最近幾次課程，我開始把上課講義和課堂錄影整合成同一份資料。我放在留言第一則了。這件事表面上只是整理教材，但實際上，它改變了後續課程溝通的方式。

以後若主辦單位想安排相近主題，就不必只靠一段課程簡介判斷。他們可以先看過講義、影片和整理後的內容，再挑出最想了解、最需要延伸的部分。對個人學習者來說也是一樣。當大家能先看到具體內容，談「要學什麼方法」和「要練什麼技術」時，就不會只停留在抽象期待。

這也是我最近整理公開影片的原因。

在最近幾場課程裡，我看到兩種差距很大的狀態。

第一種，是積極推動 AI 的組織。有些組織已經把特定工具當作第一個切入點，例如，NotebookLM 。NotebookLM 是企業可使用最便宜（應該說免費）但功能完整的工具了，這真是個好選擇。它和一般聊天工具單純問答不同，能把講義、簡報、逐字稿、內部文件放進同一個筆記本，再從資料來源出發，產生摘要、問答、報告、簡報或學習材料。也有些組織已經往下一步走，開始思考如何把 NotebookLM 接進更完整的工作流程。

第二種，是還在初步混沌中的組織。他們對生成式 AI 既期待又害怕。一方面覺得這件事一定要學，另一方面又不確定該從哪裡開始，不知道哪些工作適合交給 AI，也擔心資料安全、錯誤回答和同仁適應問題。

這兩種狀態，都很真實。

如果用 2026 年上半年的研究重新看這件事，企業導入 AI 的重點已經不再只是「大家開始用 AI」。新的問題是：AI 已經大量進入工作現場，但它在組織裡真正產生價值的方式，比原本想像得更曲折。

NBER 在 2026 年發布的跨國企業研究指出，美國、英國、德國與澳洲約七成企業已經使用 AI，但多數企業主管仍回報，過去三年 AI 對就業與生產力的影響有限。也就是說，AI 已經進公司了，卻還沒有自然變成穩定產能。

這個發現很重要。它提醒我們，企業導入 AI 的關鍵在於工作方式有沒有跟著改變，單純買工具並不足夠。

我目前的判斷是，生成式 AI 的企業導入，正在分成四條路線。

一、個人思考的放大

第一條路線，是把生成式 AI 當成個人思考與決策的放大工具。

我們可以看到很多很會使用生成式 AI 的人，本身就是經營者、創辦人或高階主管。他們很快感受到 AI 對個人思考、資料整理、情境推演與決策判斷的幫助。有些人甚至已經是深度使用者，可以自己架設本機端模型（Local LLM），也能處理各種 AI Agent 的設定，甚至依照自己的需要寫出一整套內部工具，提供同仁使用。

這類人跑得非常快。

但問題也出在這裡。當一位經營者或高階主管跑得太快，其他人不一定跟得上。先不談中階主管，光是同樣坐在高階會議裡的人，也不見得每一位都有能力用同樣方式操作 AI。這使得組織一開始面對的往往是高層之間如何共同使用 AI 來提高決策效率，技術本身反而是其次。

AI 對某些人來說，是每天都能使用的思考工具；對另一些人來說，仍然只是偶爾拿來寫信、整理資料的助手。兩者看到的世界不一樣，討論事情的速度也不一樣。

所以到目前為止，在個人生產力放大的層面，AI 仍然比較像個人助理。它可以讓少數人的能力變強，但還不容易直接變成組織共同使用的工作模式。

這也是很多企業導入 AI 時第一個遇到的落差：最先會用的人，很快覺得工作方式已經變了；多數人則還停留在「這個工具到底可以幫我做什麼」的階段。

如同 NBER 的研究所指出的：企業可以很快提高 AI 使用率，卻不代表組織生產力會同步上升。

二、工作流程的重新設計

第二條路線，是工作流程。

這一塊比個人使用複雜許多。不過，複雜的是使用情境，不代表每個流程本身都困難。真正麻煩的是，不同單位、不同職能、不同產業的工作流程差異非常大。

製造業、零售業、服務業，都有各自的流程。即使同樣是製造業，研發、採購、產線、品保、業務、財務、人資，每個單位看到的流程也不同。再往下看，還會牽涉到客戶需求、供應商配合、內部簽核、法規限制、系統權限、報表格式與資料品質。這本來就是一個高度分散的世界。

生成式 AI 進來之後，剛好有機會處理這種分散狀態。

它的特性是泛用。它能讀文字、整理表格、理解上下文，也能把不同格式的資料轉成另一種可用格式。它可以接在不同系統之間，協助使用者把原本散落在文件、信件、會議紀錄和報表裡的內容整理成可用結果。

