好多公司一講 AI，就會即刻諗模型、平台、供應商 demo。但落到企業現場，成敗往往唔係模型夠唔夠勁，而係幾個更實際嘅問題：AI 攞唔攞到正確而最新嘅數據？輸出可唔可以回到 CRM、ERP、工單或審批流程？邊個對 KPI 負責？權限、私隱、審計同風險又過唔過到關？
The Consulting Report 整理 McKinsey 全球調查指出，88% 組織已經喺至少一個業務功能使用 AI，但近三分之二仍然停留喺實驗或早期 pilot 階段[5]。換句話講，企業唔係冇試 AI；真正難嘅係將試點變成穩定、可擴大、有人負責嘅營運能力。
先揀流程，唔好先揀模型
企業 AI 嘅起點唔應該係：我哋要唔要買某個 AI 工具？更應該係：邊一個工作流程值得先重做？
第一批場景唔一定要最大、最矚目，但要夠頻密、數據來源清楚、結果可量度，而且出錯時有人可以覆核同接手。適合優先做嘅流程通常有幾個特徵：
- 同一類任務每日或每星期都會重複出現。
- 所需數據已經喺文件庫、CRM、ERP、工單系統、數據倉庫或內部知識庫入面。
- 現有流程有明顯痛點，例如搵資料太慢、手動複製貼上太多、回覆唔一致、重做率高。
- AI 輸出可以由人手覆核、抽查、修正；必要時可以轉人手處理。
- 有業務 owner 願意改流程，亦願意為成效負責。
如果以上條件未齊，先買工具好多時只會做出一次好睇嘅 demo，而唔係真正可持續嘅成效。
5 步：由 PoC 走到可營運能力
1. 將需求寫成可量度嘅商業問題
唔好將專案題目寫成導入 AI。更好嘅寫法係：喺某個流程入面，邊一班使用者反覆做緊咩事，今日卡喺邊度，AI 介入後要改善邊個指標。
可以用呢個句式開始：
喺流程 A 入面，角色 B 每星期花大量時間處理任務 C；我哋希望用 AI 將指標 D 由目前基準改善到目標值，並由業務 owner E 負責流程調整同成效驗收。
啟動前，至少要答到以下問題：
- 邊班人會每日或每星期用呢個 AI 功能？
- AI 會插入邊一個工作步驟，而唔係獨立存在？
- 今日基準係幾多，例如處理時間、錯誤率、轉換率、客戶投訴率或人手工時？
- 成功 KPI 係效率、質素、收入、成本、風險，定係員工體驗？
- 邊個有權決定流程點改，並且承擔結果？
如果冇業務 owner，亦冇現況基準，PoC 好難判斷成唔成功，更難說服公司擴大投入。
2. 揀 1–3 個高頻、重複、數據已存在嘅場景
第一批 AI 場景唔需要一開始就包山包海。相反，應該揀高頻、重複、數據來源明確、錯誤成本可控嘅任務。
| 候選場景 | 點解適合先試 | 第一個 KPI 可以點設 |
|---|---|---|
| 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、客戶投訴率 |
| 內部文件問答 | 員工經常花時間搵制度、流程、產品或技術文件 | 查找時間、轉問同事次數、答案採納率 |
| 報表同會議摘要 | 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 | 欄位清楚，容易設計人手覆核 | 欄位正確率、審核時間、重做率 |
| 銷售同採購流程輔助 | 可以協助整理資料、比對、草擬同提供初步建議 | 轉換率、回覆時間、處理週期、人手工時節省 |
一開始唔建議揀最高風險、最複雜、責任邊界最模糊嘅場景。如果數據散亂、流程未標準化，或者合規要求好高但治理未建立，應該先補數據同流程，再談生成式 AI。
3. PoC 前先盤點數據、權限同系統串接
