前幾天跟一組潛在合作夥伴聊天，他們提出一個很有企圖心的想法：希望把 AI 放進企業從接單、設計、生產、品質管理到出貨的整條流程，甚至進一步串接 ERP、MES、CRM 與品質管理系統，讓 AI 幫忙整理資料、判讀狀況，甚至主動接手部分工作。
從產品開發的角度來看，這個構想完全合情合理。老實說，如果是幾年前的我，大概也會興奮地開始在白板上畫系統架構圖，先畫幾個方框，再拉幾條箭頭。畫到最後雖然連自己都不太確定那些箭頭為什麼要接在一起，但心裡總會產生一種「事情好像變得非常厲害」的錯覺。
現在年紀稍微增長了些，至少學會了提早丟出一些會讓會議氣氛瞬間凍結的問題。
企業為什麼需要這個東西？原本的做法到底是哪裡不夠用？這個問題一年會讓公司多損失多少錢？現有的系統真的處理不來嗎？做出來之後要由誰維護？模型明年要是換掉怎麼辦？三年後如果開發團隊離職，公司到底還剩下什麼？
最近我又多了一個問題，而且我愈來愈覺得這個問題才是關鍵：做完之後，我們到底準備拿什麼來證明它真的有價值？
這句話問出口，現場通常就會安靜下來。
因為很多 AI 專案真正棘手的時刻，往往發生在產品順利做出來之後。介面展示很漂亮，功能操作很順暢，模型運作也完全沒問題，但只要一追問「這東西到底改善了公司哪一項經營結果」，答案通常就再也瀟灑不起來。
我漸漸體會到，這中間其實存在幾種完全不同的視角。產品開發人員關心 AI 現在能做到什麼地步，經營者關心這筆投資到底划不划算，現場流程負責人關心導入後工作要怎麼改，而管理階層還得回答一個最麻煩的問題：我們看到的改善，究竟是企業真的獲得了價值，還是某一段流程自己運作得比較順暢而已？
這些觀點都各有道理。問題在於大家常常各自拿著自己的尺衡量，就直接拍手宣布成功了。
公司有 AI，不代表公司已經具備 AI 能力
大家現在都應該注意到，規模稍大一點的企業都宣佈成立 AI 小組、AI 辦公室，掛上專責主管的名銜，接著購買帳號、舉辦競賽、做概念驗證（Proof of Concept，POC），到了年底再辦一場風光的成果發表會。
這些動作當然都有它的意義在。只是組織圖上多了一個格子，跟公司真的擁有了 AI 能力，中間還差得遠。
這狀況有點像成立「減重委員會」，並不保證我的體脂肪就會順利下降。如果委員會開第一次會的時候還附帶雞腿便當，甚至可能直接往反方向邁進。
我對這件事特別有感觸，是因為這幾年走進各家企業做培訓、輔導與實作，看過各種不同程度的公司。有些已經購買了 Microsoft 365 與 Copilot，有些採用企業版 ChatGPT，有些開始自己搭建模型，當然也還有不少企業依然停留在使用免費版 ChatGPT 或 Gemini 的階段。
然而，買工具算是最容易做的決策了，麻煩通常是在買完工具之後才發生的。當初買得又快又急，結果呢？公司內部沒有人知道哪些工作流程值得重新設計、資料藏在哪裡、AI 容易在什麼地方出錯、出錯後該由誰承擔責任，以及最終成果要如何順利串接回原本的工作流程中，然後就沒有然後了。
所以我們進去到企業內訓時，如果遇到那種已經買好帳號、權限也都規劃得很好，但是工作流程還是空空的狀況時，這真的是很棘手。
到目前為止，只有遇過三家公司是有辦法自己梳理完流程，建立好教育訓練制度，然後還有很明確的專案推動時程以及預期成效。而且更重要的事情是，他們也有人可以維護後續的系統更新以及糾錯。