但這件事也有風險。AI 可能讓分散的工作更分散。每個人都用自己的方式做一套流程，每個部門都做自己的版本，最後組織反而更難管理。因此，工作流程導入 AI 的重點，不只在於把事情做快，也在於建立共同規則。

最近幾場工作坊和企業內訓裡，我看到一個非常明確的起點：會議紀錄幾乎已經成為每個單位導入生成式 AI 的初步應用。

這很合理。因為會議紀錄有幾個特性：資料來源明確、任務清楚、產出格式容易規範，而且可以立刻減少行政負擔。只要把錄音、逐字稿、簡報或會議議程整理好，AI 就能協助產出摘要、待辦事項、責任歸屬、決策紀錄與後續追蹤表。

從會議紀錄往外延伸，難度其實不高。例如

  1. 把會議待辦事項轉成專案追蹤表。

  2. 把客戶需求整理成回覆草稿。

  3. 把內部討論轉成公告版本。

  4. 把每週紀錄整理成月報。

  5. 把主管交辦事項整理成提醒與追蹤清單。

這些事情過去也能做，但通常需要靠人力整理，或需要熟悉 n8n、Zapier、Make 這類自動化工具。現在不同的是，Codex、Claude Code、Antigravity 這類 AI Coding 工具，已經讓一般使用者更容易產出流程設定、JSON 檔案，甚至一步一步建出初步可用的自動化流程。

不過，這裡要分清楚兩件事。

若只是個人或小團隊使用，AI 協助產生流程會很有幫助。若要進入企業穩定運作，仍然需要專業的自動化流程工具，處理權限、紀錄、錯誤回報、版本控管與稽核。

2026 年的 WindowsWorld 研究（arXiv:2604.27776）很值得大家找來看。這項研究主要測試 AI Agent 能否在真實桌面環境裡完成跨軟體任務，而非單純測試問答能力。研究設計了 181 個任務，平均每個任務有 5 個子目標，使用 17 種常見桌面應用程式，其中 78% 都需要跨多個應用程式操作。結果顯示，現有主流 AI Agent 在這類跨軟體任務上的成功率低於 21%。

這個結果很重要。它說明現在的 AI Agent 在簡單任務中看起來很聰明，但一旦進入真實工作流程，尤其牽涉多個系統、條件判斷、資料搬移與例外處理時，可靠度還遠遠不夠。

另一項 2026 年的 OccuBench 研究也提出相近提醒。它評估 AI Agent 在 10 個產業類別、65 個專業領域、100 個專業任務中的表現，結果發現沒有單一模型能在所有產業任務中全面勝出；而且隱性資料缺漏，例如欄位被截斷、關鍵資料遺漏，比明顯的錯誤訊號更難處理。原因很簡單：明顯錯誤會提醒你系統壞了，但隱性缺漏常常看起來一切正常。

這正是企業流程最常見的風險。真正麻煩的往往是資料少了一段、欄位錯了一格、條件漏了一項卻沒有人發現，系統跳出錯誤訊息反而容易處理。

所以，生成式 AI 在工作流程中的角色，要看得務實一點。它可以協助整理、轉換、回覆、追蹤，也可以降低很多行政負擔。但若流程牽涉多系統、多部門和高風險決策，就不能太早假設 AI 可以自行接管。

這也是我對這條路線的保留。很多工作流程原本就存在。AI 確實可以協助整理資料、產生文字、補上過去需要人工判讀的部分；但若流程本身已經高度規範，AI 的獨特能力反而會被壓低。它不再需要理解模糊意圖，也不太需要跨系統判斷，只是在固定流程裡產生較自然的文字。

可以用一個簡單對照來看。

過去的做法，是把要寄給客戶的信件、報價通知或定價公告，先寫好範本，再放進自動化流程中。

現在的做法，是讓 AI 幫你寫信，語氣更自然，版本更多，也比較能依照不同對象調整。但本質上，它仍然是在既有流程裡產出文字。

因此，在這類應用中，未必能看出生成式 AI 的巨大商業價值。它能改善效率，但不一定改變企業賺錢的方式。

可是從教學角度來看，這一塊價值很高。它讓一般使用者第一次看懂自動化流程如何運作，也讓大家意識到，很多過去被視為日常雜事的工作，其實可以交給電腦處理。

所以，工作流程這條路線一定會有大量應用。只是它是否會帶來很高的商業價值，或讓企業重新理解自己的經營方式，目前還不能說得太滿。

三、AI 長出來的附加系統

第三條路線，我會稱為附加系統。

這裡談的重點在於讓 AI 作為黏合系統，長出新的附屬工具，有別於單純將 AI 放進既有流程中。這件事會牽涉到 AI Coding，以及更進一步的代理式工程（Agentic Engineering）。

