合約或單據欄位抽取 | 欄位明確，適合設計人工覆核 | 欄位正確率、審核時間、返工率 |
| 銷售與採購流程輔助 | 可支援資料整理、比對、草擬與初步建議 | 轉換率、回覆時間、處理週期、人工作業節省 |
不建議一開始就挑最高風險、最複雜、責任邊界最模糊的場景。若資料散亂、流程未標準化，或法遵要求很高但治理尚未建立，應先補資料與流程，再談生成式 AI。
3. 在 PoC 前盤點資料、權限與系統串接
AI 落地的難點常不在模型本身，而在資料能否被安全、正確、即時地取用。Talyx 對 RAND Corporation 2024 研究的整理指出，該研究訪談 65 位資深資料科學家與工程師，歸納出幾個常見 AI 專案失敗根因：問題定義被誤解、訓練資料不足、技術導向而非問題導向、基礎設施不足，以及問題本身超出可行範圍[4]。
PoC 前至少要檢查：
- 資料在哪裡：文件庫、CRM、ERP、工單系統、資料倉儲，還是散在個人硬碟？
- 資料品質如何：是否過期、重複、缺欄位、格式不一致？
- 權限怎麼管：不同部門、職級、地區能看到的資料是否不同？
- 更新頻率如何：AI 回答的是最新資料，還是幾個月前的版本？
- 系統能否串接：AI 輸出是否能回到工單、CRM、報表、審批或文件流程？
- 審計是否可追溯：誰問了什麼、AI 回答什麼、誰採納或修正，是否能留下紀錄？
如果資料不可用，模型再強也只能做展示；如果權限設計不清，專案很可能卡在資安、隱私、法務或稽核審查。
4. 做小型 PoC，但一定要接真實工作流
PoC，也就是概念驗證，不應只是會議室裡的展示版。更好的做法，是把 PoC 當成第一版產品：接真實使用者、真實資料、真實流程，並事先定義成功、擴大與停止條件。
一個能進入營運的 PoC，至少要回答：
- 使用者在哪裡觸發 AI：客服後台、Slack、Teams、CRM、內部入口，還是既有系統？
- AI 產出的內容由誰覆核？哪些情境必須轉人工？
- 錯誤怎麼回報？回報後誰負責修資料、調規則或調整提示？
- 哪些任務只能輔助，不能自動完成？
- KPI 達到什麼門檻才擴大？沒達到什麼門檻就停止？
這一步的關鍵不是證明 AI 能回答，而是證明 AI 能在現有流程裡穩定被使用，並且讓某個指標變好。
5. 通過治理後，再擴到第二個部門或更高自動化
擴大 AI 不是多開幾個帳號。每擴到一個部門，就會遇到新的資料來源、權限規則、流程差異、法遵要求與 KPI。
尤其當 AI 從查詢、摘要、草擬走向更自主的 agents，更應採取漸進式路線。McKinsey 2025 調查摘要顯示，在任何單一功能中，回報已擴大落地 AI agents 的受訪者都不超過 10%[2]。McKinsey 另指出，安全與風險是擴大 agentic AI 的首要障礙，而不準確與資安仍是最常被提到的 AI 風險[
8]。
較穩健的擴大順序是：
- 先讓 AI 協助搜尋、整理、摘要、草擬。
- 保留 human-in-the-loop，累積錯誤、例外與使用紀錄。
- 當正確率、流程穩定性、權限與稽核機制成熟，再自動化低風險步驟。
- 每次擴到新部門前，重新審查資料、權限、法務、資安、隱私與稽核要求。
KPI 怎麼設：不要只看模型準確率
AI 專案如果只量模型準確率，容易忽略真正的營運價值。更好的 KPI 設計，是先量現況基準，再用多層指標判斷是否值得擴大。
| KPI 類型 | 可用指標 | 適合場景 |
|---|---|---|
| 效率 | 平均處理時間、週轉時間、每案人工分鐘、報告產出時間 | 客服、報表、單據、文件問答 |
| 品質 | 抽樣正確率、人工採納率、返工率、客訴率 | 客服回覆、合約抽取、內容草擬 |
| 使用 | 週活躍使用者、任務覆蓋率、重複使用率、人工轉問次數 | 內部助理、知識檢索、部門工具 |