如果這些能力通通不存在，公司擁有的充其量只是「AI 訂閱服務」。訂閱當然有用，只是信用卡一刷不過，公司的能力就跟著憑空消失，這場面就比較尷尬了。
這也是我最近一直在琢磨的問題：AI 能力到底該如何衡量？
如果指標算的是公司買了多少帳號、成立了幾個團隊、做完了多少 POC，那許多公司的成績單肯定都非常好看。但這些數字充其量只說明了「我們做了多少事」，並沒有直接回答「公司究竟因此變好了多少」。
做得出來跟值得做，中間隔著一張損益表
合作夥伴當時提出了一個情境，我覺得非常有代表性。
假設業務送出第二批樣品，客戶反應品質跟第一批有落差，企業接下來就得一路往回追查：是原料換了？製程條件變了？供應商不同？還是問題出在某個特定站點？
這些資料可能分散在 CRM、ERP、MES 和品質系統裡，甚至還夾雜著 Excel、紙本，乃至於隱藏在某位老師傅的腦袋中。如果能有一套 AI 跨系統協助搜尋資料、比對差異，聽起來當然非常有價值。
但站在經營者的角度，問題必須繼續往下問。
這種狀況一年到底發生幾次？每次會造成多少損失？現在是用三個工程師查兩天，還是一個人花兩小時就能處理好？
如果一年只發生兩次，每次損失三萬元，結果花費三百萬元去開發一套系統，大概很難讓財務主管有什麼正面情緒。但如果一年因此報廢五千萬元，或者因為找不到原因而失去重要大戶，那三百萬元的投資可能就顯得非常划算。
這就是為什麼我現在愈來愈少從「AI 能幫你省下多少工時」這個切入點開始談。
很多企業真正願意掏出預算解決的問題，往往是交期延誤、品質不穩，或是客戶流失。還有一種常見的情況，是資深員工一退休，突然間全公司沒人知道價格到底該怎麼報。甚至有些公司準備前往海外設廠時，才驚覺台灣廠之所以能順利運作，全靠十幾位資深同仁腦子裡那一套從來沒完整記錄過的經驗判斷。
到了這個層次，AI 的價值就不再只是節省幾個小時的工作時間。它可能直接關係到營收能不能穩住，也關係到公司原本的核心能力能不能順利複製到新據點。
很多 AI 專案，一開始就挑了對自己最友善的 KPI
這裡就會遇到管理上的另一個難題。
一套新系統上線後，負責單位很自然會先拿出最容易取得的數據呈報。處理時間減少了 30%、自動完成率提高 40%、人工件數降低 20%、平均等待時間也大幅下降。報表上的數字看起來無比舒爽。
但是，公司真的因此獲得了更多價值嗎？
這個問題非常容易被忽略。因為建立系統的人，往往會選擇自己最熟悉、最容易控制，也最方便擷取的指標。如果系統是由 IT 部門主導，他們自然會關心系統正常運作時間、回應速度與工單結案率；如果由營運單位主導，他們關心的多半是處理量、工時與錯誤率。
這些指標都沒有錯。麻煩的是，某個部門的成功指標，很容易在不知不覺中被直接當成了整家公司的成功指標。
結果我們就會看到一個奇妙的管理奇觀：每個部門的 KPI 都是完美綠燈，但公司整體的營運表現卻沒有任何顯著提升。大家都順利達標，只是沒人知道價值到底流向了哪裡。
這種現象其實比 AI 技術本身還要古老。AI 只是讓我們現在產生數字的速度變得更快，順便讓這些數字看起來更有科技感罷了。
容易量化的指標，最容易被誤認成最關鍵的事
管理者偏好容易取得的數字，這是人性。
系統每天處理了多少案件、省下了多少分鐘、生成了多少份報告，這些資料通常系統後台拉一下就有，做成圖表既快速又美觀。但真正難以量化的，是後續發生的連鎖反應。
這些案件最後真正完成的比例是多少？客戶有沒有因此繼續留下來？原本可能流失的訂單救回了多少？新進員工需要多久才能獨立作業？省下來的時間到底有沒有轉化成更多的產能？