例如

  1. 在既有 ERP 系統之外，外接一個由 AI 協助操作的儀表板。

  2. 把工廠的 MES、排程系統、庫存資料與產能資料整合成一個內部網站，用來快速調度產能、檢視營運效率或追蹤異常。

  3. 把散落在各單位的表單、文件、報表整合成一個內部查詢工具。

  4. 把常見行政、客服或技術支援問題整理成更好用的工作入口。

這類工具通常不是市場上可直接購買的標準產品。它們比較像企業根據自身情況長出來的內部工具。開發方式可能是找外部公司或專家一起做，也可能由內部熟悉 AI 的同仁先做出雛形。

這條路線的吸引力很大。因為它看起來很快，也很貼近現場問題。過去企業想做一套內部系統，常常需要很長的需求訪談、規格討論、排程與開發。現在一位熟悉業務流程、又懂得使用 AI Coding 工具的人，可能幾天內就能做出一個初版。

可是，這條路線真正的問題在後面。

既然它是一套軟體，那誰來維護？誰負責更新？誰處理錯誤？誰承擔資料安全？誰決定權限？誰保證下一位接手的人看得懂前一位留下來的程式碼和架構

AI 讓開發變快，但不代表維護成本自然下降。尤其在企業內部，許多系統一旦開始被使用，就會變成日常工作的依賴。只要它涉及資料、權限、流程和跨部門使用，就不能只靠熱心同仁「先弄一版」。

2026 年一項針對 GitHub 真實專案的大規模研究，很清楚地說明這個問題。研究分析 304,362 筆可驗證的 AI 產生程式碼提交紀錄，涵蓋 6,275 個公開專案。研究發現，AI 產生的程式碼確實大量進入真實專案，但也留下可追蹤的維護問題。研究辨識出 484,606 個問題，其中 89.1% 屬於 code smell（程式碼異味），也就是讓程式碼更難理解、除錯與延伸的維護問題。更重要的是，約 24.2% 的 AI 引入問題，到最新版本仍然存在。

這代表 AI Coding 的關鍵風險在於「後面誰看得懂、誰會修、誰負責維護」，「能不能寫出來」早已不是首要問題。

企業內部若用 AI 快速長出一批小工具，短期看起來很有效率，長期卻可能形成新的技術債。這也呼應我前面提到的附加系統問題：AI 讓開發速度變快，但沒有自動解決維護、權限、測試、責任歸屬與資安問題。

這裡會出現幾個新的管理問題

1. 前一手用 AI 開發出來的程式碼，後面的人能不能順利接手

2. 若後面的人也用 AI 繼續修改，整體架構會不會越來越難理解

3. 當工具開始牽涉資料安全與營運穩定，應該由 IT 單位負責，還是由業務單位負責

4. 若這套工具是外部協作者和內部同仁一起做的，所有權、維護責任與資料邊界如何規定

5. 當系統出錯，誰能判斷是 AI 回答錯、資料來源錯、流程設計錯，還是使用者問錯

這些問題過去也存在，只是 AI Coding 讓它們更快出現。

所以，附加系統這條路線會很有前景，但也最容易形成技術債。它考驗的不是單一工具能力，而是企業有沒有能力管理一批快速長出來的內部小系統。

四、知識萃取與知識管理

第四條路線，是知識萃取。

如果講得比較窄，它會被放在知識管理裡；但我會把知識萃取看得更大。知識管理我特意只定義為資料怎麼放、用什麼模型、用什麼資料庫、怎麼檢索、怎麼做權限控管。這些都重要，但還不夠。

知識萃取處理的是另一件事：組織裡真正有價值的知識，往往存在於人做判斷的過程裡，文件反而較少觸及。

先從學術研究來看。

2026 年 Nature 刊出的 The AI Scientist 研究指出（s41586-026-10265-5），AI 已經可以完成從研究想法、文獻搜尋、實驗設計、寫程式、分析結果、撰寫論文到自我審查的一整段流程。研究團隊甚至讓 AI 產生的論文進入機器學習會議工作坊的審查程序，其中一篇達到可能被接受的水準。

