企業導入 AI 點樣做：5 步由 PoC 走到真正落地

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。

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%。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。

較穩陣嘅擴大次序係：

1. 先讓 AI 協助搜尋、整理、摘要、草擬。
2. 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。
3. 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。
4. 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 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。

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。

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. 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。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。

場景判斷：咩可以先做，咩應該暫緩？

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：

1. 呢個場景解決邊一個具體業務問題？
2. 今日流程基準係幾多，例如時間、錯誤率、成本或客戶投訴率？
3. 邊個係業務 owner？邊個可以決定流程改唔改？
4. 使用者係咪真係高頻遇到呢個問題？
5. 所需數據係咪已存在、可取得、可更新？
6. 權限、私隱、法律、資訊安全同審計要求係咪清楚？
7. AI 輸出會入到邊個真實系統或工作流？
8. 邊啲情況一定要 human-in-the-loop？
9. 成功、擴大、停止嘅 KPI 門檻係咩？
10. 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。