這些指標通常需要跨部門追蹤，時間拉得非常長。於是組織內部很容易形成一種折衷做法：既然最終結果太難追蹤，不如先拿前面的過程數字來頂替。
久而久之，這些替代指標（Proxy Metric）就被當成了最終成果。
AI 專案特別容易陷入這種陷阱，因為它非常擅長讓「活動量」瞬間暴增。原本一個月產出五份報告，現在可以一口氣做五十份；原本做一個原型要花兩個月，現在兩週就能刻出三個；原本大家都沒有 Agent，現在每個部門都各自擁有一隻。
這些確實都可以算是進步，但我們還是得冷靜地多問一句：然後呢？
如果五十份報告根本沒人拿來做決策、三個原型做完就擱置在旁、每個部門都有 Agent 但工作流程依然照舊，那我們其實只是更有效率地在製造「活動」而已。活動看起來很多，價值卻不見得有跟著變多。
「AI 採用秀」之所以層出不窮，跟指標設計脫不了關係
這也讓我重新理解了之前觀察到的「AI 採用秀」現象。
企業開始要求各單位提出 AI 應用方案，大家便開始四處找題目。做 Demo 很快，做簡報也很快，現在連簡報畫面都能讓 AI 處理得漂漂亮亮。成果就是組織裡最容易被看見的東西被大量製造出來：原型滿天飛、分享會接連開、內部競賽一場接一場。
然而，真正落地到工作現場、而且持續使用超過半年的項目，反而很難被統計出來。
這其實很難怪罪員工。如果公司評估績效看的是「今年提出了多少個 AI 專案」，員工自然會拼命提專案；如果公司看重的是「完成多少個 POC」，大家就會努力衝高 POC 的數量。
人是很真實的，大家只是按照制度引導的方向努力。所以 AI 採用最終演變成一場展示大秀，有時真不是技術問題，而是績效制度非常認真地要求大家去進行這場展示。
這讓我想起一句非常現實的話：你拿什麼來衡量，組織就會生產什麼給你。如果能量化的只有簡報，最後就會收穫滿滿的簡報。這件事我個人實在沒資格笑別人，因為我做簡報的速度，近年也因為 AI 快上了許多。
AI 塞進流程裡，大家搞不好反而更忙
另一個更有趣的現象，是許多 AI 導入專案一開始都把「節省工時」當成最主要的效益。這想法很直覺，只是現階段不少企業遇到的狀況剛好相反。
以前寫一份報告，一個人獨立完成就收工。現在變成了 AI 先生成初稿，人工再進行檢查，發現內容寫錯後又跑去找原始資料，接著指令叫 AI 修改，重新確認一遍。最後因為心裡還是不太放心，乾脆自己親手重改一輪。
然後公司高興地對外宣布：我們已經全面導入 AI。
在這個階段，AI 不但沒有減少工作量，反而像是幫大家多創造了一位需要細心管理的同事。而且這位同事個性非常特別：動作極快、知識淵博，但偶爾會胡說八道，而且講錯話時還往往帶著極高的自信。如果是真人員工，大概早被主管約談了好幾次。
因此，我現在評估 AI 的 ROI 時，會把新增的「查核成本」一併算進去。
假設原本寫一份文件要兩小時，AI 可以十五分鐘生成，但後續的人工查核卻要花上一個半小時，那實際上省下來的時間並沒有表面上那麼漂亮。如果還因為 AI 產出大增，導致主管需要閱讀與審查的內容呈倍數成長，整體工時甚至可能不降反升。
這就是為什麼單純看「生成速度提升多少」是非常危險的事。局部的效率提升，完全不保證整條流程會跟著變好。
真正有用的 AI，最後應該要讓某些原本的步驟直接消失
我現在比較關心的，反而是導入一段時間後，原本有哪些繁瑣的步驟可以「再也不用做」。