如果研究者非常熟悉引用檢查的流程，文獻引用準確率問題基本已被解決了。例如，以 2026 年的 CiteCheck 研究（arXiv:2605.27700）來看，研究團隊把 AI 生成引用錯誤分成三類：完全正確、輕微錯誤、重大錯誤。輕微錯誤包括真有其文，但作者、年份、標題、網址、DOI 或 arXiv 編號等欄位出錯；重大錯誤則是指向不存在的文獻。研究團隊建構了 982 筆引用測試資料，並用外部學術來源檢索加上結構化比對來驗證引用，最後達到 88.9% 的準確率。

這些聽起來很驚人，但別誤解了！這些研究比較像是證明「研究流程中的許多環節可以被自動化」，不代表 AI 已經可以取代研究者。人類擅長處理非常多樣、繁雜的思緒。所有做過學術研究的人都曾經歷過在腦中浮現出多樣文獻相互連結、觀點相似度聚合、新觀點湧現與梳理，這還是人類做得較好的地方。AI Research Agents Narrow Scientific Exploration 就發現 (arXiv:2605.27905)，AI 研究 Agent 產生的研究想法比較集中，通常更接近原始文獻，較擅長在既有研究附近做延伸，較難打開新的研究方向。研究團隊使用四種研究型 Agent 架構和六個大型語言模型，從共同的種子文獻產生 37,802 個研究想法，再和人類研究者的論文與後續研究比較，最後得到這個結論。

這對商管研究尤其重要。AI 很適合協助整理文獻、比對構念（Constructs）、檢查引用、建立初步研究地圖，但真正的研究問題、反常現象、因果機制與理論貢獻，仍然需要人做判斷。AI 可以降低整理成本，但不能替代研究者對「什麼問題值得問」的判斷。

不過，學術研究只是知識萃取的一部分。

另一部分更重要，也更難：經營現場的隱性知識。

這裡又可以分成兩塊。

第一，是經營管理者的思維。

第二，是現場專家與老師傅的工作知識。

經營管理者的思維，包含他如何看事情、如何取捨、如何判斷風險、如何決定資源配置、如何面對模糊情境。這些知識遠比想像中難萃取。因為一個人的決策通常缺乏清楚的公式驅動，往往仰賴一組他自己也不一定說得清楚的原則、經驗和感覺。

當他遇到不同情境時，他知道該怎麼判斷。但你問他「你是怎麼判斷的」，他未必能完整說出來。

只有一種人比較容易萃取：受過嚴格理論訓練，而且真的用理論思考的人。這類人比較能清楚說出自己的判斷架構、前提、推論順序與限制條件。對一般經營者來說，挑戰通常在於如何把直覺轉成可重複說明、可教、可檢查的方法。

這也是我對「個人智慧分身」保持保留的原因。

很多經營者想做的事情，其實是複製自己的分身。他們希望當同事問「這件事你怎麼看」「這件事你會怎麼決定」時，至少有一個數位分身可以先回應，減少自己被大量詢問拖住的時間。

這個需求很真實，也很合理。

但每個人的知識、經驗與觀點，都在特定時空條件下形成。把這些內容萃取出來之後，我們到底是在做一個「過去經驗的回答工具」，還是真的能讓這個角色延伸到新的經營環境？這件事很難判斷。

可以用 Steve Jobs 當作思想實驗。

很多人會討論，如果 Steve Jobs 還在，他會怎麼面對今天的 AI 時代。有人可能會說，以他的遠見，他一定早就知道該怎麼做。但我不傾向把任何人神格化。再有天分的人，也不可能在快速變動的世界裡，永遠維持同樣水準的判斷。

更何況，今天的 Apple 面對的不只是產品想像，還包括組織規模、供應鏈、資料治理、AI 競爭、法規壓力與地緣政治。真正的 Steve Jobs 在今天是否一定能做出比現在團隊更好的選擇？這沒有辦法直接證明。

那麼，用過去的 Steve Jobs 資料訓練出來的「Steve Jobs 分身」，又如何能真正看清現在的市場變化？它可能很會模仿語氣，也可能很會重述過去的理念，但這不等於它能在新條件下做出有效判斷。

所以，個人知識蒸餾有價值，但不能過度期待。

我認為更值得做的，是萃取出某些宏觀分析觀點。像我在歷次課程中，常會請產業裡的專家談談他們怎麼看某件事。每個人多多少少都能說出自己的分析架構與處理流程。你也會很快聽出來，他們的切入方式通常不是教科書上的標準答案，而是長期在現場裡形成的視角。

這些視角本身就有價值。

它們當然也受限於特定時空條件，但至少能讓我們知道：在什麼條件下，這套思路可能有用；在什麼條件下，它可能失效。這種萃取比「做出某個人的智慧分身」更務實，也更適合組織學習。