AI 落地嘅難位，經常唔係模型本身，而係數據可唔可以安全、正確、及時咁被取用。Talyx 對 RAND Corporation 2024 年研究嘅整理指出，該研究訪談 65 位資深數據科學家同工程師，歸納出幾個常見 AI 專案失敗根因：問題定義被誤解、訓練數據不足、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：
- 數據喺邊度：文件庫、CRM、ERP、工單系統、數據倉庫，定係散落喺個人硬碟同電郵？
- 數據質素如何：有冇過期、重複、缺欄位、格式唔一致？
- 權限點樣管：唔同部門、職級、地區可以睇嘅資料係咪唔同？
- 更新頻率如何：AI 答案係咪基於最新資料，定係幾個月前嘅版本？
- 系統能否串接：AI 輸出可唔可以回到工單、CRM、報表、審批或文件流程？
- 審計能否追蹤：邊個問過咩、AI 答咗咩、邊個採納或修正，係咪有紀錄？
如果數據不可用，模型再強都只係展示；如果權限設計唔清楚，專案好容易卡喺資訊安全、私隱、法律或審計審查。
4. 做細 PoC，但一定要接真實工作流
PoC，即係概念驗證，唔應該只係會議室入面嘅展示版。更好做法係將 PoC 當成第一版產品：接真實使用者、真實數據、真實流程，並且一早定義成功、擴大同停止條件。
一個有機會進入營運嘅 PoC，至少要答到：
- 使用者喺邊度觸發 AI：客服後台、Slack、Teams、CRM、內部入口，定係現有系統？
- AI 產出由邊個覆核？邊啲情況一定要轉人手？
- 錯誤點樣回報？回報之後邊個負責修數據、調規則或調提示？
- 邊啲任務只可以輔助，唔可以自動完成？
- KPI 達到咩門檻先擴大？跌穿咩門檻就停止？
呢一步嘅重點唔係證明 AI 識答問題，而係證明 AI 可以喺現有流程入面穩定被使用，並令某個營運指標變好。
5. 治理過關，再擴到第二個部門或更高自動化
擴大 AI 唔係多開幾個帳戶咁簡單。每擴到一個部門，都會遇到新數據來源、新權限規則、新流程差異、新合規要求同新 KPI。
尤其當 AI 由搜尋、摘要、草擬，走向更自主嘅 AI agents，更應該採取漸進式路線。McKinsey 2025 調查摘要顯示，喺任何單一功能入面，回報已規模化落地 AI agents 嘅受訪者都唔超過 10%[2]。McKinsey 另指出，安全與風險係擴大 agentic AI 嘅首要障礙，而不準確同網絡安全仍然係最常被提到嘅 AI 風險[
8]。
較穩陣嘅擴大次序係：
- 先讓 AI 協助搜尋、整理、摘要、草擬。
- 保留 human-in-the-loop，即係關鍵步驟有人手覆核，並累積錯誤、例外同使用紀錄。
- 當正確率、流程穩定性、權限同審計機制成熟，再自動化低風險步驟。
- 每次擴到新部門前，重新審視數據、權限、法律、資訊安全、私隱同審計要求。
KPI 點樣設：唔好只睇模型準確率
AI 專案如果只量度模型準確率，好容易忽略真正營運價值。更好嘅 KPI 設計，係先量度現況基準，再用多層指標判斷值唔值得擴大。
| KPI 類型 | 可用指標 | 適合場景 |
|---|---|---|
| 效率 | 平均處理時間、週轉時間、每宗個案人手分鐘、報告產出時間 | 客服、報表、單據、文件問答 |
| 質素 | 抽樣正確率、人手採納率、重做率、客戶投訴率 | 客服回覆、合約抽取、內容草擬 |
| 使用情況 | 每星期活躍使用者、任務覆蓋率、重複使用率、轉問同事次數 | 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、每宗個案成本 | 銷售、客服、採購、營運流程 |
| 風險治理 | 人手升級率、政策違規次數、敏感資料處理例外、審計缺失 | 高風險數據、對外回覆、agentic AI |
KPI 唔需要一開始好多，但一定要同流程相連。如果 PoC 只證明 AI 可以生成一段文字，卻證明唔到流程更快、更準、更慳人手或更可控，就未算真正落地。