例如原本需要人工手動重新輸入一次的資料，可以直接取消；原本每週都要辛苦整理的報表，改由系統自動推播；某個單純為了同步進度而開的例行會議，能夠直接砍掉。到了這個地步，AI 才算真正嵌入了工作流程中。
這也解釋了為什麼跨系統串接特別值得投入。企業的真正價值往往不藏在單一任務裡，而是隱藏在部門與部門交接的縫隙中。
假設業務已經得知客戶需求改變，但採購不知情、生產仍按原計畫進行、財務還在沿用舊的預估算式。大家各自在自己的崗位上都極有效率，最後卻還是一起出大包。
這類問題中，AI 的價值恐怕不在於幫某個人省下三十分鐘，而是在於大幅降低跨部門的協調成本。換句話說，真正值得追蹤的成果，是交接接棒時少出錯、市場反應時間縮短，或是公司能更早察覺需求的變化。
這些成果雖然都比「AI 幫我寫字變快了」更難測量，但也更貼近企業的真實價值。
產品開發看功能，經營者得看整條因果鏈
因此我現在會希望一個 AI 專案，至少能清楚交代出一條完整的因果鏈。
系統改變了什麼工作方式？工作方式改變後，使用者的行為發生了什麼變化？這些行為變化，最後有沒有真正影響到公司在乎的經營結果？
舉例來說，一套客服 AI 將自助處理率提升到了 60%，這數字本身看起來很亮眼。但如果公司的核心目標是「提升客戶留存率」，我們就必須繼續追問：這些被自助系統處理掉的客戶，問題真的解決了嗎？後續的續約率有沒有受影響？
如果客服成本確實下降了，核心大戶卻因為一直聯絡不到真人客服而氣得轉向競爭對手，公司可能只是在局部拿到了漂亮的數據，卻在另一端付出了更大的營收代價。
採購也是同理。採購單價下降了 8%，看似立了大功；但如果進料不良率增加、交期變不穩定，導致後面多出一堆重工與停線成本，低價料件就遠沒有想像中便宜。
HR 的招募也是如此。招募天數從 45 天縮短到 25 天，這是流程效率提升；但如果新人在半年內的離職率飆高，或是主管必須投入雙倍時間重新培訓，那前期的快速招募就很難單獨代表成功。
指標應該要這樣一路往後串接。前段的指標告訴我們系統有沒有正常運作，後段的指標才說明了公司到底有沒有真正撈到好處。
很多 ROI 算不到的，是那些原本差點蒸發掉的價值
成本通常很好算。少掉兩個人頭、省下三天工時，都很容易換算成具體金額。比較棘手的，是那些「原本可能會發生、但被成功擋下來的損失」。
例如一個原本打算離巢的大客戶，因為這次回應速度夠快而決定留下來；一張可能因為報價太慢而飛掉的訂單，這次順利成交了；或者一位老師傅在退休前，把關鍵的判斷邏輯整理成隨時可查的資料庫，讓後面的新手少踩了無數個坑。
這些價值往往沒人在 Excel 裡計算，偏偏它們帶來的影響，有時比省下幾小時工時還要大得多。
所以我現在認為，AI 投資的效益評估至少要同時看「成本面」與「價值面」。成本面包含節省工時、降低錯誤率與縮短作業時間；價值面則要追問是否增加了新收入、避免了潛在損失、提高了客戶留存率，以及原本做不到的事情現在是否變得可行。
最後，再把系統建置、維護、管理與人工審核的成本扣除。這個算術過程確實繁瑣許多，但企業經營本來就沒有義務配合我們做出好看又簡單的報表。
新的 AI 產品，第一個對手往往是企業早就買好的系統
推廣新的 AI 產品時，還有一個非常現實的競爭對手，那就是企業原本就已經採購的資訊系統。