接著，是現場工作的知識萃取。

這件事更有必要。因為很多現場知識非常零散，而且往往藏在老手的直覺裡。這些老師傅或專家，遇到問題時常常能很快判斷方向。但他們未必能完整說出自己為什麼這樣做。

2026 年有幾項研究開始把焦點從一般知識管理，轉向隱性知識的形式化。GenAI SECI 模型試圖更新 Nonaka 的 SECI 知識創造模型，把生成式 AI 放進隱性知識與顯性知識轉換的過程中。另一項 Tacit Knowledge Extraction via Logic Augmented Generation and Active Inference 研究，則用製造業維修與組裝情境，測試如何把隱性判斷轉成知識圖譜（Knowledge Graph）。

這支持我前面對現場知識萃取的判斷。真正有價值的知識，關鍵在於異常狀況發生時，他看到了什麼線索、連結了哪些過去經驗、排除了哪些可能性，最後為什麼選擇某一個處理順序。單純把老師傅講過的話逐字記下，或把 SOP 寫得更完整，意義並不大。

如果只是標準操作流程（SOP），其實沒有太多需要萃取的地方。SOP 本來就應該寫清楚，照著做就好。真正值得萃取的，是老師傅如何處理標準手冊沒有寫清楚的異常狀況。

例如產線良率下降。

若你只是問老師傅：「解決良率下降的第一步是什麼？第二步是什麼？」他說出來的內容，通常會很像 SOP。因為你的問法只允許他回答流程。

可是，真正值得萃取的內容，往往存在於他進入現場之前或進入現場當下看到的線索，流程本身反而看不出端倪。

也許他一看到某幾個數字，就想起前天有幾個數值也曾經微幅跳動。當時問題還不大，所以沒有人注意。但他在處理這次異常時，立刻把兩件事連在一起。外人從旁邊看，只會覺得他照著步驟一、二、三做完，問題就解決了。

真正的差異，其實發生在他判斷問題之前。

這裡才是 AI 值得投入的地方。重點在於思考如何透過 AI 更有效地記錄現場情境、追問判斷線索、整理經驗差異，最後把沉默的經驗轉成組織可以重複使用的知識，而非單純討論工具功能。

很多時候，組織以為自己缺的是工具。後來才發現，真正缺的是把經驗留下來的能力。

不過，知識萃取也要算成本。

有些知識保存期很短。若是某台設備只會再使用三到五年，而且相關問題不會重複發生太多次，那麼特別投入資源萃取這批知識，邊際價值可能不高。除非這些問題一旦發生就會造成重大損失，否則不一定值得。

但如果是價值極高、使用年限超過十年、維修成本高、停機損失大的設備，初期累積的知識與經驗就非常重要。這些知識若沒有留下來，等到老手退休或離職，組織就會重新付一次學費。

所以，知識萃取不能只問「能不能做」。更重要的是問

1. 這項知識未來會不會重複使用

2. 失去這項知識會造成多大損失

3. 這項知識能不能被轉成可教、可查、可驗證的形式

4. 萃取成本是否低於未來可能避免的損失

5. 這項知識是否只適用於過去情境，還是能延伸到新的工作情境

這幾個問題，會決定知識萃取到底是有價值的投資，還是另一種看起來很先進、實際上不太划算的整理工程。

回頭看企業導入生成式 AI，我現在比較不把它看成單一工具問題。它其實分成四條路線。

第一，個人思考的放大。這會讓少數高能力使用者快速變強，但也會拉大組織內部的使用差距。

第二，工作流程的重新設計。這會帶來很多立即可見的效率改善，但不一定直接改變商業價值。

第三，AI 長出來的附加系統。這會讓企業更快做出內部工具，但也會帶來維護、權限、資料安全與責任歸屬問題。

第四，知識萃取。這可能是最慢、最難，卻也是最值得長期投入的一條路線。因為它處理的是組織真正難以複製的東西：人如何看見問題、理解情境、形成判斷，並在關鍵時刻做出選擇。

我越來越覺得，企業導入 AI 的關鍵，取決於後續的知識轉化；大家會不會打一段能用的提示詞，只是起點而已。

真正的分水嶺在於：組織能不能把原本散落在個人腦中的判斷，變成共同知識。

當這件事開始發生，AI 就不只是加速工具。它會讓組織第一次看見：過去那些被稱為經驗、直覺、手感的東西，其實有一部分可以被記錄，有一部分可以被教，也有一部分可以被下一代人承接。

這才是我認為最值得投入的地方。