| 業務結果 | 轉換率、回覆速度、案件結案率、每案成本 | 銷售、客服、採購、營運流程 |
| 風險治理 | 人工升級率、政策違規次數、敏感資料處理例外、稽核缺失 | 高風險資料、對外回覆、agentic AI |
KPI 不需要一開始很多，但必須和流程連在一起。若 PoC 只能證明 AI 會產生一段文字，卻無法證明流程更快、更準、更省人工或更可控，就還不能算落地。
為什麼很多 AI 專案落不了地？
1. 先買工具，再找場景
很多專案從供應商 demo 或模型能力出發，最後做出看起來很炫、但沒有人每天需要的功能。Talyx 對 RAND 研究的整理也把「技術導向而非問題導向」列為常見失敗根因之一[4]。
2. 問題定義不清，導致各部門期待不同
如果業務端想降低客服工時，IT 端在優化模型準確率，管理層期待成本下降，法務又擔心風險，專案就會在不同目標之間拉扯。問題定義被誤解同樣被列為 AI 專案失敗根因之一[4]。
3. 資料和系統沒有接上
AI 若無法取得正確文件、客戶資料、工單紀錄或交易資料，就只能回答通用問題。若輸出不能回到 CRM、ERP、文件庫或工單系統，使用者仍要手動複製貼上，價值會被流程成本吃掉。基礎設施不足也是 Talyx 對 RAND 研究整理出的常見失敗根因之一[4]。
4. PoC 沒有改變真實工作方式
企業 AI 採用率提高，不代表已經完成規模化落地。一篇整理 McKinsey 調查的報導指出，雖然 88% 的組織已在至少一個業務功能使用 AI，但近三分之二仍停在實驗或早期 pilot[5]。如果 PoC 沒有進入真實流程、沒有業務 owner、沒有 KPI，最後往往只會停在展示階段。
5. 風險治理太晚補
資安、隱私、法遵、稽核與權限控管如果等到上線前才處理，專案很可能被迫重做。對 agentic AI 尤其如此，因為更自主的系統通常需要更清楚的資料邊界、行動權限、人工覆核與責任歸屬；McKinsey 指出，安全與風險是擴大 agentic AI 的首要障礙[8]。
場景判斷表：什麼先做，什麼暫緩？
| 可以優先做 | 建議先暫緩 |
|---|---|
| 每週或每月高頻發生的重複任務 | 一年只發生少數幾次的特殊任務 |
| 資料已電子化且來源明確 | 資料散在個人檔案、口頭經驗或非正式紀錄 |
| 規則相對清楚，答案可追溯 | 問題定義不清，部門各說各話 |
| 錯誤可人工覆核與修正 | 錯誤會直接造成重大法遵、財務或安全後果 |
| 有業務 owner 願意改流程 | 只有 IT 或顧問推動，使用部門不投入 |
| KPI 可量化，例如時間、正確率、成本、客訴率 | 只說要創新、要 AI 化，但沒有成效定義 |
落在右欄的場景不是永遠不能做，而是要先補資料、標準化流程、釐清責任與治理，再導入 AI。
一頁 AI 導入檢查清單
啟動任何 AI 專案前，可以用這 10 個問題快速檢查：
- 這個場景解決的是哪個具體業務問題？
- 今天的流程基準是多少，例如時間、錯誤率、成本或客訴率？
- 誰是業務 owner？誰能決定流程要不要改？
- 使用者是否真的高頻遇到這個問題？
- 所需資料是否已存在、可取得、可更新？
- 權限、隱私、法務、資安與稽核要求是否清楚？
- AI 輸出會進到哪個真實系統或工作流？
- 哪些情況必須 human-in-the-loop？
- 成功、擴大、停止的 KPI 門檻是什麼？
- 如果要擴到第二個部門，資料、流程與風險是否仍然適用？
結論：先把一個流程做成，再談全公司 AI
企業 AI 導入要從流程改造出發，不要從模型採購出發。模型是必要能力，但不是落地本身。真正決定專案能不能從 PoC 走到營運的，是資料是否可用、權限是否清楚、流程是否願意改、風險是否可控，以及 KPI 是否能證明價值。