很多公司早就導入了 Microsoft 365、ERP、CRM、MES，現在甚至還加購了 Copilot。這時候老闆直白地問一句：「我連 Microsoft 都買了，為什麼還要另外花錢買你這套？」這問題其實極度合理。
如果需求只是整理信件、摘要會議內容或撰寫草稿，公司確實不需要額外再建置一套新系統。更現實的是，原本的 ERP 或企業系統軟體商，自己也會源源不絕地加入 AI 功能。他們原本就有客戶關係、有既有資料，還有現成的維護合約。
因此我現在會反過來思考：這項需求，為什麼原本的系統廠商沒有做？是做不出來？客戶嫌太貴？還是這需求過於冷門，根本沒有足夠的市場規模？這幾個答案會逐漸梳理出真正的商業機會在哪裡。
這最後還是會繞回指標上。如果你的新產品只是在某個局部功能上比原系統快了 20%，企業不見得願意承受替換成本；但如果它能有效降低一筆過去根本無人能處理的重大損失，情況就完全不同了。
局部的效率優勢很容易被既有大廠迅速追平，企業真正願意長期買單的，多半是經營結果上的實質差異。
跨系統很有價值，但理解一家公司的隱形成本高得嚇人
合作夥伴提到跨 ERP、MES、CRM 與品質資料的整合，我個人非常認同這個方向。因為真實的企業問題，很少會乖乖只縮在單一系統裡。
但越是往這個方向走，前期去理解企業運作模式的成本就會變得無比沉重。
我們曾經服務過一家年營收三十多億元的公司。光是弄清楚他們的 ERP 裡有哪些資料、資料如何流轉、權責歸誰，以及不同部門之間怎麼對接，就耗費了非常漫長的時間。那時候甚至都還沒正式進入開發階段，我們光是努力搞懂這家公司到底是怎麼運作的，就已經耗盡心力。
文件上記載的流程通常整齊劃一，現場實際運作則精采萬分。
「正常狀況是這樣運作啦，但是王課長那邊比較特殊。」
然後另一位同仁會冷不防補一句：「那是以前啦，去年五月就改掉了。」
再下一個人跟著說：「可是那個重要大客戶還是照舊欸。」
歡迎來到真實的企業管理現場。
如果每服務一家客戶都需要重新理解兩個月，那本質上這更接近高度客製化的顧問服務，非常難以大規模複製。若想逐漸轉化為產品，就必須提煉出通用結構，把不同公司的差異點轉化為可設定的模組。
而且這裡還必須算進一個以前容易被忽視的成本：顧問去理解這家企業的時間成本，到底該由誰來吸收？如果這筆成本沒有如實算進商業模式裡，帳面上看到的毛利通常會比實際狀況美好許多。
好看的數字這回事，又再次出現了。
有些老問題，給再多 AI 也救不了
那天我們也聊到了製造業的人力困境。
前一天我剛好去了一家工廠，現場悶熱不堪。我順口問了句怎麼沒有改善降溫，得到的其中一個答案居然是：「以前大家也都是這樣過來的啊。」每次聽到這句話，我都會對台灣製造業前輩們的強韌生命力產生一種極為複雜的敬意。
以前的人真的很能忍受惡劣環境，但現在的年輕人不一定想用自己的職涯來證明自己也很能忍。如果一個年輕人走進工廠，第一個念頭就是「我幹嘛把自己搞得這麼辛苦」，這時候再跟他談什麼 AI、數位轉型還是知識傳承，都顯得有些太過遙遠。
AI 可以讓新人上手得更快，可以幫忙保留老師傅的珍貴經驗，也可以讓一個人處理比過去更多的資料量；但工作環境太差這件事，AI 實在沒辦法幫忙說服年輕人假裝沒看見。
這也隨時在提醒我，企業導入 AI 時，很容易把技術資源砸在一個根本不是技術所造成的問題上。因為買設備比較乾脆，做 Agent 也比較有科技感；至於裝冷氣、改班表、調整管理制度，照片拍起來確實沒那麼威風。
但說到底，人最終還是會用腳投票。
所以我現在更在乎，公司最後到底留下了什麼