點解好多 AI 專案落唔到地？
1. 先買工具，再搵場景
好多專案由供應商 demo 或模型功能開始，最後做出好似好新潮、但冇人每日真正需要嘅功能。Talyx 對 RAND 研究嘅整理亦將技術導向而非問題導向列為常見失敗根因之一[4]。
2. 問題定義唔清，部門各有各期待
如果業務端想減少客服工時，IT 端只係優化模型準確率，管理層期待成本下降，法律或合規團隊又擔心風險，專案就會喺不同目標之間拉扯。問題定義被誤解同樣被列為 AI 專案失敗根因之一[4]。
3. 數據同系統冇接上
AI 如果攞唔到正確文件、客戶資料、工單紀錄或交易數據，就只能答通用問題。即使答案唔錯，如果輸出返唔到 CRM、ERP、文件庫或工單系統，使用者仍然要手動複製貼上，價值就會被流程成本食走。基礎設施不足亦係 Talyx 對 RAND 研究整理出嘅常見失敗根因之一[4]。
4. PoC 冇改變真實工作方式
AI 採用率高，唔等於已經做到規模化落地。The Consulting Report 整理 McKinsey 調查指出，雖然 88% 組織已喺至少一個業務功能使用 AI，但近三分之二仍停喺實驗或早期 pilot[5]。如果 PoC 冇進入真實流程、冇業務 owner、冇 KPI，最後好多時只會停留喺展示階段。
5. 風險治理太遲先補
資訊安全、私隱、合規、審計同權限管理，如果等到上線前先處理，專案好可能要大幅重做。對 agentic AI 尤其如此，因為越自主嘅系統，越需要清楚嘅數據邊界、行動權限、人手覆核同責任歸屬；McKinsey 指出，安全與風險係擴大 agentic AI 嘅首要障礙[8]。
場景判斷：咩可以先做，咩應該暫緩？
| 可以優先做 | 建議先暫緩 |
|---|---|
| 每星期或每月高頻出現嘅重複任務 | 一年只出現少數幾次嘅特殊任務 |
| 數據已電子化，來源清楚 | 數據散落喺個人檔案、口頭經驗或非正式紀錄 |
| 規則相對清楚，答案可追溯 | 問題定義唔清，部門各說各話 |
| 錯誤可以由人手覆核同修正 | 錯誤會直接造成重大合規、財務或安全後果 |
| 有業務 owner 願意改流程 | 只有 IT 或顧問推動，使用部門唔投入 |
| KPI 可量化，例如時間、正確率、成本、客戶投訴率 | 只話要創新、要 AI 化，但冇成效定義 |
落喺右欄嘅場景唔係永遠唔可以做，而係要先補數據、標準化流程、釐清責任同治理，再導入 AI。
一頁 AI 導入檢查清單
啟動任何 AI 專案前，可以用以下 10 條問題快速檢查：
- 呢個場景解決邊一個具體業務問題？
- 今日流程基準係幾多，例如時間、錯誤率、成本或客戶投訴率？
- 邊個係業務 owner？邊個可以決定流程改唔改？
- 使用者係咪真係高頻遇到呢個問題？
- 所需數據係咪已存在、可取得、可更新？
- 權限、私隱、法律、資訊安全同審計要求係咪清楚？
- AI 輸出會入到邊個真實系統或工作流？
- 邊啲情況一定要 human-in-the-loop？
- 成功、擴大、停止嘅 KPI 門檻係咩？
- 如果擴到第二個部門，數據、流程同風險假設仲適唔適用？
結論：先做好一個流程，再講全公司 AI
企業導入 AI，最好由流程改造出發，而唔係由模型採購出發。模型係必要能力，但唔等於落地本身。真正決定專案能否由 PoC 走到營運嘅，是數據是否可用、權限是否清楚、流程是否願意改、風險是否可控，以及 KPI 是否能夠證明價值。
與其同時開十個華麗試點，不如先揀一個高頻、可量度、可覆核嘅流程做實。當一個流程真係跑得順、量得到成效、過得到治理，再將經驗複製到下一個部門，企業 AI 先有機會由試驗變成日常營運能力。