現在看 AI 導入專案，我關心的焦點已經逐漸從「這個功能做不做得出來」，轉移到了「這家公司最後究竟留下了什麼」。
因為功能通常總是有辦法做得出來。今天做不出的功能，半年後模型自己升級可能就順便解決了。真正進步得慢的，永遠是公司本身。
資料不會因為模型升級就自動變得乾淨，部門之間也不會因為採購了 AI 就自動開始順暢合作。主管更不會因為成立了 AI 小組，就突然懂得哪些工作流程值得重新設計。
真正能長期留下來的能力，是公司內部逐漸培養出一群知道如何定義問題、如何整理資料、如何驗收系統、了解 AI 容易在哪裡踩雷，以及供應商約滿離開後知道該怎麼接手的人。
而且現在我還會再加上一條：公司必須知道如何判斷這些能力到底有沒有創造出實質價值。如果連衡量價值的標準都掌握在外部顧問或系統廠商手裡，那企業連「自己到底有沒有進步」，都還得請別人開報告才知道，這多多少少有點危險。
AI University 為什麼堅持要老闆親自下場
這也是為什麼我們在 AI University 的計畫裡，始終堅持企業主必須親自參與。我們甚至會對企業主進行面談，確認他願意投入整整十六週的時間。
第一次聽到的人可能會覺得，辦個教育訓練居然還要面試老闆，簡直有點搞不清楚狀況。我自己偶爾也會有這種感覺。
但後來越做越透徹，才發現這個要求其實至關重要。企業主如果沒有親自弄懂 AI 到底能做到什麼、沒有親自參與題目的篩選，他到頭來就只能坐在辦公室裡聽下屬報告。而報告這回事，又特別容易回到前面提過的問題：大家都會挑最好看的數字講。
所以我們讓企業主從最前端就開始參與，去理解模型的極限，也去理解開發的成本。中間再跟主管、學生以及產業資深人士一起討論選題，最後產出的 POC 必須是能夠實際操作的成果。
這樣做帶來的價值，絕不僅僅是多出一套系統。真正珍貴的，是那位老闆在這十六週的過程中，逐漸建立起了一套屬於自己的商業判斷力。
他會知道一個 AI 提案送進來時，該追問這解決了什麼根本問題；他會知道要問這東西到底是誰在用；他也知道要追問做完之後該盯著哪一個經營結果。這種能力很難拍成絢麗的成果影片，但我現在愈來愈覺得，這才是企業真正應該留存下來的核心資產。
說到底，還是回到一個很平實的問題
回頭看那天的那場討論，我並不覺得產品開發端與經營端誰對誰錯，大家只是站在不同的立場說話。
產品開發人員必須大膽想像新的可能性，否則許多創新永遠不會誕生；經營者則必須不斷質疑這筆投入到底值不值得，因為最後伸手掏錢埋單的是公司；而管理者還得扛起最麻煩的責任：確定我們眼下看到的成功，究竟是真實的營運成果，還是某個局部指標自己變好看罷了。
所以現在如果有人拿著一個 AI 專案來找我，我大概會順著這個邏輯一路問下去：
它究竟改變了哪一段工作流程？
這段流程改變之後，公司哪一個營運結果應該要跟著變好？
如果那個結果最後完全沒變，那我們現在到底是在慶祝什麼？
這幾個問題拋出來，通常會讓一場充滿科技術語的會議瞬間冷靜許多。
我覺得這樣也沒什麼不好。畢竟我們真正需要避免的，從來不是 AI 專案失敗；比較麻煩的，是專案的每一個 KPI 都宣告成功，公司最後卻完全不知道錢到底花到哪裡去了。
至於把簡報做得精美好看這件事，我個人還是非常支持的。畢竟有些提案就算註定要被退件，至少退得賞心悅目，大家心情也會好過一些。
本文為吳相勲（Sonic Wu）的 AI 導入與企業管理觀點文章。網頁版提供可調字級與閱讀底色，方便長文閱讀。